HOME > Detail View

Detail View

자산운용을 위한 금융 머신러닝 : 자산운용 매니저를 위한 머신러닝 지침서

Material type
단행본
Personal Author
López de Prado, Marcos Mailoc 이기홍, 역
Title Statement
자산운용을 위한 금융 머신러닝 : 자산운용 매니저를 위한 머신러닝 지침서 / 마르코스 로페즈 데 프라도 지음 ; 이기홍 옮김
Publication, Distribution, etc
서울 :   에이콘,   2021  
Physical Medium
207 p. : 천연색삽화 ; 23 cm
Series Statement
에이콘 금융 퀀트 머신러닝 융합 시리즈
Varied Title
Machine learning for asset managers
ISBN
9791161754918
General Note
부록: A. 합성 데이터 테스트, B. '거짓 전략' 정리의 증명  
Bibliography, Etc. Note
참고문헌(p. 189-200)과 색인수록
Subject Added Entry-Topical Term
Asset-liability management --Data processing Machine learning
000 00000cam c2200205 c 4500
001 000046083175
005 20210618091645
007 ta
008 210617s2021 ulka b 001c kor
020 ▼a 9791161754918 ▼g 93000
035 ▼a (KERIS)BIB000015746799
040 ▼a 241050 ▼c 241050 ▼d 241050 ▼c 241050 ▼d 211009
041 1 ▼a kor ▼h eng
082 0 4 ▼a 332.10681 ▼2 23
085 ▼a 332.10681 ▼2 DDCK
090 ▼a 332.10681 ▼b 2021
100 1 ▼a López de Prado, Marcos Mailoc ▼0 AUTH(211009)100093
245 1 0 ▼a 자산운용을 위한 금융 머신러닝 : ▼b 자산운용 매니저를 위한 머신러닝 지침서 / ▼d 마르코스 로페즈 데 프라도 지음 ; ▼e 이기홍 옮김
246 1 9 ▼a Machine learning for asset managers
260 ▼a 서울 : ▼b 에이콘, ▼c 2021
300 ▼a 207 p. : ▼b 천연색삽화 ; ▼c 23 cm
490 1 0 ▼a 에이콘 금융 퀀트 머신러닝 융합 시리즈
500 ▼a 부록: A. 합성 데이터 테스트, B. '거짓 전략' 정리의 증명
504 ▼a 참고문헌(p. 189-200)과 색인수록
650 0 ▼a Asset-liability management ▼x Data processing
650 0 ▼a Machine learning
700 1 ▼a 이기홍, ▼e
830 0 ▼a 에이콘 금융 퀀트 머신러닝 융합 시리즈
900 1 0 ▼a 로페즈 데 프라도, 마르코스, ▼e
945 ▼a KLPA

Holdings Information

No. Location Call Number Accession No. Availability Due Date Make a Reservation Service
No. 1 Location Science & Engineering Library/Sci-Info(Stacks1)/ Call Number 332.10681 2021 Accession No. 121257483 Availability Available Due Date Make a Reservation Service B M

Contents information

Book Introduction

로페즈 데 프라도 박사의 저서 『실전 금융 머신러닝 완벽 분석』의 후속작으로, 개념적으로는 자산운용 일반에도 적용할 수 있으며, 퀀트 매니저와 퀀트 분석가에게 지침이 될 수 있는 책이다. 머신러닝의 금융 응용에 대한 아이디어를 제시하며, 『실전 금융 머신러닝 완벽 분석』을 이해하기 위한 기초 개념을 더 자세히 설명하고 관련된 최근의 연구를 추가했다.

★ 이 책의 구성 ★

금융 공분산 행렬이 잡음을 갖고, 이들은 회귀 분석을 하거나 최적 포트폴리오를 계산하기 이전에 정제돼야 한다는 것을 배울 것이다(2장). 상관관계가 상호 연관성에 대한 매우 좁은 정의이고, 다양한 정보이론 척도가 더 통찰력이 있다는 것을 배울 것이다(3장). 기저(basis)를 변경하지 않고 공간의 차원을 축소하는 직관적인 방법을 배울 것이다. 주성분 분석(PCA, Principal Component Analysis)과 달리 머신러닝 기반의 차원 축소법은 직관적 결과를 제공한다(4장). 불가능한 고정 기간 예측(fixed-horizon prediction)을 목적으로 하기보다는 높은 정확도로 풀 수 있는 금융 예측 문제를 제안하는 대안적 방법들을 배울 것이다(5장). 고전적 p-값에 대한 현대적 대안을 배우고(6장) 평균-분산 투자 포트폴리오에 만연한 불안정성 문제를 해결하는 법을 배울 것이다(7장). 그리고 연구자의 발견이 다중 테스트의 결과로 거짓일 확률을 평가하는 법을 배울 것이다(8장). 만약 자산 운용 산업 또는 금융 학문에서 일을 한다면 이 책은 바로 당신을 위한 것이다.


Information Provided By: : Aladin

Author Introduction

마르코스 로페즈 데 프라도(지은이)

머신러닝과 슈퍼컴퓨팅을 이용해 수십억 달러의 기금을 운용하고 있다. 구겐하임 파트너의 정량 금융 투자 전략(QIS, Quantitative Investment Strategies) 사업을 설립해 뛰어난 리스크-조정 수익률을 지속적으로 달성한 고용량 전략을 개발했다. 130억 달러의 자산을 운용한 후 QIS를 인수하고 2018년 구겐하임에서 스핀아웃(spin out)했다. 2010년부터 로렌스 버클리 국립 연구소(Lawrence Berkeley National Laboratory, 미국 에너지부, 과학국)의 연구원으로 일하고 있다. 금융에서 가장 많이 읽힌 10대 도서의 저자(SSRN 순위 기준)로, 머신러닝과 슈퍼컴퓨팅에 관련된 수십 편의 논문을 썼고, 알고리즘 거래에 대한 다수의 국제 특허를 갖고 있다. 1999년에 스페인 국립 학문상을 수상했고, 2003년에는 금융 경제학으로 박사학위를 받았으며, 2011년에는 마드리드 대학교에서 수학 금융으로 두 번째 박사학위를 받았다. 박사 후 과정을 하버드와 코넬 대학교에서 마쳤으며, 공학부에서 금융 머신러닝 과정을 가르쳤다. 미국 수학 학회에 따른 에르도스 #2Erdos #2와 아인슈타인 #4Einstein #4를 갖고 있다.

이기홍(옮긴이)

카네기멜론 대학교에서 석사 학위를 받았고, 피츠버그 대학교 Finance Ph.D, CFA,FRM이며, 금융, 투자, 경제분석 전문가다. 삼성생명, HSBC, 새마을금고 중앙회, 한국투자공사 등과 같은 국내 유수의 금융 기관, 금융 공기업에서 자산운용 포트폴리오 매니저로 근무했으며, 현재 딥러닝과 강화학습을 금융에 접목시켜 이를 전파하고 저변을 확대하는 것을 보람으로 삼고 있다. 저서로는 『엑셀 VBA로 쉽게 배우는 금융공학 프로그래밍』(한빛미디어, 2009)이 있으며, 번역서로는 『포트폴리오 성공 운용』(미래에셋투자교육연구소, 2010), 『딥러닝 부트캠프 with 케라스』(길벗, 2017), 『프로그래머를 위한 기초 해석학』(길벗, 2018)과 『실용 최적화 알고리즘』(에이콘, 2020), 『초과 수익을 찾아서 2/e』(에이콘, 2020), 『자산운용을 위한 금융 머신러닝』(에이콘, 2020), 『실전 알고리즘 트레이딩 배우기』(에이콘, 2021), 『존 헐의 비즈니스 금융 머신러닝 2/e』(에이콘, 2021) 등이 있다. 누구나 자유롭게 머신러닝과 딥러닝을 자신의 연구나 업무에 적용해 활용하는 그날이 오기를 바라며 매진하고 있다.

Information Provided By: : Aladin

Table of Contents

1장. 들어가며

1.1 동기 부여
1.2 이론이 중요하다
1.2.1 교훈1: 이론이 필요하다
1.2.2 교훈2: 머신러닝은 이론을 발견하는 것을 돕는다
1.3 어떻게 과학자들이 머신러닝을 이용하는가
1.4 두 가지 형태의 과적합
1.4.1 훈련셋 과적합
1.4.2 테스트셋 과적합
1.5 개요
1.6 청중
1.7 다섯 가지 만연한 금융 머신러닝에 대한 잘못된 개념
1.7.1 머신러닝은 성배 대 머신러닝은 무용지물
1.7.2 머신러닝은 블랙박스
1.7.3 금융은 머신러닝을 적용하기에는 불충분한 데이터를 갖고 있다
1.7.4 금융에서 신호 대 잡음 비율이 너무 낮다
1.7.5 금융에서 과적합의 위험은 너무 크다
1.8 금융 리서치의 미래
1.9 자주 물어 보는 질문들
1.10 결론
1.11 연습문제

2장. 잡음 제거와 주음 제거

2.1 동기 부여
2.2 마르첸코-파스퇴르 정리
2.3 신호가 있는 랜덤 행렬
2.4 마르첸코-파스퇴르 PDF 적합화
2.5 잡음 제거
2.5.1 상수 잔차 고유값 방법
2.5.2 타깃 축소
2.6 주음 제거
2.7 실험 결과
2.7.1 최소 분산 포트폴리오
2.7.2 최대 샤프 비율 포트폴리오
2.8 결론
2.9 연습문제

3장. 거리 척도

3.1 동기 부여
3.2 상관계수 기반 척도
3.3 한계와 결합 엔트로피
3.4 조건부 엔트로피
3.5 쿨백 - 라이블러 발산
3.6 교차 엔트로피
3.7 상호 정보
3.8 정보 변분
3.9 이산화
3.10 두 분할 간의 거리
3.11 실험 결과
3.11.1 무관계
3.11.2 선형관계
3.11.3 비선형관계
3.12 결론
3.13 연습문제

4장. 최적 군집화

4.1 동기 부여
4.2 근접성 행렬
4.3 군집화 종류
4.4 군집의 수
4.4.1 관측 행렬
4.4.2 기본 군집화
4.4.3 상위 수준 군집화
4.5 실험 결과
4.5.1 랜덤 블록 상관관계 행렬 생성
4.5.2 군집의 수
4.6 결론
4.7 연습문제

5장. 금융 레이블

5.1 동기 부여
5.2 고정 - 기간 방법
5.3 삼중 배리어 방법
5.4 추세 검색 방법
5.5 메타 레이블링
5.5.1 기대 샤프 비율에 의한 베팅 크기
5.5.2 앙상블 베팅 크기
5.6 실험 결과
5.7 결론
5.8 연습문제

6장. 특성 중요도 분석

6.1 동기 부여
6.2 p - 값
6.2.1 p 값의 몇 가지 결함
6.2.2 수치 예제
6.3 특성 중요도
6.3.1 평균 감소 불순도
6.3.2 평균 감소 정확도
6.4 확률 가중 정확도
6.5 대체 효과
6.5.1 직교화
6.5.2 군집 특성 중요도
6.6 실험 결과
6.7 결론
6.8 연습문제

7장. 포트폴리오 구축

7.1 동기 부여
7.2 볼록 포트폴리오 최적화
7.3 조건 수
7.4 마코위츠의 저주
7.5 공분산 불안정성의 원천으로서의 신호
7.6 중첩 군집 최적화 알고리즘
7.6.1 상관 군집화
7.6.2 군집 내 비중
7.6.3 군집 간 비중
7.7 실험 결과
7.7.1 최소 분산 포트폴리오
7.7.2 최대 샤프 비율 포트폴리오
7.8 결론
7.9 연습문제

8장. 테스트셋 과적합

8.1 동기 부여
8.2 정밀도와 재현율
8.3 다중 테스트하의 정밀도와 재현율
8.4 샤프 비율
8.5 ‘거짓 전략’ 정리
8.6 실험 결과
8.7 축소 샤프 비율
8.7.1 유효 시행 수
8.7.2 시행 간 분산
8.8 군별 오차율
8.8.1 시다크 조정
8.8.2 다중 테스트하의 1종 오류
8.8.3 다중 테스트하의 2종 오류
8.8.4 1종과 2종 오류 간의 상호작용
8.9 결론
8.10 연습문제

부록 A. 합성 데이터 테스트
부록 B. ‘거짓 전략’ 정리의 증명

New Arrivals Books in Related Fields

한국은행. 금융결제국. 결제연구팀 (2020)