도서 소개

로보어드바이저 시스템의 핵심 엔진을 개발했던 금융 AI 연구원들이 직접 쓴 책으로, 로보어드바이저를 구성하는 주요 포트폴리오 전략을 파이썬 코드와 함께 설명하고 있다. 특히, 포트폴리오 최적화 전략부터 시작해서 마켓 타이밍 전략, 팩터 투자 전략, 시장 모니터링, 딥러닝 예측까지 광범위하게 다루고 있으며, 독자들이 쉽게 이해하면서 프로그램을 직접 실행해 볼 수 있도록 친절히 안내한다.

  출판사 리뷰

◈ 이 책에서 다루는 내용 ◈

◆ 금융 이론을 파이썬 코드로 변환, 실습을 통한 실전 이해
◆ 투자의 주요 속성인 위험과 수익률
◆ 수익은 최대화하고 위험은 최소화하는 현대 포트폴리오 이론
◆ 현대 포트폴리오 이론의 자산 배분 전략인 평균-분산 모델
◆ 시장의 상황에 따라 매도/매수 타이밍을 결정하는 마켓타이밍 전략
◆ 투자 위험의 대응 능력 키우기 위한 시장 모니터링과 주요 시장 지표
◆ 수익률을 결정하는 팩터를 분석하는 투자 방식인 팩터 투자 전략
◆ 다양한 팩터를 종합적으로 분석하는 멀티 팩터 전략
◆ 딥러닝 예측을 통한 시장 모니터링과 대응 전략
◆ 평균-분산 모델의 한계를 돌파하는 블랙-리터만, 리스크 패리티 최적화 전략

◈ 이 책의 대상 독자 ◈

◆ 퀀트 기본 이론부터 최신 시계열 알고리듬까지 기초를 쌓고 싶은 사람
◆ 포트폴리오 이론을 구현해 보고 싶은 사람
◆ 다양한 자산 배분 알고리듬을 개념 설명과 함께 구현된 코드로 실행하고 확인하고 싶은 사람

  작가 소개

지은이 : 윤성진
KAIST 전산학과에서 컴퓨터 그래픽스를 전공했으며 LG전자 전자기술원, 티맥스소프트, 액센츄어 등에서 소프트웨어 연구 개발, 미들웨어 및 모듈형 로봇 플랫폼 제품 기획 업무를 수행했다. 인공지능 전문가로서 한국외국어대학교에서 딥러닝, 자료 구조, 데이터 마이닝 등을 가르쳤다. 인공지능연구원에서 연구소장으로서 AI 솔루션 연구 개발을 총괄하면서 서울과학종합대학원대학교 AI첨단대학원 겸직 교수를 역임하고 있다.

지은이 : 리준
북경대학 수학과에서 응용수학, 중국인민대학 통계대학원에서 경제통계를 전공하고 중국 장성증권회사(북경)에서 6년간 계량화 투자 사업을 수행했다. 그 후 한국으로 이주해 KAIST 전산학과에서 AI 석사 학위를 취득했으며 인공지능연구원에서 금융 AI 솔루션을 연구하고 개발했다. 현재는 금융 시계열 예측 관련 연구 및 개발을 하고 있다.

지은이 : 이유리
경희대학교 산업경영공학과를 전공했으며 인공지능연구원에서 머신러닝 엔지니어로서 딥러닝을 활용한 이미지인식 솔루션 및 금융 AI 솔루션 개발을 수행했다. 현재 우리은행 마이데이터 플랫폼부에서 데이터 사이언티스트로 근무하고 있다.

지은이 : 조민기
경희대학교에서 응용수학과 경제학을 전공했으며 UNIST 수리과학부 금융수학랩에서 석사를 졸업했다. 이후 인공지능연구원에서 딥러닝을 활용한 로보어드바이저를 개발했으며 딥러닝을 활용한 시계열 데이터 분석 연구를 이어나가고 있다.

지은이 : 허재웅
임페리얼 칼리지 런던에서 물리학을 전공한 뒤 UNIST에서 수학 석사를 졸업했다. 인공지능연구원에서 머신러닝을 사용해 로보어드바이저를 개발했으며 현재는 양자 컴퓨터를 사용해 금융 문제를 푸는 연구를 하고 있다.

  목차

1장. 초보 퀀트를 위한 투자 전략
1.1 초보 투자자의 고민
1.1.1 자산과 투자의 정의
1.1.2 투자의 주요 속성, 위험과 수익률
1.1.3 안전 자산과 위험 자산
1.2 현대 포트폴리오 이론
1.2.1 수익은 높이고 위험은 작게 해주는 포트폴리오 이론
1.2.2 효율적인 포트폴리오와 효율적 투자선
1.2.3 현대 포트폴리오 이론의 가정 사항
1.2.4 완전 자본 시장 가정
1.2.5 이성적이고 합리적인 투자자
1.2.6 평균-분산 가정
1.2.7 분산 투자의 위험 축소 효과
1.2.8 현대 포트폴리오 이론의 장단점
1.2.9 현대 포트폴리오 이론의 대안

2장. 평균-분산 모델
2.1 평균-분산 모델
2.1.1 평균-분산 모델의 실행 단계
2.1.2 하이퍼파라미터 정의
2.1.3 파라미터 추정
2.1.4 평균-분산 모델 최적화
2.2 자산 배분 전략
2.2.1 자산 배분 전략의 실행 과정
2.2.2 목표 설정
2.2.3 시장 데이터 수집
2.2.4 자산군 선택
2.2.5 투자 유니버스 정의
2.2.6 자산 배분
2.2.7 주문 집행
2.2.8 정기 리밸런싱
2.2.9 시장 모니터링과 수시 리밸런싱
2.2.10 포트폴리오 성능 모니터링
2.3 개발 준비
2.3.1 개발 프레임워크와 라이브러리
2.3.2 디렉토리 및 파일 구조
참고문헌

3장. 평균-분산 전략 구현 및 시뮬레이션 분석
3.1 평균-분산 전략 구현
3.1.1 데이터 수집
3.1.2 평균-분산 최적화
3.1.3 거래 흐름 모델링
3.1.4 평균-분산 시뮬레이션
3.2 시뮬레이션 분석
3.2.1 시뮬레이션 결과 전처리
3.2.2 포트폴리오 성능 지표
3.2.3 시각화를 통한 시뮬레이션 분석
참고문헌

4장. 마켓 타이밍 전략
4.1 마켓 타이밍 전략이란?
4.2 이동 평균 전략
4.2.1 이동 평균선을 이용한 투자 방법
4.2.2 이동 평균 계산 방법
4.2.3 이동 평균 전략 구현하기
4.2.4 이동 평균 전략 시뮬레이션
4.3 모멘텀 전략
4.3.2 모멘텀 전략과 표기법
4.3.2 상대 모멘텀 전략
4.3.3 중기 모멘텀 전략
4.3.4 절대 모멘텀 전략
4.3.5 듀얼 모멘텀 전략
4.3.6 52주 최고가 모멘텀 전략
4.3.7 모멘텀 전략 구현하기
4.3.8 모멘텀 전략 시뮬레이션
참고문헌

5장. 시장 모니터링 및 수시 리밸런싱
5.1 시장 모니터링의 필요성
5.1.1 시장 모니터링이란
5.1.2 시장 모니터링의 이점
5.1.3 시장 모니터링 방법
5.2 기술 지표 모델
5.2.2 등락 비율
5.2.3 이동 평균 수렴 확산
5.3 기술 지표 모델 실행 결과 분석
5.3.1 분석 개요
5.3.2 ETF 기반 수시 리밸런싱
5.3.3 평균-분산 전략 기반 수시 리밸런싱
5.3.4 시뮬레이션 결과 비교

6장. 팩터 전략
6.1 팩터 투자의 배경
6.1.1 CAPM
6.1.2 파마 프렌치 팩터 모델
6.2 팩터 투자
6.2.1 모멘텀 전략 다시 보기
6.2.2 가치주 전략
6.2.3 배당 전략
6.2.4 소형주 전략
6.2.5 로우볼 전략
6.2.6 수급 주체에 따른 투자
참고문헌

7장. 멀티 팩터 전략
7.1 팩터로 구하는 국면
7.1.1 전략별 일별 수익
7.1.2 경기 국면과 군집
7.1.3 군집화
7.1.4 전략 가중치 설정하기
7.2 국면 예측
7.2.1 거시 경기 데이터
7.2.2 랜덤 포레스트를 통한 군집 예측
7.2.3 예측 평가하기
7.3 멀티 팩터 시뮬레이션
7.3.1 포트폴리오 준비
7.3.2 전략 실행
참고문헌.

8장. 딥러닝 예측을 통한 시장 모니터링
8.1 딥러닝 예측 모델 구성
8.1.1 분석
8.1.2 딥러닝 모델
8.1.3 RNN
8.1.4 SCINet
8.1.5 NLinear
8.2 딥러닝 예측 모델 시뮬레이션
8.2.1 딥러닝 학습 개요
8.2.2 ETF 기반 수시 리밸런싱
8.2.3 평균-분산 전략 기반 수시 리밸런싱
8.2.4 시뮬레이션 결과 비교
참고문헌

9장. 고급 최적화 전략
9.1 블랙-리터만 알고리듬
9.1.1 블랙-리터만 전략 이론
9.1.2 블랙-리터만 전략 구현하기
9.1.3 블랙-리터만 전략 시뮬레이션
9.2 리스크 패리티 알고리듬
9.2.1 블랙-리터만 전략과 리스크 패리티 전략
9.2.2 리스크 패리티 전략 이론
9.2.3 리스크 패리티 전략 구현하기
9.2.4 리스크 패리티 전략 시뮬레이션
참고문헌

  회원리뷰