무료 e-러닝 강좌 머신러닝을 이용한 주식 트레이딩
이 강좌는 크게 3개의 파트로 구성되며, 파이썬, 증권 및 금융 공학, 트레이딩 알고리즘에 관한 내용입니다.
클라우드와 오픈 소스 기반의 머신러닝이 없었을 때는 미국의 대형 투자 은행, 헤지펀드가 사용하는 고급스럽고 일반인들이 접근하기 힘든 분야가 바로 머신러닝을 이용한 주식 트레이딩 분야였습니다.
도입 초기에는 수천개의 CPU Core를 활용했고 데이터센터 혹은 별도의 전산실이 필요했습니다. 당연히 천문학적인 구축 비용 뿐 아니라 매달 기본적인 유지비용만 수천 만원에서 수억원이 들어갔습니다. AWS를 비롯한 클라우드가 이런 비용의 벽을 깼습니다.
그래서 최근에는 단 수십만 달러를 가지고 서너 명이 모여서 머신러닝, 딥러닝으로 트레이딩하는 부티끄가 많이 생겼습니다. 고래가 춤추는 어항에서 작은 고기도 틈새를 발견해서 살아가는 것입니다. 자본 대비 수익을 비교했을 때 금리보다 낫다라는 것입니다.
파이썬 - Python for Finance, 오넬리
금융 공학 - What Hege Funds Really Do
머신 러닝 - Machine Learning - Tom Mitchell
추가로 보면 좋은 책 - 밑바닥부터 시작하는 딥러닝, 한빛 미디어
수학 지식: 많이 필요 (수포자의 비애...)
파이썬: 초급 (파이썬을 설치했고 기본 수학 라이브러리 사용 가능 정도)
금융 공학 지식: 중급 (용어가 외계어이기 때문에 주식을 할 줄 알아야하고 영문으로 금융 용어는 이해해야 진도 따라가기 쉽습니다.)
기본적으로 헤지펀드에서 사용하는 트레이딩 전략은 대략 30여개 안팍입니다. 차이는 모델을 읽는 능력과 자본, 리스크 관리입니다. 2장 5,6,7 챕터는 금융 공학 관련 내용으로 상당히 쉽게 되어 있습니다.
3장 부분의 머신러닝 부분은 텐서플로우와 비교하여 학습하면 도움이 될 것 같습니다. (아직 3장 전입니다 저는) 머신 러닝보다 한단계 앞선 딥러닝에서는 효율적으로 주식 데이터를 분석하여 과거 10~20년의 데이터에서 효과적인 투자 전략을 뽑아낼 수 있을 것입니다. 장담하건데 클라우드 GPU를 사용하거나 구글 앱엔진의 솔루션을 시간 단위로 임대하여 사용해도 수십 만원이면 어느 정도 유의미한 값을 뽑을 수 있을 것입니다.
[리스크와 기회]
물론 지금 헤지펀드와 미국의 대형 투자 은행들은 딥러닝을 이용하여 초단타 매매를 하고 있습니다. 그들이 매일 트레이딩하는 전체 트레이딩 규모의 95% 이상이 이런 머신러닝, 딥러닝 기반의 트레이딩입니다.
이들은 숙련되어 있고 모델을 읽는 능력이 탁월합니다. 시장 정보 역시 ms가 아닌 나노 단위로 받아 분석을 하고 있습니다. 요즘 네트워크 장비가 하도 좋아져서 나도 세컨드 단위로 데이터를 처리할 수 있게 된 것입니다. 이들과 동일한 트레이딩 전략, 알고리즘으로 붙는다면 충분한 수익을 얻기 힘듭니다. 다른 창조적인 보조지표, 데이터를 활용해야합니다. 1차적인 주식 시장의 시그널 외에 다른 노이즈와 시그널을 찾고 분석할 금융 지식, 인문학적 지식이 필요합니다.
정보는 어디에나 있지만 그것을 이해하고 분석하며 판단할 지혜가 더욱 더 중요해지고 있습니다.
여러분! 부자~ 되세요!
[무료 강좌]
https://www.udacity.com/course/machine-learning-for-trading--ud501
[머신 러닝 서적 PDF]
http://personal.disco.unimib.it/Vanneschi/McGrawHill_-_Machine_Learning_-Tom_Mitchell.pdf
[추가로 볼 것 - 텐서플로우, MLP ]
이 데이터는 1996 년 4 월 12 일부터 2016 년 4 월 19 일까지의 미국 주식 데이터를 MLP를 적용한 것입니다. 1차적인 데이터 외에 주식 시장에 영향을 주는 각종 이벤트(정치, 군사, 문화, 환율) 등의 데이터를 추가하여 커플링이 어떻게 되는지 살펴봐야합니다. ML에서 MLP로 가는 예제로써 유효합니다. 금융은 모델을 읽는 능력과 새로운 모델을 찾는 능력이 중요합니다.
새로운 모델은 역시 딥러닝이 만들겠지만, 아직은 사람의 인사이트도 쓸만합니다.
https://nicholastsmith.wordpress.com/2016/04/20/stock-market-prediction-using-multi-layer-perceptrons-with-tensorflow/
이 강좌는 크게 3개의 파트로 구성되며, 파이썬, 증권 및 금융 공학, 트레이딩 알고리즘에 관한 내용입니다.
클라우드와 오픈 소스 기반의 머신러닝이 없었을 때는 미국의 대형 투자 은행, 헤지펀드가 사용하는 고급스럽고 일반인들이 접근하기 힘든 분야가 바로 머신러닝을 이용한 주식 트레이딩 분야였습니다.
도입 초기에는 수천개의 CPU Core를 활용했고 데이터센터 혹은 별도의 전산실이 필요했습니다. 당연히 천문학적인 구축 비용 뿐 아니라 매달 기본적인 유지비용만 수천 만원에서 수억원이 들어갔습니다. AWS를 비롯한 클라우드가 이런 비용의 벽을 깼습니다.
그래서 최근에는 단 수십만 달러를 가지고 서너 명이 모여서 머신러닝, 딥러닝으로 트레이딩하는 부티끄가 많이 생겼습니다. 고래가 춤추는 어항에서 작은 고기도 틈새를 발견해서 살아가는 것입니다. 자본 대비 수익을 비교했을 때 금리보다 낫다라는 것입니다.
파이썬 - Python for Finance, 오넬리
금융 공학 - What Hege Funds Really Do
머신 러닝 - Machine Learning - Tom Mitchell
추가로 보면 좋은 책 - 밑바닥부터 시작하는 딥러닝, 한빛 미디어
수학 지식: 많이 필요 (수포자의 비애...)
파이썬: 초급 (파이썬을 설치했고 기본 수학 라이브러리 사용 가능 정도)
금융 공학 지식: 중급 (용어가 외계어이기 때문에 주식을 할 줄 알아야하고 영문으로 금융 용어는 이해해야 진도 따라가기 쉽습니다.)
기본적으로 헤지펀드에서 사용하는 트레이딩 전략은 대략 30여개 안팍입니다. 차이는 모델을 읽는 능력과 자본, 리스크 관리입니다. 2장 5,6,7 챕터는 금융 공학 관련 내용으로 상당히 쉽게 되어 있습니다.
3장 부분의 머신러닝 부분은 텐서플로우와 비교하여 학습하면 도움이 될 것 같습니다. (아직 3장 전입니다 저는) 머신 러닝보다 한단계 앞선 딥러닝에서는 효율적으로 주식 데이터를 분석하여 과거 10~20년의 데이터에서 효과적인 투자 전략을 뽑아낼 수 있을 것입니다. 장담하건데 클라우드 GPU를 사용하거나 구글 앱엔진의 솔루션을 시간 단위로 임대하여 사용해도 수십 만원이면 어느 정도 유의미한 값을 뽑을 수 있을 것입니다.
[리스크와 기회]
물론 지금 헤지펀드와 미국의 대형 투자 은행들은 딥러닝을 이용하여 초단타 매매를 하고 있습니다. 그들이 매일 트레이딩하는 전체 트레이딩 규모의 95% 이상이 이런 머신러닝, 딥러닝 기반의 트레이딩입니다.
이들은 숙련되어 있고 모델을 읽는 능력이 탁월합니다. 시장 정보 역시 ms가 아닌 나노 단위로 받아 분석을 하고 있습니다. 요즘 네트워크 장비가 하도 좋아져서 나도 세컨드 단위로 데이터를 처리할 수 있게 된 것입니다. 이들과 동일한 트레이딩 전략, 알고리즘으로 붙는다면 충분한 수익을 얻기 힘듭니다. 다른 창조적인 보조지표, 데이터를 활용해야합니다. 1차적인 주식 시장의 시그널 외에 다른 노이즈와 시그널을 찾고 분석할 금융 지식, 인문학적 지식이 필요합니다.
정보는 어디에나 있지만 그것을 이해하고 분석하며 판단할 지혜가 더욱 더 중요해지고 있습니다.
여러분! 부자~ 되세요!
[무료 강좌]
https://www.udacity.com/course/machine-learning-for-trading--ud501
[머신 러닝 서적 PDF]
http://personal.disco.unimib.it/Vanneschi/McGrawHill_-_Machine_Learning_-Tom_Mitchell.pdf
[추가로 볼 것 - 텐서플로우, MLP ]
이 데이터는 1996 년 4 월 12 일부터 2016 년 4 월 19 일까지의 미국 주식 데이터를 MLP를 적용한 것입니다. 1차적인 데이터 외에 주식 시장에 영향을 주는 각종 이벤트(정치, 군사, 문화, 환율) 등의 데이터를 추가하여 커플링이 어떻게 되는지 살펴봐야합니다. ML에서 MLP로 가는 예제로써 유효합니다. 금융은 모델을 읽는 능력과 새로운 모델을 찾는 능력이 중요합니다.
새로운 모델은 역시 딥러닝이 만들겠지만, 아직은 사람의 인사이트도 쓸만합니다.
https://nicholastsmith.wordpress.com/2016/04/20/stock-market-prediction-using-multi-layer-perceptrons-with-tensorflow/
'Deep Learning' 카테고리의 다른 글
| Android에서 TensorFlow 실행하기 (0) | 2017.03.09 |
|---|---|
| Fully Convolutional Networks (FCNs) for Image Segmentation (0) | 2017.02.02 |
| DeepLab-ResNet-TensorFlow (0) | 2017.01.11 |
| Deep Learning in Action (0) | 2017.01.10 |
| If CNN denoises images knowing content, it gets better results. Simple idea, great paper! https://arxiv.org/abs/1701.01698 Deep Class Aware Denoising (0) | 2017.01.10 |
