fbpx

[실시간 온라인/저자직강] 파이썬과 케라스를 이용한 딥러닝/강화학습 주식투자 2기

Introduction

딥러닝과 강화학습을 실전 주식투자에 적용할 수 있습니다.

최근 주목받고 있는 딥러닝(Deep Learning)은 사실 새로운 기술이 아닙니다. 딥러닝의 근간이 되는 기술들은 1950년대부터 꾸준히 연구되어 왔습니다. 딥러닝이 최근에 와서야 주목받는 이유는 컴퓨터 연산 능력이 크게 발전했으며 방대한 데이터 확보가 가능해졌기 때문입니다.

하지만 어떤 분야에서는 이러한 방대한 데이터를 학습함에 있어 학습데이터를 구축하는 것이 매우 큰 비용을 요하거나 어쩌면 불가능할 수도 있습니다. 이러한 한계점을 해결하는 기법 중 하나로 강화학습을 들 수 있습니다. 강화학습은 데이터를 탐색하면서 스스로 학습하는 기법입니다.

주식투자에서도 활용할 데이터는 예전에 비해 방대해 졌습니다. 대부분 증권사의 HTS(Home Trading System)를 통해 데이터를 쉽게 구할 수 있으며 웹 상에서 구할 수 있는 데이터도 많습니다.

본 강의를 통해 딥러닝과 강화학습에 대해 직관적으로 이해하고 주식투자에 활용할 수 있는 데이터를 확보하는 방법을 익힙니다. 또한 딥러닝과 강화학습을 적용하여 주식투자 기계학습 모델을 파이썬으로 학습(Training)해 봅니다.

본 강의를 수강하고 나면 주식투자를 위한 기계학습에 대한 통찰을 얻고 스스로 다양한 시도를 해 볼 수 있습니다. 계량투자(퀀트투자), 시스템 트레이딩에 관심이 있거나 딥러닝/강화학습을 특정 도메인(특히 금융)에 적용해 보고 싶으신 대학생, 대학원생, 직장인, 전업투자자들에게 유용한 강의가 될 것입니다.

Goal

강의 목표

기계학습, 딥러닝, 강화학습의 직관적 이해
기계학습으로 풀 문제의 유형, 기계학습 방법, 딥러닝, 강화학습 등의 개념을 학습합니다.

주식투자에서의 강화학습 적용
강화학습이 주식투자에서 어떻게 적용될 수 있는지 직관을 익힙니다.
강화학습 대해 예제를 들어 쉽게 이해합니다.

주식 데이터 획득
HTS(Home Trading System), 웹 크롤링 등의 주식 데이터를 획득하는 다양한 방법을 학습합니다.

파이썬과 케라스를 활용한 강화학습 주식투자 모델 구현
파이썬과 케라스의 기본적인 활용법을 배우고 주식투자 강화학습 모델을 구현합니다. 개인이 모델을 수정할 수 있을 수준으로 깊이 있게 학습합니다.

학습한 모델 실전(모의) 투자에 적용하기
학습한 강화학습 모델을 실전 또는 모의 투자에서 적용하기 위한 시스템 트레이딩 방법, Feature Vector 구성, 학습한 강화학습 모델 활용 등을 다룹니다.

For YOU

이런 분들께 추천드립니다!

퀀트 및 시스템 트레이딩에 관심 있는 분

퀀트투자 및 시스템 트레이딩에 관심있는 대학생/대학원생/직장인

기계학습, 딥러닝, 강화학습에 관심 있는 분

기계학습/딥러닝/강화학습에 관심있는 대학생/대학원생/직장인

Professor

퀀티랩

  • 퀀티랩 운영자
  • 숭실대학교 소프트웨어공학 연구실 학부연구원 대상 머신러닝 강의
  • 소프트웨어 공학 석사, 박사수료
  • [저서] 파이썬과 케라스를 이용한 딥러닝/강화학습 주식투자 | 2020년 | 위키북스

파이썬과 케라스를 이용한 딥러닝/강화학습 주식투자 저자 직강!

파이썬과 케라스를 이용한 딥러닝/강화학습 주식투자(개정판)
– 퀀트 투자, 알고리즘 트레이딩을 위한 최첨단 해법 입문
퀀티랩 지음 | 2020년 04월 27일 발행 | 320쪽

퀀티랩(Quantylab)은 금융 데이터 분석 그룹입니다. 머신러닝, 딥러닝, 강화학습 등의 다양한 기술을 연구하고 금융 데이터를 분석하여 금융 투자에 도움이 될 의미 있는 정보를 만들어 내기 위해 노력하고 있습니다. 최근에는 이 책에서 다루고 있는 ‘파이썬 기반의 강화학습 주식투자 프로젝트’와 더불어 ‘딥러닝 주식 포트폴리오 관리 프로젝트’, ‘자동 주식투자 시스템 개발 프로젝트’ 등을 진행하고 있습니다. 관련 프로젝트 일부를 퀀티랩 Github에서 공유하고 금융 데이터 분석 결과를 퀀티랩 웹사이트와 퀀티랩 블로그에서 제공하고 있습니다.

  • 퀀티랩 웹사이트: http://www.quantylab.com/
  • 퀀티랩 블로그: http://blog.quantylab.com/
  • 퀀티랩 Github: https://github.com/quantylab

Professor's interview

퀀티랩 강사님

  • 안녕하세요, 짧게 자기소개 부탁드려요.

주식투자에 기계학습, 딥러닝, 강화학습 등을 적용하여 의미있는 성과를 내고자 노력하고 있습니다. 개인 주식투자자들에게 보다 객관적이고 유용한 투자정보를 제공해서 개인들도 손쉽게 주식투자로 재태크를 잘 할수있게 하는 것이 목표입니다. 이를 위해 “퀀티랩”이라는 서비스를 개발 중입니다. 퀀티랩은 기계학습으로 분석한 투자 정보를 제공합니다.

  • 이 책을 집필하게 된 이유는 무엇일까요?

알파고로 딥러닝이 크게 주목받은 2016년, 알파고에 적용된 기술인 강화학습을 공부했고 실제 도메인에 적용해 보고 싶었습니다. 그간 주식 데이터를 다뤄왔기 때문에 고민없이 주식투자를 적용 도메인으로 정했습니다. 그 과정에서 나온 산출물들을 모아서 책으로 출간하게 되었습니다.

  • 딥러닝을 주식투자에 적용했을 때 얻을수 있는 장점이 무엇일까요?

주식 분석에 쓰일 수 있는 데이터는 무궁무진한데 사람이 일일이 눈으로 분석하는것은 점점 불가능해질 것이고 사람이 판단하기 어렵지만 수익에 도움이 되는 복잡한 패턴을 찾아낼수 있습니다.

  • 이 강의에 대한 기대감이 있으시다면?

이 강의를 통해 기계학습, 딥러닝, 강화학습, 주식투자에 대한 제 생각과 이해를 공유하고 수강생들과 다방면으로 토론도 하는 등 저와 수강생들 모두에게 유익한 시간이 되길 기대합니다.

#파이썬 #Keras #딥러닝 #데이터분석 #데이터분석 #주식투자

Curriculum

커리큘럼

Part 1. 주식데이터 수집방법과 기계학습 개론

제1장 | 주식 데이터 수집과 분석 방법

주식 데이터를 수집하는 방법에 대해 소개합니다. 각 방법들을 직접 실습하여 주식 데이터를 확보해 봅니다.

  • 금융 데이터 
  • 증권사 HTS를 이용한 데이터 수집
  • 증권사 HTS의 API를 이용한 데이터 수집
  • 웹 크롤링을 통한 데이터 수집

제2장 | 기계학습 개론

기계학습으로 풀 수 있는 문제의 종류, 기계학습 방법, 주요 기법들을 학습합니다. 즉, 분류, 군집화, 회귀, 지도학습, 비지도학습, 강화학습에 대해서 (어려운 수학적 설명을 자제하여) 직관적으로 이해하고 주요 기계학습 알고리즘을 학습합니다. 주식 데이터로 분류, 군집화, 회귀에 대한 간단한 문제를 실습으로 진행합니다.

  • 기계학습으로 풀고자 하는 문제: 분류(Classification), 군집화(Clustering), 회귀(Regression)
  • 분류 알고리즘: Logistic Regression, Support Vector Machine, k-Nearest Neighbors, Naïve Bayes, Decision Tree
  • 군집화 알고리즘: K-Means, Hierarchical Clustering
  • 회귀 알고리즘: Linear Regression
  • 주식 데이터 분석 실습 1

제3장 | 딥러닝 개론

인공신경망부터 심층신경망까지 직관적으로 이해합니다. 고급 인공 신경망인 RNN과 CNN을 다룹니다. 심층신경망으로 주식 차트를 학습하는 방법을 실습합니다.

  • 퍼셉트론(Perceptron)
  • Logistic Regression
  • 인공신경망(Artificial Neural Network)
  • 활성화 함수(Activation Functions)
  • 심층신경망(Deep Neural Network)
  • 딥러닝에 필요한 핵심 기술
  • LSTM(Long Short-Term Memory) 신경망
  • 합성곱 신경망(Convolutional Neural Network)
  • 주식 데이터 분석 실습 2

제4장 | 강화학습 개론

강화학습을 직관적으로 이해하고 강화학습의 기초가 되는 마르코프 의사결정 과정에 대해 학습합니다. 주요 강화학습 기법인 Q 러닝(Q-Learning), 정책 경사(Policy Gradient), Actor-Critic, A2C(Advanced Actor-Critic), A3C(Asynchronous Advanced Actor-Critic) 강화학습에 대해서 알아봅니다.

  • 강화학습의 기초가 된 마르코프 의사 결정 과정
  • 상태 가치 함수와 상태-행동 가치 함수
  • 벨만 방정식(Bellman Equation)
  • MDP를 위한 동적 프로그래밍(Dynamic Programming)
  • 주요 강화학습 개념
  • Q-Learning
  • Policy Gradient
  • Actor-Critic
  • A2C(Advanced Actor-Critic)
  • A3C(Asynchronous Advanced Actor-Critic)

Part 2. 강화학습 기반 주식투자 시스템 개발

제5장 | 강화학습 기반 주식투자 시스템 개발

지금까지 배운 내용들을 기반으로 강화학습을 적용한 주식투자 시스템(RLTrader)을 직접 개발합니다. 시스템 디자인, 모듈 개발, 테스팅 등을 수행합니다.

  • 강화학습을 이용한 주식투자
  • 강화학습 효과를 차별화하는 요인들
  • 강화학습 환경 데이터와 학습 데이터
  • 주식투자 강화학습 절차(Process)
  • RLTrader의 설계 및 개발
  • 주식 데이터 전처리
  • 주식 데이터 강화학습
  • 학습 과정 및 결과 확인
  • RLTrader를 이용한 투자 시뮬레이션

제6장 | 강화학습 모델을 실전(모의) 투자에 적용

실전 또는 모의 투자에서 학습한 강화학습 모델을 적용하기 위한 방법을 다룹니다.

  • 시스템 트레이딩 기초
  • 시스템 트레이딩에 학습한 강화학습 모델 적용

수강 방법

[ 실시간 온라인 강의 ]
수강신청을 해주신 분들께 개별적으로 온라인 수강을 위한 링크를 보내드립니다.
강의자료는 당일 배포합니다

일정 및 시수

일정 : 2021년 9월 4일, 9월 11일 / 토요일 14:00~18:00
시수 : 2회, 총 8시간

*강의일정은 변경될 수 있으며 사전에 안내됩니다. 

유의 사항

개별 노트북 필수 지참, 세금계산서 발급가능

강의안내

1
개강 전에 개강안내 메일을 개별적으로 전달드립니다.
정해진 시간에 화상회의 솔루션 Zoom을 통해 진행됩니다. Zoom 접속링크는 개별적으로 전송합니다.
개강 1일 전에 강의교재 PDF 파일을 개별 이메일로 발송해 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.
  • 사이트 결제 오류 시 카카오톡 플러스친구나 edu@fins.ai로 문의 부탁드립니다.


강의 유의사항

  • 본 강의에는 교재비가 포함되어 있습니다.
  • 강의의 최소 인원이 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