- 현재 위치
- home > 컴퓨터·ICT·어학 > 컴퓨터·IT 도서 > 프로그래밍/언어 > 파이썬 기반 금융 인공지능[한빛미디어]
;)
파이썬 기반 금융 인공지능 - 이브스 힐피쉬 지음, 김도형 옮김
금융권에서 AI를 활용하는 금융 전문가를 위한 인공지능 활용 실전 지침서다. 책의 초반부에서는 지도 학습, 초지능 등 일반적으로 활용되는 AI의 핵심 개념을 소개한다. 그다음 AI를 이용해 금융 시장에서 통계적 비효율성을 찾아내는 방법으로 내용을 확장한다.
금융권에서 AI를 활용하는 금융 전문가를 위한 인공지능 활용 실전 지침서다. 책의 초반부에서는 지도 학습, 초지능 등 일반적으로 활용되는 AI의 핵심 개념을 소개한다. 그다음 AI를 이용해 금융 시장에서 통계적 비효율성을 찾아내는 방법으로 내용을 확장한다.
저자: 이브스 힐피쉬 지음, 김도형 옮김
[PART I 기계지능]
CHAPTER 1 인공지능
1.1 알고리즘
1.2 신경망
1.3 데이터의 중요성
1.4 마치며
1.5 참고 문헌
CHAPTER 2 초지능
2.1 성공 스토리
2.2 하드웨어의 중요성
2.3 지능의 형태
2.4 초지능으로 가는 길
2.5 지능의 폭발
2.6 목표와 제어
2.7 잠재적 결과
2.8 마치며
2.9 참고 문헌
[PART II 금융과 머신러닝]
CHAPTER 3 규범적 금융
3.1 불확실성과 리스크
3.2 기대효용 이론
3.3 평균-분산 포트폴리오 이론
3.4 자본자산 가격결정 모형
3.5 차익거래 가격결정 이론
3.6 마치며
3.7 참고 문헌
CHAPTER 4 데이터 기반 금융
4.1 과학적 방법론
4.2 계량경제학과 회귀분석
4.3 데이터 입수
4.4 규범적 이론의 재고
4.5 핵심 가정 깨부수기
4.6 파이썬 코드
4.7 마치며
4.8 참고 문헌
CHAPTER 5 머신러닝
5.1 학습
5.2 데이터
5.3 성공
5.4 용량
5.5 성능 측정
5.6 편향과 분산
5.7 교차검증
5.8 마치며
5.9 참고 문헌
CHAPTER 6 인공지능 우선 금융
6.1 효율적 시장
6.2 수익률 데이터에 기반한 시장 예측
6.3 더 많은 특징을 사용한 시장 예측
6.4 일중 시장 예측
6.5 마치며
6.6 참고 문헌
[PART III 통계적 비효율성]
CHAPTER 7 밀집 신경망
7.1 데이터
7.2 기준적 예측
7.3 데이터 정규화
7.4 드롭아웃
7.5 규제화
7.6 배깅
7.7 최적화
7.8 마치며
7.9 참고 문헌
CHAPTER 8 재귀 신경망
8.1 첫 번째 예제
8.2 두 번째 예제
8.3 금융 가격 시계열
8.4 금융 수익률 시계열
8.5 금융 특징
8.6 마치며
8.7 참고 문헌
CHAPTER 9 강화 학습
9.1 기본 개념
9.2 OpenAI Gym
9.3 몬테카를로 에이전트
9.4 신경망 에이전트
9.5 DQL 에이전트
9.6 단순 금융 Gym
9.7 더 나은 금융 Gym
9.8 FQL 에이전트
9.9 마치며
9.10 참고 문헌
[PART Ⅳ 알고리즘 트레이딩]
CHAPTER 10 벡터화된 백테스팅
10.1 단순 이동평균 전략 백테스팅
10.2 일간 신경망 전략 백테스팅
10.3 일중 신경망 전략 백테스팅
10.4 마치며
10.5 참고 문헌
CHAPTER 11 리스크 관리
11.1 트레이딩 봇
11.2 벡터화된 백테스팅
11.3 이벤트 기반 백테스팅
11.4 리스크 평가
11.5 리스크 관리 백테스팅
11.6 파이썬 코드
11.7 마치며
11.8 참고 문헌
CHAPTER 12 집행 및 배포
12.1 Oanda 계정
12.2 데이터 추출
12.3 주문 집행
12.4 트레이딩 봇
12.5 배포
12.6 파이썬 코드
12.7 마치며
12.8 참고 문헌
[PART Ⅴ 전망]
CHAPTER 13 인공지능 경쟁
13.1 인공지능과 금융
13.2 표준화 부족
13.3 교육과 훈련
13.4 자원을 위한 싸움
13.5 시장 충격
13.6 경쟁 시나리오
13.7 위험, 법규, 감독
13.8 마치며
13.9 참고 문헌
CHAPTER 14 금융 특이점
14.1 개념과 정의
14.2 무엇이 걸려 있는가
14.3 금융 특이점으로 가는 경로
14.4 기술과 자원
14.5 시나리오
14.6 스타트랙과 스타워즈
14.7 마치며
14.8 참고 문헌
[PART Ⅵ 부록]
APPENDIX A 상호작용형 신경망
A.1 텐서와 텐서 연산
A.2 간단한 신경망
A.3 얕은 신경망
A.4 참고 문헌
APPENDIX B 신경망 클래스
B.1 활성화 함수
B.2 단순 신경망
B.3 얕은 신경망
B.4 시장 방향 예측
APPENDIX C 합성곱 신경망
C.1 특징 및 라벨 데이터
C.2 모형 학습
C.3 모형 테스트
C.4 참고 문헌
CHAPTER 1 인공지능
1.1 알고리즘
1.2 신경망
1.3 데이터의 중요성
1.4 마치며
1.5 참고 문헌
CHAPTER 2 초지능
2.1 성공 스토리
2.2 하드웨어의 중요성
2.3 지능의 형태
2.4 초지능으로 가는 길
2.5 지능의 폭발
2.6 목표와 제어
2.7 잠재적 결과
2.8 마치며
2.9 참고 문헌
[PART II 금융과 머신러닝]
CHAPTER 3 규범적 금융
3.1 불확실성과 리스크
3.2 기대효용 이론
3.3 평균-분산 포트폴리오 이론
3.4 자본자산 가격결정 모형
3.5 차익거래 가격결정 이론
3.6 마치며
3.7 참고 문헌
CHAPTER 4 데이터 기반 금융
4.1 과학적 방법론
4.2 계량경제학과 회귀분석
4.3 데이터 입수
4.4 규범적 이론의 재고
4.5 핵심 가정 깨부수기
4.6 파이썬 코드
4.7 마치며
4.8 참고 문헌
CHAPTER 5 머신러닝
5.1 학습
5.2 데이터
5.3 성공
5.4 용량
5.5 성능 측정
5.6 편향과 분산
5.7 교차검증
5.8 마치며
5.9 참고 문헌
CHAPTER 6 인공지능 우선 금융
6.1 효율적 시장
6.2 수익률 데이터에 기반한 시장 예측
6.3 더 많은 특징을 사용한 시장 예측
6.4 일중 시장 예측
6.5 마치며
6.6 참고 문헌
[PART III 통계적 비효율성]
CHAPTER 7 밀집 신경망
7.1 데이터
7.2 기준적 예측
7.3 데이터 정규화
7.4 드롭아웃
7.5 규제화
7.6 배깅
7.7 최적화
7.8 마치며
7.9 참고 문헌
CHAPTER 8 재귀 신경망
8.1 첫 번째 예제
8.2 두 번째 예제
8.3 금융 가격 시계열
8.4 금융 수익률 시계열
8.5 금융 특징
8.6 마치며
8.7 참고 문헌
CHAPTER 9 강화 학습
9.1 기본 개념
9.2 OpenAI Gym
9.3 몬테카를로 에이전트
9.4 신경망 에이전트
9.5 DQL 에이전트
9.6 단순 금융 Gym
9.7 더 나은 금융 Gym
9.8 FQL 에이전트
9.9 마치며
9.10 참고 문헌
[PART Ⅳ 알고리즘 트레이딩]
CHAPTER 10 벡터화된 백테스팅
10.1 단순 이동평균 전략 백테스팅
10.2 일간 신경망 전략 백테스팅
10.3 일중 신경망 전략 백테스팅
10.4 마치며
10.5 참고 문헌
CHAPTER 11 리스크 관리
11.1 트레이딩 봇
11.2 벡터화된 백테스팅
11.3 이벤트 기반 백테스팅
11.4 리스크 평가
11.5 리스크 관리 백테스팅
11.6 파이썬 코드
11.7 마치며
11.8 참고 문헌
CHAPTER 12 집행 및 배포
12.1 Oanda 계정
12.2 데이터 추출
12.3 주문 집행
12.4 트레이딩 봇
12.5 배포
12.6 파이썬 코드
12.7 마치며
12.8 참고 문헌
[PART Ⅴ 전망]
CHAPTER 13 인공지능 경쟁
13.1 인공지능과 금융
13.2 표준화 부족
13.3 교육과 훈련
13.4 자원을 위한 싸움
13.5 시장 충격
13.6 경쟁 시나리오
13.7 위험, 법규, 감독
13.8 마치며
13.9 참고 문헌
CHAPTER 14 금융 특이점
14.1 개념과 정의
14.2 무엇이 걸려 있는가
14.3 금융 특이점으로 가는 경로
14.4 기술과 자원
14.5 시나리오
14.6 스타트랙과 스타워즈
14.7 마치며
14.8 참고 문헌
[PART Ⅵ 부록]
APPENDIX A 상호작용형 신경망
A.1 텐서와 텐서 연산
A.2 간단한 신경망
A.3 얕은 신경망
A.4 참고 문헌
APPENDIX B 신경망 클래스
B.1 활성화 함수
B.2 단순 신경망
B.3 얕은 신경망
B.4 시장 방향 예측
APPENDIX C 합성곱 신경망
C.1 특징 및 라벨 데이터
C.2 모형 학습
C.3 모형 테스트
C.4 참고 문헌
회귀분석과 분류 모형부터 강화 학습, 금융 특이점까지!
금융 산업의 패러다임을 바꿀 AI를 적용한 금융 분석 실전 가이드
오늘날 인공지능과 머신러닝은 금융 데이터의 프로그래밍적 가용성과 결합되면서 금융 산업의 패러다임을 바꾸고 있다. 이러한 흐름에 따라 인공지능과 머신러닝을 금융 분야에 적용하려는 책들이 많이 출간되었다. 하지만 이 분야의 연구가 아직 초기 단계이다보니 적절한 이론적 기반이나 경험적 증거가 부족한 경우가 허다하다.
이 책은 그간의 책들과는 다르게, 인공지능 기반 알고리즘 트레이딩 전략을 개발부터 백테스팅, 배포까지의 모든 내용을 제공한다. 책에서 소개하는 방법론과 예제 대부분은 수십 년간 저자가 쌓아온 연구에 기반한 것이다. 단순히 기술적 매매나 투자 방법론에 머신러닝과 인공지능을 적용하여 투자 수익률을 높이는 방법에만 집중하지 않는다. 파이썬을 활용해 금융 분야의 핵심 이론이 어떻게 형성되어 왔으며, 머신러닝과 인공지능을 활용하여 이론이 지닌 부족함을 어떻게 보완할 수 있는지 설명한다. 또한 인공지능과 머신러닝을 활용해 금융시장의 통계적 비효율성을 발견하고 알고리즘 트레이딩을 활용하는 방법에 대해 배울 수 있다. 머신러닝과 딥러닝 알고리즘을 금융에 적용하려고 시도하는 모든 이에게 훌륭한 안내서가 되어줄 것이다.
금융 산업의 패러다임을 바꿀 AI를 적용한 금융 분석 실전 가이드
오늘날 인공지능과 머신러닝은 금융 데이터의 프로그래밍적 가용성과 결합되면서 금융 산업의 패러다임을 바꾸고 있다. 이러한 흐름에 따라 인공지능과 머신러닝을 금융 분야에 적용하려는 책들이 많이 출간되었다. 하지만 이 분야의 연구가 아직 초기 단계이다보니 적절한 이론적 기반이나 경험적 증거가 부족한 경우가 허다하다.
이 책은 그간의 책들과는 다르게, 인공지능 기반 알고리즘 트레이딩 전략을 개발부터 백테스팅, 배포까지의 모든 내용을 제공한다. 책에서 소개하는 방법론과 예제 대부분은 수십 년간 저자가 쌓아온 연구에 기반한 것이다. 단순히 기술적 매매나 투자 방법론에 머신러닝과 인공지능을 적용하여 투자 수익률을 높이는 방법에만 집중하지 않는다. 파이썬을 활용해 금융 분야의 핵심 이론이 어떻게 형성되어 왔으며, 머신러닝과 인공지능을 활용하여 이론이 지닌 부족함을 어떻게 보완할 수 있는지 설명한다. 또한 인공지능과 머신러닝을 활용해 금융시장의 통계적 비효율성을 발견하고 알고리즘 트레이딩을 활용하는 방법에 대해 배울 수 있다. 머신러닝과 딥러닝 알고리즘을 금융에 적용하려고 시도하는 모든 이에게 훌륭한 안내서가 되어줄 것이다.
