전체 글 썸네일형 리스트형 액티브와 패시브 투자 전략 효율적 시장 가설 효율적 시장 가설 : 주가 예측에 사용될 수 있는, 현재 이용 가능한 모든 정보는 이미 주가에 반영되어있다. 만약에 어떤 기업에 호재가 발생할 것이라는 정보가 돌기 시작했다고 하자. 소문이 돌기 시작하기 무섭게 투자자들은 해당 기업의 주식을 매수하려할 것이고, 기존 주주들은 주식을 매도하지 않으려고 할 것이다. 이에 따라 주가는 오를 것이다. 문제의 호재가 아직 발생하지 않았음에도 불구하고 그에 대한 예측만으로 주가가 움직인 것이다. 기업의 악재에 대한 예측으로 인해 주가가 하락하는 것도 마찬가지다. 이렇게 예측만으로 주가가 새로운 균형을 찾는 과정은 대개 매우 짧은 시간 안에 이루어진다. 그래서 투자자들이 일반적으로 접할 수 있는 예측 정보는 이미 현재 주가에 반영되었다는 것이다. 복.. 더보기 로보어드바이저(Robo-Advisor)란? 로보어드바이저란 포트폴리오 구축 및 관리를 자동화한 시스템을 의미한다. 로보어드바이저는 사람의 실수로부터 자유롭고 수많은 포트폴리오를 병렬적으로 짧은 시간 내에 처리할 수 있기 때문에 비용이 낮다. 로보어드바이저에 대한 전반적인 이해를 위하여 "Robo-Advisory: From Investing Principles and Algorithms to Future Developments [1]" 라는 글을 정리하였다. Robo-Advisory 과정 로보어드바이저가 클라이언트에게 제공해주는 서비스를 일반적으로 3단계로 나눌 수 있다. 첫 단계는 클라이언트의 성향 파악을 위한 온보딩, 두 번째 단계는 설정된 투자 전략에 기반한 포트폴리오 구축, 그리고 세 번째 단계는 지속적인 포트폴리오 관리이다. 1단계 : 온.. 더보기 알파와 베타 포트폴리오나 금융 상품의 효용성을 평가할 때 알파와 베타라는 단어를 많이 듣게 될 것이다. 따라서 각각이 무엇을 의미하는지 알아야 한다. 시장 인덱스를 벤치마크로 삼은 것으로, 알파는 시장에 비해 해당 포트폴리오/금융 상품이 얼마나 높은 수익률을 보이는지에 대한 척도이고 베타는 시장의 움직임에 대한 포트폴리오/금융 상품의 방향과 민감성을 나타내는 척도이다. 알파와 베타라는 두 용어가 선형 회귀(linear regression)에서 왔다는 것을 알면 기억하기 쉽다. 선형 회귀에서 \(\alpha\)는 y절편/상수항/offset을, \(\beta\)는 기울기를 표기할 때 주로 쓰인다. Alpha 알파는 ((포트폴리오의 수익률) - (시장 인덱스 상승률)) X 100 이다. 포트폴리오가 양의 알파 값을 유지하.. 더보기 분산 투자를 해야하는 이유 큰 수의 법칙: 모집단에서 표본을 무작위로, 충분히 많이 뽑으면 표본 평균이 모집단의 평균에 매우 가까워진다는 통계학의 기본 개념이다. 또한 표본의 크기가 커질수록 표본 분산이 감소하기 때문에 불확실성이 감소한다. 큰 수의 법칙을 염두에 두면 금융을 더 잘 이해할 수 있다. 예를 들면, 보험은 왜 있는 것일까? 한 사람의 미래에 대한 불확실성은 너무 크다. 그 사람이 내일 사고를 당할지, 20년 후에 큰 병에 걸릴지 알 수 없는 노릇이다. 만약 보험이 없었다면 저런 불상사가 생겼을 때 어마어마한 손해 배상금과 병원비라는 날벼락을 맞을 것이다. 하지만 큰 수의 법칙에 의해 우리는 전체 인구의 평균적인 미래에 대해 어느 정도 합리적인 예측을 할 수 있다. 사고 발생률, 암 발생률 등을 계산할 수 있고 그에 .. 더보기 정형 데이터를 다루기 위한 Neural Network TabNet: Attentive Interpretable Tabular Learning (https://arxiv.org/pdf/1908.07442.pdf) 내용 정리 문제 제기 딥러닝은 이미지, 자연어 등 비정형 데이터를 처리하는데는 좋은 성과를 보였지만 정형 데이터(tabular data) 관련 분야에서는 그러지 못하였다. CNN, FC layer 등은 표를 다루는데 적합하지 않다. 정형 데이터 관련해서는 아직까지는 ensemble decision tree 계열의 알고리즘들이 가장 많이 사용된다. 그렇다면 왜 굳이 딥러닝을 정형 데이터 처리에 적용하려고 하는 것일까? 저자들은 정형 데이터 처리에 있어서 딥러닝(gradient descent 기반의 end-to-end learning)의 이점을 다음과 .. 더보기 Sequential Recommendation과 GNN 지난 "추천시스템과 GNN(Graph Neural Network)"에서는 주로 general recommendation을 다뤘다면 이번에는 sequential recommendation 계열의 알고리즘을 제안한 논문인 "Session-based Recommendation with Graph Neural Networks"(https://arxiv.org/pdf/1811.00855.pdf)를 다루고자 한다. 해당 논문에서 소개한 알고리즘인 SR-GNN은 유저 프로파일을 사용하지 않고 오직 유저의 session sequence만으로 유저가 다음에 클릭할 아이템을 예측하고자 한다. Session sequence는 유저가 현 세션 동안 클릭한 아이템들을 시간 순서대로 나열한 것을 일컫는다. Notations 전체.. 더보기 추천시스템과 GNN(Graph Neural Network) "Graph Neural Networks in Recommender Systems: A Survey" (https://arxiv.org/pdf/2011.02260.pdf) 내용 정리 - 그래프와 GNN은 추천시스템에 어떻게 적용되는가? GNN이란 무엇인가? GNN은 말 그대로 그래프 구조의 데이터를 다루기 위한 neural network이다. GNN의 큰 틀은 다음과 같다. (사진 출처 : https://arxiv.org/pdf/1706.02216.pdf) 바깥 루프가 한 번 돌 때마다 각 노드는 (1) neighbor aggregation과 (2) information update라는 두 과정을 거친다. Neighbor aggregation은 임의의 aggregator function을 통해 기준 노드.. 더보기 DQN 기반 추천시스템 "Recommendations with Negative Feedback via Pairwise Deep Reinforcement Learning" (https://arxiv.org/abs/1802.06501)을 통해 DQN으로 어떻게 추천시스템을 구현할 수 있는지 알아보자. 문제 제기 추천시스템과 상호작용하면서 유저의 선호도는 계속 변하는데 기존 알고리즘들은 추천을 정적인 프로세스로 모델링하고 fixed greedy strategy를 따른다. 기존 알고리즘들은 당장의 short-term reward만 고려하고 long-term reward를 최대화할 수 있는 아이템에 대한 추천을 간과한다. 유저의 클릭 이력(positive feedback)만큼이나 유저가 클릭하지 않고 지나친 아이템 정보(negative.. 더보기 이전 1 2 3 4 다음
