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

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

by 김한상, 하리옴 탓샛, 사힐 푸리, 브래드 루카보
Released December 2021
Publisher(s): Hanbit Media, Inc.
ISBN: 9791162245002

Read it now on the O’Reilly learning platform with a 10-day free trial.

O’Reilly members get unlimited access to books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.

Start your free trial

Book description

앞으로 금융 산업은 머신러닝과 데이터 과학으로 인해 변화될 것이다. 이 책은 금융업계에서 종사하는 분석가, 거래자, 연구원, 개발자, 데이터 엔지니어에게 유익한 머신러닝 알고리즘 구축법을 다룬다. 자연어 처리와 함께 지도 학습, 비지도 학습, 강화 학습에 필요한 머신러닝 개념과 19가지 사례 연구를 살펴본다. 또한 헤지 펀드, 투자 은행, 핀테크 회사 등 투자 전문가로 성장하기에 필요한 딥러닝 기반의 가이드를 제공한다. 포트폴리오 관리, 알고리즘 거래, 파생 상품 가격 책정, 이상 거래 탐지, 자산 가격 예측, 감정 분석, 챗봇 개발에 대해 자세히 설명한다. 실무자가 직면한 실제 문제를 코드와 예제를 활용해 해결할 수 있도록 과학적 솔루션을 제공한다.

Table of contents

  1. 지은이·옮긴이 소개
  2. 옮긴이의 말
  3. 이 책에 대하여 (1/3)
  4. 이 책에 대하여 (2/3)
  5. 이 책에 대하여 (3/3)
  6. Part 1 프레임워크
    1. Chapter 1 금융 머신러닝
      1. 1.1 현재와 미래의 금융 머신러닝 활용
        1. 1.1.1 알고리즘 트레이딩
        2. 1.1.2 포트폴리오 관리와 로보 어드바이저
        3. 1.1.3 이상 거래 탐지
        4. 1.1.4 대출/신용카드/보험 계약 심사
        5. 1.1.5 자동화와 챗봇
        6. 1.1.6 위험 관리
        7. 1.1.7 자산 가치 예측
        8. 1.1.8 파생 상품 가격 책정
        9. 1.1.9 감정 분석
        10. 1.1.10 거래 결제
        11. 1.1.11 돈세탁 방지
      2. 1.2 인공지능, 머신러닝, 딥러닝, 데이터 과학
      3. 1.3 머신러닝의 다양한 유형
        1. 1.3.1 지도 학습
        2. 1.3.2 비지도 학습
        3. 1.3.3 강화 학습
      4. 1.4 자연어 처리
      5. 1.5 맺음말
    2. Chapter 2 머신러닝 모델 개발
      1. 2.1 왜 파이썬인가?
      2. 2.2 머신러닝을 위한 파이썬 패키지
        1. 2.2.1 파이썬 및 패키지 설치
      3. 2.3 모델 개발 단계 (1/3)
      4. 2.3 모델 개발 단계 (2/3)
      5. 2.3 모델 개발 단계 (3/3)
        1. 2.3.1 모델 개발 청사진
      6. 2.4 맺음말
    3. Chapter 3 인공 신경망
      1. 3.1 구조, 훈련, 하이퍼파라미터 (1/2)
      2. 3.1 구조, 훈련, 하이퍼파라미터 (2/2)
        1. 3.1.1 구조
        2. 3.1.2 훈련
        3. 3.1.3 하이퍼파라미터
      3. 3.2 인공 신경망 모델 생성
        1. 3.2.1 케라스 및 머신러닝 패키지 설치
        2. 3.2.2 더 빠른 인공 신경망 모델 실행: GPU와 클라우드 서비스
      4. 3.3 맺음말
  7. Part 2 지도 학습
    1. Chapter 4 지도 학습: 모델 및 개념
      1. 4.1 지도 학습 모델: 개념 (1/5)
      2. 4.1 지도 학습 모델: 개념 (2/5)
      3. 4.1 지도 학습 모델: 개념 (3/5)
      4. 4.1 지도 학습 모델: 개념 (4/5)
      5. 4.1 지도 학습 모델: 개념 (5/5)
        1. 4.1.1 선형 회귀(최소 제곱)
        2. 4.1.2 정규화 회귀
        3. 4.1.3 로지스틱 회귀
        4. 4.1.4 서포트 벡터 머신
        5. 4.1.5 K-최근접 이웃
        6. 4.1.6 선형 판별 분석
        7. 4.1.7 분류 트리와 회귀 트리
        8. 4.1.8 앙상블 모델
        9. 4.1.9 인공 신경망 모델
      6. 4.2 모델 성능 (1/2)
      7. 4.2 모델 성능 (2/2)
        1. 4.2.1 과적합과 과소적합
        2. 4.2.2 교차 검증
        3. 4.2.3 평가 메트릭
      8. 4.3 모델 선택
        1. 4.3.1 모델 선택 시 고려할 요소
        2. 4.3.2 모델 균형
      9. 4.4 맺음말
    2. Chapter 5 지도 학습: 회귀(시계열 모델)
      1. 5.1 시계열 모델 (1/2)
      2. 5.1 시계열 모델 (2/2)
        1. 5.1.1 시계열 명세
        2. 5.1.2 자기 상관과 고정성
        3. 5.1.3 기존 시계열 모델(AR IMA 모델 포함)
        4. 5.1.4 시계열 모델링에 대한 딥러닝 접근방식
        5. 5.1.5 지도 학습 모델을 위한 시계열 데이터 수정
      3. 5.2 실전 문제 1: 주가 예측 (1/4)
      4. 5.2 실전 문제 1: 주가 예측 (2/4)
      5. 5.2 실전 문제 1: 주가 예측 (3/4)
      6. 5.2 실전 문제 1: 주가 예측 (4/4)
      7. 5.3 실전 문제 2: 파생 상품 가격 책정 (1/3)
      8. 5.3 실전 문제 2: 파생 상품 가격 책정 (2/3)
      9. 5.3 실전 문제 2: 파생 상품 가격 책정 (3/3)
      10. 5.4 실전 문제 3: 투자자 위험 감수 및 로보 어드바이저 (1/4)
      11. 5.4 실전 문제 3: 투자자 위험 감수 및 로보 어드바이저 (2/4)
      12. 5.4 실전 문제 3: 투자자 위험 감수 및 로보 어드바이저 (3/4)
      13. 5.4 실전 문제 3: 투자자 위험 감수 및 로보 어드바이저 (4/4)
      14. 5.5 실전 문제 4: 수익률 곡선 예측 (1/2)
      15. 5.5 실전 문제 4: 수익률 곡선 예측 (2/2)
      16. 5.6 맺음말
    3. Chapter 6 지도 학습: 분류
      1. 6.1 실전 문제 1: 사기 탐지 (1/4)
      2. 6.1 실전 문제 1: 사기 탐지 (2/4)
      3. 6.1 실전 문제 1: 사기 탐지 (3/4)
      4. 6.1 실전 문제 1: 사기 탐지 (4/4)
      5. 6.2 실전 문제 2: 채무 불이행 확률 (1/3)
      6. 6.2 실전 문제 2: 채무 불이행 확률 (2/3)
      7. 6.2 실전 문제 2: 채무 불이행 확률 (3/3)
      8. 6.3 실전 문제 3: 비트코인 거래 전략 (1/3)
      9. 6.3 실전 문제 3: 비트코인 거래 전략 (2/3)
      10. 6.3 실전 문제 3: 비트코인 거래 전략 (3/3)
      11. 6.4 맺음말
  8. Part 3 비지도 학습
    1. Chapter 7 비지도 학습: 차원 축소
      1. 7.1 차원 축소 기술 (1/2)
      2. 7.1 차원 축소 기술 (2/2)
        1. 7.1.1 주성분 분석
        2. 7.1.2 커널 주성분 분석
        3. 7.1.3 t-분산 확률적 이웃 임베딩
      3. 7.2 실전 문제 1: 포트폴리오 관리(고유 포트폴리오 찾기) (1/4)
      4. 7.2 실전 문제 1: 포트폴리오 관리(고유 포트폴리오 찾기) (2/4)
      5. 7.2 실전 문제 1: 포트폴리오 관리(고유 포트폴리오 찾기) (3/4)
      6. 7.2 실전 문제 1: 포트폴리오 관리(고유 포트폴리오 찾기) (4/4)
      7. 7.3 실전 문제 2: 수익률 곡선 구축 및 이자율 모델링 (1/3)
      8. 7.3 실전 문제 2: 수익률 곡선 구축 및 이자율 모델링 (2/3)
      9. 7.3 실전 문제 2: 수익률 곡선 구축 및 이자율 모델링 (3/3)
      10. 7.4 실전 문제 3: 비트코인 거래(속도와 정확성 향상) (1/2)
      11. 7.4 실전 문제 3: 비트코인 거래(속도와 정확성 향상) (2/2)
      12. 7.5 맺음말
      13. 7.6 연습 문제
    2. Chapter 8 비지도 학습: 군집화
      1. 8.1 군집화 기술 (1/2)
      2. 8.1 군집화 기술 (2/2)
        1. 8.1.1 k-평균 군집화
        2. 8.1.2 계층적 군집화
        3. 8.1.3 선호도 전파 군집화
      3. 8.2 실전 문제 1: 쌍 거래를 위한 군집화 (1/4)
      4. 8.2 실전 문제 1: 쌍 거래를 위한 군집화 (2/4)
      5. 8.2 실전 문제 1: 쌍 거래를 위한 군집화 (3/4)
      6. 8.2 실전 문제 1: 쌍 거래를 위한 군집화 (4/4)
      7. 8.3 실전 문제 2: 포트폴리오 관리(투자자 군집화) (1/2)
      8. 8.3 실전 문제 2: 포트폴리오 관리(투자자 군집화) (2/2)
      9. 8.4 실전 문제 3: 계층적 위험 패리티 (1/2)
      10. 8.4 실전 문제 3: 계층적 위험 패리티 (2/2)
      11. 8.5 맺음말
      12. 8.6 연습 문제
  9. Part 4 강화 학습과 자연어 처리
    1. Chapter 9 강화 학습
      1. 9.1 강화 학습: 이론 및 개념 (1/4)
      2. 9.1 강화 학습: 이론 및 개념 (2/4)
      3. 9.1 강화 학습: 이론 및 개념 (3/4)
      4. 9.1 강화 학습: 이론 및 개념 (4/4)
        1. 9.1.1 강화 학습 구성요소
        2. 9.1.2 강화 학습 모델링 프레임워크
        3. 9.1.3 강화 학습 모델
        4. 9.1.4 강화 학습의 도전과제
      5. 9.2 실전 문제 1: 강화 학습 기반 거래 전략 (1/5)
      6. 9.2 실전 문제 1: 강화 학습 기반 거래 전략 (2/5)
      7. 9.2 실전 문제 1: 강화 학습 기반 거래 전략 (3/5)
      8. 9.2 실전 문제 1: 강화 학습 기반 거래 전략 (4/5)
      9. 9.2 실전 문제 1: 강화 학습 기반 거래 전략 (5/5)
      10. 9.3 실전 문제 2: 파생상품 헤징 (1/4)
      11. 9.3 실전 문제 2: 파생상품 헤징 (2/4)
      12. 9.3 실전 문제 2: 파생상품 헤징 (3/4)
      13. 9.3 실전 문제 2: 파생상품 헤징 (4/4)
      14. 9.4 실전 문제 3: 포트폴리오 배분 (1/3)
      15. 9.4 실전 문제 3: 포트폴리오 배분 (2/3)
      16. 9.4 실전 문제 3: 포트폴리오 배분 (3/3)
      17. 9.5 맺음말
      18. 9.6 연습 문제
    2. Chapter 10 자연어 처리
      1. 10.1 자연어 처리: 파이썬 패키지
        1. 10.1.1 NLTK
        2. 10.1.2 TextBlob
        3. 10.1.3 spaCy
      2. 10.2 자연어 처리: 이론 및 개념 (1/3)
      3. 10.2 자연어 처리: 이론 및 개념 (2/3)
      4. 10.2 자연어 처리: 이론 및 개념 (3/3)
        1. 10.2.1 전처리
        2. 10.2.2 특성 표현
        3. 10.2.3 추론
      5. 10.3 실전 문제 1: NLP 및 감정 분석 기반 거래 전략 (1/5)
      6. 10.3 실전 문제 1: NLP 및 감정 분석 기반 거래 전략 (2/5)
      7. 10.3 실전 문제 1: NLP 및 감정 분석 기반 거래 전략 (3/5)
      8. 10.3 실전 문제 1: NLP 및 감정 분석 기반 거래 전략 (4/5)
      9. 10.3 실전 문제 1: NLP 및 감정 분석 기반 거래 전략 (5/5)
      10. 10.4 실전 문제 2: 챗봇 - 디지털 어시스턴트 (1/3)
      11. 10.4 실전 문제 2: 챗봇 - 디지털 어시스턴트 (2/3)
      12. 10.4 실전 문제 2: 챗봇 - 디지털 어시스턴트 (3/3)
      13. 10.5 실전 문제 3: 문서 요약 (1/2)
      14. 10.5 실전 문제 3: 문서 요약 (2/2)
      15. 10.6 맺음말
      16. 10.7 연습 문제

Product information

  • Title: 금융 전략을 위한 머신러닝: 19가지 사례를 통해 익히는 금융 전략, 머신러닝, 데이터 과학
  • Author(s): 김한상, 하리옴 탓샛, 사힐 푸리, 브래드 루카보
  • Release date: December 2021
  • Publisher(s): Hanbit Media, Inc.
  • ISBN: 9791162245002