퀀트 플랫폼 CEO가 알려주는 퀀트 머신러닝 : 기초부터 심화까지

강의 목표

• 본격적으로 퀀트를 모델링하는 과정에 들어가기 앞 서, 먼저 머신러닝과 딥러닝 모델에 대한 기초적인 개념들을 학습할 필요가 있습니다. 이번 시간에는 머신러닝과 딥러닝의 기본 원리에 대해 알아보고, 본 강의에서 앞으로 다루게 될 조금 더 복잡한 모델들에 대해서도 간단히 알아본 이후, Colab 환경에서 실제 샘플 데이터 (주가차트)를 간단히 모델링 해보는 실습을 통해 머신러닝 구현과도 친숙해지는 시간을 가져보도록 합시다.

이론

• 머신러닝 / 딥러닝이란 무엇인가?
• 머신러닝의 종류 – Supervised Learning, Un-Supervised Learning, Reinforcement Learning
• discriminative model vs generative model
• ARNN, CNN이란 무엇인가?

실습

• Colab 환경에서 간단한 딥 뉴럴 네트워크 모델 구축해보기
• 주가 차트 데이터에 RNN, CNN을 적용해보기

강의 목표

• 멀티 팩터 (Multi-Factor) 모형은 주식의 수익률을 설명하는 팩터를 찾고, 해당 팩터들로 투자 대상을 선별하는 퀀트 알고리즘 입니다. 본 주차에서는 멀티 팩터 모형에 머신러닝을 접목하는 다양한 방법론들에 대해 학습합니다.

이론

• 멀티 팩터 모형의 이론적 배경
• 차원 축소 및 요약 알고리즘의 이론적 배경 (PCA / PIA / Auto-Encoder)
• 차원 요약 알고리즘을 활용한 잠재 팩터의 추출
• Autoencoder Asset Pricing Models

실습

• PCA / PIA 기반 멀티팩터 모형 구현
• Autoencoder Asset Pricing Model 구현

강의 목표

• 포트폴리오 이론 (Portfolio Theory)은 주어진 자산군들을 투자하는 최적의 투자 비중을 계산하는 방법론을 다룹니다. 본 주차에서는 포트폴리오 이론에 따른 최적화 알고리즘에 머신러닝을 접목시키는 다양한 방법론들에 대해 학습합니다.

이론

• 포트폴리오 이론에 대하여
• 최적화 알고리즘에 대한 설명
• 베이지안 최적화
• AutoEncoder 기반의 포트폴리오 최적화 알고리즘
• 강화학습 기반의 포트폴리오 최적화 알고리즘
• Risk Parity 전략의 이해
• Hierarchical Risk Parity에 대한 설명

실습

• 베이지안 최적화 알고리즘을 통한 포트폴리오 최적화
• 알고리즘을 통한 포트폴리오 최적화

강의 목표

• 강화학습은 포트폴리오 최적화 이론 뿐 아니라 퀀트의 다양한 분야에서 활용되는 알고리즘 입니다. 본 주차에서는 강화학습의 이론적 배경과 포트폴리오 최적화 및 트레이딩 알고리즘에 어떻게 강화학습이 접목될 수 있는지 학습합니다.

이론

• 강화학습의 이론적 배경
• 포트폴리오 최적화 이론에 대한 강화학습 접목
• 트레이딩 파라미터 최적화에 대한 강화학습 접목

실습

• 강화학습을 통한 포트폴리오 최적화
• 강화학습을 통한 트레이딩 파라미터 최적화