해당 게시글은 Bosancic et al.(2024)의 “Regime-Aware Factor Allocation with Optimal Feature Selection” 논문을 리뷰한 글입니다. 본 게시물에서 인용한 논문 및 자료에 대한 상세 정보는 아래의 링크를 통해 확인하실 수 있습니다. Bosancic et al.(2024) Introduct...
해당 게시글은 Auh and Cho(2023)의 “Factor-Based Portfolio Optimization”을 리뷰한 글입니다. 논문에 대한 개인적인 의견도 포함되어 있습니다. 출처: https://www.sciencedirect.com/science/article/pii/S0165176523001623?casa_token=odPIWEKcS...
FBA Quant 금융공학(퀀트) 학회 Asset Pricing 세션 활동내용(2024-07 ~ 2025-01)은 해당 링크를 통해 확인할 수 있습니다. https://github.com/Hyoungmin98/FBA-Quant_AP
Chapter 7. 멀티 팩터 전략 7.1 팩터로 구하는 국면 어떠한 팩터도 무조건적인 수익을 가져다주는건 없기에 적절한 시기와 전략이 잘 맞는 것이 중요하다. → 전략의 수익률을 바탕으로 현재 시장 상황을 정의. 7.1.1 전략별 일별 수익 모멘텀 성과가 잘 나온다 → 시장 호황기 가치주 성과가 잘 나온다 → 기업의 버블이 꺼지는 시기 이런 식...
Chapter 3. 평균-분산 전략 구현 및 시뮬레이션 분석 MVO를 기반으로 한 투자전략을 시뮬레이션하기 위한 전체 과정은 다음과 같다. 시뮬레이션에 있어서 다음과 같은 시장 환경을 가정한다. 모든 주문은 다음 거래일의 시작 가격으로 체결된다. 거래 시 수수료와 슬리피지를 고려하지만 세금은 무시한다. 3.1.1 데이터 수집 사용할 ...
Chapter 9. 강화 학습 강화 학습은 보상을 극대화하고 패널티를 최소화하는 최적의 정책을 통해 최선의 조치를 찾도록 머신을 훈련시키는 접근방식이다. 9.1 강화 학습: 이론 및 개념 에이전트: 동작을 수행하는 본체 환경: 에이전트가 속해 있는 세계 상태: 현재 상황 보상: 에이전트가 마지막으로 수행한 동작을 평가하기 위해 환경에서 보낸 즉각...
Chapter 7. 비지도 학습: 차원 축소 7.1 차원 축소 기술 7.1.1 주성분 분석 # PCA 알고리즘 가져오기 from sklearn.decomposition import PCA # 알고리즘 초기화 및 주성분 수 설정 pca = PCA(n_components=2) # 데이터에 모델 적합화 pca.fit(data) # 주성분 리스트 가져...
Chapter 5. 지도 학습: 회귀(시계열 모델) 금융 기관에 종사하는 애널리스트, 투자 매니저 등 금융권에서 가장 많이 사용하는 머신러닝 금융 산업에서는 상당히 많은 자산 모델링과 예측 문제가 시간 구성요소와 연속 출력의 추정과 관계되기 때문에 시계열 모델을 다루는 것은 필수적이다. 5.1 시계열 모델 5...
chapter 3. 인공 신경망 머신러닝 기법 중 인공신경망은 인공 뉴런이라고 불리는 노드가 연결된 집합체로, 연산을 수행하는 시스템이다. 신호를 받은 인공 뉴런은 신호를 처리하고 그다음 연결된 뉴런에 전달한다. 3.1 구조, 훈련, 하이퍼파라미터 인공 신경망은 모델을 거쳐 얻은 결과와 예상한 결과를 비교하는 방식으로 훈련 단계를 거친다. 3....
주성분 분석(principal component analysis) 주성분 분석이란? 차원 축소(Dimensionality Reduction)의 한 방법으로, 데이터의 패턴을 보존하며 데이터의 차원을 줄이는 방법. PCA는 데이터의 분산을 최대한 설명하는 새로운 축(주성분)을 찾는다. 주성분을 찾으면 해당 주성분 방향으로 기존 데이터들을 사...