파이썬은 금융에서 가장 보편적으로 사용되는 언어이면서 방대한 라이브러리를 갖고 있다. 금융 데이터를 다운로드하는 다양한 방법과 모델링을 위해 준비하는 기법을 알려준다.
기술분석에 사용되는 볼린저 밴드, MACD, RSI 그리고 백테스트를 이용한 자동 거래 전략 등의 보편적 지표를 계산해 본다. 다음으로 지수 평활, ARIMA 및 GARCH (다변량 사양 포함), 인기 있는 CAPM과 파마-프렌치 3 팩터 모델 등의 시계열 분석과 모델을 다룬다.
그런 다음 자산 할당을 최적화하는 방법 알아보고 몬테 카를로 시뮬레이션을 사용해 미국 옵션 가격 계산과 VaR을 추정해 본다. 또한 금융 영역에서 전체 데이터 과학 프로젝트, 신용 카드 사기와 디포트를 해결하는 방법을 고급 분류기인 랜덤 포레스트, XGBoost, LightGBM 그리고 스택된 모델을 사용해 해결해 본다.
그 뒤 모델의 초매개변수를 조정하고 부류 불균형을 다루고, 마지막으로 금융에 딥러닝을 사용하는 방법에 집중한다. 이 책을 읽고 나면 레시피에 기반한 접근을 통해 금융 데이터를 효과적으로 분석하는 방법을 알게 될 것이다.

■ 다양한 소스의 금융 데이터 다운로드와 전처리
■ 실제 자동 거래 전략에 대한 백테스팅
■ 파이썬으로 계량 경제학 모델 추정하고 결과 해석
■ 몬테 카를로 시뮬레이션을 사용한 다양한 파생상품 가격산정과 리스크 평가
■ 최신 파이썬 라이브러리를 사용한 금융 모델 성능 개선
■ 머신러닝과 딥러닝 기술을 다양한 금융문제 해결에 적용
■ 금융 시계열 데이터 모델에 사용되는 다양한 기법 이해

금융에서 광범위한 작업을 구현하는 방법을 배우려는 재무 분석가, 데이터 분석가/과학자, 파이썬(Python) 개발자를 대상으로 한다. 효율적인 재무 분석을 수행하고자 지능형 금융 전략을 고안하려는 데이터 과학자에게도 도움이 된다. 이 책을 읽으려면 파이썬 프로그래밍 언어의 실무 지식은 필수다

1장, ‘금융 데이터와 전처리’ 머신러닝 작업에 일반적으로 사용되는 여러 유형의 데이터와 금융 데이터가 어떻게 다른지 살펴본다. 제공된 함수를 사용해 여러 소스(예: Yahoo Finance 및 Quandl)에서 재무 데이터를 다운로드하고 추가 분석을 위해 전처리할 수 있다. 마지막으로 데이터가 자산의 정형화 사실을 따르는지 조사하는 방법을 학습한다.
2장, ‘파이썬에서의 기술적 분석’ 기본적인 기술 분석의 기초와 파이썬에서 근사한 대시보드를 빠르게 만드는 방법을 보여 준다. 가장 일반적으로 사용되는 척도(예: MACD 및 RSI)에서 나오는 패턴에 대한 통찰력을 얻을 수 있다.
3장, ‘시계열 모델링’ 시계열 모델링의 기본 사항(시계열 분해와 통계적 정상성 포함)을 소개한다. 그런 다음 가장 널리 사용되는 두 가지 시계열 모델링 접근법인 지수 평활법과 ARIMA 클래스 모델을 살펴본다. 마지막으로 페이스북의 Prophet 라이브러리의 가법 모델을 사용해 시계열을 모델링하는 새로운 방법을 제시한다.
4장, ‘다팩터 모델링’ 다양한 팩터 모델을 추정하는 방법을 보여 준다. 가장 간단한 단일 요소 모델부터 시작해 고급 3-팩터, 4-팩터, 5-팩터 모델을 추정하는 방법을 설명한다.
5장, ‘GARCH 클래스 모델을 사용한 변동성 모델링’ (G)ARCH 클래스 모델을 사용한 변동성 예측 개념, 가장 적합한 모델을 선택하는 방법 및 결과 해석 방법을 소개한다.
6장, ‘금융에서의 몬테카를로 시뮬레이션’ 몬테카를로 시뮬레이션의 개념과 주가 시뮬레이션, 유럽/미국 옵션 평가 및 VaR 계산에 사용하는 방법을 소개한다.
7장, ‘파이썬으로 자산 배분’ 현대 포트폴리오 이론의 개념을 소개하고 파이썬에서 효율적 경계선을 얻는 방법을 보여 준다. 그런 다음 최소 분산 또는 최대 샤프 비율과 같은 특정 포트폴리오를 식별하는 방법을 살펴본다. 또한 이러한 포트폴리오의 성능을 평가하는 방법도 보여 준다.
8장, ‘머신러닝으로 디폴트 찾기’ 디폴트 예측을 위해 머신러닝을 사용하는 경우를 설명한다. 최신 분류 알고리즘을 배우고 모델의 초매개 변수를 조정하는 방법을 배우고, 불균형 데이터의 문제를 처리할 수 있게 된다.
9장, ‘금융에서의 고급 머신러닝 모델’ 다양한 고급 분류기(여러 모델 스태킹 포함)를 소개한다. 또한 부류 불균형을 처리하고 초매개 변수 튜닝에 베이즈 최적화를 사용하고, 모델에서 특징의 중요도를 검색하는 방법을 살펴본다.
10장, ‘금융에서의 딥러닝’ 데이터 작업에 딥러닝 기술을 사용하는 방법을 보여 준다. 네트워크는 파이토치를 사용해 훈련된다(GPU 가속 가능).

재무 데이터를 다운로드하고 모델링을 준비하는 다양한 방법을 탐색하는 것으로 시작한다. 자산 가격과 수익의 기본 통계 속성을 확인하고, 이른바 정형화된 사실의 존재를 조사한다. 그런 다음 기술 분석에 사용되는 인기 지표(예: 볼린저 밴드, 이동 평균 수렴 발산(MACD, Moving Average Convergence Divergence), 상대 강도 지수(RSI, Relative Strength Index))를 계산하고, 이를 바탕으로 구축된 자동 거래 전략을 백테스트한다.
다음 절에서는 시계열 분석을 소개하고 지수 평활화, ARIMA(AutoRegressive Integrated Moving Average), GARCH(Generalized Autoregressive Conditional Heteroskedasticity)(다변량 사양 포함)와 같은 인기 모델을 탐색한다. 또한 유명한 자본 자산 가격 책정 모델(CAPM, Capital Asset Pricing Model), 파마-프렌치(Fama-French) 3단계 모델을 포함한 요인 모델을 소개한다. 그리고 자산 배분을 최적화하는 다양한 방법을 보여 줌으로써 ‘들어가며’를 끝내고, 미국 옵션 가격 계산 또는 VaR(Value at Risk) 추정과 같은 작업에 몬테카를로(Monte Carlo) 시뮬레이션을 사용한다.
이 책의 마지막 부분에서는 금융 영역에서 전체 데이터 과학 프로젝트를 수행한다. 랜덤 포레스트, XG부스트(XGBoost), LightGBM, 스택 모델 등과 같은 고급 분류기를 사용해 신용 카드 사기/디폴트 문제에 접근한다. 또한 모델의 초매개 변수(베이즈 최적화 포함)를 조정하고 부류 불균형을 처리한다. 딥러닝(파이토치 사용)이 수많은 재정 문제를 해결할 수 있는 방법을 시연하며 이 책을 마무리한다.

에릭 르윈슨(Eryk Lewinson)

로테르담 에라스무스 대학교(EUR, Erasmus University Rotterdam)에서 정량 금융 석사 학위를 받았다. 2개의 ‘Big 4’ 회사와 더치 핀테크(Dutch FinTech)의 확장을 위해 일하면서 데이터 과학 기법의 실제 적용에 대한 경험을 얻었다. 머신러닝을 사용해 회사의 비즈니스 가치를 제고하는 데 중점을 뒀다. 여가 시간에는 데이터 과학, 비디오 게임, 여자 친구와의 여행 관련 주제로 글쓰는 것을 좋아한다.

금융에 특화된 파이썬(Python) 책은 흔치 않다. 그런 관점에서 이 책은 금융에 관련된 다양한 파이썬 라이브러리는 물론 최근의 딥러닝 기법까지 같이 소개하고 있다. 이 책 한 권이면 금융 데이터의 처리와 기술분석부터 시작해 시계열을 모델링하는 방법을 배울 수 있다. 이와 함께 다팩터 모델은 물론 변동성을 모델링하는 GARCH와 자산을 배분하는 방법도 파이썬을 통해 실습해 볼 수 있다.
각 장별로 코드를 따라 하다 보면 금융과 관련된 다양한 지식을 파이썬과 동시에 습득할 수 있게 되는 것은 물론 머신리닝 기법을 사용해 신용불량 예측을 수행해 보는 실습을 할 수 있다.
이 책의 후반부에는 금융에 사용되는 다양한 딥러닝 기법도 소개하고 있다. 금융과 직접 연계된 실습을 따라 해 볼 수 있는 흔치 않은 기회가 될 것이다.

(주)크라스랩

머신러닝을 기반으로 다양한 연구를 수행하고 있으며, 특히 머신러닝 기반의 금융 분석과 핀테크에 중점을 두고 있다. KAIST 전산학과 계산이론 연구실 출신의 이병욱 대표가 이끌고 있으며, 그의 저서 『블록체인 해설서』(에이콘, 2019)는 대한민국학술원이 선정한 교육부 우수학술도서이기도 하다.