[세트] 프라도 박사의 금융 머신러닝 세트 - 전2권

『실전 금융 머신러닝 완벽 분석』

1장. 독립된 주제로서의 금융 머신러닝
1.1 동기
1.2 금융 머신러닝 프로젝트가 실패하는 주요 원인
1.2.1 시지프스 패러다임
1.2.2 메타 전략 패러다임
1.3 책의 구조
1.3.1 생산 체인 형태로 구조 짜기
1.3.3 흔한 함정에 따른 구성
1.4 대상 독자들
1.5 필요 지식
1.6 자주 받는 질문들
1.7 감사의 글
__연습 문제
__참고 자료
__참고 문헌

1부. 데이터 분석

2장. 금융 데이터 구조
2.1 동기
2.2 금융 데이터의 근본적 형태
2.2.1 기본 데이터
2.2.2 시장 데이터
2.2.3 분석
2.2.4 대체 데이터
2.3 바
2.3.1 표준 바
2.4 복수 상품 계열 다루기
2.4.1 ETF 트릭
2.4.2 PCA 가중값
2.4.3 단일 선물 롤 오버
2.5 특성 샘플 추출
2.5.1 축소를 위한 표본 추출
2.5.2 이벤트 기반의 표본 추출
__연습 문제
__참고 자료

3장. 레이블링
3.1 동기
3.2 고정 기간 기법
3.3 동적 임계값 계산
3.4 삼중 배리어 기법
3.5 방향과 크기 파악
3.6 메타 레이블링
3.7 메타 레이블링을 이용하는 방법
3.8 퀀터멘털 방법
3.9 불필요한 레이블 제거
__연습 문제
__참고 문헌

4장. 표본 가중값
4.1 동기
4.2 중첩된 결과
4.3 공존 레이블의 개수
4.4 레이블의 평균 고유도
4.5 배깅 분류기와 고유도
4.5.1 순차적 부트스트랩
4.5.2 순차적 부트스트랩의 구현
4.5.3 수치적 예제
4.5.4 몬테카를로 실험
4.6 수익률 기여도
4.7 시간 감쇠
4.8 클래스 가중값
__연습 문제
__참고 자료
__참고 문헌

5장. 분수 미분의 특징
5.1 동기
5.2 정상성 대 기억 딜레마
5.3 문헌 리뷰
5.4 방법
5.4.1 장기 기억
5.4.2 반복 추정
5.4.3 수렴
5.5 구현
5.5.1 확장 윈도우
5.5.2 고정 너비 윈도우 분수 미분
5.6 최대 기억 유지 정상성
5.7 결론
__연습 문제
__참고 자료
__참고 문헌

2부. 모델링

6장. 앙상블 기법
6.1 동기
6.2 오류의 세 가지 원인
6.3 배깅
6.3.1 분산 축소
6.3.2 개선된 정확도
6.3.3 관측 중복
6.4 랜덤 포레스트
6.5 부스팅
6.6 금융에 있어서의 배깅 대 부스팅
6.7 배깅의 확장성
__연습 문제
__참고 자료
__참고 문헌

7장. 금융에서의 교차 검증
7.1 동기
7.2 교차 검증의 목표
7.3 금융에서 K겹 교차 검증이 실패하는 이유
7.4 해법: 제거 K겹 교차 검증
7.4.1 훈련셋에서의 제거
7.4.2 엠바고
7.4.3 제거된 K겹 클래스
7.5 sklearn의 교차 검증 버그
__연습 문제
__참고 문헌

8장. 특성 중요도
8.1 동기
8.2 특성 중요도의 중요성
8.3 대체 효과가 있는 특성 중요도
8.3.1 평균 감소 불순도
8.3.2 평균 감소 정확도
8.4 대체 효과가 없는 특성 중요도
8.4.1 단일 특성 중요도
8.4.2 직교 특성
8.5 병렬 대 스태킹 특성 중요도
8.6 합성 데이터를 사용한 실험
__연습 문제
__참고 자료

9장. 교차 검증을 통한 하이퍼 파라미터 튜닝
9.1 동기
9.2 그리드 검색 교차 검증
9.3 랜덤 검색 교차 검증
9.3.1 로그 균등 분포
9.4 점수 함수 및 하이퍼 파라미터 튜닝
__연습 문제
__참고 자료
__참고 문헌

3부. 백테스트

10장. 베팅 크기
10.1 동기
10.2 전략 독립 베팅 크기 방식
10.3 예측된 확률로부터 베팅 크기 조절
10.4 실행 중인 베팅의 평균화
10.5 베팅 크기 이산화
10.6 동적 베팅 크기와 지정가
__연습 문제
__참고 자료
__참고 문헌

11장. 백테스트의 위험
11.1 동기
11.2 미션 임파서블: 결함 없는 백테스트
11.3 비록 백테스트 결과가 나무랄 데 없어도 아마 잘못됐을 것이다
11.4 백테스트는 연구 도구가 아니다
11.5 몇 가지 일반적인 추천
11.6 전략 선택
__연습 문제
__참고 자료
__참고 문헌

12장. 교차 검증을 통한 백테스트
12.1 동기
12.2 전방 진행 기법
12.2.1 전방 진행 방법의 위험
12.3 교차 검증 기법
12.4 조합적 제거 교차 검증 기법
12.4.1 조합적 분할
12.4.2 조합적 제거 교차 검증 백테스트 알고리즘
12.4.3 몇 가지 예제
12.5 조합적 제거 교차 검증이 백테스트 과적합을 해결하는 법
__연습 문제
__참고 자료

13장. 합성 데이터에 대한 백테스트
13.1 동기
13.2 거래 규칙
13.3 문제
13.4 프레임워크
13.5 최적 거래 규칙의 수치적 결정
13.5.1 알고리즘
13.5.2 구현
13.6 실험 결과
13.6.1 제로 장기 균형의 경우
13.6.2 양의 장기 균형의 경우
13.6.3 음의 장기 균형의 경우
13.7 결론
__연습 문제
__참고 자료

14장. 백테스트 통계량
14.1 동기
14.2 백테스트 통계량의 종류
14.3 일반적인 특성
14.4 성과
14.4.1 수익률의 시간 가중 비율
14.5 런
14.5.1 수익률 집중
14.5.2 손실폭과 수면하 시간
14.5.3 성과 평가를 위한 런 통계량
14.6 거래 구축 비용
14.7 효율성
14.7.1 샤프 비율
14.7.2 확률적 샤프 비율
14.7.3 축소 샤프 비율
14.7.4 효율성 통계량
14.8 분류 점수
14.9 기여도 분석
__연습 문제
__참고 자료
__참고 문헌

15장. 전략 리스크 이해
15.1 동기
15.2 대칭 투자 이익
15.3 비대칭 투자 이익
15.4 전략 실패의 확률
15.4.1 알고리즘
15.4.2 구현
__연습 문제
__참고 자료

16장. 머신러닝 자산 배분
16.1 동기
16.2 볼록 포트폴리오 최적화 문제
16.3 마코위츠의 저주
16.4 기하적 관계에서 계층적 관계까지
16.4.1 트리 군집화
16.4.2 준대각화
16.4.3 재귀적 이분법
16.5 수치 예제
16.6 샘플 외 몬테카를로 시뮬레이션
16.7 향후 연구 과제
16.8 결론
__부록
__연습 문제
__참고 자료

4부. 유용한 금융의 특징

17장. 구조적 변화
17.1 동기
17.2 구조적 변화 테스트 유형
17.3 CUSUM 테스트
17.3.1 재귀적 잔차에 브라운 - 더빈 - 에반스 CUSUM 테스트
17.3.2 수준에 대한 추 - 스틴치콤 - 화이트 CUSUM 테스트
17.4 폭발성 테스트
17.4.1 초 - 유형의 딕키 - 풀러 테스트
17.4.2 상한 증강 딕키 - 풀러
17.4.3 서브 또는 슈퍼 - 마팅게일 테스트
__연습 문제
__참고 자료

18장. 엔트로피 특성들
18.1 동기
18.2 샤논의 엔트로피
18.3 플러그인(또는 최대 우도) 추정량
18.4 렘펠 - 지브 추정기
18.5 인코딩 체계
18.5.1 이진 인코딩
18.5.2 분위수 인코딩
18.5.3 시그마 인코딩
18.6 가우시안 프로세스의 엔트로피
18.7 엔트로피와 일반화된 평균
18.8 엔트로피의 몇 가지 금융 응용
18.8.1 시장 효율성
18.8.2 최대 엔트로피 생성
18.8.3 포트폴리오 집중화
18.8.4 시장 미시 구조
__연습 문제
__참고 자료
__참고 문헌

19장. 미시 구조적 특성
19.1 동기
19.2 문헌 리뷰
19.3 1세대: 가격 시퀀스
19.3.1 틱 규칙
19.3.2 롤 모델
19.3.3 고가 - 저가 변동성 추정량
19.3.4 코윈과 슐츠
19.4 2세대: 전략적 거래 모델
19.4.1 카일의 람다
19.4.2 아미후드의 람다
19.4.3 하스브룩의 람다
19.5 제3세대: 순차적 거래 모델
19.5.1 정보 기반 거래의 확률
19.5.2 정보 기반 거래의 거래량 동기화 확률
19.6 미시 구조적 데이터셋으로부터의 추가 특성
19.6.1 주문 크기의 분포
19.6.2 취소율, 지정가 주문, 시장가 주문
19.6.3 시간 가중 평균 가격 실행 알고리즘
19.6.4 옵션 시장
19.6.5 부호가 있는 주문 흐름의 계열 상관관계
19.7 미시 구조적 정보란 무엇인가?
__연습 문제
__참고 자료

5부. 고성능 컴퓨팅 비법

20장. 다중 처리와 벡터화
20.1 동기
20.2 벡터화 예제
20.3 단일 스레드 대 다중 스레딩 대 다중 처리
20.4 원자와 분자
20.4.1 선형 분할
20.4.2 이중 루프 분할
20.5 다중 처리 엔진
20.5.1 작업 준비
20.5.2 비동기 호출
20.5.3 콜백 언래핑
20.5.4 피클/언피클 객체
20.5.5 출력 축소
20.6 다중 처리 예제
__연습 문제
__참고 자료
__참고 문헌

21장. 무차별 대입과 양자 컴퓨터
21.1 동기
21.2 조합적 최적화
21.3 목적 함수
21.4 문제
21.5 정수 최적화 방법
21.5.1 비둘기집 분할
21.5.2 가능한 정적 해
21.5.3 궤적 평가
21.6 수치 예제
21.6.1 랜덤 행렬
21.6.2 정태적 해
21.6.3 동태적 해
__연습 문제
__참고 자료

22장. 고성능 계산 지능과 예측 기술
22.1 동기
22.2 2010년 플래시 크래시에 대한 감독 당국의 반응
22.3 배경
22.4 HPC 하드웨어
22.5 HPC 소프트웨어
22.5.1 MPI
22.5.2 계층적 데이터 형식 5
22.5.3 제자리 처리
22.5.4 수렴
22.6 실제 사례
22.6.1 초신성 사냥
22.6.2 융합 플라스마의 덩어리
22.6.3 일간 전기 사용 최대값
22.6.4 2010년의 플래시 크래시
22.6.5 정보 기반 거래 거래량 동기화 확률의 추정
22.6.6 비균등 고속 푸리에 변환으로 고빈도 이벤트 발견
22.7 요약 및 참여 요청
22.8 감사의 글
__참고 자료

『자산운용을 위한 금융 머신러닝』

1장. 들어가며

1.1 동기 부여
1.2 이론이 중요하다
1.2.1 교훈1: 이론이 필요하다
1.2.2 교훈2: 머신러닝은 이론을 발견하는 것을 돕는다
1.3 어떻게 과학자들이 머신러닝을 이용하는가
1.4 두 가지 형태의 과적합
1.4.1 훈련셋 과적합
1.4.2 테스트셋 과적합
1.5 개요
1.6 청중
1.7 다섯 가지 만연한 금융 머신러닝에 대한 잘못된 개념
1.7.1 머신러닝은 성배 대 머신러닝은 무용지물
1.7.2 머신러닝은 블랙박스
1.7.3 금융은 머신러닝을 적용하기에는 불충분한 데이터를 갖고 있다
1.7.4 금융에서 신호 대 잡음 비율이 너무 낮다
1.7.5 금융에서 과적합의 위험은 너무 크다
1.8 금융 리서치의 미래
1.9 자주 물어 보는 질문들
1.10 결론
1.11 연습문제

2장. 잡음 제거와 주음 제거

2.1 동기 부여
2.2 마르첸코-파스퇴르 정리
2.3 신호가 있는 랜덤 행렬
2.4 마르첸코-파스퇴르 PDF 적합화
2.5 잡음 제거
2.5.1 상수 잔차 고유값 방법
2.5.2 타깃 축소
2.6 주음 제거
2.7 실험 결과
2.7.1 최소 분산 포트폴리오
2.7.2 최대 샤프 비율 포트폴리오
2.8 결론
2.9 연습문제

3장. 거리 척도

3.1 동기 부여
3.2 상관계수 기반 척도
3.3 한계와 결합 엔트로피
3.4 조건부 엔트로피
3.5 쿨백 - 라이블러 발산
3.6 교차 엔트로피
3.7 상호 정보
3.8 정보 변분
3.9 이산화
3.10 두 분할 간의 거리
3.11 실험 결과
3.11.1 무관계
3.11.2 선형관계
3.11.3 비선형관계
3.12 결론
3.13 연습문제

4장. 최적 군집화

4.1 동기 부여
4.2 근접성 행렬
4.3 군집화 종류
4.4 군집의 수
4.4.1 관측 행렬
4.4.2 기본 군집화
4.4.3 상위 수준 군집화
4.5 실험 결과
4.5.1 랜덤 블록 상관관계 행렬 생성
4.5.2 군집의 수
4.6 결론
4.7 연습문제

5장. 금융 레이블

5.1 동기 부여
5.2 고정 - 기간 방법
5.3 삼중 배리어 방법
5.4 추세 검색 방법
5.5 메타 레이블링
5.5.1 기대 샤프 비율에 의한 베팅 크기
5.5.2 앙상블 베팅 크기
5.6 실험 결과
5.7 결론
5.8 연습문제

6장. 특성 중요도 분석

6.1 동기 부여
6.2 p - 값
6.2.1 p 값의 몇 가지 결함
6.2.2 수치 예제
6.3 특성 중요도
6.3.1 평균 감소 불순도
6.3.2 평균 감소 정확도
6.4 확률 가중 정확도
6.5 대체 효과
6.5.1 직교화
6.5.2 군집 특성 중요도
6.6 실험 결과
6.7 결론
6.8 연습문제

7장. 포트폴리오 구축

7.1 동기 부여
7.2 볼록 포트폴리오 최적화
7.3 조건 수
7.4 마코위츠의 저주
7.5 공분산 불안정성의 원천으로서의 신호
7.6 중첩 군집 최적화 알고리즘
7.6.1 상관 군집화
7.6.2 군집 내 비중
7.6.3 군집 간 비중
7.7 실험 결과
7.7.1 최소 분산 포트폴리오
7.7.2 최대 샤프 비율 포트폴리오
7.8 결론
7.9 연습문제

8장. 테스트셋 과적합

8.1 동기 부여
8.2 정밀도와 재현율
8.3 다중 테스트하의 정밀도와 재현율
8.4 샤프 비율
8.5 '거짓 전략' 정리
8.6 실험 결과
8.7 축소 샤프 비율
8.7.1 유효 시행 수
8.7.2 시행 간 분산
8.8 군별 오차율
8.8.1 시다크 조정
8.8.2 다중 테스트하의 1종 오류
8.8.3 다중 테스트하의 2종 오류
8.8.4 1종과 2종 오류 간의 상호작용
8.9 결론
8.10 연습문제

부록 A. 합성 데이터 테스트
부록 B. '거짓 전략' 정리의 증명