금융 전략을 위한 머신러닝: 19가지 사례를 통해 익히는 금융 전략, 머신러닝, 데이터 과학

180

2

부

지도 학습

위의 차트를 보면 선형 회귀와 인공 신경망의 예측이 비슷하다는 것을 알 수 있다.

1

개월 테

너의 경우 인공 신경망으로의 적합화는 회귀 모델에 비해 약간 떨어진다. 그러나

5

년 및

30

년 테너의 경우 인공 신경망은 회귀 모델과 같이 잘 수행한다.

7.

결론

이 실전 문제에서는 수익률 곡선의 여러 테너 예측에 지도 회귀 모델을 적용했다. 선형 회귀

모델은 단순함에도 불구하고 예측할 변수의 마지막 사용 가능한 값에 지배적인 영향을 미친

181

5

장

지도 학습: 회귀(시계열 모델)

다는 특성을 고려할 때, 한 단계 앞선 예측을 능가하기에는 어려운 벤치마크이다. 이 실전

문제의 인공 신경망 결과는 선형 회귀 모델의 것과 비슷하다. 인공 신경망의 또 다른 이점은

변화하는 시장 조건에 더 유연하다는 것이다. 또한 여러 하이퍼파라미터에서 격자 탐색을

수행하고

LSTM

과 같은 순환 신경망을 통합하는 옵션을 통해 인공 신경망 모델을 향상시킬

수 있다.

전반적으로, 우리는 고정 수입 상품의 맥락에서 인공 신경망을 사용해 머신러닝 기반 모델

을 구축했는데 그 결과는 고무적이다.