지은이 소개기술 감수자 소개옮긴이 소개옮긴이의 말들어가며1부. 프레임워크: 데이터에서 전략 설계까지1장. 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__요약2장. 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__요약3장. 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__요약4장. 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__요약5장. 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 __요약2부. 머신러닝 기초6장. 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__요약7장. 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__요약8장. 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__요약9장. 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__요약10장. 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__요약11장. 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__요약12장. 비지도학습 __차원 축소____선형과 비선형 알고리즘____차원의 저주____매니폴드 학습__군집화____k-평균 군집화__요약3부. 자연어 처리13장. 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__요약14장. 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__요약15장. 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__요약4부. 딥러닝과 강화학습16장. 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__요약17장. 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__요약18장. 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__요약19장. 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__요약20장. 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__요약21장. 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__결론찾아보기