[동영상] (기초+중급) 파이썬과 딥러닝을 활용한 마코비츠의 포트폴리오 최적화

* 본 패키지는 조성현 이사님의 금융 딥러닝 융합과정 ‘파이썬으로 배우는 마코비츠의 포트폴리오 최적화’와 ‘딥러닝을 활용한 마코비츠의 포트폴리오 최적화’를 함께 수강할 수 있는 패키지 강의 입니다. 

Introduction

금융 딥러닝 융합과정 기초와 중급 과정을 할인 금액으로 한 번에 신청하세요!

 

주식 같은 위험자산에 투자할 때 과거에 실적이 좋았던 종목들을 선택해서 투자하는 것은 미래의 수익률을 보장하지 못합니다. 투자 수익은 과거의 실적이 아닌 미래의 전망에 따라 결정되기 때문입니다. 그렇다면 미래 전망이 좋은 종목들을 선택해야 하는데, 이것은 매우 어려운 일입니다. 미래를 예측하기 어렵기 때문입니다. 미래에 높은 수익을 기대하려면 그만큼 높은 위험을 감수해야 합니다. 현실적으로 위험은 낮고 기대 수익이 높은 투자안은 없습니다.

위험은 가급적 낮추고 기대 수익을 최대한 높이는 방안으로 포트폴리오 (portfolio) 투자가 널리 사용됩니다. 포트폴리오를 사용하면 투자자의 성향에 따라 위험을 적절히 통제할 수 있습니다. 그 중 1952년 마코비츠 (Markowitz) 가 제안한 포트폴리오 선택 이론 (Portfolio selection theory) 이 가장 유명합니다. 마코비츠의 포트폴리오는 투자자의 기대효용 혹은 위험조정수익을 극대화 시키는 투자안을 제시합니다.

본 과정의 기초 부분에서는 마코비츠의 포트폴리오 이론을 상세히 다룹니다. 그리고 S&P500의 상위 50 종목의 수익률과 위험의 특성을 분석하고, 실제 포트폴리오를 구축해서, 투자 성과가 우수하다는 것을 확인합니다.

투자 위험을 낮추고 장기간 안전한 투자를 위해서는 포트폴리오 투자가 필요합니다. 포트폴리오 이론으로 가장 널리 사용되는 것은 마코비츠의 포트폴리오 선택 이론 (Markowitz, 1952, Portfolio Selection Theory) 입니다. 마코비츠의 이론은 훌륭한 이론이지만 미래의 기대 수익률과 예상 위험을 추정해야 하는 문제 때문에 현실에 적용하기 어려운 측면이 있습니다. 개별 자산들의 미래 기대 수익률을 예측하는 것은 너무 어렵기 때문입니다.

딥러닝 기술을 이용하면 마코비츠 포트폴리오 이론의 문제점을 보완할 수 있습니다. 금융 이론은 미래를 예측하는 문제를 다루지 않습니다. 금융은 과거를 통해 현재의 현상을 설명하려는 모델을 주로 다루기 때문입니다. 딥러닝은 과거를 통해 현재를 학습하고, 현재를 통해 미래를 추정하는 능력이 뛰어납니다. 따라서 금융의 포트폴리오 모델과 딥러닝 기술을 결합하면 상호 문제점을 보완할 수 있고 현실에 적용이 가능한 포트폴리오 전략을 구축할 수 있습니다. 금융과 딥러닝의 융합이 필요한 부분입니다.

본 과정의 중급 부분에서는 LSTM과 CNN을 이용한 딥러닝 네트워크에 마코비츠의 이론을 접목시킨 마코비츠-네트워크 (Markowitz Portfolio Network : MPN) 를 제안합니다. MPN을 통해 과거의 주가 수익률을 학습하고, 미래의 최적 투자 비율을 생성합니다. 최적 투자 비율은 미래의 투자 성과가 극대화되는 비율입니다. 본 과정에서는 S&P500의 상위 50 종목의 과거 수익률을 측정하고 MPN으로 실제 포트폴리오를 구축해서, 미래의 투자 성과가 우수하다는 것을 확인합니다. 

 

본 과정에서는 강사가 직접 작성한 파이썬 (Python) 코드를 사용해서 이론의 내용들을 일일이 구현해 보고, 실제 투자에 적용할 수 있는 수준의 포트폴리오 전략을 만듭니다.

 

강의 난의도

본 과정은 마코비츠의 포트폴리오 이론과 딥러닝에 대해 어느 정도 기본 지식을 갖추고 있는 수강생을 대상으로 합니다. 두 부분에 대한 기본적인 설명보다는 서로 결합하는데 집중하기 때문입니다. 

본 과정에는 파이썬 실습이 포함돼 있습니다. 수강생들은 모두 파이썬에 대한 기초 지식을 갖추고 있다고 가정하고 진행됩니다. 파이썬에 대한 기본적인 설명은 생략합니다. 

Point

이 강의가 특별한 이유

  1. 강사가 직접 작성한 파이썬 코드를 사용해서 이론의 내용들을 일일이 구현!
  2. 실제 투자에 적용할 수 있는 수준의 포트폴리오 전략을 만듦!
  3. 오직 인사이트 캠퍼스에서만 만날 수 있는 강의!

Lesson

강의 상세내용

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

1장에서는 기대수익과 기대효용, 그리고 위험조정수익에 대한 기본 개념을 학습합니다. 기대수익만을 사용해서 투자를 결정하는 것은 매우 불합리하다는 것을 살펴보고, 기대효용이나 위험조정수익을 사용하는 것이 더 효과적이라는 것을 이해해 봅니다. 그리고 수익률과 위험 (변동성)을 측정하는 방법에 대해 살펴봅니다.

2장에서는 파이썬을 이용해서 S&P500의 상위 50 종목의 데이터를 수집하고, 주가 수익률과 위험 (변동성)을 측정합니다. 주가 수익률과 변동성에는 많은 정보가 포함돼 있습니다. 파이썬 코드를 이용해서 이 정보들을 일일이 확인해 봅니다.

3장에서는 수익률과 위험의 상태공간에 대해 학습합니다. 종목들을 상태공간에 배치하면 유용한 정보가 많이 나타납니다. 상태공간에서 S&P500의 상위 50 종목의 특징들을 확인해 봅니다. 그리고 기대수익, 실현수익, E-S 모형, E-V 모형의 기본 개념을 학습합니다.

4장에서는 마코비츠의 포트폴리오 이론을 학습합니다. 이론의 수학적 개념 뿐만 아니라 파이썬을 이용한 실습을 통해 이론의 내용들을 실제로 구현해 봅니다. 그리고 3종목을 사용한 작은 포트폴리오를 구성해서 투자 비중에 따라 포트폴리오의 성과가 어떻게 달라지는지 확인해 봅니다.

5장에서는 실제 포트폴리오를 구축합니다. 목표함수를 설정하는 방법, regularization의 개념, 위험의 수준을 조절하는 방법 등을 통해 포트폴리오를 최적화 (optimization)하는 방법을 학습합니다. 그리고 S&P500의 상위 50 종목으로 실제 투자가 가능한 수준의 최적 포트폴리오를 만들어 보고 투자 성과를 분석해 봅니다.

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.

Example

예제

■ 마코비츠의 포트폴리오 선택이론​

개별 종목의 위험과 수익률을 측정하여 효율적 투자선을 제안 및 최적 포트폴리오 구성 방안을 이론적으로 정립

■ 마코비츠의 포트폴리오 최적화

마코비츠의 포트폴리오 최적화와 효율적 투자선

■ 학습 데이터 생성

▲ 주가 데이터 수집 및 종목별 수익률 측정

■ 포트폴리오 성과 분석

γ, λ에 따른 포트폴리오 성과의 변화

#포트폴리오관리 #파이썬 #데이터분석

For YOU

이런 분들께 추천드립니다!

실전 투자자

  • 금융사 투자 관련 업무 종사자
  • 프랍트레이더 및 일반트레이더
  • 퀀트트레이딩에 관심있는 투자자

금융 IT 실무자

  • 금융사 리스크 관리자
  • 증권사, 운용사 종사자
  • 금융권 IT 관련 업무 SW 개발자

학계 관련자

  • 금융, 재무 전공 학생
  • IT 관련 전공 학생
  • 논문 리뷰를 해보고 싶으신 분
  • 해당 논문을 파이썬으로 구현해보고자 하시는 분

Review

수강 후기

김00
김00
1기 수강생
Read More
사내에서는 잘 생각하지 않았고, 생각할 수도 없었던 관점에서의 방법론을 배웠습니다. 강사님의 풍부한 경험이 좋았습니다.
최00
최00
2기 수강생
Read More
수업시간마다 다 그래프도 그려주시고, 이론도 정말 쉽게 설명해서 이해하기 쉬웠어요. 입문자도 이해할 수 있을 만큼 쉽게 설명해 주셔서 자신감이 생겼어요.
박00
박00
2기 수강생
Read More
매 단계에 대한 프로그램 코드를 제공해주시는 것이 만족스럽습니다.
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 수행 했습니다.

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, 약 5년 전부터 여의도 금융가와 강남 지역, 그리고 코스콤 등 기업체의 직원 연수교육의 금융 강사로 활동하고 있습니다.

Curriculum

커리큘럼

(기초) 파이썬으로 배우는 마코비츠의 포트폴리오 최적화

1장 | 수익률과 위험 (1)

  • 1. 기대수익, 기대효용, 위험조정수익
  • 2. 세인트 피터스버그의 역설
  • 3. 수익률과 위험의 측정

2장 | 수익률과 위험 (2)

  • 4. [실습] 주가 데이터 수집
  • 5. [실습] 개별 종목의 수익률과 변동성 측정

3장 | 상태공간

  • 6. [실습] 수익률과 위험의 상태공간
  • 7. 기대 (예상) 수익률과 실현 수익률
  • 8. E-V 모형과 E-S 모형의 비교 

4장 | 포트폴리오 이론

  • 9. 마코비츠의 포트폴리오 선택 이론
  • 10. [실습] 개별 종목의 성과와 포트폴리오의 성과 비교

5장 | 포트폴리오 최적화

  • 11. 마코비츠의 포트폴리오 최적화
  • 12. [실습] 최적 포트폴리오 구축
  • 13. 포트폴리오 최적화와 효율적 투자선
  • 13. 포트폴리오 최적화와 효율적 투자선

(중급) 딥러닝을 활용한 마코비츠의 포트폴리오 최적화

1장 | 기본 개념

  • 1. 마코비츠의 포트폴리오 선택 이론
  • 2. 마코비츠의 포트폴리오 최적화
  • 3. LSTM (Long Short-Term Memory)
  • 4. CNN (Convolutional Neural Network) 

2장 | 학습 데이터

  • 5. 주가 데이터 수집
  • 6. 종목별 수익률 측정
  • 7. 학습, 평가 데이터 생성

3장 | MPN 학습

  • 8. Markowitz-Network (MPN) 구조
  • 9. MPN – LSTM : 학습
  • 10. MPN – CNN : 학습
  • 11. MPN – 포트폴리오 성과 분석
  • 9. MPN – LSTM : 학습
  • 10. MPN – CNN : 학습

4장 | 성과 측정

  • 11. MPN – 포트폴리오 성과 분석

5장 | 성과 분석

  • 12. γ, λ에 따른 포트폴리오 성과의 변화

(기초) 1장 | 수익률과 위험 1

1
실습파일, 교재 – 파이썬으로 배우는 마코비츠의 포트폴리오 최적화
2
1장 | 요인모형 (이론수익률과 위험 1 (36:54)

(기초) 2장 | 수익률과 위험 2

1
2장 | 수익률과 위험 2 (28:09)

(기초) 3장 | 상태공간

1
3장 | 상태공간 (27:17)

(기초) 4장 | 포트폴리오 이론

1
4장 | 포트폴리오 이론 (30:09)

(기초) 5장 | 포트폴리오 최적화

1
5장 | 포트폴리오 최적화 (47:25)

(중급) 1장 | 기본개념

1
실습파일, 교재 – 딥러닝을 활용한 마코비츠의 포트폴리오 최적화
2
1장 | 기본개념 (46:39)

(중급) 2장 | 학습데이터

1
2장 | 학습데이터 (36:45)

(중급) 3장 | MPN 학습

1
3장 | MPN 학습 (37:59)

(중급) 4장 | 성과측정

1
4장 | 성과측정 (35:02)

(중급) 5장 | 성과분석

1
5장 | 성과분석 (17:45)
결제 후 무제한 수강 가능합니다.
강의 영상 다운로드는 불가하며, 스트리밍 시청만 가능합니다.
환불을 원하실 경우 [ 성함, 환불하고자 하는 강의명, 환불 사유 ] 정보를 edu@fins.ai 이메일로 보내주세요. 정보 확인 후 환불 도와드리겠습니다.

결제 안내

  • 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.