딥러닝을 활용한 금융 시계열 분석 - 1
딥러닝을 활용한 금융 시계열 분석 - 1
시계열 데이터는 관측 값들이 시간에 따라 변하는 자료를 말합니다.
시계열 자료는 일반적인 통계 이론이나 통계적 분석 방법으로는 다루기 어렵고, 시계열 분석 (Time Series Analysis) 방법을 사용합니다.
오늘은 딥러닝을 활용한 금융 시계열 분석에 대해 간단하게 알아보도록 하겠습니다.
◎ 금융 시계열 분석 (Financial Time Series)
시계열 데이터는 관측 값들이 시간에 따라 변하는 자료를 말합니다. (ex : 주가, 주가 수익률, 변동성 등)
시계열 자료는 일반적인 통계 이론이나 통계적 분석 방법으로는 다루기 어렵고, 시계열 분석 (Time Series Analysis) 방법을 사용합니다.
● AR 모형 : 평균 회귀 모형 (Auto Regressive Model)으로 현재 시계열은 과거 시계열 데이터에 종속된다는 모형입니다.
● MA 모형 : 이동평균 과정 (Moving Average Model)으로 현재 시계열 데이터는 과거 잔차들의 가중 평균으로 구성된다는 모형입니다.
● ARMA 모형 : AR 모형과 MA 모형을 혼합한 모형입니다.
● ARIMA 모형 : 시계열 자체로는 정상성이나 평균회귀 특성이 없어도 이를 차분한 (Indifference) 시계열은 평균 회귀 특성이 있을 수 있습니다. ARIMA모형은 시계열에 ARIMA 모형을 적용한 모형입니다.
● SARIMA 모형 : 주기성 (Seasonality)를 갖는 모형입니다. ARMA 모형이나 ARIMA 모형이 주기성을 갖는 경우, 자기상관성을 분석하면 주기를 검출할 수 있습니다.
◎ 회귀분석 (Regression)
직선 회귀분석 : OLS와 TLS
OLS(Ordinary Least Square) : 각 데이터 (xi, yi)에서 y축에 평행한 방향으로 회귀직선과 만나는 지점까지 거리(d)의 총 합이 최소가 되는 회귀직선을 찾는 방식입니다.
TLS(직교회귀) : 각 데이터 (xi, yi)와 회귀직선의 수직거리 (d)의 총합이 최소가 되는 회귀직선을 찾는 방식이비다.
로지스틱 회귀분석 (Logistic Regression)
결과 값인 y가 0과 1 (혹은 True or False)로 구분될 때 y값을 추정하는 알고리즘 방식으로 이진 분류 (Binary classification)에 활용됩니다.
◎ 분류 (Classification)와 군집 (Clustering)
KNN Classification 알고리즘 (근접이웃 알고리즘) - Supervised Learning
점 A로부터 가까운 거리에 있는 K개의 점을 선택한 후, K개의 점들이 가장 많이 속한 클래스를 찾아 점 A가 그 클래스에 속한다고 판단하는 알고리즘입니다. 예를 들어 A에서 가까운 9개의 점을 선택하였더니, 그 중 5개는 1에 속하고, 3개는 클래스 2에 속하고, 1개는 클래스 4에 속한다면 A는 클래스 2에 속한다고 판단할 수 있습니다.
K-Means Clustering 알고리즘 - EM 알고리즘
K-Means 알고리즘은 중점을 할당한 후 할당된 중점까지의 거리의 합을 최소화하는 알고리즘입니다. (EM 알고리즘)
Confusion Matrix에 의한 분류 알고리즘의 성능 측정
TP (True Positive)는실제 클래스가 Positive (+)인데 Positive로 올바르게 분류한 개수입니다.
TN (True Negative)는-를 -로 올바르게 분류한 개수입니다.
FP (False Positive와 FN(False Negative)는 잘못 분류한 비율을 측정한 것입니다.
◎ 인공신경망과 딥러닝
인공신경망의 기본 개념Activation Function (활성 함수)
활성 함수는 뉴런의 출력값을 조절하는 함수입니다. 해결한 문제의 특성에 맞게 출력값을 조정하기 위해 사용됩니다. Classification 문제를 위해서는 출력값 층이 0 ~ 1 사잇값이 나와야 하므로 sigmoid 함수를 사용하고, Regression 문제를 위해서는 실숫값 그대로 출력해야 하기 때문에 linear 함수를 사용합니다. ReLu 함수는 딥러닝에서 오류값이 하위단으로 잘 전파되도록 하기 위해 은닉층의 출력값으로 주로 사용됩니다.
지금까지<딥러닝을 활용한 금융 시계열 분석>강의의 내용 중 일부였습니다.
딥러닝을 활용한 금융 시계열 분석에 관한 내용을 더 알고 싶으신 분들은 강의자료를 참고하시거나 강의를 통해 배울 수 있습니다.
마감 강의는 모집 예정입니다. 아래 링크에서 강의 개설 요청을 할 수 있고 할인 쿠폰을 받을 수 있습니다!
https://insightcampus.co.kr/requestcurriculum/
번호 | 제목 | 작성자 | 작성일 | 추천 | 조회 |
공지사항 |
파이썬으로 배우는 블록체인 구조와 이론 (위키북스)
finweb
|
2019.07.05
|
추천 0
|
조회 23
|
finweb | 2019.07.05 | 0 | 23 |
580 |
이상거래(Fraud) 탐지, 위험성 평가 등을 지원하는 핀테크 AI
인사이트캠퍼스
|
2020.09.07
|
추천 0
|
조회 508
|
인사이트캠퍼스 | 2020.09.07 | 0 | 508 |
579 |
인공지능은 당신의 돈을 더 스마트하게 해준다
인사이트캠퍼스
|
2020.09.07
|
추천 0
|
조회 350
|
인사이트캠퍼스 | 2020.09.07 | 0 | 350 |
578 |
게임 산업에서의 AI의 미래에 대한 예측 5가지
인사이트캠퍼스
|
2020.08.27
|
추천 0
|
조회 1422
|
인사이트캠퍼스 | 2020.08.27 | 0 | 1422 |
577 |
"강의에서 배운 attention network를 감성 분석이나 주제 분석에 활용해 보고 싶어요" (현준욱님 인터뷰)
인사이트캠퍼스
|
2020.08.14
|
추천 0
|
조회 629
|
인사이트캠퍼스 | 2020.08.14 | 0 | 629 |
576 |
15개의 데이터셋을 사용한 머신러닝 및 데이터 사이언스 프로젝트 아이디어
인사이트캠퍼스
|
2020.08.13
|
추천 0
|
조회 12881
|
인사이트캠퍼스 | 2020.08.13 | 0 | 12881 |
575 |
핀테크 혁신을 위한 5가지 AI 기반 기술
인사이트캠퍼스
|
2020.08.06
|
추천 0
|
조회 982
|
인사이트캠퍼스 | 2020.08.06 | 0 | 982 |
574 |
파이썬으로 단계별 첫 머신러닝 프로젝트 시작하기
인사이트캠퍼스
|
2020.07.28
|
추천 0
|
조회 2189
|
인사이트캠퍼스 | 2020.07.28 | 0 | 2189 |
573 |
25분 내에 알고리즘 트레이딩 코딩하기
인사이트캠퍼스
|
2020.07.22
|
추천 0
|
조회 1479
|
인사이트캠퍼스 | 2020.07.22 | 0 | 1479 |
572 |
시장의 미시구조와 마이크로 트레이딩 - 2
인사이트캠퍼스
|
2020.06.18
|
추천 0
|
조회 1110
|
인사이트캠퍼스 | 2020.06.18 | 0 | 1110 |
571 |
시장의 미시구조와 마이크로 트레이딩 - 1
인사이트캠퍼스
|
2020.06.15
|
추천 0
|
조회 1173
|
인사이트캠퍼스 | 2020.06.15 | 0 | 1173 |
570 |
딥러닝을 활용한 금융 시계열 분석 - 2
인사이트캠퍼스
|
2020.05.25
|
추천 0
|
조회 2709
|
인사이트캠퍼스 | 2020.05.25 | 0 | 2709 |
569 |
퀀텀 컴퓨팅의 실용화 방안
인사이트캠퍼스
|
2020.05.18
|
추천 0
|
조회 838
|
인사이트캠퍼스 | 2020.05.18 | 0 | 838 |
568 |
딥러닝을 활용한 금융 시계열 분석 - 1
인사이트캠퍼스
|
2020.05.18
|
추천 0
|
조회 2120
|
인사이트캠퍼스 | 2020.05.18 | 0 | 2120 |
567 |
동적 자산 배분과 유니버셜 포트폴리오
인사이트캠퍼스
|
2020.05.14
|
추천 0
|
조회 1269
|
인사이트캠퍼스 | 2020.05.14 | 0 | 1269 |
566 |
2020년 최고의 인공지능 및 머신러닝 소프트웨어 및 프레임워크 Top 20
인사이트캠퍼스
|
2020.05.13
|
추천 0
|
조회 5607
|
인사이트캠퍼스 | 2020.05.13 | 0 | 5607 |
565 |
자주 묻는 머신러닝 인터뷰 질문 및 답변 50선
인사이트캠퍼스
|
2020.05.11
|
추천 0
|
조회 11795
|
인사이트캠퍼스 | 2020.05.11 | 0 | 11795 |
564 |
좋은 vs 나쁜 액티브 펀드 관리 : 3 가지 지표
인사이트캠퍼스
|
2020.05.06
|
추천 0
|
조회 632
|
인사이트캠퍼스 | 2020.05.06 | 0 | 632 |
563 |
그녀는 돈의 보스: 여성 온라인 투자의 4대 트렌드
인사이트캠퍼스
|
2020.05.06
|
추천 0
|
조회 666
|
인사이트캠퍼스 | 2020.05.06 | 0 | 666 |
562 |
변동성 측정의 이해
인사이트캠퍼스
|
2020.05.06
|
추천 0
|
조회 1085
|
인사이트캠퍼스 | 2020.05.06 | 0 | 1085 |
561 |
새로운 재료를 찾는 데 있어 최적화를 촉진하는 신경망
인사이트캠퍼스
|
2020.04.29
|
추천 0
|
조회 711
|
인사이트캠퍼스 | 2020.04.29 | 0 | 711 |