간편결제, 신용카드 청구할인
삼성카드 6% (21,150원)
(삼성카드 6% 청구할인)
인터파크 롯데카드 5% (21,380원)
(최대할인 10만원 / 전월실적 40만원)
북피니언 롯데카드 30% (15,750원)
(최대할인 3만원 / 3만원 이상 결제)
NH쇼핑&인터파크카드 20% (18,000원)
(최대할인 4만원 / 2만원 이상 결제)
Close

파이썬과 케라스를 이용한 딥러닝/강화학습 주식투자 : 퀀트 투자, 알고리즘 트레이딩을 위한 최첨단 해법 입문

소득공제

2013년 9월 9일 이후 누적수치입니다.

판매지수 175
?
판매지수란?
사이트의 판매량에 기반하여 판매량 추이를 반영한 인터파크 도서에서의 독립적인 판매 지수입니다. 현재 가장 잘 팔리는 상품에 가중치를 두었기 때문에 실제 누적 판매량과는 다소 차이가 있을 수 있습니다. 판매량 외에도 다양한 가중치로 구성되어 최근의 이슈도서 확인시 유용할 수 있습니다. 해당 지수는 매일 갱신됩니다.
Close
공유하기
  • 저 : 김문권
  • 출판사 : 위키북스
  • 발행 : 2018년 05월 29일
  • 쪽수 : 284
  • 제품구성 : 전1권
  • ISBN : 9791158391065
정가

25,000원

  • 22,500 (10%할인)

    1,250P (5%적립)

할인혜택
적립혜택
  • I-Point 적립은 출고완료 후 14일 이내 마이페이지에서 적립받기한 경우만 적립됩니다.
  • 추가혜택
    배송정보
    주문수량
    감소 증가
    • 이벤트/기획전

    • 연관도서(51)

    • 사은품(5)

    책소개

    강화학습은 스스로 학습하는 머신러닝 기법으로서 주식 데이터 학습에 잘 적용되는 기법입니다. 이 책은 파이썬을 이용한 강화학습 기반의 주식투자 시뮬레이션 프로그램을 개발하는 방법을 설명합니다. 이를 위해 이론과 코드 수준에서 상세한 설명을 덧붙였습니다. 이 책을 통해 딥러닝과 강화학습을 이해하고 이를 주식투자를 비롯한 다양한 도메인에서 활용할 수 있을 것입니다.

    출판사 서평

    ★ 이 책에서 다루는 내용 ★

    - 딥러닝과 강화학습 이론
    - 주식투자에 강화학습을 적용하는 법
    - 강화학습 기반의 주식투자 시스템 개발
    - 강화학습을 위한 실제 주식 데이터 획득 및 처리
    - 강화학습으로 주식 데이터를 학습하는 법
    - 학습한 강화학습 모델을 활용하는 법
    - 강화학습 기반의 주식투자 시스템을 커스터마이징하는 법

    목차

    * 01장: 배경 이론 1 - 딥러닝이란?
    1.1 딥러닝 개요
    - 1.1.1 딥러닝의 정의와 역사
    - 1.1.2 딥러닝이 최근에 주목 받는 이유
    - 1.1.3 딥러닝으로 풀고자 하는 문제
    1.2 딥러닝의 발전 과정
    - 1.2.1 퍼셉트론
    - 1.2.2 인공 신경망
    - 1.2.3 심층 신경망
    1.3 딥러닝에 필요한 핵심 기술
    - 1.3.1 오차 역전파 기법
    - 1.3.2 최적해 탐색 기법
    - 1.3.3 과적합 해결 기법
    1.4 고급 인공 신경망 구조
    - 1.4.1 순환 신경망
    - 1.4.2 LSTM 신경망
    - 1.4.3 합성곱 신경망
    1.5 딥러닝 적용 사례
    - 1.5.1 기계 번역
    - 1.5.2 음성 인식
    - 1.5.3 이미지 인식
    1.6 이번 장의 요점

    * 02장: 배경 이론 2 - 강화학습이란?
    2.1 강화학습의 기초가 된 마르코프 의사결정 과정
    - 2.1.1 마르코프 가정
    - 2.1.2 마르코프 과정
    - 2.1.3 마르코프 의사결정 과정
    2.2 주요 강화학습 기법
    - 2.2.1 Q 러닝 강화학습
    - 2.2.2 정책 경사 강화학습
    2.3 강화학습 적용 사례
    - 2.3.1 벽돌 깨기
    - 2.3.2 알파고
    2.4 이번 장의 요점

    * 03장: 배경 이론 3 - 강화학습을 이용한 주식투자란?
    3.1 직관적으로 강화학습 전략 알아보기
    - 3.1.1 강화학습을 이용한 주식투자 구조
    - 3.1.2 차트 데이터 이해하기
    - 3.1.3 차트 데이터를 바탕으로 강화학습을 하는 방식
    - 3.1.4 거래 수수료와 거래세
    - 3.1.5 무작위 행동 결정(탐험)과 무작위 행동 결정 비율(엡실론)
    3.2 강화학습 효과를 차별화하는 요인들
    - 3.2.1 차별화 요인 1: 학습 데이터 구성
    - 3.2.2 차별화 요인 2: 보상 규칙
    - 3.2.3 차별화 요인 3: 행동 종류
    - 3.2.4 차별화 요인 4: 정책 신경망
    - 3.2.5 차별화 요인 5: 강화학습 기법인 Q 러닝과 정책 경사
    3.3 차트 데이터와 학습 데이터 살펴보기
    - 3.3.1 차트 데이터
    - 3.3.2 학습 데이터
    3.4 주식투자 강화학습 절차
    - 3.4.1 주식투자 강화학습 순서도
    - 3.4.2 행동 결정
    - 3.4.3 결정된 행동 수행
    - 3.4.4 배치 학습 데이터 생성 및 정책 신경망 업데이트
    3.5 주식투자 강화학습 과정 및 결과 확인 방법
    - 3.5.1 강화학습 과정 확인의 필요성
    - 3.5.2 강화학습 과정을 로그로 남기기
    - 3.5.3 강화학습 과정을 이미지로 가시화하기
    3.6 이번 장의 요점

    * 04장: 모듈 개발 - 강화학습 기반 주식투자 시스템 개발
    4.1 RLTrader 개발에 필요한 환경
    - 4.1.1 아나콘다 설치
    - 4.1.2 텐서플로와 케라스 설치
    4.2 RLTrader의 구조
    - 4.2.1 모듈 구조
    - 4.2.2 디렉터리 구조
    - 4.2.3 에이전트 모듈 개요
    - 4.2.4 환경 모듈 개요
    - 4.2.5 정책 신경망 모듈 개요
    - 4.2.6 가시화기 모듈 개요
    - 4.2.7 정책 학습기 모듈 개요
    4.3 환경 모듈 개발
    - 4.3.1 환경 모듈의 주요 속성과 함수
    - 4.3.2 코드 조각: 환경 클래스의 전체 소스코드
    4.4 에이전트 모듈 개발
    - 4.4.1 에이전트 모듈의 주요 속성과 함수
    - 4.4.2 코드 조각 1: 에이전트 클래스의 상수 선언 부분
    - 4.4.3 코드 조각 2: 에이전트 클래스의 생성자 부분
    - 4.4.4 코드 조각 3: 에이전트 클래스의 함수 부분
    4.5 정책 신경망 모듈 개발
    - 4.5.1 정책 신경망 모듈의 주요 속성과 함수
    - 4.5.2 정책 신경망에서 사용하는 LSTM 신경망의 구조
    - 4.5.3 코드 조각 1: 정책 신경망 클래스의 생성자 부분
    - 4.5.4 코드 조각 2: 정책 신경망 클래스의 함수 선언 부분
    4.6 가시화기 모듈 개발
    - 4.6.1 가시화기 모듈의 주요 속성과 함수
    - 4.6.2 가시화기 모듈이 만들어 내는 정보
    - 4.6.3 코드 조각 1: 가시화기 클래스의 생성자 부분
    - 4.6.4 코드 조각 2: 일봉 차트 가시화 함수 부분
    - 4.6.5 코드 조각 3: 전체 차트 가시화 함수 선언 부분
    - 4.6.6 코드 조각 4: 에이전트 상태 가시화 부분
    - 4.6.7 코드 조각 5: 정책 신경망 출력 결과 및 탐험 수행 가시화 부분
    - 4.6.8 코드 조각 6: 포트폴리오 가치 및 기타 정보 가시화 부분
    - 4.6.9 코드 조각 7: 차트 초기화 및 저장 함수 부분
    4.7 정책 학습기 모듈 개발
    - 4.7.1 코드 조각 1: 정책 학습기 모듈의 의존성 임포트 부분
    - 4.7.2 코드 조각 2: 정책 학습기 클래스의 생성자 부분
    - 4.7.3 코드 조각 3: 에포크 초기화 함수 부분
    - 4.7.4 코드 조각 4: 학습 함수 선언 부분
    - 4.7.5 코드 조각 5: 학습 함수 초반 부분
    - 4.7.6 코드 조각 6: 학습 함수의 로컬 변수 초기화 부분
    - 4.7.7 코드 조각 7: 학습 함수의 연관 객체 초기화 및 탐험 비율 설정 부분
    - 4.7.8 코드 조각 8: 학습 함수의 에포크 수행 while 문 초반부
    - 4.7.9 코드 조각 9: 학습 함수의 행동과 그 결과를 저장하는 부분
    - 4.7.10 코드 조각 10: 학습 함수의 반복 정보 갱신 부분
    - 4.7.11 코드 조각 11: 학습 함수의 정책 신경망 학습 부분
    - 4.7.12 코드 조각 12: 에포크 결과 가시화 부분
    - 4.7.13 코드 조각 13: 에포크 결과 로그 기록 부분
    - 4.7.14 코드 조각 14: 학습 통계 정보 갱신 부분
    - 4.7.15 코드 조각 15: 최종 학습 결과 통계 정보 로그 기록 부분
    - 4.7.16 코드 조각 16: 미니 배치 데이터 생성 함수 부분
    - 4.7.17 코드 조각 17: 학습 데이터 샘플 생성 부분
    - 4.7.18 코드 조각 18: 투자 시뮬레이션을 하는 trade() 함수 부분
    4.8 이번 장의 요점

    * 05장: 데이터 준비 - 주식 데이터 획득
    5.1 방법 1. 증권사 HTS 사용
    - 5.1.1 증권사 HTS 다운로드
    - 5.1.2 증권 계좌 개설
    - 5.1.3 종목 차트 데이터 확인
    - 5.1.4 일별 데이터 엑셀 파일 저장
    5.2 방법 2. 증권사 API 사용
    - 5.2.1 증권사 API 설치
    - 5.2.2 대신증권 크레온 API 사용 환경 준비
    - 5.2.3 대신증권 크레온 HTS 실행
    - 5.2.4 대신증권 크레온 API를 이용한 차트 데이터 획득 프로그램 작성
    5.3 방법 3. 포털 사이트 사용
    - 5.3.1 pandas-datareader, fix_yahoo_finance 설치하기
    - 5.3.2 Google Finance에서 주식 데이터 획득하기
    - 5.3.3 Yahoo Finance에서 주식 데이터 획득하기
    5.4 이번 장의 요점

    * 06장: 모델 구축 - 투자 시뮬레이션
    6.1 주식 데이터 전처리
    - 6.1.1 코드 조각 1: CSV 파일을 읽는 부분
    - 6.1.2 코드 조각 2: 종가와 거래량의 이동 평균 구하기
    - 6.1.3 코드 조각 3: 주가와 거래량의 비율 구하기
    - 6.1.4 코드 조각 4: 주가와 거래량의 이동 평균 비율 구하기
    6.2 주식 데이터 학습
    - 6.2.1 코드 조각 1: 강화학습을 실행하는 메인(main) 모듈
    - 6.2.2 코드 조각 2: 강화학습에 필요한 주식 데이터 준비 부분
    - 6.2.3 코드 조각 3: 데이터를 차트 데이터와 학습 데이터로 분리하는 부분
    - 6.2.4 코드 조각 4: 강화학습을 시작하는 부분
    6.3 학습 과정 및 결과 확인
    - 6.3.1 콘솔에 출력되는 로그의 의미
    - 6.3.2 가시화 결과가 저장되는 그림 파일
    6.4 이번 장의 요점

    * 07장: 모델 검증 - 투자 시뮬레이션
    7.1 투자 시뮬레이션 결과 1: 삼성전자(005930)
    - 7.1.1 종목의 개요
    - 7.1.2 주식 데이터 전처리
    - 7.1.3 학습 파라미터 설정
    - 7.1.4 에포크 10일 때의 결과
    - 7.1.5 에포크 200일 때의 결과
    - 7.1.6 에포크 600일 때의 결과
    - 7.1.7 에포크 1000일 때의 결과
    - 7.1.8 총평
    7.2 투자 시뮬레이션 결과 2: SK하이닉스(000660)
    - 7.2.1 종목의 개요
    - 7.2.2 주식 데이터 전처리
    - 7.2.3 학습 파라미터 설정
    - 7.2.4 에포크 10일 때의 결과
    - 7.2.5 에포크 200일 때의 결과
    - 7.2.6 에포크 600일 때의 결과
    - 7.2.7 에포크 1000일 때의 결과
    - 7.2.8 총평
    7.3 투자 시뮬레이션 결과 3: 현대차(005380)
    - 7.3.1 종목의 개요
    - 7.3.2 주식 데이터 전처리
    - 7.3.3 학습 파라미터 설정
    - 7.3.4 에포크 10일 때의 결과
    - 7.3.5 에포크 200일 때의 결과
    - 7.3.6 에포크 600일 때의 결과
    - 7.3.7 에포크 1000일 때의 결과
    - 7.3.8 총평
    7.4 투자 시뮬레이션 결과 4: LG화학(051910)
    _ 7.4.1 종목의 개요
    _ 7.4.2 주식 데이터 전처리
    _ 7.4.3 학습 파라미터 설정
    _ 7.4.4 에포크 10일 때의 결과
    _ 7.4.5 에포크 200일 때의 결과
    _ 7.4.6 에포크 600일 때의 결과
    _ 7.4.7 에포크 1000일 때의 결과
    _ 7.4.8 총평
    7.5 투자 시뮬레이션 결과 5: NAVER(035420)
    - 7.5.1 종목의 개요
    - 7.5.2 주식 데이터 전처리
    - 7.5.3 학습 파라미터 설정
    - 7.5.4 에포크 10일 때의 결과
    - 7.5.5 에포크 200일 때의 결과
    - 7.5.6 에포크 600일 때의 결과
    - 7.5.7 에포크 1000일 때의 결과
    - 7.5.8 총평
    7.6 투자 시뮬레이션 결과 6: KT(030200)
    - 7.6.1 종목의 개요
    - 7.6.2 주식 데이터 전처리
    - 7.6.3 학습 파라미터 설정
    - 7.6.4 에포크 10일 때의 결과
    - 7.6.5 에포크 200일 때의 결과
    - 7.6.6 에포크 600일 때의 결과
    - 7.6.7 에포크 1000일 때의 결과
    - 7.6.8 총평
    - 7.7 투자 시뮬레이션 결과 정리 및 원숭이 투자와의 비교
    7.8 이번 장의 요점

    * 08장: 모델 활용 - 학습된 정책 신경망 모델을 사용한 투자 시뮬레이션
    8.1 모델 학습과 모델 활용의 차이점
    - 8.1.1 시뮬레이션 과정 차이점
    - 8.1.2 소스코드의 차이점
    8.2 학습된 정책 신경망 모델을 사용한 투자 시뮬레이션
    - 8.2.1 학습된 모델 적용 1: 삼성전자(005930)
    - 8.2.2 학습된 모델 적용 2: SK하이닉스(000660)
    - 8.2.3 학습된 모델 적용 3: 현대차(005380)
    - 8.2.4 학습된 모델 적용 4: LG화학(051910)
    - 8.2.5 학습된 모델 적용 5: NAVER(035420)
    - 8.2.6 학습된 모델 적용 6: KT(030200)
    - 8.2.7 총평
    8.3 투자 시뮬레이션 결과 정리 및 원숭이 투자와의 비교
    8.4 이번 장의 요점

    * 부록A: 기본 용어 정리
    A.1 파이썬 프로그래밍 기본 용어 정리
    A.2 머신러닝 기본 용어 정리
    A.3 주식 거래 기본 용어 정리

    * 부록B: RLTrader 커스터마이징
    B.1 에이전트 모듈 커스터마이징
    - B.1.1 커스터마이징 대상
    - B.1.2 매매수수료 및 세금 커스터마이징 방법
    - B.1.3 행동 결정 로직 커스터마이징 방법
    B.2 정책 신경망 모듈 커스터마이징
    - B.2 1 커스터마이징 대상
    - B.2.2 레이어 차원이나 드롭아웃 확률 커스터마이징 방법
    - B.2.3 신경망 유형 커스터마이징 사례
    B.3 학습 데이터 커스터마이징
    - B.3.1 커스터마이징 대상
    - B.3.2 '기관순매수' 및 '외국인순매수' 데이터 획득
    - B.3.3 코드 조각 1: 주식 데이터 읽기 커스터마이징
    - B.3.4 코드 조각 2: 주식 데이터 전처리 커스터마이징
    - B.3.5 코드 조각 3: 학습 데이터 생성 커스터마이징
    - B.3.6 코드 조각 4: 메인 모듈 커스터마이징 1
    - B.3.7 코드 조각 5: 메인 모듈 커스터마이징 2

    * 부록C: 딥러닝에서 GPU 사용하기
    C.1 GPU 사용을 위한 하드웨어 준비
    - C.1.1 그래픽카드 인식 확인
    - C.1.2 호환되는 그래픽카드 확인
    C.2 GPU 사용을 위한 소프트웨어 준비
    - C.2.1 CUDA 툴킷 설치
    - C.2.2 cuDNN 라이브러리 설치
    - C.2.3 텐서플로의 GPU 사용 최종 확인

    관련이미지

    저자소개

    생년월일 -
    출생지 -
    출간도서 0종
    판매수 0권

    10년이 넘게 소프트웨어 개발을 해왔습니다. 파이썬, 자바를 포함한 다양한 언어를 익혔으며 안드로이드 앱 개발, 웹 프로그래밍, 데이터 분석, 머신러닝, 딥러닝, 빅데이터 분석을 포함하여 그동안 주목을 받아 온 다양한 기술을 익혀왔습니다.
    숭실대학교에서 소프트웨어 공학 전공으로 석사 학위를 취득하고 박사 과정을 수료했습니다. 그 과정에서 국내외 저명 학회와 학술지에 수십 편의 논문을 발표했으며 우수 논문상도 여러 번 수상했습니다. 현재는 네이버에서 검색 기술을 개발하고 있습니다.
    퀀트투자 연구소(http://quantylab.com)를 운영하고 있으며, GitHub(ht

    펼쳐보기

    이 상품의 시리즈

    위키북스 데이터 사이언스 시리즈(총 58권 / 현재구매 가능도서 50권)

    펼쳐보기

    이 책과 내용이 비슷한 책 ? 내용 유사도란? 이 도서가 가진 내용을 분석하여 기준 도서와 얼마나 많이 유사한 콘텐츠를 많이 가지고 있는가에 대한 비율입니다.

      리뷰

      10.0 (총 0건)

      구매 후 리뷰 작성 시, 북피니언 지수 최대 600점

      리뷰쓰기

      기대평

      작성시 유의사항

      평점
      0/200자
      등록하기

      기대평

      10.0

      교환/환불

      교환/환불 방법

      ‘마이페이지 > 취소/반품/교환/환불’ 에서 신청함, 1:1 문의 게시판 또는 고객센터(1577-2555) 이용 가능

      교환/환불 가능 기간

      고객변심은 출고완료 다음날부터 14일 까지만 교환/환불이 가능함

      교환/환불 비용

      고객변심 또는 구매착오의 경우에만 2,500원 택배비를 고객님이 부담함

      교환/환불 불가사유

      반품접수 없이 반송하거나, 우편으로 보낼 경우 상품 확인이 어려워 환불이 불가할 수 있음
      배송된 상품의 분실, 상품포장이 훼손된 경우, 비닐랩핑된 상품의 비닐 개봉시 교환/반품이 불가능함

      소비자 피해보상

      소비자 피해보상의 분쟁처리 등에 관한 사항은 소비자분쟁해결기준(공정거래위원회 고시)에 따라 비해 보상 받을 수 있음
      교환/반품/보증조건 및 품질보증 기준은 소비자기본법에 따른 소비자 분쟁 해결 기준에 따라 피해를 보상 받을 수 있음

      기타

      도매상 및 제작사 사정에 따라 품절/절판 등의 사유로 주문이 취소될 수 있음(이 경우 인터파크도서에서 고객님께 별도로 연락하여 고지함)

      배송안내

      • 인터파크 도서 상품은 택배로 배송되며, 출고완료 1~2일내 상품을 받아 보실 수 있습니다

      • 출고가능 시간이 서로 다른 상품을 함께 주문할 경우 출고가능 시간이 가장 긴 상품을 기준으로 배송됩니다.

      • 군부대, 교도소 등 특정기관은 우체국 택배만 배송가능하여, 인터파크 외 타업체 배송상품인 경우 발송되지 않을 수 있습니다.

      • 배송비

      도서(중고도서 포함) 구매

      2,000원 (1만원이상 구매 시 무료배송)

      음반/DVD/잡지/만화 구매

      2,000원 (2만원이상 구매 시 무료배송)

      도서와 음반/DVD/잡지/만화/
      중고직배송상품을 함께 구매

      2,000원 (1만원이상 구매 시 무료배송)

      업체직접배송상품 구매

      업체별 상이한 배송비 적용