알고리즘 트레이딩의 이점

마지막 업데이트: 2022년 5월 6일 | 0개 댓글
  • 네이버 블로그 공유하기
  • 네이버 밴드에 공유하기
  • 페이스북 공유하기
  • 트위터 공유하기
  • 카카오스토리 공유하기
금융 AI 알고리즘의 발전

주식 시장에서 안정적으로 높은 수익을 얻기 위하여 많은 트레이딩 알고리즘에 대한 연구들이 이루어졌다. 트레이딩 알고리즘들이 미국 주식시장의 거래량에서 차지하는 알고리즘 트레이딩의 이점 비율은 80 프로가 넘을 정도로 많이 사용된다. 많은 연구에도 불구하고 항상 좋은 성능을 나타내는 트레이딩 알고리즘은 존재하지 않는다. 즉, 과거에 좋은 성능을 보이는 알고리즘이 미래에도 좋은 성능을 보인다는 보장이 없다. 그 이유는 주가에 영향을 주는 요인은 매우 많고, 미래의 불확실성도 존재하기 때문이다. 따라서 본 논문에서는 알고리즘들의 수익률에 대한 과거 기록을 바탕으로 미래의 수익률을 잘 예측하고 수익률도 높을 것으로 추정되는 알고리즘을 선택하는 TimeGAN을 활용한 모델을 제안한다. LSTM기법은 미래 시계열 데이터의 예측이 결정론적임에 반하여 TimeGAN은 확률적이다. TimeGAN의 확률적인 예측의 이점은 미래에 대한 불확실성을 반영하여 줄 수 있다는 점이다. 실험 결과로써, 본 논문에서 제안한 방법은 적은 변동성으로 높은 수익률을 달성하고, 여러 다수의 비교 알고리즘에 비해 우수한 결과를 보인다.

A lot of research is being going until this day in order to obtain stable 알고리즘 트레이딩의 이점 profit in the stock market. Trading algorithms are widely used, accounting for over 80% of the trading volume of the US stock market. Despite a lot of research, there is no trading algorithm that always shows good performance. In other words, there is no guarantee that an algorithm that performed well in the past will perform well in the future. The reason is that there are many factors that affect the stock price and there are uncertainties about the future. Therefore, in this paper, we propose a model using TimeGAN that predicts future returns well and selects algorithms that are expected to have high returns based on past records of the returns of algorithms. We use TimeGAN becasue it is probabilistic, whereas LSTM method predicts future time series data is deterministic. The advantage of TimeGAN probabilistic prediction is that it can reflect uncertainty about the future. As an experimental result, the method proposed in this paper achieves a high return with little volatility and shows superior results compared to many comparison algorithms.

ALGORITHMIC TRADING - 한국어 뜻 - 한국어 번역

a lot people decided to apply the principles of algorithmic trading to binary options because of this binary options robots were established.

It is the most powerful and feature-rich version of MetaTrader 4 allowing you to chart multiple assets at the same time apply chart studies and

trading algorithms which proves one thing: algorithmic trading is the inevitable and effective future of the global investment industry.

영어 - 한국어

한국어 - 영어

and required to achieve the purposes illustrated in the cookie policy. If you want to know more or withdraw your consent to all or some of the cookies, please refer to the cookie policy .
By closing this banner, scrolling this page, clicking a link or continuing to browse otherwise, you agree to the use of cookies.

Opt-Out of the sale of personal information
We won't sell your personal information to inform the ads you see. You may still see interest-based ads if your information is sold by other companies or was sold previously. Opt-Out Dismiss

금융 AI 알고리즘의 발전

금융 AI 알고리즘의 발전

금융 AI 알고리즘의 발전

자연어처리 및 텍스트 마이닝 기술도 발전하면서 신문기사나 뉴스를 활용한 Sentimental analysis 개발되고 있습니다. 특히 딥러닝과 다양한 frequency의 데이터를 활용한 알고리즘도 활발하게 개발되고 있습니다. 여기서 한 가지 주의할 것이 있습니다. 뛰어난 알고리즘이 절대수익을 보장하지는 않는다는 것입니다. 여러분이 좋아하는 영화, 반지의 제왕에는 절대반지가 나옵니다. 하지만 우리 주식시장에는 절대 수익을 보장하는 절대 알고리즘은 존재하지 않습니다. 절대적 알고리즘이 없기 때문에 수많은 투자전략과 알고리즘이 존재하게 되는 것이고 그리고 절대 수익을 추구하기 위해서 많은 전문가들이 노력을 하고 경쟁을 하게 되는 것입니다. 또한 재무분야에서는 효율적시장가설이라는 이론이 있습니다. 주식시장에 정보가 신속하게 반영되기 때문에, 시장수익률 여기서 시장수익률은 market return수익률이라고 그러는데 market return을 초과하는 수익률은 중장기적으로 불가능하다는 이론입니다. 금융 AI를 배우면서, 이 점을 명심할 필요가 있습니다. AI 알고리즘 트레이딩의 이점 가 Almighty Intelligence는 아니다. 금융 AI는 투자에 있어서 좀 더 효율적인 투자를 가능하게 함으로써, 투자관련 휴먼 에러를 최소화할 수 있게 합니다. 하지만 절대수익을 보장하지 알고리즘 트레이딩의 이점 않는다는 점은 명심할 필요가 있습니다.

절대 알고리즘

재무이론에서 절대수익을 보장하는 절대 알고리즘 개념이 있습니다. 바로 arbitrage, 차익거래라는 개념입니다. 차익거래는 비용 없이, 무위험으로 확실한 수익을 보장하는 알고리즘 트레이딩의 이점 기회를 의미합니다. 우리가 원하는절대 수익과 관련된 개념인 거죠. 그런데 재무이론에서는 균형개념을 소개하는 과정에서 바로 이 arbitrage업는 상태라고 가정을 합니다. 그래서 우리가 주식시장에서 관찰되는 데이터, 주식 가격은 균형 가격을 의미하는데 이 균형이라는 개념은 바로 이러한 차익거래가 없는 상태를 의미하는 것입니다. 그래서 재무 이론도 바로 이런 절대 수익을 보장하는 arbitrage가 없는 전제 하에서 개발이 되어지고 발전하고 있는 것입니다. 그래서 절대수익을 보장하는 절대 알고리즘은 없다는 것을 여러분이 꼭 명심하시기 바랍니다.

알고리즘 트레이딩의 장단점

알고리즘 트레이딩의 장단점을 말씀드리겠습니다. 먼저 장점입니다. 먼저 유동성 공급 기능이 있습니다. 그리고 4차 산업 혁명과 관련된 금융 혁신이라고 할 수 있습니다. 그리고 이 알고리즘 트레이딩을 통해서 최선의 집행 가격에 거래될 수 있는 능력을 갖추게 되는 것이고요, 또 정확성이 향상이 되고 또, 실손 축소가 되겠죠? 그리고 시장접근을 자동적으로 동시다발적으로 실시간 업데이트할 수도 있습니다. 그리고 이러한 자동화를 통해서 휴먼 에러를 방지할 수가 있게 되는 거죠. 우리 투자자가 사람이기 때문이기 때문에 인간적인 감정이나 멘탈, 정신적인 측면의 실수가 있게 됩니다. 이러한 측면의 실수를 최소화 할 수가 있습니다. 반면에 알고리즘 트레이딩의 단점도 있습니다. 우리가 자동화로 많은 거래를 할 수 있기 때문에 시장 교란 가능성이 있고 또 의도하지 않은 결과도 발생할 수가 있습니다. 2010년 5월 6일에 Flash Crash라는 것이 있었는데 이것의 원인은 바로 다름이 아니라 이 알고리즘 트레이딩이 알고리즘 트레이딩의 이점 원인이 되었다는 것으로 밝혀지고 있습니다. 그리고 기계학습 처음에 발전된 딥러닝이나 다양한 알고리즘을 활용하게 됐는데 이 알고리즘 고도화에 따라서 우발적인 시장 움직임도 발생할 수 있다는 단점이 있습니다.

알고리즘 트레이딩의 이점

잠깐! 현재 Internet Explorer 8이하 버전을 이용중이십니다. 최신 브라우저(Browser) 사용을 권장드립니다!

  • 기사공유하기
  • 프린트
  • 메일보내기
  • 글씨키우기
    • 가나다라마바사
    • 가나다라마바사
    • 가나다라마바사
    • 가나다라마바사
    • 가나다라마바사
    • 가나다라마바사
    • 노현우 기자
    • 승인 2020.06.30 07:34
    • 댓글 0
    • 기사공유하기
    • 프린트
    • 메일보내기
    • 글씨키우기
      • 가나다라마바사
      • 가나다라마바사
      • 가나다라마바사
      • 가나다라마바사
      • 가나다라마바사
      • 가나다라마바사

      (서울=연합인포맥스) 노현우 기자 = 채권시장에서 인간이 아닌 기계의 손길은 연말연시 등 휴가철에 더욱더 쉽게 체감할 수 있다.

      인간의 손으로 도저히 불가능한 타이밍에 호가가 연속으로 쏟아지는 경우가 많다. 장이 얇은 탓에 알고리즘 트레이딩의 위력이 더 크게 나타나는 셈이다.

      30일 인베스토피아에 따르면 알고리즘 트레이딩은 사전에 짜인 프로세스에 의해 트레이딩이 이뤄지는 것을 말한다.

      이 기술은 하이프리퀀시트레이딩의 기반이다. 1초에 수만개 주문이 가능한 것도 이 기술 덕분이다.

      이는 사람이 아닌 프로그램에 의해 거래가 이뤄진다는 점에서 '인공지능(AI)의 초기 단계로 해석할 수 있다.

      최근에는 클러스터링(Clustering) 등 머신러닝 기술이 도입되면서 알고리즘 트레이딩은 더욱 진화하는 양상이다.

      클러스터링은 거래 관련 몇 가지 특징을 바탕으로 컴퓨터가 거래에 최적의 알고리즘을 스스로 찾아 적용하는 방식이다.

      사전에 정한 방식을 기계적으로 적용하던 거래와는 차원이 다른 수준으로, 펀드 매니저가 놓칠 수 있는 주요 거래 특징을 보완하는 측면도 있다.

      '고빈도시장 예상(High-frequency market trading)'도 알고리즘 트레이딩의 진화 형태다.

      금리 등 시장 방향을 예상할 때 가장 큰 어려움은 고려할 변수가 많다는 점이다. 하지만 이 기술을 통하면 설명력 있는 변수를 분석 가능한 수준으로 줄일 수 있다.

      신용평가에도 인공지능 기술이 활용될 전망이다.

      미국 월스트리트저널(WSJ)에 따르면 S&P 글로벌은 2018년 3월 AI 금융정보분석업체 켄쇼 테크놀로지스(Kensho Technologies)를 5억5천만 달러(5천880억 원)에 인수했다.

      켄쇼는 2013년 미국 매사추세츠주(州)에서 설립된 AI 기반 금융정보 분석 스타트업이다. 구글의 모기업 알파벳과 페이스북, 트위터 등에서 온 직원들로 구성된 회사는 머신러닝 등 AI 기술을 활용해 금융기관들에 데이터 분석자료를 제공한다.

      다만 인공지능을 적용하는 분야가 늘면서 딜러와 트레이더들이 직면하는 일자리 위협은 더욱 커질 것으로 보인다.

      현재 주식과 채권, 선물, 원자재, 파생상품 시장은 자동 매매와 패시브 전략, 압도적인 운용자산(AUM)을 확보한 대형 금융기관이 좌우하는 상황이다.

      이들은 대규모 자금력을 동원해 지수를 추종하며 기계적으로 매매에 나선다. 이런 매매는 큰 수익을 보장하지는 않지만 때때로 감정에 휘둘리는 인간과 달리 안정되고 예측 가능한 결과물을 내놓을 가능성이 크다는 이점이 있다.

      블랙록 등 대형 알고리즘 트레이딩의 이점 자산운용사뿐 아니라 투자은행들도 펀드 매니저 대신 컴퓨터 엔지니어의 채용 규모를 늘리며 앞으로 트레이딩 시장에서 인간의 비중은 갈수록 기계에 더 밀릴 것이라는 점을 분명히 드러내고 있다.

      골드만삭스는 지난해 트레이딩 부문을 감원하면서도 기술 엔지니어는 채용을 늘렸다.

      마켓인사이더는 "골드만은 월가에서 트레이딩 부문이 가장 큰 투자은행 중 한 곳"이라며 "그런 골드만이 트레이딩 플로어에 설 엔지니어를 대규모로 뽑는다는 것은 산업계가 어떤 방향으로 가고 있는지 보여주는 신호"라고 풀이했다.

      이러한 위기감은 서울 채권시장에서도 관찰된다.

      증권사의 한 채권 딜러는 "자본주의가 고도화될수록 노동의 가치가 줄어들 수밖에 없는 건 자명한 사실"이라며 "육체가 아닌 정신 노동자인 트레이더들도 결국 고도화된 자본으로 대체되는 건 시간문제일 수 밖에 없을 것이다"고 말했다.

      그래프코어는 금융 고객들을 위해 2‍‍‍‍‍‌6‍‌‌‍‍배 향상된 성능을 제공합니다

      고객들은 IPU를 사용해 확률론적 마코프 체인 몬테카를로(Markov Chain Monte Carlo) 모델에서 알고리즘 트레이딩의 이점 최고 26배의 성능 향상을 확인하고 있습니다.

      기존 솔루션에서 학습에 2시간이 소요되는 데 비해, IPU의 경우 4.5분으로 단축 가능합니다.

      점차 더 많은 기업들이 AI를 활용해 알고리즘 트레이딩, 시장 조성, 투자 전략 및 투자 성과를 개선하고 있습니다. 머신 러닝은 사람에 의해 쉽게 탐지할 수 없는 복잡한 패턴, 트렌드 및 관계를 찾는 데 사용됩니다.

      상당한 성능 향상이 이루어졌음에도 불구하고 기존 하드웨어는 개발자들의 발목을 잡고 있습니다. 그래프코어 IPU는 처음부터 보다 최첨단 인공지능 기법을 지원하도록 설계되었습니다. IPU는 노이즈를 인식하거나 무시하고, 랜덤 벡터를 처리하며, 고도의 불확실성을 처리하는 확률론적 머신러닝 모델을 지원할 수 있습니다. 확률론적 머신러닝 모델은 신약 발견, 신물질 연구, 의사 결정, 보다 정확한 전망 및 예측 등을 비롯한 많은 분야에서 활용될 수 있습니다. 특히, 이들 새로운 모델을 통해 혜택을 누릴 수 있는 분야 중 하나가 알고리즘 트레이딩의 이점 금융 시장입니다.


      금융 모델 구축의 진화

      금융 분야에서는 정확한 정보를 확보하는 것이 무엇보다도 중요합니다. 매우 비대칭적인 정보를 보유한 금융 중개인들이 증권거래소와 증권사에서 거래하면서 막대한 양의 정보를 생성하게 되며, 여러 다양한 기업, 상품, 경제 및 개별 활동에 대한 수조 개의 데이터 포인트(data point)들은 시장 가치 변동, 궁극적으로 금융 자산 가치에 영향을 미칩니다.

      이러한 모든 정보에서 유용한 통찰력을 추출해야 한다는 필요성이 절실합니다. 시장 활동에 대한 추가 지식은 연금 포트폴리오의 일부로서 의존하고 있는 펀드의 성공과 실패를 좌우할 수 있습니다. 특정 주식들이 왜 특정한 방식으로 작용하는지를 이해하는 것은 펀드 매니저들이 향후 변동을 예측하는 데 도움이 될 수 있습니다. 시장에서엄청난 양의 엔터로피(entropy)를 선별해 관련 데이터를 찾는 것은 어려운 일입니다.

      선형 회기와 같은 고전적인 통계 모델은 시계열 분석 및 재무 예측에 적용할 때 정확도 한계가 있습니다. 선형 회기는 모든 데이터 포인트가 완전히 독립적이며 데이터 포인트 간의 그 어떤 관계도 고려하지 않는다는 가정에 의존합니다. 하지만, 주가 패턴 예측 모델과 같은 시계열 분석에서 데이터 포인트 간의 관계는 매우 중요합니다.

      새로운 확률론적 모델은 금융 시장 내 혼란스럽지만 상호 관련된 변수들을 처리하는 데 보다 적합합니다. 확률적 모델 구축의 장점은 정량적 연구원들이 최저 오차를 가진 과대 적합 추정값일 수 있는 점 추정(point estimates)에 의존하는 대신 실제 분포가 있을 수 있는 매개변수 공간의 영역을 식별할 수 있도록 한다는 것입니다. 이는 연구원들이 시장 활동에 대해 보다 확실하고 정확하게 인식할 수 있도록 지원합니다.

      마코프 체인 몬테카를로(MCMC)는 새로운 유형의 확률적 인공지능 모델로서 이와 같은 시계열 분석 문제에 적합합니다. MCMC 모델은 기존의 알려진 데이터 포인트를 이용해 연속 확률 변수 집합을 기반으로 확률 분포를 생성할 수 있습니다. 따라서, 일정 수준의 불확실성이 모델에 적용되어 시장의 실제 변동성을 훨씬 정확하게 반영하게 됩니다.


      그래프코어는 MCMC를 통해 최고 26배 개선된 성능을 구현합니다

      지금까지 MCMC 모델은 선형 회기와 비교했을 때, GPU 및 CPU와 같은 프로세서에서 실행하기에는 매우 긴 시간이 소요되기 때문에 연산 측면에서 많은 비용이 소요되는 것으로 인식되었습니다. 그래프코어 IPU는 이러한병목 현상을 제거합니다.

      금융 부문의 초기 진입(early access) IPU 고객들은 기존 하드웨어에서 2시간 이상 소요되는 데 비해, IPU에서 단 4 ½분만에 최적화된 자체 MCMC 모델을 학습시킬 수 있었습니다. 이는 학습 시간이 26배 단축되었다는 것을 나타냅니다. 최적화되지 않은 상용 텐서플로우(TensorFlow) 코드를 사용하는 경우에도, 차선책에서 400분이 소요되는 것에 비해 IPU는 확률론적(Probabilistic) 모델을 단 45분 내에 학습시킬 수 있습니다.

      헤지 펀드 카모트 캐피털(Carmot Capital)의 설립자 겸 최고정보책임자(CIO)인 조지 소콜로프(George Sokoloff)는 "오늘날 금융 분석을 위해 전 세계적으로 사용하고 있는 모델들은 너무 단순합니다"라며, "금융 부문에서 일반적인 자산 매니저에서 ECB 또는 Fed와 같은 국제 통화 당국에 이르기까지 대다수가 여전히 19세기 미적분학과 20세기 통계학에 의존하는 모델을 사용하고 있습니다. 이처럼 지나치게 단순한 모델들은 알고리즘 트레이딩의 이점 비선형적이고 불안정하며 때로 혼란스러운 금융 시장의 특성을 포착할 수 없다는 점에서 이는 심각한 문제입니다"라고 말했습니다.

      “흥미로운 사실은 이미 해결책을 가지고 있다는 것입니다. 최근 보다 복잡한 머신러닝 모델은 금융 분야에서 무슨 일이 일어나고 있는지에 대한 훨씬 심층적인 통찰력을 제공할 수 있지만, 연산 비용이 너무 높아 기존 프로세서에서 실행할 수 없습니다. 그래프코어의 IPU와 같이 매우 정교한 모델을 가속화하도록 개발된 프로세서를 이용해 보다 복잡한 모델을 훨씬 빠른 속도로 실행하는 것을 상상해 보십시오. 금융 및 전 세계 경제 측면 모두에서 이가 제공하는 이점은 실로 엄청날 것입니다.”

      “IPU를 테스트하는 1차 작업 단계에서 2시간이 아닌 4.5분만에 자사의 최적화된 MCMC 모델 중 하나를 학습시킬 수 있었습니다. 이는 최고 수준의 정확도로 다른 주요 플랫폼에 비해 학습 시간이 26배 더 빠른 것입니다. 인공지능을 가속화할 수 있는 IPU의 잠재력을 지속적으로 검토할 수 있기를 기대합니다.”

      텐서플로우(TensorFlow)를 이용한 MCMC 구현

      다른 주요 하드웨어 가속기와 비교해 IPU에서 확률론적 모델의 성능을 평가하기 위해 상용 텐서플로우 확률성(TensorFlow Probability, TFP) 구현을 선택했습니다.

      표준 텐서플로우(TensorFlow) 코드를 사용해 구현하고 그 어떤 최적화도 적용하지 않았을 때 확률론적 모델은 여전히 차선책에 비해 IPU에서 8배 더 빠른 속도로 학습을 실행한다는 사실을 확인했습니다.

      이 예제에서 모델은 완전히 연결된 3개 계층으로 이루어진 신경망입니다. 입력 데이터는 주가의 시계열 분석에서 생성된 알고리즘 트레이딩의 이점 특성(feature)입니다. 모델 매개변수의 분포는 샘플에서 나타납니다. 샘플은 고차원적인 케이스에 효율적인 MCMC 기법인 해밀턴 몬테카를로(HMC: Hamiltonian Monte Carlo) 알고리즘을 이용해 입수되었습니다. 샘플링은 슬라이드 타임 윈도우(sliding time window) 기법을 사용해 데이터 서브세트에 실행됩니다. 이는 모델의 과거 예측 능력을 테스트하기 위해 수행됩니다. IPU 플랫폼을 이용해 차선의 프로세서에서 6 ½ 시간이 소요된 데 반해, 모델 학습 시간을 45분으로 단축할 수 있었습니다.

      MCMC 활용

      알파값 추정(alpha estimation)의 경우, 보다 빠른 MCMC 모델 구축에 의해 밝혀질 수 있는 정보는 펀드 매니저들이 지속적으로 자체 모델을 업데이트하고 수익을 거둘 수 있는 영역과 그 이유를 보다 정확하게 예측할 수 있도록 합니다. 나아가 알고리즘 트레이딩의 이점 이 모델이 여러 다양한 변수에 직면했을 때에도 주가 수익률 상승 요인을 발견할 수 있습니다.

      금융 리스크 관리는 MCMC 모델이 금융 시장의을 뒤흔들 수 있는 예상치 못한 사건, 일명 “블랙 스완(black swan)”에 대한 보다 심층적인 통찰력을 제공할 수 있는 또 하나의 영역입니다. 예상치 못한 사건은 기존 방법론으로 쉽게 모델릏 구축하기 어렵습니다. 많은 리스크 관련 실무자들은 CVaR (Conditional Value at Risk)이나 마코프(Markovian) 접근 방법을 이용해 시간 경과에 따른 금융 리스크를 모델링할 것입니다. 하지만, 리스크의 비선형적인 특성을 추정하기 위해서는 머신러닝이 가치를 제공할 수 있는 비선형 모델을 실행해야 합니다. 특히, MCMC 모델은 정량적 연구원들이 미래에 발생할 수 있는 비선형 리스크 요인들을 추정하는 데 도움이 될 수 있습니다.

      옵션 가격 결정에서, 목표는 특정 금융 상품에 포함된 특정 파생 상품의 미래 가격을 결정하고 그 활동의 모델을 만드는 것입니다. 하지만, 이 모델은 “팻테일(fat-tailed)” 형태가 될 수 있습니다. 이는 모델 내에 많은 이상치와 많은 비정상적 활동이 발생하여 옵션 가격을 예측하는 활동이 매우 복잡해질 수 있다는 것을 의미합니다. MCMC 모델을 사용해 특정 선형성을 잠재적인 수익률로 평가함으로써 금융 에이전트들은 자산에 대한 수익률이 어떻게 분포될 것인지를 보다 정확하게 파악할 수 있습니다. 보다 폭 넓은 사회적 수준에서 통화 정책 분야는 MCMC를 도입해 매우 긍정적인 효과를 얻을 수 있습니다. 경제 정책, 국제 무역, 저축, 소비, 이자율, 주식 시장 등 경제 모델 구축 방법을 구성하는 기본 요소들은 금융 활동에 영향을 미치는 변수들에 대해 보다 방대하고, 정확한 통찰력에 의해 뒷받침 될 수 있습니다.

      연구원들이 그래프코어 IPU 기술을 기반으로 보다 복합적인 금융 자산에 대한 모델을 구축하기 시작하면서 MCMC의 활용이 크게 증가할 것으로 예상됩니다. IPU 가속 처리와 혁신적인 MCMC 구축 모델을 함께 결합해 금융 업계에 대한 시장 통찰력을 획기적으로 개선하고 전반적인 경제 구축 모델을 향상시킬 전망입니다.


0 개 댓글

답장을 남겨주세요