Cho’s FinBlog -

Categories

ARIMA

DAG

DTW

EM

GARCH

GMM

GNN

Kalman filter

LDA

LSA

MLE

VAR

anomaly detection

attention

bert

big data

causal inference

classification

cycle

data

deep learning

default

encoder-decoder

enhancing

entropy

estimation

fasttext

feature

feature selection

financial institution

fractional differentiation

glove

gpt

granger causality

graph

impulse response

knowledge graph

labeling

llm

machine learning

measures

moments

momentum

multi-relational

natural language processing

network

probability distribution

risk

sentiment

seq2seq

signals

spectral

stationarity

systemic risk

tfidf

time complexity

time series

topic modeling

trading

transformer

volatility

word embedding

word2vec

블로그 글

경제부문별 텍스트 지표 (서범석, 2022)

natural language processing

서범석(2022)에서 소개한 경제부문별 텍스트 지표를 소개한다. 또한 경기 예측 모형에 대한 내용도 포함한다.

그래프 머신러닝: (1) 들어가며

machine learning

Hamilton,W.L. Graph Representation Learning. 2020

그래프 머신러닝: (2-1) 그래프 통계량과 커널 방법

machine learning

Hamilton,W.L. Graph Representation Learning. 2020

그래프 머신러닝: (2-2) 이웃 중복 감지

machine learning

Hamilton,W.L. Graph Representation Learning. 2020

그래프 머신러닝: (2-3) 그래프 라플라시안과 스펙트럴 방법

machine learning

Hamilton,W.L. Graph Representation Learning. 2020

그래프 머신러닝: (3-1) 이웃 재구성: 인코더-디코더

encoder-decoder

Hamilton,W.L. Graph Representation Learning. 2020

그래프 머신러닝: (3-2) 이웃재구성: 랜덤워크 임베딩

encoder-decoder

Hamilton,W.L. Graph Representation Learning. 2020

그래프 머신러닝: (4) 다중관계 데이터와 지식 그래프

multi-relational

knowledge graph

Hamilton,W.L. Graph Representation Learning. 2020

그래프 머신러닝: (5-1) GNN: 신경망 메시지 전달

Hamilton,W.L. Graph Representation Learning. 2020

그래프 머신러닝: (5-2) GNN: 일반화된 집계 및 업데이트

Hamilton,W.L. Graph Representation Learning. 2020

그래프 머신러닝: (5-3) GNN: 다양한 그래프

Hamilton,W.L. Graph Representation Learning. 2020

금융 분야의 LLM (2023)

natural language processing

최근 몇 년 동안 인공지능(AI)은 금융 분야 여러 영역에서 광범위하게 도입되고 있다.

기초통계: 추정

파라미터 추정 방법 중 MLE, GMM 등을 알아본다.

기초통계: 확률 분포, 적률, 엔트로피

probability distribution

AI 연구는 확률, 통계에 대한 기초적인 지식을 필요로 한다. 하지만, 확률, 통계를 공부했다고 하더라도, 잠시 관심을 꺼둔다면, 기초적인 지식조차도 금방 잊어버리기 마련이다. 필요할 때마다 찾아볼 수 있도록, 확률, 통계에 대한 간단한 기본 지식을 정리했다.

뉴스심리지수 (한국은행)

natural language processing

한국은행에서 발표한 통계치인 뉴스심리지수(NSI)를 소개한다. 트랜스포머(tranformer)를 사용하여 감성분석을 한다.

딥러닝을 이용한 이상 탐지

anomaly detection

이상탐지(Anomaly Detection)는 데이터에서 정상적인 패턴과 크게 벗어난 비정상적인 패턴을 식별하는 과정이다.

머신러닝을 이용한 트레이딩: (0) 트레이딩 개요

머신러닝을 이용한 모멘텀 예측과 전략 강화

머신러닝을 이용한 트레이딩: (1) 시장 데이터 수집

파이썬 라이브러리인 FinanceDataReader와 yfinance을 이용한다. 순매수량 데이터는 대신증권 API로 받은 데이터를 이용한다.

머신러닝을 이용한 트레이딩: (2) 가격 모멘텀 라벨링

삼성전자 종가를 기준으로 가격의 트렌드와 트렌드 강도(모멘텀)을 측정하여 이를 라벨(label)로 사용한다.

머신러닝을 이용한 트레이딩: (3) 피쳐 생성

앞서 구한 시장 데이터를 이용하여 피쳐(feature)를 생성한다.

머신러닝을 이용한 트레이딩: (4) 피쳐 선정

feature selection

RFECV 기법으로 선정한 피쳐가 가장 좋은 성능을 보인다.

머신러닝을 이용한 트레이딩: (5) 매매 시그널 분류

machine learning

모멘텀 분류기 (Momentum Classifier)

머신러닝을 이용한 트레이딩: (6) 매매 규칙

Trading rules: 매수 진입만 허용

머신러닝을 이용한 트레이딩: (7) 매매 신뢰도 측정과 전략 강화

machine learning

전략 강화 모형

분수 차분 (fractional differentiation)

fractional differentiation

시계열의 메모리를 어느정도 보존하면서 정상성을 만족하도록 차분해주는 “분수 차분(fractional diffentiation)”에 대해 알아보자.

시계열 - 다변량 시계열

granger causality

impulse response

시계열 분석을 정리하고자 한다. 다변량 자기회귀모형인 VAR모형과 충격반응(impulse response) 분석, Granger 인과관계, 공적분(cointergration) 등에 대해서 알아보자.

시계열 - 머신러닝 딥러닝 모델

machine learning

시계열 분석을 정리하고자 한다. 머신러닝과 딥러닝을 이용한 시계열 분석에 대해 알아보자. 다만 각 모델에 대해서는 간단히 다룬다.

시계열 - 변동성

시계열 분석을 정리하고자 한다. 시계열의 변동성 모델링(ARCH, GARCH 등), VaR 등에 대해 알아보자.

시계열 - 비선형 모형

시계열 분석을 정리하고자 한다. 시계열의 비선형 모델(TAR, STAR, Markov switching), 비모수 모델(kernel regression) 등에 대해 알아보자.

시계열 - 상태 공간 모형

시계열 분석을 정리하고자 한다. 시계열의 상태공간 모델링에 대해 알아보자.

시계열 - 서론

시계열 분석을 정리하고자 한다. 시계열 데이터의 특징(자기상관, 정상성 등)에 대해 알아보자.

시계열 - 선형 모형

시계열 분석을 정리하고자 한다. ARIMA 등 선형 모델에 대해 알아보자.

시스템 리스크 분석: (1) 시스템 리스크 개념

시스템 리스크 (systemic risk): 금융중개기능이 원활히 작동하지 못하여 경제성장과 사회후생에 심각하게 손상을 줄 정도의 심각한 금융불안정을 지칭하는 시스템적 사건이 발생할 위험 - 유럽중앙은행(ECB(2010))

시스템 리스크 분석: (2) 시스템 리스크 측정 방법 - 선행연구 요약

시스템 리스크를 측정하는 기존의 방법에 대해 알아본다. 각 서베이 논문에서 정리한 표를 살펴보자.

시스템 리스크 분석: (2-1) 거시경제지표를 활용한 경제전체 위험도 측정 방법

서상원 (2018)

시스템 리스크 분석: (2-2) 시장위험 측정 방법

서상원 (2018)

시스템 리스크 분석: (2-3) 금융기관 단면적 위험 측정방법

financial institution

서상원 (2018)

시스템 리스크 분석: (2-4) 금융기관 부도확률 위험 측정방법

financial institution

서상원 (2018)

시스템 리스크 분석: (2-5) 네트워크 측정방법

financial institution

서상원 (2018)

시스템 리스크 분석: (3-1) 시스템 리스크와 머신러닝 - 네트워크 기반 및 빅데이터 분석

machine learning

G. Kou et al. (2019)

시스템 리스크 분석: (3-2) 시스템 리스크와 머신러닝 - 계량경제학, 미시구조, 금융규제

machine learning

G. Kou et al. (2019)

시스템 리스크 분석: (3-3) 시스템 리스크와 머신러닝 - 향후 연구 방향

machine learning

G. Kou et al. (2019)

알고리즘: 시간복잡도

time complexity

시간 복잡도는 알고리즘의 실행 시간이 입력 크기에 따라 어떻게 변화하는지를 나타내는 척도이다. 일반적으로 Big O 표기법을 사용하여 표현되며, 예를 들어 \(O(n), O(\log n), O(n^2)\) 등으로 표현된다.

인과추론 - Directed Acyclic Graph(DAG)

causal inference

인과 경로(causal pathway)를 명시적으로 나타냄.

인과추론 - 서론

causal inference

인과관계(causation)를 상관관계(correlation)와 혼동하지 말자

자연어처리: BERT, GPT

natural language processing

BERT(Bidirectional Encoder Representations from Transformers)는 2018년에 구글이 공개한 사전 훈련된 모델, 트랜스포머를 이용하여 구현, 위키피디아(25억 단어)와 BooksCorpus(8억 단어)와 같은 레이블이 없는 텍스트 데이터로 사전 훈련된 언어 모델

자연어처리: DTM, TF-IDF

natural language processing

문서의 의미를 효과적으로 분석하기 위해서는 단어의 출현 빈도를…

자연어처리: 어텐션 메커니즘

natural language processing

Attention 메커니즘은 모델이 입력 시퀀스의 관련 부분에 선택적으로 집중할 수 있게 하여 자연어 처리부터 컴퓨터 비전까지 다양한 작업에서 성능을 향상시킨다. Seq2seq과 어텐션 메커니즘에 대해 알아보자.

자연어처리: 워드임베딩 - Glove, FastText

natural language processing

워드 임베딩(Word Embedding)은 자연어 처리(NLP)에서 단어를 고정된 크기의 실수 벡터로 변환하는 기술이다. 이번에는 GloVe와 FastText에 대해 알아보자.

자연어처리: 워드임베딩 - Word2vec

natural language processing

워드 임베딩(Word Embedding)은 자연어 처리(NLP)에서 단어를 고정된 크기의 실수 벡터로 변환하는 기술이다. 이러한 벡터는 단어의 의미를 수치적으로 표현하며, 비슷한 의미를 가진 단어들은 유사한 벡터로 표현된다. 이 중 가장 대표적인 방법인 Word2Vec에 대해 알아보자.

자연어처리: 토픽모델링 - LSA, LDA

natural language processing

토픽 모델링은 문서 집합 내에 존재하는 숨겨진 주제들을 자동으로 식별하고 추출하는 기술이다. 대표적인 방법으로는 잠재 의미 분석(LSA)과 잠재 디리클레 할당(LDA)이 있으며, 이들은 각각 통계적 및 확률적 접근법을 통해 문서의 주제 구조를 파악한다.

자연어처리: 트랜스포머

natural language processing

트랜스포머(Transformer)는 2017년 구글이 발표한 논문인 “Attention is all you need”에서 나온 모델로 기존의 seq2seq의 구조인 인코더-디코더를 따르면서도, 어텐션(Attention)만으로 구현한 모델이다.

증권사 리포트 텍스트 분석

natural language processing

<서범석. 2023. “AI 알고리즘을 이용한 산업 모니터링: 증권사 리포트 텍스트 분석”, BOK 이슈노트 제 2023-5호, 한국은행.>을 소개한다. 이 연구는 자연어처리 등 통계 기법을 이용하여, 증권사 애널리스트의 기업 평가 보고서를 토대로 산업별 모니터링 정보를 추출하였다.