『머신러닝을 이용한 알고리즘 트레이딩 시스템 개발』은 머신러닝을 공부하는 데 필요한 통계와 확률에 대한 수학적 이론과 머신러닝을 적용하려는 분야에 대한 도메인 지식(Domain Knowledge), 이를 구현한 코드를 한곳에서 볼 수 있는 책이다. 주식시장은 예측이 어려운 대표적인 분야로, 머신러닝을 공부하는 데 필요한 모든 요소를 가지고 있다. 수학 이론을 이용한 예측 모델의 작성, 작성한 모델을 위한 데이터 처리, 주가를 예측하기 위한 학습, 학습결과의 해석과 이를 개선하는 방법 등 머신러닝 전체 흐름을 경험하기에 좋다. 통계, 시계열(Time Series), 알고리즘 트레이딩 등 책에서 다루는 주제는 방대한 내용을 가지고 있으나 이 책의 목적상 알고리즘 트레이딩과 직접 연관되고 반드시 알아야 하는 사항들을 중심으로 서술했다.
chapter 1 머신러닝
1.1머신러닝이란 무엇인가
1.2머신러닝의 장단점
1.3머신러닝의 종류
1.3.1 지도학습
1.3.2 비지도학습
1.4머신러닝이 할 수 있는 것
1.4.1 회귀
1.4.2 분류
1.4.3 군집화
1.5머신러닝 알고리즘
1.6머신러닝 프로세스
1.7No free Lunch Theorem
chapter 2 통계
2.1통계란
2.2통계가 머신러닝에서 중요한 이유
2.3통계의 기본 개념과 용어
2.3.1 모집단과 표본
2.3.2 파라미터와 통계량
2.3.3 표집 오차
2.3.4 종속변수와 독립변수
2.3.5 연속변수와 이산변수
2.3.6 모델
2.4준비사항
2.5데이터 다운로드
2.6데이터 로드
2.7기초통계
2.7.1 표준편차
2.7.2 사분위수
2.7.3 히스토그램
2.7.4 정규분포
2.7.5 산점도
2.7.6 상자그림
chapter 3 시계열 데이터
3.1시계열 데이터
3.2시계열 데이터 분석
3.3주요 시계열 데이터의 특성
3.4랜덤과정
3.5정상 시계열 데이터
3.5.1 약한 정상성
3.6랜덤과정에서의 기대값, 분산, 공분산
3.6.1 공분산
3.7상관
3.8자기공분산
3.9자기상관
3.10랜덤워크
3.10.1 기하적 브라운 운동
chapter 4 알고리즘 트레이딩
4.1알고리즘 트레이딩 소개
4.2인물로 살펴보는 알고리즘 트레이딩의 역사
4.2.1 에드워드 소프
4.2.2 제임스 해리스 사이먼스
4.2.3 케네스 그리핀
4.3알고리즘 트레이딩 모델
4.4평균회귀 모델
4.4.1 평균회귀 테스트
4.4.2 평균회귀 모델 구현
4.5머신러닝 모델
4.5.1 특징 선택
4.5.2 가격이냐 ?향이냐
4.6분류 모델
4.6.1 로지스틱 회귀
4.6.2 의사결정 트리와 랜덤 포레스트
4.6.3 SVM
4.7머신러닝 모델 구현
4.7.1 데이터셋
4.7.2 데이터셋 나누기
4.7.3 주가방향 예측변수 작성
4.7.4 주가방향 예측변수 실행 및 평가
4.8시간가치 감소 효과
chapter 5 알고리즘 트레이딩 시스템 구현
5.1일반적인 알고리즘 트레이딩 시스템 구성
5.2구현 시스템 개요
5.3개발 환경
5.4데이터 크롤러 구현
5.4.1 주식 종목코드 수집
5.4.2 주가 데이터 수집
5.5알파 모델 구현
5.5.1 평균회귀 모델
5.5.2 머신러닝 모델
5.6포트폴리오 빌더 구현
5.6.1 평균회귀 모델 종목 선정
5.6.2 머신러닝 모델 종목 선정
5.7트레이더 구현
chapter 6 성능 평가와 최적화
6.1알고리즘 트레이딩 시스템의 성능 측정
6.2백테스팅
6.2.1 Profit/Loss 테스트
6.2.2 Hit Ratio
6.2.3 Drawdown
6.2.4 Sharpe Ratio
6.3머신러닝 모델 성능 측정
6.3.1 혼동 행렬
6.3.2 Classification Report
6.3.3 ROC 곡선
6.4라이브 트레이딩 모니터링
6.5파라미터 최적화
6.6하이퍼파라미터 최적화
6.6.1 격자 탐색
6.6.2 랜덤 탐색
6.7블랙 스완
chapter 7 마치며
현재 머신러닝을 이용한 알고리즘 트레이딩 시스템 개발 (Hanbit RealTime 127)에 등록된 서평이 없습니다.
