[머신러닝 심화] 강화학습을 활용한 금융 데이터 분석 4기 (주말반)
* 상세페이지 바로가기 *
▼▼▼▼
▶ 과정 안내
알파고의 핵심 이론인 강화학습(Reinforcement Learning)을 통해서 데이터 스스로 투자의 최적의사결정을 찾아가는 모델을 만들어 냅니다.
현대 금융시장은 다양한 상품들이 서로 복잡한 관계로 얽혀 있으며 방대한 양의 데이터를 끊임없이 쏟아내고 있습니다. 효율적인 투자를 위해서는 이를 효과적으로 분석하여 시장의 상태를 정확히 파악하는 것이 중요합니다. 데이터를 효과적으로 다루기 위해 빅데이터, 기계학습 같은 방법이 주로 사용되고 있으며, 최근에는 딥러닝 (Deep Learning)이 특히 주목 받고 있습니다.
금융공학, 시장미시구조론 등의 금융 이론을 이용하여 데이터로부터 다양한 Feature들을 생성한 후 학습 데이터를 구축하고, 기계학습이나 인공지능 기법 등으로 학습 데이터를 분석하여 시장의 현재 상태를 파악하고 향후 상태를 추정하여 투자 의사결정에 활용하는 것이 일반적인 절차라 할 수 있습니다.
강화학습 (Reinforcement Learning)은 기계학습이나 인공지능의 한 분야이긴 하지만 약간 다른 특성을 가지고 있습니다. 강화학습은 최적화 (Optimization)와 밀접한 관계가 있고, 금융공학 이론도 최적화 (Optimal Stochastic Control)에 큰 관심을 두고 있습니다. 따라서 최적화라는 관점에서 보면 강화학습은 금융 시장과 매우 밀접한 관계에 있다고 할 수 있습니다. 시장이 현재 어떤 상태에 있는지 추정하고, 이 상태에서 어떤 행위를 수행하는 것이 가장 합리적인지 판단하는 것이 최적화의 목표라 할 수 있습니다.
강화학습은 크게 (1) Value based 접근법, (2) Policy based 접근법, 그리고 (3) Actor, Critic 접근법이 있는데, 본 교육에서는 Value based 접근법에 대해 다룹니다. Value based 접근법은 시장의 상태가 변할 때 각 상태의 가치 (Value)와, 가능한 액션 (매도/매수/홀딩/청산 등)들에 대한 가치를 추정하여 가치가 가장 큰 정책을 선택하도록 최적화하는 방법입니다.
본 교육 과정은 강화학습을 통해 최적 투자의사결정 정책을 수립하는 방법에 대해 다루고 있습니다. 참고로, 본 과정은 금융 이론과 기계학습, 그리고 프로그래밍 (Python등)에 대한 기본적인 개념을 어느 정도 알고 있다는 전제하에 강화학습을 다루고 있습니다.
▶ 상세 안내
1 – 3장은 도입부로 기계학습의 3가지 유형인 지도학습 (Supervised Learning), 비지도학습 (Unsupervised Learning), 그리고 강화학습 (Reinforcement Learning)에 대한 일반론을 다룹니다. 지도학습과 비지도학습은 “R을 활용한 금융 데이터 마이닝” 과정에서 다루고, 본 과정에서는 강화학습에 대해 다룹니다. 강화학습의 대표적인 예시로는 구글 딥마인드의 알파고 (AlphaGo)를 들 수 있습니다. 알파고 알고리즘을 이해하면 강화학습의 전반적인 알고리즘을 파악할 수 있습니다.
4 – 7장에서는 강화학습 알고리즘에 대해 세부적으로 다룹니다. 4장에서는 Dynamic Programming으로 MDP를 Learning하고, 5장에서는 몬테카를로 방법 (MC)에 의해 MDP의 각 상태 (액션)별 가치를 추정합니다. 6장에서는 MC의 단점을 보완하기위해 Temporal Difference (TD)에 의한 Learning 방법을 다룹니다. 그리고 7장에서는 방대한 크기의 상태 공간과 연속된 상태 공간에 대한 상태 (액션)별 가치를 추정합니다. 실제 금융 데이터를 위해서는 연속된 상태를 다루어야 하기 때문에 7장의 내용을 중요하게 다룹니다.
8 – 12 장은 강화학습을 이용하여 실제 금융 데이터 분석에 적용하는 사례들을 다룹니다 (Case Study). 8장, 9장은 학습 데이터를 구성하는 절차에 대해 다룹니다. 학습을 위해 실제 시장 데이터를 수집하는 방법과, 시뮬레이션에 의해 데이터를 생성하는 방법을 다룹니다. 10장에서는 금융공학에서 다루는 최적 매도 시점의 Control 문제를 강화학습으로 학습하는 방법을 다루고, 11장에서는 강화학습을 통한 페어트레이딩 (Pairs Trading) 방법에 대해 다룹니다. 그리고 12장에서는 시세데이터 학습 방법론을 다루고, 마켓메이커의 최적 호가 산출 방법을 예시로 Stochastic Optimal Control 모델에 의한 최적화 방법과 강화학습에 의한 최적화 문제를 다룹니다.
본 과정의 예시 및 실습은 파이썬 (Python)으로 작성되었으며, 실제 실습을 통해 각 알고리즘의 세부 특성을 확인할 수 있도록 하였습니다. 총 교육 시간은 이전 20시간에서 4시간을 추가하여좀 더 충실한 이론과 실습이 이루어질 수 있도록 24시간으로 조정하였습니다. 방대한 내용에 비해 시간이 부족한 편지만 개요나 덜 중요한 부분은 빠른 속도로 진행하고, 일부 실습 과정은 Self-study로 진행할 예정입니다. 시간 관계상 파이썬의 기초는 다룰 수가 없기 때문에 수강자는 가급적 파이썬의 기초를 익힌 후 수강할 것을 추천합니다. 또한, 본 과정을 위해서는 “R을 활용한 금융데이터 마이닝” 과정을 먼저 이수할 것을 추천합니다.
▼ 커리큘럼 상세보기
▼ 강의교재 무료 다운로드
▶ 수강 대상
데이터 기반의 투자 관련 업무를 맡고 있는 증권, 운용사 실무자
강화학습을 적용한 투자 시스템을 구현하고 싶은 금융 IT 개발자
머신러닝과 금융 데이터를 깊이 있게 공부하고 싶은 대학(원)생
▶ 강의교수님: 조성현 교수
現 인사이트 캠퍼스 연구 교수 및 사외 이사
現 금융공학 전문 블로그 아마추어퀀트 운영자
前 Lucent Technologies, Bell-Labs Innovations 수석 연구원
▶ 강의일정
기간 :2018년 3월 17일 (토) ~ 2018년 4월 21일 (토)
주 1회, 총 6주
시간 : 토요일 오후 2시 ~ 6시 / 일 4시간, 총 24시간
▶ 강의장소
서울특별시 강남구 삼성동 35-15 나라빌딩 1층
인사이트 캠퍼스 제1강의장 *선정릉역(9호선/분당선) 2번출구 3분거리
▶ 준비물
개인 노트북 지참/교재 무료 제공
* 3월 3일(토)까지 20% 할인 중
* 대학(원)생 및 단체 추가 할인 가능
* 카드 결제 최대 6개월 무이자 할부 가능
* 세금계산서 발행 가능
수강신청 하러가기
▼▼▼▼
