fbpx

[오프라인] 딥러닝을 활용한 금융 시계열 분석

개강알람 신청하기

본 강의 개강을 기다리고 계신가요? 개강알람을 신청해 보세요. 

개강 시 알려 드리도록 하겠습니다!

Introduction

TensorFlow와 딥러닝을 활용하여 금융 시계열 데이터를 분석합니다

금융시장의 흐름을 파악하기 위해서는 시장 데이터, 공시, 재무, 뉴스, SNS, 거시 경제 데이터 등 수 많은 요인들을 분석해야 합니다. 대부분의 금융 자료는 시간의 흐름에 따른 시계열 (Time Series)로 표현됩니다. 본 교육에서는 금융 시계열을 효과적으로 다룰 수 있는 방법론을 제시합니다.

금융 시계열을 다루는 전통적인 도구로는 시계열분석 (Time Series Analysis)이 있습니다. 시계열분석은 사전에 정의된 모델 (Model)을 기반으로 시계열의 과거와 현재의 종속 관계를 분석하고 미래를 예측하는 방법입니다. 이 방법은 모델을 올바르게 설정하기 어렵다는 단점이 있습니다. 특히, 금융 시계열은 수 많은 요인들이 반영되어 있어 매우 복잡하기 때문에 적절한 모델을 설정하기가 어렵습니다.

다른 방법으로는 딥러닝같은 데이터 분석기술이 있습니다. 딥러닝은 데이터 자체를 분석하여 그 안에 들어있는 패턴들을 자동으로 탐색하는 방법입니다. 이 방법은 사전에 모델을 설정할 필요가 없다는 장점이 있습니다 (인간 개입의 최소화). 최근 딥러닝 기술은 수 많은 연구자들에 의해 폭발적으로 발전하고 있습니다. 금융 시계열에도 딥러닝 기술을 적용하면 전통적인 모델 기반의 시계열분석에 비해 더 효율적인 분석이 가능합니다.

Lesson

강의 상세내용 

1장에서는 전통적인 시계열분석을 다룹니다. 기본적인 몇 개의 모델을 기반으로 금융 시계열을 설명해 가면서 시계열에 대한 기본적인 감각을 익힙니다.
2장에서는 딥러닝을 구현하는 도구로 가장 많이 활용되고 있는 텐서플로에 대해 학습합니다.
3장에서는 회귀분석 (Regression)을 통해 기계가 시계열을 학습하는 원리를 익히고 간단한 시계열의 방향을 예측해 봅니다.
4장에서는 분류 (Classification)와 군집 (Clustering) 분석을 통해 시계열을 분류하고 패턴을 분류, 예측하는 방법을 학습합니다.
5장은 딥러닝의 기본이 되는 인공신경망 (Artificial Neural Network)을 다룹니다. 인공신경망으로 Supervised Learning, Unsupervised Learning을 구현해 보고 본격적으로 시계열을 분석합니다.
6장에서는 GAN (Generative Adversarial Nets)을 이용하여 가상 데이터를 생성하는 방법을 다룹니다.
7장에서는 순환신경망 (RNN, LSTM, GRU)으로 시계열의 과거 종속 구조를 분석하여 미래를 예측하는 방법을 학습합니다.
8장에서는 이미지 처리에 뛰어난 성능을 보이는 CNN (Convolutional Neural Network)을 시계열에 적용하는 방법을 학습합니다. CNN으로 시계열의 과거 특징을 추출하여 미래를 예측하는 방법에 대해 알아봅니다.
9장에서는 Supervised Learning으로 금융 시계열을 분류하기 위해 필요한 Labeling 기법을 소개합니다.
10장에서는 금융공학의 GBM 모형과 딥러닝의 GAN 모형을 이용하여 가상의 주가 시계열을 시뮬레이션하는 방법을 학습합니다. 금융 시뮬레이션은 딥러닝의 보조 학습, 트레이딩의 백테스트, 금융 상품의 설계 및 평가 등에 사용되는 중요한 부분입니다.
마지막으로 11장에서는 강화학습 (Reinforcement Learning)의 DQN (Deep Q-Network)을 이용하여 시장이라는 환경에서의 최적 의사결정 (optimal action)에 대한 방법을 소개합니다. Optimal action을 통해 시계열의 방향을 예측해 봅니다.

Example

예제 실습

▲ 전체 실습파일

▲ 실습용 Python/TensorFlow 소스 프로그램 제공

#강화학습 #TensorFlow #알고리즘트레이딩

For YOU

이런 분들께 강의를 추천드립니다!

실무자

  • 투자 관련부서 실무자
  • 금융 IT 개발자

투자자

  • 퀀트 트레이딩에 관심있는 일반 투자자

입문자

  • 대학생/대학원생
  • 금융, 재무 관련 입문자

Review

수강 후기

오00
2기 수강생
Read More
AI를 금융분야에 적용시켜나갈 방법에 대한 아이디어를 얻었습니다. 초반부 강의는 AR 모형과 시계열 예측이었는데요, 그 부분이 굉장히 흥미로웠습니다. 그래서 모두들 재밌게 들으셨던 것 같아요. 그 때 강의교수님께서 물리경제학 이론을 설명해 주시면서 주가예측이나 연구쪽 현황에 대해 짚어주셨어요. 그리고 재무나 경제 쪽 투자 방향이 다르다는 것도 알려주셨어요. 사실 저는 그 쪽으로 생각은 해보진 못했었는데 확실히 현장에 계시는 강의교수님이 말씀해 주시니까 ‘그런 방법으로 접근할 수도 있구나’ 하는 인사이트를 얻을 수 있었습니다.
M사 IT재직자
M사 IT재직자
2기 수강생
Read More
딥러닝에 대해 전반적으로 이해하게 되었다. 코드도 주시고, 수강결과가 만족스럽다. 인사이트를 얻기에 충분했다. 시계열분석 딥러닝 심화 과정이 있다면 듣고 싶다. 이 강의는 회사에도 소개할 의사가 있다. 강사님은 잘하시는 분이다. 기본적인 것을 자세히 소화하시고 전반적으로 내용이 충실하다.
R사 대표
R사 대표
3기 수강생
Read More
자세한 설명이 매우 도움이 되고, 시계열에 대해 이해할 수 있는 시간이었다.
개발자
개발자
4기 수강생
Read More
회사에 강의를 소개할 의사가 있습니다.
Previous
Next

Professor

조성현

  • 現 핀인사이트 사외이사 인사이트 캠퍼스 연구/강의 교수
  • 現 아마추어퀀트 금융공학 전문 블로그 운영진
  • 前 Lucent Technologies, Bell-Labs Innovations 수석 연구원

조성현 강의교수님은 물리학을 전공하고 KT에 입사하여 망관리센터 및 연구개발센터의 통신운용연구단에서 약 8년간 근무하다가, AT&T, Lucent Technologies로 이직하여 수석 연구원으로 10년간 종사한 통신 소프트웨어 전문가 입니다. 미국 Bell-lab에서 차세대 네트워크 구축에 대한 Training, 국내 KT, SKT 등의 국가기간망 구축 사업 분야에 종사했으며, 국제보안전문가 (CISSP)로 국내 VoIP 망의 보안 컨설팅 프로젝트를 수행했습니다.

이후 금융 분야에 진출하여 금융공학, 시장미시구조론, 알고리즘 트레이딩, 페어트레이딩, 금융 데이터마이닝 (기계학습), 강화학습 분야를 연구하고 있습니다.

물리학과 미국 Bell-Lab의 소프트웨어 기술에 금융 이론을 접목하여 금융 관련 시스템을 개발하고, 블로그를 통해 외국의 최신 투자 기법을 다룬 논문들의 내용을 소개하고 있습니다. 외환 전문인 갤럭시투자자문사에서 환위험관리 및 외환차익거래 시스템을 개발한 바 있으며, 여의도 금융가와 강남 지역, 그리고 코스콤 등 기업체의 직원 연수교육의 금융 강사로 활동하고 있습니다.

Curriculum

커리큘럼

1장 | 금융 시계열 분석 (Financial Time Series)

  • 1-1. 시계열 데이터
  • 1-2. 정상성 (Stationary)과 비정상성 (Non-Stationary)
  • 1-3. 시계열 기본 모형 (시간영역 분석)
  • 1-4. AR 모형 (생성, 분석, 예측)
  • 1-5. MA 모형 (생성, 분석, 예측)
  • 1-6. ARMA 모형 (생성, 분석, 예측)
  • 1-7. ARIMA 모형 (생성, 분석, 예측)
  • 1-8. ARIMA모형에 의한 주가 시계열 예측.

2장 | TensorFlow 개요

  • 2-1. TensorFlow 역사 및 특징
  • 2-2. Graph와 TensorFlow
  • 2-3. 그래프 생성과 실행
  • 2-4. 노드 (Operation) 구조 확인
  • 2-5. 그래프 구조 확인
  • 2-6. Tensorboard를 이용한 그래프 구조 확인
  • 2-7. 그래프와 세션 코딩 유형
  • 2-8. 기본적인 Operation
  • 2-9. Constant 노드의 구조
  • 2-10. Variable 노드의 구조
  • 2-11. Placeholder 노드의 구조
  • 2-12. TensorFlow 연산자와 일반 연산자
  • 2-13. TensorFlow 동작 예시 – 이차방정식 계수 추정

3장 | 회귀분석 (Regression)

  • 3-1. 직선회귀 분석 – OLS와 TLS
  • 3-2. 직선회귀 분석 – TensorFlow 예시
  • 3-3. Optimizer – SG, Momentum, NAG, Adagrad, Adadelta, Adam
  • 3-4. 로지스틱 회귀분석 (Logistic Regression)
  • 3-5. 정보 엔트로피, KL Divergence, Cross Entropy
  • 3-6. Cross Entropy와 Loss Function
  • 3-7. Cross Entropy (CE)와 Mean Square Error (MSE)
  • 3-8. TensorFlow 활용 예시 (1) – 대출 신용 평가 이진 분류
  • 3-9. Batch update와 Mini-batch update
  • 3-10. TensorFlow 활용 예시 (2) – 주가의 과거 패턴과 주가의 방향 예측
  • 3-11. TensorFlow 활용 예시 (3) – 기술적 지표와 주가의 방향 예측

4장 | 분류 (Classification)와 군집 (Clustering)

  • 4-1. KNN 분류 알고리즘 개요 – Supervised Learning 예시
  • 4-2. KNN 분류 알고리즘 엑셀 예시
  • 4-3. TensorFlow 활용 예시 (1) – 대출 신용 평가 이진 분류
  • 4-4. Confusion Matrix에 의한 분류 알고리즘의 성능 측정
  • 4-5. TensorFlow 활용 예시 (2) – 기술적 지표와 주가의 방향 예측
  • 4-6. K-Means 군집 알고리즘 개요 – Unsupervised Learning 예시
  • 4-7. K-Means 군집 알고리즘 엑셀 예시 – 캔들의 모양 분류
  • 4-8. 사람과 K-Means 알고리즘의 인식의 차이
  • 4-9. TensorFlow 활용 예시 (3) – 분포 데이터 군집화
  • 4-10. TensorFlow 활용 예시 (4) – 주가의 과거 패턴 분류 및 예측

5장 | 인공신경망과 딥러닝

  • 5-1. 인공 신경망의 기본 개념 및 역사
  • 5-2. 인공신경망 동작 원리 계산 연습

Supervised Learning

  • 5-3. Supervised Learning 엑셀 예시 (주가 방향 예측)
  • 5-4. 연결 가중치 조절 원리
  • 5-5. 델타 학습 규칙
  • 5-6. 일반화된 델타 규칙 : Error Backpropagation (오류 역전파)
  • 5-7. TensorFlow 활용 예시 (1) : XOR 문제 학습
  • 5-8. TensorFlow 활용 예시 (2) : 대출 신용 평가 데이터의 이진 분류
  • 5-9. TensorFlow 활용 예시 (3) : 주가 시계열의 과거 패턴 학습
  • 5-10. TensorFlow 활용 예시 (4) : 주가의 기술적분석 지표 학습

Unsupervised Learning

  • 5-11. 경쟁학습 모델 – Hebb 학습 규칙과 Instar 알고리즘
  • 5-12. 경쟁학습 모델 – Self Organized Map (SOM) 알고리즘
  • 5-13. Unsupervised Learning 엑셀 예시 (캔들스틱 분류)
  • 5-14. TensorFlow 활용 예시 (5) : 경쟁학습 모델 (Instar) 예시 (1)
  • 5-15. TensorFlow 활용 예시 (6) : 경쟁학습 모델 (Instar) 예시 (2)
  • 5-16. TensorFlow 활용 예시 (7) : SOM 알고리즘에 의한 주가의 패턴 분류

6장 | Generative Adversarial Nets (GAN)

  • 6-1. GAN 개요
  • 6-2. GAN Loss Function
  • 6-3. GAN 학습 결과
  • 6-4. GAN 학습 알고리즘
  • 6-5. GAN 학습 예시 (1) – 정규분포 데이터 생성
  • 6-6. GAN 학습 예시 (2) : 여러 개의 정규분포 데이터 생성
  • 6-7. GAN 학습의 이론적 근거

7장 | Recurrent Neural Network (RNN)

  • 7-1. 순환신경망 (RNN) 구조
  • 7-2. RNN의 오류 역전파 (BPTT)
  • 7-3. Long Short-Term Memory : LSTM
  • 7-4. Gated Recurrent Unit : GRU
  • 7-5. 순환 신경망의 학습 유형
  • 7-6. RNN 학습 예시 (1) : 직선 시계열 예측 예시
  • 7-7. RNN 학습 예시 (2) : Noisy Sine 곡선 시계열 예측 예시
  • 7-8. RNN 학습 예시 (3) : LSTM (GRU)을 이용한 주가 시계열 예측 예시
  • 7-9. RNN 학습 예시 (4) : LSTM (GRU)을 이용한 페어 스프레드 시계열 예측 예시
  • 7-10. 성능 평가 방법론

8장 | Convolutional Neural Network (CNN)

  • 8-1. Convolutional Neural Network (CNN) 개요
  • 8-2. Cross-Correlation과 Convolution
  • 8-3. Convolutional Layer
  • 8-4. Pooling Layer (optional)
  • 8-5. Upsampling과 Transposed convolution
  • 8-6. Convolution, pooling, transposed convolution layer 계산 연습
  • 8-7. CNN layer 구성 형태
  • 8-8. Backpropagation
  • 8-9. CNN의 문제점
  • 8-10. 1D-Convolution에 의한 시계열 데이터 예측 예시
  • 8-11. 직선, Sine, Noisy sine, Noisy sine with trend 시계열 예측 예시
  • 8-12. 주가, 페어스프레드 예측 예시
  • 8-13. 2D-Convolution에 의한 주가 예측 예시

9장 | Labeling

  • 9-1. Supervised Learning과 Label
  • 9-2. n-기간 변동성/수익률 모형
  • 9-3. n-기간 barrier 모형
  • 9-4. Trade action 모형
  • 9-5. Unsupervised Labeling 모형

10장 | 주가 시계열 시뮬레이션 (GBM + GAN)

  • 10-1. 차원의 저주와 극복 방안
  • 10-2. 랜덤워크와 주가의 기하브라운운동 모형 (GBM)
  • 10-3. 주가의 기하브라운운동 모형 (GBM) 몬테카를로 시뮬레이션
  • 10-4. GBM 모형과 주가 수익률 분포 : 정규분포 가정 (문제점 – 1)
  • 10-5. GBM 모형과 변동성 분포 : 변동성 일정의 가정 (문제점 – 2)
  • 10-6. GBM과 GAN을 활용한 주가 시뮬레이션 예시
  • 10-7. GBM + GAN 모형을 활용한 추가 학습 방법론
  • 10-8. 상관관계를 갖는 두 주가에 대한 시뮬레이션
  • 10-9. 상관관계를 갖는 두 주가 생성 예시 : GBM + Cholesky 분해식 이용
  • 10-10. GBM + Cholesky 분해식의 문제점
  • 10-11. 연관관계를 갖는 두 주가 생성 예시: GBM + GAN 이용
  • 10-12. 가상 데이터를 이용한 사전학습
  • 10-13. GAN 시뮬레이션의 활용 범위

11장 | 강화학습과 Deep Q-Network (DQN)

  • 11-1. 데이터 학습 (기계학습)의 유형 비교 (예시)
  • 11-2. Markov Decision Process (MDP)
  • 11-3. State-Value function : Bellman Equation
  • 11-4. Action-Value function : Bellman Equation
  • 11-5. 실시간 평균 업데이트와 지수이동평균 (EMA)
  • 11-6. Sarsa-Learning 과 Q-Learning
  • 11-7. Exploitation (활용) 과 Exploration (탐험)
  • 11-8. Sarsa-Learning 연습
  • 11-9. Q-Learning 연습
  • 11-10. 주가 시계열의 MDP 예시
  • 11-11. Reward function
  • 11-12. Deep Q-Network (DQN)
  • 11-13. Supervised Learning (SL)과 Deep Q-Network (DQN) 비교
  • 11-14. Target Network
  • 11-15. Experience Replay Memory
  • 11-16. 주가에 대한 강화학습 예시 : DQN을 이용한 최적 action 결정 예시
  • 11-17. DQN의 문제점

강의안내

1
개강 전에 개강안내 메일을 개별적으로 전달드립니다.
강남역 근처이며, 자세한 장소는 추후 개별적으로 알려 드립니다.
개강 당일에 강의장에서 배포해 드립니다.
환불을 원하실 경우 [ 성함, 환불하고자 하는 강의명, 환불 사유 ] 정보를 edu@fins.ai 이메일로 보내주세요. 정보 확인 후 환불 도와드리겠습니다.

결제 안내

  • 대학(원)생 / 단체 / 기수강생 할인 가능합니다. (* 타쿠폰과 중복할인은 불가)
  • 카드 결제시 최대 6개월 무이자 할부 가능합니다.
  • 세금계산서 발급 가능합니다. 담당자(bill@fininsight.co.kr)에게 연락주시면 더 자세히 안내해 드리겠습니다.


인터넷 결제환경 안내

  • Windows 7, 크롬 브라우저에 최적화 되어있습니다. 인터넷 익스플로러는 버전 9 이상을 권장합니다.
  • iOS에서는 현재 결제가 불가합니다. 타 방식 이용을 권해 드립니다.
  • 맥북에서는 Safari(사파리)에서 결제가 가능합니다.


강의 유의사항

  • 본 강의에는 교재비가 포함되어 있습니다.
  • 강의의 최소 인원(5명)이 미달될 경우 일정이 연기될 수 있습니다.
  • 일정 연기 시, 수강생 분들께 개강 3일전 개별 연락을 드립니다.


인사이트 캠퍼스 지기 모집

혜택

  • 본 강의 무료 수강
  • 본 강의 외의 수강하고 싶은 강의는 50% 할인 혜택
  • 인사이트 캠퍼스지기 활동 인증서 발급
  • 금융권 진출 희망 시 진로 상담 및 네트워킹 제공 (우수 활동지기는 추천서 제공) – 핀인사이트 취업 지원 시 우대

모집 대상

  • 해당 강의 관련 학과 전일제 대학(원)생 또는 관심이 많은 타과 전일제 대학(원)생
  • 인원: 강의 당 1명

우대사항

  • 인사이트 캠퍼스 기 수강자
  • 해당 강의 관련 프로젝트 경험자
  • 해당 강의 관련 컴퓨터 언어 활용 가능자

활동 내용

  • 수강생들이 효과적으로 강의를 수강할 수 있도록 돕는 역할
  • 운영을 위한 세부사항을 기획하며, 다음 기수 수강생 모집 준비를 지원하는 역할
  • 해당 강의 종료 후 수강생 인터뷰 작성 (A4 1장 분량) – 차기 강의 개발 전략에 참여

신청 방법

  • 아래 신청 버튼을 통해 캠퍼스지기를 신청해주시면, 신청하신 모든 분들께 해당 강의 개강 1주 전까지 개별 연락 드립니다. 
  • https://goo.gl/forms/5KsDKKkUywVKPbZB2