파이썬을 이용한 딥러닝/강화학습 주식투자

파이토치와 케라스를 활용한 인공지능 퀀트 투자 시스템

퀀티랩 지음

위키북스 2022년 07월 06일 출간 국내도서 : 2022년 03월 30일 출간

작품소개

책소개

강화학습은 스스로 학습하는 머신러닝 기법으로서 주식 데이터 학습에 잘 적용되는 기법입니다. 이 책에서는 파이썬을 이용한 강화학습 기반의 주식투자 시뮬레이션 프로그램을 개발하는 방법을 살펴보고, 이를 실전에 활용해 볼 수 있도록 이론과 코드 수준에서 상세한 설명을 덧붙였습니다.

이 책을 통해 딥러닝과 강화학습을 이해하고 이를 바탕으로 주식투자를 비롯한 다양한 도메인에 활용할 수 있을 것입니다.

★ 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

- 홈페이지: https://wikibook.co.kr/dltradingrev2/
- 예제코드: https://github.com/quantylab/rltrader/tree/v3.0

목차

▣ 01장: 배경 이론 1 - 금융 데이터 분석
1.1 금융 데이터란?
1.2 금융 데이터 분석의 필요성
1.3 금융 데이터 분석 방법
___1.3.1 기본적 분석
___1.3.2 기술적 분석
___1.3.3 정서 분석
___1.3.4 종합 분석
1.4 전통적인 퀀트 투자 방법
___1.4.1 퀀트 투자 역사
___1.4.2 저 PER+저 PBR+저 PCR 전략
___1.4.3 조셉 피오트로스키 F-Score
1.5 퀀트 투자 트렌드
1.6 포트폴리오 평가
1.7 이번 장의 요점

▣ 02장: 배경 이론 2 - 딥러닝이란?
2.1 딥러닝 개요
___2.1.1 딥러닝의 정의와 역사
___2.1.2 딥러닝이 최근에 주목받는 이유
___2.1.3 딥러닝으로 풀고자 하는 문제
2.2 딥러닝 발전 과정
___2.2.1 퍼셉트론
___2.2.2 인공 신경망
___2.2.3 다양한 활성화 함수 출현
___2.2.4 출력층에서 활성화 함수를 사용
___2.2.5 심층 신경망
2.3 딥러닝에 필요한 핵심 기술
___2.3.1 오차 역전파 기법
___2.3.2 최적해 탐색 기법
___2.3.3 과적합 해결 기법
2.4 고급 인공 신경망 구조
___2.4.1 순환 신경망
___2.4.2 LSTM 신경망
___2.4.3 합성곱 신경망
2.5 딥러닝 적용 사례
___2.5.1 기계 번역
___2.5.2 음성 인식
___2.5.3 이미지 인식
2.6 이번 장의 요점

▣ 03장: 배경 이론 3 - 강화학습이란?
3.1 강화학습의 기초가 된 마르코프 의사 결정 과정
___3.1.1 마르코프 가정
___3.1.2 마르코프 과정
___3.1.3 마르코프 의사 결정과정
3.2 상태 가치 함수와 상태-행동 가치 함수
___3.2.1 상태 가치 함수(state-value function)
___3.2.2 상태-행동 가치 함수(action-value function)
3.3 벨만 방정식
___3.3.1 벨만 기대 방정식(Bellman expectation equation)
___3.3.2 벨만 최적 방정식(Bellman optimality equation)
3.4 MDP를 위한 동적 프로그래밍
___3.4.1 정책 반복(policy iteration)
___3.4.2 가치 반복(value iteration)
___3.4.3 동적 프로그래밍의 한계와 강화학습이 필요한 이유
3.5 주요 강화학습 개념
___3.5.1 강화학습 표기법(notation)
___3.5.2 Model-based vs. Model-free
___3.5.3 예측(prediction)과 제어(control)
___3.5.4 부트스트랩(bootstrap)
___3.5.5 On-policy vs. Off-policy
___3.5.6 이용(exploitation)과 탐험(exploration)
3.6 주요 강화학습 기법
___3.6.1 몬테카를로 학습(Monte-Carlo learning, MC)
___3.6.2 시간차 학습(temporal-difference learning, TD)
___3.6.3 Q-러닝(Q-learning, QL)과 DQN(deep Q-network)
___3.6.4 정책 경사(policy gradient, PG)
___3.6.5 액터-크리틱
___3.6.6 A2C(advantage actor-critic)
___3.6.7 A3C(asynchronous advantage actor-critic)
___3.6.8 주요 강화학습 기법 정리
3.7 강화학습 적용 사례
___3.7.1 벽돌 깨기
___3.7.2 알파고(AlphaGo)
3.8 이번 장의 요점

▣ 04장: 배경 이론 4 - 강화학습을 이용한 주식투자란?
4.1 직관적으로 강화학습 전략 알아보기
___4.1.1 강화학습을 이용한 주식투자 구조
___4.1.2 차트 데이터 이해하기
___4.1.3 차트 데이터를 바탕으로 강화학습을 하는 방식
___4.1.4 거래 수수료와 거래세
___4.1.5 무작위 행동 결정(탐험)과 무작위 행동 결정 비율(엡실론)
4.2 강화학습 효과를 차별화하는 요인들

작가정보

저자(글) 퀀티랩

저자 : 퀀티랩
퀀티랩(Quantylab)은 금융 데이터 분석 그룹입니다. 머신러닝, 딥러닝, 강화학습 등의 다양한 기술을 연구하고 금융 데이터를 분석하여 금융 투자에 도움이 될 의미 있는 정보를 만들어 내기 위해 노력하고 있습니다.
최근에는 이 책에서 다루는 ‘파이썬 기반의 강화학습 주식투자 프로젝트’와 더불어 ‘딥러닝 금융 포트폴리오 관리 프로젝트’, ‘자동 주식투자 시스템 개발 프로젝트’ 등을 진행하고 있습니다. 관련 프로젝트 일부를 퀀티랩 깃허브(Github)에서 공유하고 있습니다. 퀀티랩 서비스에서 종목랭킹, 종목분석 등의 매일 업데이트되는 금융 데이터 분석 결과를 확인할 수 있고, 기술적 내용 또한 퀀티랩 블로그에 공유하고 있습니다.
강화학습 주식투자를 포함하여 금융 데이터 수집 및 분석과 관련된 콘텐츠를 생산하고 있습니다. 퀀티랩 네이버 프리미엄 콘텐츠에 관련 글을 올리고 있으며, 퀀티랩 네이버 카페에서 강의 수강신청을 받고 있고, 퀀티랩 유튜브 채널에 무료 강의를 업로드하고 있습니다.
퀀티랩의 활동에 많은 관심 부탁드립니다.

- 서비스: http://quantylab.com/
- 블로그: http://blog.quantylab.com/
- 네이버 프리미엄 콘텐츠: https://contents.premium.naver.com/misoncorp/quantylab
- 네이버 카페: https://cafe.naver.com/quantylab
- 유튜브 채널: https://www.youtube.com/channel/UC5bVyL7gs85fPhxwCnbhcAw
- 깃허브: https://github.com/quantylab
- 인스타그램: https://www.instagram.com/quantylab/