책소개
금융과 머신러닝의 만남!
머신러닝 적용방법 맛보기
머신러닝의 기본 개념과 전제적인 흐름을 살펴보고 이를 이용하여 간단한 알고리즘 트레이딩 시스템을 구현해 보자
현재 시중에 있는 머신러닝 관련 도서는 머신러닝이 무엇인지 소개하거나 머신러닝의 수학적 배경을 설명한다. 전자는 머신러닝 알고리즘에 대한 소개와 사용방법에 치중하여 머신러닝 사용법을 학습하는 데는 도움이 되지만, 머신러닝의 개념을 이해하고 무엇을 하기에는 내용이 부족하고, 후자는 반대로 너무 전문적이어서 머신러닝 알고리즘에 사용된 수학적 개념들과 각종 정리를 소개하는 데 치중해 있다. 머신러닝 알고리즘을 새로 개발하거나 기존 머신러닝 알고리즘을 개선해서 사용하려 한다면 이런 책들이 도움되지만, 머신러닝 알고리즘을 사용하려고 한다면 너무 학문적이고 이론적이어서 별로 도움이 되지 않는다.
『머신러닝을 이용한 알고리즘 트레이딩 시스템 개발』은 머신러닝을 공부하는 데 필요한 통계와 확률에 대한 수학적 이론과 머신러닝을 적용하려는 분야에 대한 도메인 지식(Domain Knowledge), 이를 구현한 코드를 한곳에서 볼 수 있는 책이다.
머신러닝을 이용해 프로그램을 작성하는 데 머신러닝 알고리즘이 차지하는 비중은 그렇게 크지 않다. 중요한 것은 데이터에 대한 이해와 특성을 파악하는 것이다. 이 과정은 통계와 확률에 대한 수학적 지식과 머신러닝을 적용하려는 분야에 대한 도메인 지식이 있으면 시간을 대폭 단축할 수 있고, 문제를 단순화할 수 있다. 이런 과정을 거쳐 적용한 머신러닝이야말로 좋은 결과를 보여준다.
머신러닝을 제대로 활용하기 위해서는 데이터가 더욱 중요한 이슈라고 얘기했듯이, 머신러닝을 이야기하는 데 적용 분야인 도메인을 정하지 않는 것은 반쪽짜리다. 그래서 이 책은 쉽게 데이터를 얻을 수 있으며, 데이터 자체에 대한 신뢰도가 높고 난도가 있는 주식을 선택했다.
주식시장은 예측이 어려운 대표적인 분야로, 머신러닝을 공부하는 데 필요한 모든 요소를 가지고 있다. 수학 이론을 이용한 예측 모델의 작성, 작성한 모델을 위한 데이터 처리, 주가를 예측하기 위한 학습, 학습결과의 해석과 이를 개선하는 방법 등 머신러닝 전체 흐름을 경험하기에 좋다. 통계, 시계열(Time Series), 알고리즘 트레이딩 등 책에서 다루는 주제는 각각 한 권의 책으로도 분량이 모자랄 만큼 방대한 내용을 가지고 있으나 이 책의 목적상 알고리즘 트레이딩과 직접 연관되고 반드시 알아야 하는 사항들을 중심으로 서술했다. 아울러 이 책은 프로그래밍을 할 수 있는 독자가 대상이므로 프로그래밍에 관련된 설명은 특별히 하지 않았다.
이 책의 구성
이 책은 크게 3부분으로 구성되어 있다.
Part 1은 머신러닝의 개요로, 머신러닝이 무엇인지와 머신러닝이 할 수 있는 것은 무엇인지, 머신러닝의 종류는 무엇이 있는지 등 머신러닝의 전반적인 개요를 설명한다.
Part 2는 알고리즘 트레이딩을 위한 수학적 배경지식으로 통계와 시계열을 다룬다. 알고리즘 트레이딩을 하려면 주식의 매도와 매수를 결정하는 ‘모델’이라는 것을 만들어야 한다. 이 모델을 만들기 위한 최소한의 통계 개념과 시계열 개념을 설명한다.
Part 3은 실제로 간단한 알고리즘 트레이딩을 파이썬을 이용해 구현해본다. 머신러닝에 기반을 둔 모델과 시계열 이론에 기반을 둔 모델 2가지를 구현해보고, 구현된 결과에 대한 해석과 이를 개선하는 방법에 대해 다룬다.
저자소개
목차
chapter 1 머신러닝
1.1 머신러닝이란 무엇인가
1.2 머신러닝의 장단점
1.3 머신러닝의 종류
1.3.1 지도학습
1.3.2 비지도학습
1.4 머신러닝이 할 수 있는 것
1.4.1 회귀
1.4.2 분류
1.4.3 군집화
1.5 머신러닝 알고리즘
1.6 머신러닝 프로세스
1.7 No free Lunch Theorem
chapter 2 통계
2.1 통계란
2.2 통계가 머신러닝에서 중요한 이유
2.3 통계의 기본 개념과 용어
2.3.1 모집단과 표본
2.3.2 파라미터와 통계량
2.3.3 표집 오차
2.3.4 종속변수와 독립변수
2.3.5 연속변수와 이산변수
2.3.6 모델
2.4 준비사항
2.5 데이터 다운로드
2.6 데이터 로드
2.7 기초통계
2.7.1 표준편차
2.7.2 사분위수
2.7.3 히스토그램
2.7.4 정규분포
2.7.5 산점도
2.7.6 상자그림
chapter 3 시계열 데이터
3.1 시계열 데이터
3.2 시계열 데이터 분석
3.3 주요 시계열 데이터의 특성
3.4 랜덤과정
3.5 정상 시계열 데이터
3.5.1 약한 정상성
3.6 랜덤과정에서의 기대값, 분산, 공분산
3.6.1 공분산
3.7 상관
3.8 자기공분산
3.9 자기상관
3.10 랜덤워크
3.10.1 기하적 브라운 운동
chapter 4 알고리즘 트레이딩
4.1 알고리즘 트레이딩 소개
4.2 인물로 살펴보는 알고리즘 트레이딩의 역사
4.2.1 에드워드 소프
4.2.2 제임스 해리스 사이먼스
4.2.3 케네스 그리핀
4.3 알고리즘 트레이딩 모델
4.4 평균회귀 모델
4.4.1 평균회귀 테스트
4.4.2 평균회귀 모델 구현
4.5 머신러닝 모델
4.5.1 특징 선택
4.5.2 가격이냐 뱡향이냐
4.6 분류 모델
4.6.1 로지스틱 회귀
4.6.2 의사결정 트리와 랜덤 포레스트
4.6.3 SVM
4.7 머신러닝 모델 구현
4.7.1 데이터셋
4.7.2 데이터셋 나누기
4.7.3 주가방향 예측변수 작성
4.7.4 주가방향 예측변수 실행 및 평가
4.8 시간가치 감소 효과
chapter 5 알고리즘 트레이딩 시스템 구현
5.1 일반적인 알고리즘 트레이딩 시스템 구성
5.2 구현 시스템 개요
5.3 개발 환경
5.4 데이터 크롤러 구현
5.4.1 주식 종목코드 수집
5.4.2 주가 데이터 수집
5.5 알파 모델 구현
5.5.1 평균회귀 모델
5.5.2 머신러닝 모델
5.6 포트폴리오 빌더 구현
5.6.1 평균회귀 모델 종목 선정
5.6.2 머신러닝 모델 종목 선정
5.7 트레이더 구현
chapter 6 성능 평가와 최적화
6.1 알고리즘 트레이딩 시스템의 성능 측정
6.2 백테스팅
6.2.1 Profit/Loss 테스트
6.2.2 Hit Ratio
6.2.3 Drawdown
6.2.4 Sharpe Ratio
6.3 머신러닝 모델 성능 측정
6.3.1 혼동 행렬
6.3.2 Classification Report
6.3.3 ROC 곡선
6.4 라이브 트레이딩 모니터링
6.5 파라미터 최적화
6.6 하이퍼파라미터 최적화
6.6.1 격자 탐색
6.6.2 랜덤 탐색
6.7 블랙 스완
chapter 7 마치며
추천도서
리얼타임 eBook 안내
PDF 형식으로 제공되며, 다운로드한 eBook은 PDF 포맷을 지원하는 디바이스 또는 프로그램에서 제한없이 열람할 수 있습니다. 또한 eBook 내의 텍스트 검색 및 인쇄도 가능합니다.
오탈자 등록
예제소스
