본 과정의 중급 부분은 총 5개의 동영상과 5개의 파이썬 코드로 구성돼 있습니다. 각 장의 내용은 아래와 같습니다.

1장에서는 본 과정을 이해하는데 필요한 마코비츠의 포트폴리오 이론과 LSTM, CNN에 대한 기본적인 내용을 다룹니다. 개별 주가의 수익률과 위험을 측정하는 방법, 포트폴리오 전체의 수익률과 위험을 측정하는 방법을 이해합니다. 그리고 포트폴리오를 최적화하는 목표함수에 대해 학습합니다. 이 목표함수는 향후 LSTM과 CNN을 학습하는데 사용됩니다. 

2장에서는 파이썬을 이용해서 S&P500의 상위 50 종목의 데이터를 수집하고, 주가 수익률과 위험 (변동성)을 측정합니다. 그리고 딥러닝을 학습할 학습 데이터와 평가 데이터를 생성합니다. 딥러닝의 입력 데이터인 과거 수익률 데이터를 생성하고, 마코비츠의 목표함수를 계산할 미래 수익률 데이터를 생성합니다.

3장에서는 마코비츠-네트워크 (Markwitz Portfolio Network : MPN)를 구성하고, 그 구조를 상세히 학습합니다. 그리고 2장에서 생성한 학습 데이터를 이용해서 MPN을 학습시키는 방법을 이해합니다. MPN은 비지도학습 (unsupervised learning) 방식이기 때문에 일반적인 LSTM, CNN과는 학습 방법이 약간 다릅니다. Keras를 이용해서 MPN을 구성하고 마코비츠의 목표함수를 loss function으로 사용해서 비지도학습 방식으로 MPN을 학습합니다.

4장에서는 학습이 완료된 MPN을 이용해서 가상투자 (back-test) 방식으로 포트폴리오의 성과를 분석합니다. LSTM으로 구성한 MPN과, CNN으로 구성한 MPN의 성과를 비교하고, benchmark인 CRP (constant rebalanced portfolio)의 성과와도 비교합니다.

5장에서는 MPN에 사용된 마코비츠 목표함수의 파라메터 (γ, λ)의 변화에 따른 포트폴리오 성과의 변화를 관찰합니다.  γ, λ는 투자자의 위험회피 성향을 조절하는 조절변수입니다.  γ, λ를 변화시켜 가면서 위험과 수익률의 상태공간에서 포트폴리오 성과가 어떻게 달라지는지 확인합니다. 이를 통해 투자자는 자신의 위험 수준과 효용에 맞는 γ와 λ를 선택할 수 있습니다.