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

332

4

부

강화 학습과 자연어 처리

운영 환경에서 더 많은 뉘앙스와 매개변수를 처리할 수 있는 강화 학습 알고리즘은 파생상품

헤징 전략도 생성할 수 있다. 전통적인 금융 기반 헤징 전략과 달리 강화 학습 기반 헤징 전략

은 거래 비용, 시장 영향, 유동성 제약, 위험 한도와 같은 실제 시장 마찰 상황에서 실효성 있는

최적의 전략이다.

9

장에서는 주요 금융 활용을 다루는 세 가지 강화 학습 기반 실전 문제, 즉 알고리즘 거래, 파

생상품 헤징, 포트폴리오 배분을 다룬다. 모델 개발 단계의 경우 실전 문제는

2

장에 제시된 표

준화된

7

단계 모델 개발 과정을 따른다. 모델 개발 및 평가는 강화 학습의 핵심 단계이므로 이

단계를 강조한다. 머신러닝과 금융의 여러 개념이 구현된 경우, 이러한 실전 문제는 금융의 다

른 강화 학습 기반 문제에 청사진으로 사용할 수 있다.

‘실전 문제

1

: 강화 학습 기반 거래 전략’

에서는 알고리즘 거래 전략을 개발하기 위해 강화 학습

을 사용하는 방법을 시연해 보인다.

‘실전 문제

2

: 파생상품 헤징’

에서는 강화 학습 기반 기술을 구현하고 분석해 시장 마찰이 있는

파생상품 포트폴리오에 대한 최적의 헤징 전략을 계산한다.

‘실전 문제

3

: 포트폴리오 배분’

에서는 위험 조정 수익률을 극대화하기 위해 암호화폐 데이터셋

에 강화 학습 기반 기술을 사용해 자본을 다른 암호화폐에 배분하는 방법을 설명한다. 또한 모

델을 훈련하고 테스트하기 위해 강화 학습 기반 시뮬레이션 환경을 도입한다.

위에서 언급한 사항 외에도, 다음 내용도 ...