금융 머신러닝 (이론에서 실전까지 | 2022년도 대한민국학술원 선정 교육부 우수학술도서)

매튜딕슨

MatthewF.Dixon
일리노이공과대학의응용수학조교수다.인텔에서지원하는금융을위한컴퓨터방법을연구하고있다.계량트레이딩과위험모델링에관한학문과금융기관을위한컨설팅을하기전에는런던에있는리먼브라더스에서신용거래구조화업무를했다.임페리얼칼리지에서응용수학박사학위를취득했으며,스탠포드대학교와UC데이비스에서박사후교수와초빙교수로임용됐다.머신러닝과금융모델링에관한동료리뷰출판물을20여편출판했고,블룸버그마켓과파이낸셜타임스에서핀테크전문가로꼽혔으며실리콘밸리와월스트리트에서자주초청받는강연자로활동하고있다.R패키지를공개하고GoogleSummerofCode에서멘토도활동했으며탈레시안사(ThalesiansLtd.)의공동설립자다.

1부.횡단면데이터를사용한머신러닝

1장.정보이론입문
1.배경
1.1빅데이터:금융분야의빅컴퓨팅
1.2핀테크
2.머신러닝과예측
2.1엔트로피
2.2신경망
3.통계모델링과머신러닝
3.1모델링패러다임
3.2금융계량경제학과머신러닝
3.3과적합
4.강화학습
5.지도머신러닝실제사례
5.1알고리듬트레이딩
5.2고빈도트레이드실행
5.3모기지모델링
6.요약
7.연습문제
부록
참고문헌

2장.확률모델링
1.서론
2.베이지안대빈도주의추정
3.데이터로부터빈도주의추정
4.추정량의품질평가:편향과분산
5.추정량에대한편향-분산트레이드오프(딜레마)
6.데이터로부터베이지안추론
6.1더정보성이큰사전분포:베타분포
6.2순차적베이지안업데이트
6.3고전적또는베이지안추정프레임워크선택의실무적의미
7.모델선택
7.1베이지안추론
7.2모델선택
7.3많은모델이있을때모델선택
7.4오캠의면도날
7.5모델평균화
8.확률적그래프모델
8.1혼합모델
9.요약
10.연습문제
부록
참고문헌

3장.베이지안회귀와가우시안프로세스
1.서론
2.선형회귀를활용한베이지안추론
2.1최대우도추정
2.2베이지안예측
2.3슈어항등식
3.가우시안프로세스회귀
3.1금융에서가우시안프로세스
3.2가우시안프로세스회귀와예측
3.3하이퍼파라미터튜닝
3.4계산특성
4.대규모확장가능가우시안프로세스
4.1구조커널보간(SKI)
4.2커널근사
5.예제:단일GP를활용한가격결정과그릭계산
5.1그릭계산
5.2메시프리GP
5.3대규모확장가능GP
6.다중반응가우시안프로세스
6.1다중출력가우시안프로세스회귀와예측
7.요약
8.연습문제
8.1프로그래밍연관문제
부록
참고문헌

4장.순전파신경망
1.서론
2.순전파구조
2.1예비지식
2.2순전파네트워크의기하학적해석
2.3확률적추론
2.4딥러닝을활용한함수근사*
2.5VC차원
2.6신경망이스플라인인경우
2.7왜심층네트워크를사용하는가?
3.볼록성과부등식제약식
3.1MLP와다른지도학습기와의유사성
4.훈련,검증,테스트
5.확률적그래디언트하강법(SGD)
5.1역전파
5.2모멘텀
6.베이지안신경망*
7.요약
8.연습문제
8.1프로그래밍연관문제*
부록
참고문헌

5장.해석가능성
1.서론
2.해석가능성에대한배경
2.1민감도
3.신경망의설명력
3.1다중은닉층
3.2예제:스텝테스트
4.상호작용효과
4.1예제:프리드만데이터
5.자코비안분산에대한상한
5.1체르노프상한
5.2시뮬레이션예제
6.팩터모델링
6.1비선형팩터모델
6.2펀더멘털팩터모델링
7.요약
8.연습문제
8.1프로그래밍연관문제
부록
참고문헌


2부.순차적학습

6장.시퀀스모델링
1.서론
2.자기회귀모델링
2.1예비지식
2.2자기회귀프로세스
2.3안정성
2.4정상성
2.5편자기상관관계
2.6최대우도추정
2.7이분산성
2.8이동평균프로세스
2.9GARCH
2.10지수평활화
3.시계열모델적합화:박스-젠킨스접근법
3.1정상성
3.2정상성을보장하는변환
3.3식별
3.4모델진단
4.예측
4.1예측이벤트
4.2시계열교차검증
5.주성분분석
5.1주성분투영
5.2차원축소
6.요약
7.연습문제
부록
참고문헌

7장.확률적시퀀스모델
1.서론
2.은닉마르코프모델링
2.1비터비알고리듬
2.2상태-공간모델
3.입자필터링
3.1순차적중요도리샘플링(SIR)
3.2다항리샘플링
3.3응용:확률적변동성모델
4.확률적필터의점보정
5.확률적필터의베이지안보정
6.요약
7.연습문제
부록
참고문헌

8장.고급신경망
1.서론
2.순환신경망
2.1RNN메모리:편자기공분산
2.2안정성
2.3정상성
2.4일반화된신경망(GRNN)
3.GRU
3.1α-RNNs
3.2신경망지수평활화
3.3LSTM
4.파이썬노트북예제
4.1비트코인예측
4.2지정가주문호가창으로부터예측
5.합성곱신경망
5.1가중이동평균평활기
5.22D합성곱
5.3풀링
5.4팽창합성곱
5.5파이썬노트북
6.오토인토더
6.1선형오토인코더
6.2선형오토인코더와PCA의동등성
6.3딥오토인코더
7.요약
8.연습문제
8.1프로그래밍관련질문*
부록
참고문헌


3부.순차적데이터와의사결정

9장강화학습소개
1.서론
2.강화학습의요소
2.1보상
2.2가치와정책함수
2.3관측가능대부분관측가능환경
3.마르코프의사결정프로세스
3.1의사결정정책
3.2가치함수와벨만방정식
3.3최적정책과벨만최적성
4.동적프로그래밍방법
4.1정책평가
4.2정책반복
4.3가치반복
5.강화학습법
5.1몬테카를로방법
5.2정책기반학습
5.3시간차이학습
5.4SARSA와Q러닝
5.5확률근사와배치모드Q러닝
5.6연속공간에서의Q러닝:함수근사
5.7배치모드Q러닝
5.8최소자승정책반복
5.9심층강화학습
6.요약
7.연습문제
부록
참고문헌

10장.강화학습응용
1.서론
2.옵션가격결정을위한QLBS
3.이산시간블랙-숄즈-머튼모델
3.1헷징포트폴리오평가
3.2최적헷징전략
3.3이산시간에서의옵션가격결정
3.4BS극한에서의헷징과가격결정
4.QLBS모델
4.1상태변수
4.2벨만방정식
4.3최적정책
4.4DP해:몬테카를로구현
4.5QLBS에대한RL해:적합화된Q반복(FQI)
4.6예제
4.7옵션포트폴리오
4.8가능한확장
5.주식포트폴리오를위한G-러닝
5.1서론
5.2투자포트폴리오
5.3최종조건
5.4자산수익률모델
5.5시그널동학과상태공간
5.61기간보상
5.7다기간포트폴리오최적화
5.8확률적정책
5.9준거정책
5.10벨만최적방정식
5.11엔트로피규제화벨만최적성방정식
5.12G-함수:엔트로피규제화Q함수
5.13G-러닝과F-러닝
5.14시장충격을가진포트폴리오동학
5.15제로함수극한:엔트로피규제화를가진LQR
5.16영이아닌시장충격:비선형동학
6.자산관리를위한RL
6.1머튼소비문제
6.2확정기여형퇴직플랜을위한포트폴리오최적화
6.3은퇴플랜최적화를위한G-러닝
6.4논의
7.요약
8.연습문제
부록
참고문헌

11장.역강화학습과모방학습
1.서론
2.역강화학습
2.1RL대IRL
2.2IRL의성공기준은무엇인가?
2.3진정으로전이가능한보상함수가IRL로학습될수있을까?
3.최대엔트로피역강화학습
3.1최대엔트로피원리
3.2최대인과엔트로피
3.3G-러닝과소프트Q러닝
3.4최대엔트로피IRL
3.5분배함수추정
4.예제:소비자선호추론을위한MaxEntIRL
4.1IRL과소비자선택문제
4.2소비자효용함수
4.3소비자효용을위한최대엔트로피IRL
4.4데이터가얼마나필요한가?IRL과관측잡음
4.5반사실적시뮬레이션
4.6MLE추정량의유한-샘플속성
4.7논의
5.적대적모방학습과IRL
5.1모방학습
5.2GAIL:적대적생성모방학습
5.3IRL에서RL을우회하는기술로서의GAIL
5.4GAIL에서의실제적규제화
5.5GAIL에서의적대적학습
5.6다른적대적접근법*
5.7f-발산훈련*
5.8와서스타인GAN*
5.9최소제곱GAN*
6.GAIL을넘어:AIRL,f-MAX,FAIRL,RS-GAIL등*
6.1AIRL:적대적역강화학습
6.2전방KL또는후방KL?
6.3f-MAX
6.4순방향KL:FAIRL
6.5리스크민감GAIL(RS-GAIL)
6.6요약
7.가우시안프로세스역강화학습
7.1베이지안IRL
7.2가우시안프로세스IRL
8.IRL은교사를능가할수있을까?
8.1실패로부터의IRL
8.2학습선호
8.3T-REX:경로-순위보상외삽
8.4D-REX:교란-기반보상외삽
9.금융절벽걷기를위한IRL의시도
9.1최대인과엔트로피IRL
9.2실패로부터IRL
9.3T-REX
9.4요약
10.IRL의금융응용
10.1알고리듬트레이딩전략식별
10.2옵션가격결정을위한역강화학습
10.3G-러닝과포트폴리오투자가의IRL
10.4감성기반트레이딩전략을위한IRL과보상학습
10.5IRL과‘보이지않는손’추론
11.요약
12.연습문제
부록
참고문헌

12장.머신러닝과금융의최전선
1.서론
2.시장동학,역강화학습과물리학
2.1‘퀀텀균형-불균형’(QED)모델
2.2랑주뱅방정식
2.3랑주뱅방정식으로서GBM모델
2.4랑주뱅방정식으로서QED모델
2.5금융모델링에대한통찰력
2.6머신러닝에대한통찰력
3.물리학과머신러닝
3.1딥러닝과물리학에서의계층적표현
3.2텐서네트워크
3.3불균형환경에서의제한된합리적에이전트
4.머신러닝의‘대통합’
4.1인지-행동주기
4.2정보이론과강화학습의접점
4.3강화학습과지도학습:예측,MuZero와다른새로운아이디어
참고문헌

◈이책의대상독자◈

계량금융,데이터과학,분석,핀테크분야의경력을쌓으려는데이터과학,수학금융,금융공학,경영과학연구분야의대학원생을대상으로한다.선형대수학,다변량미적분학,고급확률이론,확률과정,시계열통계학(계량경제학)의고학년학부과정을이수하고수치최적화와계산수학에대해기본적으로이해하고있어야한다.이책의후반부에있는강화학습은투자과학에대한약간의배경지식만있다면더쉽게접근할수있다.또한파이썬프로그래밍에대한사전경험이있어야하며,이상적으로는컴퓨터금융및입문머신러닝에대한강의를듣는것이좋다.이책의자료는머신러닝에대한대부분의과정보다수학적이고공학에덜집중돼있으며,이러한이유로길버트스트랭(GilbertStrang)의최신서적인『딥러닝을위한선형대수학(LinearAlgebraandLearningfromData)』을기본으로읽을것을추천한다.

◈이책의구성◈

1장
금융산업의머신러닝필요성과채택에대한고유한장벽을형성한중요한사건을논의하며금융머신러닝의산업맥락을짚는다.머신러닝의특성과머신러닝이실제로어떻게사용되는지를보여주는몇가지수학적핵심예를살펴본다.

2장
확률적모델링을소개하고베이지안추론,모델선택,온라인학습,베이지안모델평균화와같은베이지안계량학의기본개념을검토한다.

3장
베이지안회귀분석을소개하고이전장의많은개념을어떻게확장하는지보여준다.커널기반머신러닝방법(특히베이지안머신러닝방법의중요한클래스인가우시안프로세스회귀)을개발하고파생상품가격의모델을‘대리’하기위한이들의적용을입증한다.

4장
지도학습,딥러닝,신경망에대해좀더심층적으로설명하며,기초적인수학과통계학습개념을제시하고이들이트레이딩,위험관리,투자관리에서실제사례와어떻게관련돼있는지설명한다.

◈옮긴이의말◈

금융업에종사하면서세계의많은석학과유명펀드매니저들을만났다.특히금융퀀트부문의리서처와매니저들을접할수있는기회가있었다.거듭느끼는것이지만분야를막론하고투자철학이중요하며그러한투자철학을갖게한경험과전통이중요하다는것을깨닫는다.한국인이(최고로)잘할수있는분야가자산운용,그중에서도퀀트분야라고생각한다.자유로이연구하고운용할자원이부족하며전통과경험이미천하다는약점역시존재한다.이러한상황을타파하고자독자들이전통과경험을단기간에뛰어넘기위한학습에도움을줄수있는‘금융퀀트머신러닝융합’시리즈를기획했다.
이시리즈는세개의기둥을갖는데,이책은그중마지막단계이자세번째기둥이돼줄작품이다.첫번째기둥이스테판젠슨의『퀀트투자를위한머신러닝?딥러닝알고리듬트레이딩2/e』이며두번째기둥은마르코스로페즈데프라도교수의『실전금융머신러닝완벽분석』과『자산운용을위한금융머신러닝』이다.첫번째기둥이일반적인머신러닝/딥러닝기법을금융에그대로적용하고자하는시도를담은책이라면두번째기둥은머신러닝자체보다는머신러닝이금융에도입될때생겨날수있는많은문제를다루며,머신러닝적사고를통해금융의특수한설정을잘반영함으로써금융과머신러닝의결합이더욱유용할수있다는것을강조하고있다.
세번째기둥은오히려고전적경제학및금융의입장에서머신러닝과딥러닝을도입해머신러닝을오히려금융적관점에해석하고기존금융경제학을발전시키고자한다.많은머신러닝/딥러닝및심지어물리학개념이도입됐음에도불구하고오히려금융경제학에뿌리를두고있는독자는무엇인가더친근함을느낄것이다.동시에기존금융경제학이머신러닝을반영하면서이런방향으로뻗어나가고있구나하는것을실감할수있을것이다.더나아가서고전경제학과금융이기반을두고있는물리학과통계학의많은기존개념및최신이론을머신러닝에더욱가미해서금융적맥락에서성능을더욱발휘하게만든다.이번기둥은그야말로‘통합의길’을제시하고있다.이시리즈의완성본이라고도할수있을것이다.기본적인머신러닝과딥러닝을익힌독자는이세기둥을통해진정한금융퀀트의길에접어든다고할수있다.너무나유익하고재미있는앞으로의항로에기대를건다.


5장
신경망설계에최소한의제한을가하는신경망해석방법을제시한다.특성중요도에순위를매기는방법을포함해순전파신경망을해석하는기법을시연한다.

6장
금융계량경제학에서가장중요한모델링개념에대한개요를제공한다.

7장
재무데이터에대한강력한종류의확률적모델을제시한다.다양한알고리듬으로금융에서의은닉마르코프모델과입자필터의간단한예를제시한다.

8장
금융시계열분석을위한다양한신경망모델을제시하며,이러한모델이금융계량경제학에서잘알려진기술과어떻게관련되는지보여주는예를제공한다.또한시계열데이터를필터링하고데이터의다른척도를활용하기위한합성곱신경망(CNN)도제시한다.마지막으로오토인코더가정보를압축하고주성분분석을일반화하는데어떻게사용되는지보여준다.

9장
마르코프의사결정프로세스와동적프로그래밍의고전적인방법을소개하고강화학습의아이디어와MDP를해결하기위한다른근사방법을제공한다.Q러닝으로이동하기전에벨만최적성,반복가치와정책업데이트를설명한후탐욕,배치학습,Q러닝과같은주요계산개념을다루면서주제에대한좀더엔지니어링스타일의설명으로빠르게진행한다.

10장
앞서제시한이론을발전시키고더불어금융에대한강화학습을실제로적용해본다.기존의블랙-숄즈모델을Q러닝을이용한데이터중심접근법으로일반화하는옵션가격결정강화학습접근법을소개한다.그런다음G-러닝이라는Q러닝의확률론적확장을제시하고동적포트폴리오최적화에어떻게사용할수있는지를보여준다.

11장
역강화학습(IRL)과모방학습(IL)의가장인기있는방법에대한개요를살펴본다.그런다음트레이딩전략식별,감성기반트레이딩,옵션가격결정,포트폴리오투자자의추론,시장모델링에대한애플리케이션을포함하는계량금융에서IRL의사용사례를살펴본다.

12장
계량금융과머신러닝에서새롭게부상하는연구주제를설명한다.에이전트의인지-행동주기의두가지작업으로지도학습과강화학습의통합을다루며,시장역학모델을구성하고자강화학습방법을사용하는것도다룬다.또한이러한RL에서영감을받은시장모델에대한계산을위한몇가지고급물리학기반접근법을소개한다.