금융에서의 딥러닝 (개요)

이 기사는 Re-work Deep Learning Summit에서 발표된 내용을 요약했습니다. 해당 발표에서는 금융 모델이 실패하는 이유와 딥러닝이 그 격차를 어떻게 메울 수 있는지 설명했습니다. 더 나아가 금융 분야의 딥 러닝에 대한 세 가지 사용 사례와 이러한 모델의 우수성에 대한 증거를 제시했습니다.

금융이 가장 계산 집약적인 분야인 반면, 금융에서 널리 사용되는 모델은 감독 및 비지도 모델, 상태 기반 모델, 계량 경제 모델 또는 심지어 확률 적 모델까지도 과잉 피팅, 휴리스틱 및 열악한 문제로 인해 손상됩니다.

금융 영역은 매우 복잡하고 비선형적이며 서로 영향을 미치는 수많은 요인이 있기 때문입니다.

이를 해결하기 위해 이미지 인식, 음성 인식, 그리고 감정 분석 분야에서 입증된 딥러닝 연구를 살펴보면 이러한 모델이 레이블이 지정되지 않은 대규모 데이터에서 학습하고 비선형 관계를 형성하며 반복 구조를 형성 할 수 있음을 알 수 있습니다. 과적합(over-fitting)을 피하기 위해 쉽게 조정할 수 있습니다.

이러한 모델이 금융 분야에서 응용 프로그램을 찾으면 응용 프로그램은 광범위합니다. 이러한 모델은 가격 책정, 포트폴리오 구성, 위험 관리 및 고주파 거래에 사용될 수 있습니다. 따라서 이러한 문제 중 몇 가지를 해결해 보겠습니다.

수익률 예측

일일 금 가격을 예측하는 샘플 문제를 가지고 먼저 전통적인 방법을 살펴 봅니다.

ARIMA

계절 성분을 제자리에 유지하는 고정 시계열을 예측하려는 자기 회귀 통합 이동 평균 모델을 사용하여 결과를 얻습니다.

VAR

관련 예측 변수를 자동 회귀 모델에 추가하고 벡터 자동 회귀 모델로 이동하면 다음과 같은 결과를 얻을 수 있습니다.

Deep Regression

동일한 입력을 사용하여 데이터에 간단한 심층 회귀 모델을 적용하면 훨씬 더 나은 결과를 얻을 수 있습니다.

Convolutional Neural Networks

동일한 문제에 대해 Convolution Neural Networks을 사용하도록 아키텍처를 수정하면 결과는 다음과 같습니다.

Long Short Term Memorny (LSTM)

따라서 전체적으로 평균 제곱 오차의 추세로 모형의 성능을 판단해 본다면 전통적인 시계열 분석 모형보다 딥러닝 모형이 좋다고 할 수 있습니다.

포트폴리오 구성

딥 러닝을 사용하여 해결하려는 두 번째 재정 문제는 포트폴리오 구성입니다. 이 문제에 딥러닝(CNN 또는 LSTM)을 적용하는 것은 아름다운 구성을 가지고 있습니다. 딥러닝 포트폴리오는 Deep Portfolio라는 제목의 논문에서 영감을 받았습니다.

이 논문의 저자는 시계열을 자체에 매핑하는 Auto-Encodor를 구성하려고합니다. 이러한 Auto-Encoder를 사용한 예측 오류는 주식 베타 (시장과의 상관 관계)의 프록시가되고 Auto-Encoder는 시장의 모델이됩니다!

위에서 언급 한 Auto-Encoder 오류를 기반으로 다양한 주식 세트를 선택하면 다른 심층 신경망을 사용하여 심층 지수를 구성 할 수 있으며 결과는 상당히 좋습니다.

여기서 심층 신경망은 주식을 사용하여 인덱스를 복제 한 인덱스 구축 방법이되었습니다.
그러나 그것은 시작에 불과합니다! 인덱스에서 극심한 감소 기간을 제거하고 스마트 인덱스에서 인덱스 매핑 심층 신경망을 훈련시키는 스마트 인덱싱을 적용하면 인덱스를 과감하게 능가 할 수 있습니다!

이 기술은 포트폴리오 구성 분야에서 엄청난 잠재력을 가지고 있습니다!

결론

금융 산업의 현재 동향은 더 정교하고 건전한 모델이 미래의 길을 이끌고 있습니다. 기술은 많은 수의 데이터 과학자가 현장에 진입하는 모든 은행에게 엄청난 스트레스 영역입니다. 이미 이러한 기술을 거래에 사용는 RelTec 및 Worldquant와 같은 헤지 펀드가 있습니다. 다른 분야의 정교한 모델이 보여주는 우수한 결과와 재무 모델링 분야의 큰 격차를 통해 극적인 혁신의 범위가 있습니다!

금융 및 거래 분야의 중요한 문제에 대한 더 나은 솔루션은 효율성, 투명성, 위험 관리 및 새로운 혁신으로 이어질 것입니다.