추가 적립 안내

디지털 데이터의 폭발적인 증가로 머신러닝을 사용하는 거래 전략의 전문지식에 대한 요구가 높아졌다. 이 책은 지도학습과 비지도학습 알고리즘으로 다양한 데이터 원천에서 신호를 추출해 효과적인 투자 전략을 만들 수 있도록 안내한다. 또한 API와 웹 스크래핑을 통해 시장, 기본, 대체 데이터에 접근하는 방법을 보여준다. 최신의 머신러닝, 딥러닝 알고리즘과 더불어 알고리즘 트레이딩을 위한 아이디어 창출부터 백테스팅까지의 과정, Pandas, NumPy, Statsmodel, Scikit-learn 등과 같은 라이브러리를 학습한다. 알고리즘 트레이딩의 과정을 학습하면서 머신러닝과 딥러닝의 기본을 다질 수 있는 유용한 예제가 포함돼 있다.

★ 이 책에서 다루는 내용 ★

■ 투자와 트레이딩 문제를 푸는 머신러닝 기법 구현
■ 시장 데이터, 기본 데이터, 대체 데이터를 활용한 알파 팩터
■ 지도학습, 비지도학습, 강화학습 모델 설계와 세부 조정
■ Pandas, NumPy, Scikit-learn을 이용한 포트폴리오 위험과 성과 최적화
■ 퀀토피안 플랫폼에서 머신러닝 모델을 실전 트레이딩 전략에 통합하기
■ 신뢰성 있는 시계열 백테스트 방법을 사용한 전략 평가
■ 케라스, 파이토치, 텐서플로를 사용해 딥신경망 설계 및 평가
■ OpenAI Gym에서 강화학습을 이용한 트레이딩 전략

★ 이 책의 대상 독자 ★

금융 및 투자 산업에서 일하는 투자 분석가, 포트폴리오 매니저와 함께 데이터 분석가, 데이터 과학자와 파이썬 개발자를 위한 책이다. ML 알고리즘으로 현명한 투자 전략을 개발해 효율적 트레이딩을 실행하고 싶다면 반드시 필요한 책이다. 파이썬과 ML 기법에 대한 어느 정도의 지식은 필수다.

★ 이 책의 구성 ★

머신러닝이 어떻게 거래 전략의 설계와 실행에 가치를 부가할 수 있는지를 포괄적으로 소개한다. 다양한 머신러닝 과제에 다른 솔루션뿐만 아니라 데이터 소싱과 전략 개발 과정의 다른 측면을 다루는 4개의 부로 구성돼 있다.

1부, '프레임워크: 데이터에서 전략 설계까지'에서는 알고리즘 트레이딩 전략 개발을 위한 프레임워크를 소개한다. 이 책에서 논의된 머신러닝 알고리즘과 전략을 지원하는 데이터에 중점을 두고 머신러닝이 거래신호를 유도하는 데 어떻게 사용될 수 있는지, 포트폴리오의 부분으로서 전략을 어떻게 이용하고 평가하는지 설명한다.
1장, '트레이딩을 위한 머신러닝'에서는 머신러닝이 거래전략의 설계와 실행을 위한 신호생성과 평가에서 어떻게 중요한지를 개략적으로 설명함으로써 이 책의 핵심을 확인한다. 여기에는 가설 생성, 모델링, 데이터 선택, 백테스팅부터 위험 관리를 포함한 포트폴리오 관점의 평가, 실행에 이르는 전략 프로세스가 요약돼 있다.
2장, '시장 데이터와 기본적 요인 데이터'에서는 이 책 전체에서 신뢰할 수 있는 수많은 오픈 소스 데이터 제공업체에 접근하는 방법뿐만 아니라 원천 거래소가 제공한 원본 틱(tick) 데이터, 재무 보고 데이터를 사용한 소스와 작업을 설명한다.
3장, '금융을 위한 대체 데이터'에서는 폭발적으로 증가하는 제공업체를 평가하는 범주와 기준을 제시한다. 또한 이 책의 2부에서 다룰 자연어 처리와 감성 분석 알고리즘과 함께 사용하는 데 필요한 어닝 콜 음성 녹취록(earning call transcripts)을 수집하려고 웹사이트를 스크랩해 대체 데이터셋을 작성하는 방법을 보여 준다.
4장, '알파 팩터 리서치'에서는 정보 계수(IC)를 사용해 팩터가 작동하는 방식과 성과를 측정하는 방법을 이해하기 위한 프레임 워크를 제공한다. 퀀토피안(Quantopian) 플랫폼에 대한 오프라인, 온라인 파이썬 라이브러리를 사용해 데이터에서 알파 팩터를 추출하는 것을 보여 준다. 또한 팩터를 백테스팅하기 위한 집라인(zipline)과 예측력을 평가하기 위한 알파렌즈(alphalens)를 소개한다.
5장, '전략 평가'에서는 집라인 오프라인, 퀀토피안 플랫폼으로 역사적 데이터를 사용해 거래전략을 테스트하고 평가하는 법을 소개한다. 파이폴리오(pyfolio) 라이브러리를 사용해 포트폴리오의 성과, 위험지표를 계산하는 방법을 보여 준다. 또한, 전략 백테스팅의 방법론적 과제를 관리하는 방법을 기술하고, 포트폴리오 위험 측면에서 전략을 최적화하는 방법을 알아본다.
6장, '머신러닝 프로세스'에서는 어떻게 형성하고, 훈련하고, 조정해서 체계적인 워크플로(workflow)로서 머신러닝 모형의 예측 성능을 평가하는지 개략적으로 설명한다.

2부, '머신러닝 기초'에서는 기본적인 지도학습, 비지도학습 알고리즘을 다루고 거래 전략에 적용하는 방법을 보여 준다. 또한 이 책에서 개발한 머신러닝 기법과 데이터를 활용하고 결합할 수 있는 퀀토피안 플랫폼을 소개해 실제 시장에서 거래를 수행하는 알고리즘 전략을 구현한다
7장, '선형 모형'에서는 추론과 예측을 위해 선형 및 로지스틱 회귀 분석을 사용하는 방법과 과적합(overfitting) 위험을 관리하기 위한 규제화(regularization) 방법을 보여 준다. 퀀토피안 트레이딩 플랫폼을 보여 주고, 요인 모델을 구축하고 자산 가격을 예측하는 방법을 알아본다.
8장, '시계열 모형'에서는 벡터자기회귀 모형과 공적분 검증을 포함하는 단변량과 다변량 시계열을 설명하고, 페어 트레이딩 전략에 어떻게 적용할 수 있는지를 다룬다.
9장, '베이지안 머신러닝'에서는 확률 모형을 공식화하는 방법, 마르코프체인 몬테카를로(MCMC) 샘플링, 변형 베이즈가 근사 추론을 용이하게 하는 방법을 제시한다. 또한 파라미터와 모형 불확실성에 대한 더 깊은 인사이트를 얻고자 확률적 프로그래밍을 위해 PyMC3를 사용하는 방법을 설명한다.
10장, '결정 트리와 랜덤 포레스트'에서는 통찰력과 예측을 위해 비선형 모형을 구축하고, 훈련하고, 조정하는 방법을 보여 준다. 트리 기반 앙상블 모형을 소개하고, 랜덤 포레스트가 의사결정 트리의 약점을 극복하고자 부트스트랩 수집(bootstrap aggregation)을 사용하는 방법도 소개한다.
11장, '경사 부스팅 머신'에서는 고성능 훈련과 예측을 위해 xgboost, lightgbm, catboost 라이브러리를 사용하는 방법과 수많은 하이퍼파라미터를 조정하는 방법을 심층적으로 검토한다.
12장, '비지도학습'에서는 알고리즘 트레이딩을 위한 차원 감소와 군집을 사용하는 방법을 소개한다. 데이터 기반 위험요소를 추출하고자 주요인 분석(PCA), 독립 요인 분석(ICA)을 사용한다. 여러 군집 분석 기법을 제시하고, 자산 분배를 위한 계층적 군집을 사용하는 방법을 보여 준다.

3부, '자연어 처리'에서는 텍스트 데이터에 초점을 맞추고 핵심 대체 데이터에서 고품질 신호를 추출하기 위한 최신의 비지도학습 기법을 소개한다.
13장, '텍스트 데이터로 작업하기'에서는 텍스트 데이터를 수치형식으로 전환하는 방법을 보여 주고, 감성 분석을 위해 2부에서 소개한 분류 알고리즘 기법을 대규모 데이터셋에 적용한다.
14장, '토픽 모델링'에서는 많은 수의 문서를 요약할 수 있는 잠재적인 토픽을 추출하는 베이지안 비지도 학습을 적용한다. 또한, 텍스트 데이터를 탐색하는 효과적인 방법과 특징으로서 토픽을 분류 모형에 사용하는 것을 설명한다. 이 기법은 '제3장, 금융을 위한 대체데이터'에서 본 어닝 콜 녹취록과 미국 증권거래위원회(SEC)에 제출한 연례보고서에 적용하는 방법을 보여 준다.
15장, '단어 임베딩'에서는 신경망을 사용해 기존 텍스트 특징보다 훨씬 나은 의미 맥락을 훨씬 잘 포착하고 텍스트 데이터에서 거래 신호를 추출할 수 있는 매우 유망한 방법인 단어 벡터(word vector) 형태의 최첨단 언어 특징을 학습한다.

4부는 딥러닝과 강화학습을 소개한다.
16장, '딥러닝'에서는 4부 전체에 걸쳐 사용할 가장 인기 있는 딥러닝 프레임워크인 케라스(Keras), 텐서플로(TensorFlow), 파이토치(Pytorch)를 소개한다. 또한 규제화와 공통 아키텍처의 개요를 포함한 훈련과 튜닝 기법을 제시한다.
17장, '합성곱 신경망'에서는 비정형 데이터로 분류 작업에 매우 강력한 CNN을 다룬다. 성공적인 아키텍처 디자인을 소개하고, 경제 활동을 예측하고자 위성 데이터를 훈련시키며, 훈련 속도를 높이기 위한 전이학습(transfer learning)을 사용하는 것을 설명한다.
18장, '순환 신경망'에서는 RNN이 시계열을 포함해 시퀀스-투-시퀀스(Seq2Seq) 모델링에 어떻게 유용한지를 보여 준다. RNN이 어떻게 장기에 걸쳐 비선형 패턴을 포착하는지 보여 준다.
19장, '오토인코더와 적대적 생성망'에서는 고차원 데이터의 비선형 압축을 위한 오토인코더와 합성 데이터를 생성하는 가장 중요한 혁신 중 하나인 GAN을 포함한 비지도 딥러닝에 대해 설명한다.
20장, '강화학습'에서는 시간에 따라 자신의 환경에 대응해 의사결정을 최적화하는 방법을 배우는 에이전트(agent)의 설계와 훈련을 허용하는 강화학습을 제시한다. 오픈 AI gym을 이용해 시장 신호에 대응하는 에이전트를 어떻게 구축하는지 알 수 있게 된다.
21장, '다음 단계'에서는 1~20장의 내용을 요약한다.

★ 지은이의 말 ★

다양한 데이터의 가용성이 증가하면서 알고리즘 트레이딩 전략의 전문성에 대한 수요도 늘고 있다. 이 책을 통해 광범위한 데이터 원천에 머신러닝(ML)을 선택하고 적용해, 강력한 알고리즘 전략을 개발할 수 있을 것이다.
먼저 데이터베이스의 평가, 파이썬을 이용한 데이터 API의 접근, 퀀들(Quandl)을 이용한 금융 데이터 접근과 예측 오차 관리와 같은 본질적 요소를 소개한다. 그리고 Pandas, Seaborn, StatsModels, Scikit-learn을 사용해 알고리즘 모델을 구축하고 훈련하는 데 사용할 수 있는 다양한 머신러닝 기법과 알고리즘을 다룬다. 그다음 StatsModels를 사용한 AR(p), MA(q)와 ARIMA(p, d, q)를 구축, 추정 및 해석한다. PyMC3를 사용해 불확실성 개념을 구별하고자 하며, 이를 위해 사전확률(prior), 증거(evidence) 및 사후확률(posterior)의 베이지안 개념을 적용한다. 또한 NLTK, Scikit-learn과 spaCy를 활용해 감성 점수를 금융 뉴스에 할당하고, 트레이딩 시그널을 추출하기 위해 문서를 분류한다. 복잡한 고급 알고리즘을 설계하고자 케라스를 사용해 순전파 신경망(Feedforward Neural Network), 순환 신경망(RNN, Recurrent Neural Network)과 합성곱 신경망(CNN, Convolutional Neural Netowrk)을 설계하고 구축하고 조정하고 평가하는 방법을 배운다. 경제활동을 예측하기 위해 위성 이미지 데이터에 전이학습(transfer learning)을 적용한다. 마지막으로 강화학습(reinforcement learning)을 적용해 최적 트레이딩 결과를 얻는다.
이 책의 마지막에 이르게 되면 알고리즘 트레이딩을 채택해 현명한 투자 전략을 구현하게 될 것이다.

★ 옮긴이의 말 ★

"이 책은 트레이딩과 투자에 머신러닝을 적용함으로써 가치를 창출할 수 있도록 전략적 관점, 개념적 이해, 실무적인 도구를 갖추는 것이 목표다. 이를 위해 머신러닝을 독립적인 부분이 아닌 프로세스의 중요한 요소로 다룬다." - 스테판 젠슨(Stefan Jansen)

금융시장의 흐름을 이해하려면 시장 데이터, 공시, 재무, 뉴스, SNS 등 수많은 요인을 분석해야 합니다. 데이터를 효율적으로 관리하기 위해 금융시장에서도 점차 머신러닝과 딥러닝 기술이 사용되고 있으며, 트레이딩 분야에도 활용도가 높아진 상황입니다. 이 책은 이러한 흐름에 맞춰 머신러닝 및 딥러닝 기술은 물론 알고리즘 트레이딩의 아이디어에서 실행까지 전반적인 프로세스에 초점을 맞춰 서술하고 있어 이 분야의 바이블이 될 수 있는 좋은 안내서입니다. 모든 트레이딩 책이 그렇듯이 이 책만 보고 돈을 벌 수 있다고는 말할 수 없습니다. 다만 지은이의 아이디어와 머신러닝 및 딥러닝 기술을 배워 자신의 경험과 아이디어를 결합한다면 현재보다 좋은 결과를 기대할 수 있다고 생각됩니다. 또한 머신러닝과 딥러닝의 금융 활용뿐만 아니라 기초 입문서의 역할도 하고 있어 핀테크 인재를 양성하기 위한 재무 투자 관련 학부와 대학원 교재로 손색이 없다고 생각합니다.
이 책은 지은이가 15장까지의 머신러닝 내용을 먼저 발간했습니다. 지난해 겨울, 번역을 마무리하고 있는 가운데 딥러닝 관련 내용인 16장 이후의 5장이 추가돼 번역서를 출간하기까지 약간의 시간이 더 소요됐습니다. 추가 보강된 딥러닝과 강화학습 내용도 즐겁게 학습해 주시면 감사하겠습니다. 지은이는 이 책에서 소개하지 못했거나 추가 및 수정되는 내용을 깃허브에 계속 업데이트하고 있습니다. 독자 여러분도 지은이의 깃허브에 업데이트되는 코드 및 관련 논문 등의 추가 자료를 확인해서 학습해 주시기 바랍니다(https://github.com/stefan-jansen).

1부. 프레임워크: 데이터에서 전략 설계까지

1장. 트레이딩을 위한 머신러닝
__이 책을 읽는 법
____기대하는 것
____이 책을 읽어야 하는 독자
____이 책의 구성
____성공하기 위해 필요한 것
__투자업계에서 머신러닝의 부상
____전자거래에서 고빈도 매매까지
____팩터 투자와 스마트 베타 펀드
____알고리즘 개척자는 규모에 있어 인간보다 우위에 있다
____머신러닝과 대체 데이터
__거래 전략의 설계와 실행
____데이터의 소싱 및 관리
____알파 팩터 리서치 및 평가
____포트폴리오 최적화와 리스크관리
____전략 백테스팅
__머신러닝과 알고리즘 트레이딩 전략
____거래를 위한 머신러닝의 사용 사례
__요약

2장. 시장 데이터와 기본적 요인 데이터
__시장 데이터 사용 방법
____시장 미시구조
____주문 호가창 데이터의 사용
____틱 데이터의 규제
____시장 데이터에 대한 API접근
____pandas를 이용한 원거리 데이터 접근
____기타 시장 데이터 공급자
__기본적 데이터 작업 방법
____재무제표 데이터
____기타 기본적 데이터 소스
__판다스를 이용한 효율적 데이터 저장
__요약

3장. 금융을 위한 대체 데이터
__대체 데이터 혁명
____대체 데이터의 원천
__대체 데이터셋 평가
____평가 기준
____데이터의 질
__대체 데이터 시장
____데이터 제공업체와 사용 사례
__대체 데이터로 작업하기
____오픈테이블 데이터 스크레이핑
____어닝 콜 녹취록
__요약


4장. 알파 팩터 리서치
__알파 팩터 엔지니어링
____중요한 팩터 분류
____팩터로의 데이터 변환
__시그널 찾기 - zipline 사용법
____구조-이벤트 주도형 트레이딩 시뮬레이션
____시장 데이터로부터 산출한 단일 알파 팩터
____다양한 데이터 소스의 팩터 결합
____시그널과 잡음의 분리-alphalens의 사용법
____미래 수익률과 팩터 분위수의 생성
____팩터 분위수에 의한 예측 성과
____정보 계수
____팩터 회전율
____알파 팩터 리소스
____기타 알고리즘 트레이딩 라이브러리
__요약

5장. 전략 평가
__zipline으로 포트폴리오 구축과 테스트
____예정된 거래와 포트폴리오 리밸런싱
__pyfolio로 성과를 측정하는 방법
____샤프 비율
____적극적 운용의 기본 법칙
____파이폴리오를 통한 표본 내 및 표본 외 성과
__백테스팅의 함정을 피하는 방법
____데이터 도전
____구현 이슈
____데이터 스누핑과 백테스트 과적합
__포트폴리오 위험과 수익률 관리 방법
____평균 분산 최적화
____평균 분산 최적화의 대안
____리스크 패리티
____리스크 팩터 투자
____계층적 리스크 패리티
__요약

2부. 머신러닝 기초

6장. 머신러닝 프로세스
__데이터로부터 학습
____지도학습
____비지도학습
____강화학습
__기계학습 작업 흐름
____기본 작업 개요-k-최근접 이웃
____문제의 구성-목적과 성과 측정
____데이터의 수집과 준비
____특성 탐험, 추출과 공학
____ML 알고리즘 선택
____모델 설계와 조정
____모델 선택을 위한 교차 검증의 활용
____사이킷런을 이용한 파라미터 조정
____금융에서 교차 검증의 문제점
__요약

7장. 선형 모형
__추론과 예측을 위한 선형 회귀
__다중 선형 회귀 모형
____모형을 만드는 방법
____모형을 훈련하는 방법
____가우스 마르코프 정리
____통계적 추론을 수행하는 방법
____문제를 진단하고 해결하는 방법
____실제로 선형 회귀를 실행하는 방법
__선형 요인 모델을 구축하는 방법
____자본자산 가격결정 모형부터 파마-프렌치 5요인 모델까지
____위험 요인 입수하기
____파마-맥베스 회귀 분석
__수축 방법-선형 회귀에 대한 규제화
____과적합을 방지하는 방법
____리지 회귀 분석의 작동 방식
____라쏘 회귀 분석의 작동 방식
__선형 회귀를 사용해 수익률을 예측하는 방법
____데이터 준비
____statsmodels를 사용한 선형 OLS 회귀
____sklearn을 이용한 선형 OLS 회귀
____sklearn을 이용한 리지 회귀 분석
____sklearn을 이용한 라쏘 회귀 분석
__선형 분류
____로지스틱 회귀 모델
____statsmodels로 추론을 수행하는 방법
____예측에 로지스틱 회귀를 사용하는 방법
__요약

8장. 시계열 모델
__진단과 특성 추출을 위한 분석 도구
____시계열 패턴 분해
____롤링 윈도우 통계량 계산
____자기상관계수 계산
____정상성 진단 및 회복
____시계열 변환의 적용
__일변수 시계열 모델
____자기 회귀 모델의 구축
____이동 평균 모델의 구축
____ARIMA 모델 구축 및 확장
____매크로 펀더멘털 예측
____시계열 모델을 활용한 변동성 예측
__다변수 시계열 모델
____방정식 체계
____벡터 자기회귀 모델
____VAR 모델을 활용한 매크로 펀더멘털 예측
____공적분-공통 추세를 가진 시계열
____페어트레이딩 전략의 공적분 활용
__요약

9장. 베이지안 머신러닝
__베이지안 머신러닝 작동 방식
____경험적 증거로부터 가정을 업데이트하는 방법
____정확한 추론: 최대 사후확률 추정
____근사적 추론: 확률론적 접근법과 결정론적 접근법
__PyMC3를 사용한 확률적 프로그래밍
____테아노를 이용한 베이지안 머신러닝
____PyMC3 워크플로
____실무적 응용
__요약

10장. 결정 트리와 랜덤 포레스트
__결정 트리
____트리의 결정 규칙규칙 학습과 적용
____결정 트리 실용적 사용법
____과대적합과 규제화
____하이퍼파라미터의 조정
__랜덤 포레스트
____앙상블 모델들
____어떻게 배깅이 모델 분산을 낮추는가
____배깅 결정 트리
____어떻게 랜덤 포레스트를 구현하는가
____랜덤 포레스트의 학습과 조정
____랜덤 포레스트의 장점과 단점
__요약

11장. 그래디언트 부스팅 머신
__적응형 부스팅
____에이다부스트 알고리즘
____사이킷런으로 에이다부스트 구현
__그래디언트 부스팅 머신
____GBM 모형을 훈련하고 조정하는 방법
____사이킷런으로 그래디언트 부스팅을 사용하는 방법
__빠르고 확장 가능한 GBM 구현
____알고리즘 혁신이 성능을 향상시키는 방법
____XGBoost, LightGBM, CatBoost 사용법
__GBM 결과를 해석하는 방법
____특성의 중요성
____부분 의존도
____SHapley 첨가 설명
__요약

12장. 비지도학습
__차원 축소
____선형과 비선형 알고리즘
____차원의 저주
____매니폴드 학습
__군집화
____k-평균 군집화
__요약

3부. 자연어 처리

13장. 텍스트 데이터로 작업하기
__텍스트 데이터에서 특성을 추출하는 방법
____자연어 처리의 도전
____자연어 처리 워크플로
____사용 사례
__텍스트에서 토큰으로-NLP 파이프라인
____spaCy와 textacy를 이용한 NLP 파이프라인
____TextBlob을 사용한 자연어 처리
__토큰에서 숫자로-문서 단어 행렬
____단어 주머니 모형
____sklearn을 사용해 문서 단어 행렬 처리
__텍스트 분류와 감성 분석
____나이브 베이즈 분류기
____뉴스 기사 분류
____감성 분석
__요약

14장. 토픽 모델링
__잠재 토픽의 학습: 목적과 방법
____선형대수에서 계층적 확률 모델로
__잠재 의미 인덱싱
____sklearn을 이용한 LSI의 구현법
____장점과 단점
__확률적 잠재 의미 분석
____sklearn을 이용한 pLSA의 구현법
__잠재 디리클레 할당
____LDA의 원리
____LDA 토픽 평가
____sklearn을 이용한 LDA의 구현법
____pyLDAvis를 이용한 LDA 결과의 시각화
____gensim을 이용한 LDA의 구현법
____실적발표를 위한 토픽 모델링
____옐프 사업보고서를 위한 토픽 모델링
__요약

15장. 단어 임베딩
__단어 임베딩은 어떻게 의미를 인코딩하는가
____신경 언어 모델이 문맥에서 사용법을 배우는 방법
____Word2vec 모델-규모에 따른 임베딩 학습
____임베딩을 평가하는 방법-벡터 산술과 유추
____사전 훈련된 단어 벡터를 사용하는 방법
____자신의 단어 벡터 임베딩을 훈련시키는 방법
____케라스의 Skip-Gram 아키텍처
__젠심을 사용해 증권거래위원회 재무신고 단어 벡터
____전처리
____모델 훈련
__Doc2vec을 사용해 감성 분석
____옐프 감성 데이터에 대한 Doc2vec 훈련
__보너스-번역을 위한 Word2vec
__요약

4부. 딥러닝과 강화학습

16장. 딥러닝
__딥러닝과 AI
____고차원 데이터의 문제점
__신경망의 설계
____신경망 작동법
____주요 설계 선택
____심층 신경망의 규제화
____DL을 위한 최적화 기법
__파이썬을 이용한 신경망 구축법
____입력층
____은닉층
____출력층
__신경망 학습법
____파이썬을 이용한 역전파 구현법
____종합
____신경망 학습
__DL 라이브러리 사용법
____케라스 사용법
____텐서보드 사용법
____파이토치 1.0 사용법
____텐서플로 2.0 사용법
__신경망 구조 최적화
____자산 가격 움직임을 예측하기 위한 주식 수익률 시계열 생성
____플레이스홀더를 사용한 신경망 구조의 정의
____조기 종료를 위한 손실 척도의 맞춤형 정의
____신경망 구조의 조정을 위한 GirdSearchCV의 실행
____결과를 더욱 개선하는 법
__요약

17장. 합성곱 신경망
__컨브넷 작동 방식
____합성곱 층 작동 방식
____신경과학에서의 영감
____참고할 만한 컨브넷 아키텍처
____분류 이상의 컴퓨터 비전-탐지와 분할
__파이썬을 이용해 CNN을 설계하고 훈련시키는 방법
____케라스를 이용해 LeNet5와 MNIST 구현
____케라스를 사용한 알렉스넷과 CIFAR10
____시계열 데이터와 함께 CNN을 사용하는 방법
__전이학습-적은 데이터로 더 빠른 훈련
____사전 학습된 CNN을 구축하는 방법
__물체를 탐지하는 방법
____구글 스트리트 뷰 주택 번호(SVHN) 데이터셋
____다중 출력으로 CNN을 정의하는 방법
__최근 발전
____위성 이미지에서 물체를 빠르게 감지
____캡슐 네트워크 캡처 방법
__요약

18장. 순환 신경망
__RNN의 원리
____순환주기로 펼친 계산 그래프
____시간을 통한 역전파
____대안적 순환 신경망 구조
____심층 순환 신경망 설계
____장기 의존성 학습 시 문제점
____GRU
__파이썬을 이용한 RNN의 구축과 학습
____일변수 시계열 회귀
____시계열 분류를 위한 적층 LSTM
____다변수 시계열 회귀
____감성 분류를 위한 LSTM과 단어 임베딩
____사전학습된 단어벡터를 이용한 감성 분석
____텍스트 데이터의 전처리
____사전학습된 GloVe 임베딩
__요약

19장. 오토인코더와 적대적 생성망
__오토인코더의 작동 방식
____비선형 차원 축소
____합성곱 오토인코더
____규제화된 오토인코더를 사용한 희소성 제약
____노이즈 제거 오토인코더로 손상된 데이터 수정
____시퀀스-투-시퀀스 오토인코더
____변분 오토인코더
__파이썬을 사용한 오토인코더 설계와 훈련
____데이터 준비
____단층 피드포워드 오토인코더
____희소성 제약 조건이 있는 피드포워드 오토인코더
____심층 피드포워드 오토인코더
____합성곱 오토인코더
____오토인코더 노이즈 제거
__GAN 작동 방식
____생성 모델과 판별 모델이 어떻게 다른가
____적대적 훈련의 작동 방식
____GAN 아키텍처의 진화
____성공적이고 새로운 GAN 애플리케이션
____파이썬을 사용해 GAN을 빌드하는 방법
__요약

20장. 강화학습
__강화학습의 주요 구성 요소
____상호작용 강화학습 시스템의 구성 요소
__강화학습 문제의 해법
____강화학습 문제 풀이의 주요 문제점
____강화학습 문제를 푸는 근본적 방법
__동적 계획-가치와 정책 반복
____유한 MDP
____정책 반복
____가치 반복
____일반화 정책 반복
____파이썬을 이용한 동적계획
__큐러닝
____큐러닝 알고리즘
____파이썬을 이용한 큐러닝 에이전트 훈련
__딥 강화학습
____신경망을 이용한 가치 함수의 근사
____딥큐러닝 알고리즘과 확장
____오픈에이아이 짐-달착륙선 게임 환경
____텐서플로를 이용한 이중 딥큐러닝
__트레이딩을 위한 강화학습
____오픈에이아이 트레이딩 환경 설계
____기본 트레이딩 에이전트
____주식 시장을 위한 딥큐러닝 에이전트 구축
__요약

21장. 다음 단계
__학습에서 얻은 주요 요점과 교훈
____데이터가 가장 중요한 단일 재료
____도메인 전문 지식이 데이터 가치 창출에 도움을 준다
____특성 공학과 알파 팩터 리서치
____머신러닝은 데이터로 문제를 풀기 위한 도구
____모델 진단은 최적화를 가속화한다
____백테스트의 과대적합을 주의한다
____블랙박스 모델로부터 인사이트를 얻는 법
__머신러닝 실전 트레이딩
____데이터 관리 테크놀로지
____머신러닝 도구들
____온라인 트레이딩 플랫폼
__결론