다회차 수업
11.24(일)
13:00~18:00
| 신림
2회 : 12.01 (일) 13:00~18:00
3회 : 12.08 (일) 13:00~18:00
4회 : 12.15 (일) 13:00~18:00
상세장소 : 토즈, 서울대입구역점
강의 장소는 서울대 입구역 4번출구에서 도보로 1분 거리에 있는 토즈 서울대입구역점입니다.
실시간 톡
₩33,000원 / 시간
₩660,000 / 총 4회 20시간
한창호
데이터사이언티스트
인공지능 주식투자시스템(강화학습기반), 11/24(일) 오후1시 개강
찜하기
  • 신림
  • 5시간/회
  • 최대인원:4~15
  • ₩33,000/시간

튜터정보

  • Univ. of California, San Diego 경제학 박사
  • 신분 인증 됨
  • (학력인증추가)서울대학교 경제학 학사
  • (학력인증추가)서울대학교 경제학 석사
현재 고려대학교 기술경영전문대학원 겸임교수(인공지능, 빅데이터 강의)
확인사이트 : https://mot.korea.ac.kr/members/list_hi.asp?board_name=faculty&gubun=K
밑에서 3번째 라인 확인

가톨릭대학교 산업수학센터 연구교수(산업수학 프로젝트)
가톨릭대학교 수학과 겸임교수(계량경제학, 수리금융 강의)
성균관대학교 경영대학 겸임교수(금융공학 강의)
삼성금융연구소
(주)한국기업평가
에너지경제연구원
University of California, San Diego, 경제학 박사(계량경제학 전공)
서울대학교 대학원 졸업, 경제학 석사
서울대학교 경제학과 졸업, 경제학 학사

<관련 주요 학술 저술>
“The DNA of Security Return”, Quantitative Finance, vol.15, no.1, pp. 1-17. 2015
Quantitative Finance 2015년 1월 표제논문(Featured paper)으로 선정됨
https://www.tandfonline.com/doi/full/10.1080/14697688.2014.920100
“수익률 DNA를 이용한 금융시장 분석 방법론”, 자산운용연구, vol 2, no.1, pp 82-106, 2014.
“Measuring the Dependency between Securities via Factor-ICA Models”, Journal of AppliedFinance and Banking, vol. 4, no. 1, 2014.
“Multi-Variate Estimation and Forecasting with Artificial Neural Networks”,
(인공신경두뇌망을 이용한 다변량 추정 및 예측)
박사학위논문, UCSD, 1999.

수업소개

현재 3기 수강생 모집중입니다.

강의는 11/24(일) 오후 1시에 개강하며, 매주 일요일마다 4주간 진행됩니다
( 수업일: 11/24, 12/1, 12/8, 12/15)

...........................................................................................................................................................................
"인공지능 주식투자시스템"은 강화학습(Reinforcement Learning) 알고리듬을 주식데이터 분석에 적용한 방법을 소개하기 위해 기획되었습니다.

강화학습의 본질은 주어진 환경에서 특정 행동의 결과에 대한 보상을 줌으로 스스로 시행착오를 해 가며 학습하게 한다는 것입니다.

딥러닝모형과 강화학습을 결합하면 인간의 지적 능력에 상당히 근접한 인공지능을 만들 수 있습니다. 알파고를 만든 핵심이 바로 딥러닝모형과 강화학습입니다.

그런데, 알파고에게 주식투자를 시키면 얼마나 잘할까요?

​주식 가격의 움직임을 흔히 브라운 운동으로 모델링 하는데, 이것이 의미하는 바는 궁극적으로 주식가격의 움직임은 랜덤워크이므로 특정 패턴이나 규칙을 찾아내는 게 불가능하다는 것입니다

그런데,주식 시장에는 분명히 남들보다 더 높은 수익을 내는 주식고수들이 존재하고 꾸준히 초과수익을 올려서 고액 연봉에 스카웃되는 펀드매니저들도 있습니다. 이들은 어떻게 초과수익을 얻을 수 있을까요?

이들은 탁월한 분석능력으로 정보우위를 확보할 수 있었기 때문에 초과수익을 얻을 수 있었고, 인공지능 시스템도 마찬가지입니다.

​현재 거래량 기준으로 보면 하루 트레이딩의 8할 정도가 인공지능에 의해 이루어지고 있습니다. 그리고, 이제는 누구나 기본적인 코딩 실력만 있으면 인공지능 시스템을 만들 수 있습니다. 대부분의 알고리듬은 거의 다 라이브러리로 만들어져 있으므로 잘 조합만 하면 됩니다. 그 다음으로 인공지능 시스템을 목적에 맞게 훈련을 시켜야 하는데, 여기에는 상당한 시행 착오가 필요합니다.

본 강의는 학습 내용을 바로 실무에 적용하실 수 있도록 시스템 트레이딩에 관한 각종 이론 설명뿐만 아니라 Python을 이용한 데이터 분석 및 모형 구축 실습을 병행합니다.

수업을 마치면 각자 주식투자에 최적화된 인공지능 시스템을 하나씩 가지시게 됩니다. 이제 남은 일은 다양한 방법으로 이 시스템을 훈련시켜 주식거래를 통해 목표 수익률을 달성하는 것입니다.

수업대상

  • ①시스템 트레이딩 분야에 관심을 가지신 분
    ②인공지능 관련 학위 논문 작성 중이신 분
    ③전직 및 이직을 준비 중이신 분
    ④금융공학, 계량경제학, 기계학습 분야에 조언이 필요하신 분

    * 강의에 참여하신 분들께 관련 정보 및 조언을 아낌없이 드리겠습니다.

커리큘럼

1회차

금융공학을 위한 강화학습(RL: Reinforcement Learning) 입문

1. RL 개요
- Markov Decision Process,
- Key Attributes(Reward, Policy, Action, States, Transition function),
- Agent-Environment Interface
(Agent, Environment, Action, Perception, Reward, Goal)
- Learning Types
(Off-policy learning, On-policy learning, Direct Learning, Indirect learning)

2. RL 주요 구현 방법
- Monte Carlo Method,
- Certainty Equivalence,
- Dynamic Programming,
- Policy Gradient,
- Simple Decision Theory,
- Eligibility Traces,
- Temporal Difference,

3. Temporal Difference
- Q-Learning,
- Actor-Critic,
- R-Learning,
- SARSA

4. 트레이딩에 활용
- Q-Learning model: RL을 지도학습으로 전환, Q-Learning 모형 정의, Catch
- Bellman equation: Bellman equation 정의 및 용도, actor-critic 모형,
evolutionary strategy, genetic algorithm
- RL Engineering: Reward function 디자인, Robust RL
- 첨단 RL 이론: Multi-agent RL, Learning how to learn

2회차

RL 기반 주식투자 시스템 개발 I

1. RL을 이용한 주식투자 개요
- 강화학습 전략 및 효과 이해,
- 차트데이터/학습데이터,
- 주식투자 강화학습 절차

2. 개발 환경 구성
- Anaconda/PyCharm/TensorFlow/Keras 설치

3. RL 트레이딩 시스템 구조
- 모듈 구조 및 개요

4. 모듈 개발
- 환경/에이전트/정책신경망/시각화/정책학습

3회차

RL 기반 주식투자 시스템 개발 II

1. 주식 데이터 획득
- 증권사 HTS/API 또는 포털에서 주식 데이터 획득 방법

2. 모델 구축
- 데이터 전처리, 데이터 학습, 결과 확인

3. 모델 검증
- 투자 시뮬레이션

4. 모델 활용
- 모델 적용 사례 분석

4회차

RL 기반 주식투자 시스템 개발 III

1. 커스터마이징
- 에이전트/정책신경망/학습데이터 커스터마이징

2. GPU 활용 1
- 하드웨어 준비

3. GPU 활용 2
- CUDA 툴킷 설치, cuDNN 설치

4. GPU 활용 3
- GPU 버전 Tensorflow 및 Keras 설치

리뷰

리뷰쓰기

실시간톡

실시간 톡하기