|
|
|
 ※ 알려드립니다.발행일 : 2022-03-30
책소개이 책이 속한 분야강화학습은 스스로 학습하는 머신러닝 기법으로서 주식 데이터 학습에 잘 적용되는 기법입니다. 이 책에서는 파이썬을 이용한 강화학습 기반의 주식투자 시뮬레이션 프로그램을 개발하는 방법을 살펴보고, 이를 실전에 활용해 볼 수 있도록 이론과 코드 수준에서 상세한 설명을 덧붙였습니다. 이 책을 통해 딥러닝과 강화학습을 이해하고 이를 바탕으로 주식투자를 비롯한 다양한 도메인에 활용할 수 있을 것입니다. ★ 이 책에서 다루는 내용 ★ ◎ 딥러닝과 강화학습 이론 ◎ 주식투자에 강화학습을 적용하는 법 ◎ 강화학습 기반의 주식투자 시스템 개발 ◎ 강화학습을 위한 실제 주식 데이터 획득 및 처리 ◎ 강화학습으로 주식 데이터를 학습하는 법 ◎ 학습한 강화학습 모델을 활용하는 법 ◎ 강화학습 기반의 주식투자 시스템을 커스터마이징하는 법 - 홈페이지: https://wikibook.co.kr/dltradingrev2/ - 예제코드: https://github.com/quantylab/rltrader/tree/v3.0 상세이미지 목차▣ 01장: 배경 이론 1 - 금융 데이터 분석 1.1 금융 데이터란? 1.2 금융 데이터 분석의 필요성 1.3 금융 데이터 분석 방법 ___1.3.1 기본적 분석 ___1.3.2 기술적 분석 ___1.3.3 정서 분석 ___1.3.4 종합 분석 1.4 전통적인 퀀트 투자 방법 ___1.4.1 퀀트 투자 역사 ___1.4.2 저 PER+저 PBR+저 PCR 전략 ___1.4.3 조셉 피오트로스키 F-Score 1.5 퀀트 투자 트렌드 1.6 포트폴리오 평가 1.7 이번 장의 요점 ▣ 02장: 배경 이론 2 - 딥러닝이란? 2.1 딥러닝 개요 ___2.1.1 딥러닝의 정의와 역사 ___2.1.2 딥러닝이 최근에 주목받는 이유 ___2.1.3 딥러닝으로 풀고자 하는 문제 2.2 딥러닝 발전 과정 ___2.2.1 퍼셉트론 ___2.2.2 인공 신경망 ___2.2.3 다양한 활성화 함수 출현 ___2.2.4 출력층에서 활성화 함수를 사용 ___2.2.5 심층 신경망 2.3 딥러닝에 필요한 핵심 기술 ___2.3.1 오차 역전파 기법 ___2.3.2 최적해 탐색 기법 ___2.3.3 과적합 해결 기법 2.4 고급 인공 신경망 구조 ___2.4.1 순환 신경망 ___2.4.2 LSTM 신경망 ___2.4.3 합성곱 신경망 2.5 딥러닝 적용 사례 ___2.5.1 기계 번역 ___2.5.2 음성 인식 ___2.5.3 이미지 인식 2.6 이번 장의 요점 ▣ 03장: 배경 이론 3 - 강화학습이란? 3.1 강화학습의 기초가 된 마르코프 의사 결정 과정 ___3.1.1 마르코프 가정 ___3.1.2 마르코프 과정 ___3.1.3 마르코프 의사 결정과정 3.2 상태 가치 함수와 상태-행동 가치 함수 ___3.2.1 상태 가치 함수(state-value function) ___3.2.2 상태-행동 가치 함수(action-value function) 3.3 벨만 방정식 ___3.3.1 벨만 기대 방정식(Bellman expectation equation) ___3.3.2 벨만 최적 방정식(Bellman optimality equation) 3.4 MDP를 위한 동적 프로그래밍 ___3.4.1 정책 반복(policy iteration) ___3.4.2 가치 반복(value iteration) ___3.4.3 동적 프로그래밍의 한계와 강화학습이 필요한 이유 3.5 주요 강화학습 개념 ___3.5.1 강화학습 표기법(notation) ___3.5.2 Model-based vs. Model-free ___3.5.3 예측(prediction)과 제어(control) ___3.5.4 부트스트랩(bootstrap) ___3.5.5 On-policy vs. Off-policy ___3.5.6 이용(exploitation)과 탐험(exploration) 3.6 주요 강화학습 기법 ___3.6.1 몬테카를로 학습(Monte-Carlo learning, MC) ___3.6.2 시간차 학습(temporal-difference learning, TD) ___3.6.3 Q-러닝(Q-learning, QL)과 DQN(deep Q-network) ___3.6.4 정책 경사(policy gradient, PG) ___3.6.5 액터-크리틱 ___3.6.6 A2C(advantage actor-critic) ___3.6.7 A3C(asynchronous advantage actor-critic) ___3.6.8 주요 강화학습 기법 정리 3.7 강화학습 적용 사례 ___3.7.1 벽돌 깨기 ___3.7.2 알파고(AlphaGo) 3.8 이번 장의 요점 ▣ 04장: 배경 이론 4 - 강화학습을 이용한 주식투자란? 4.1 직관적으로 강화학습 전략 알아보기 ___4.1.1 강화학습을 이용한 주식투자 구조 ___4.1.2 차트 데이터 이해하기 ___4.1.3 차트 데이터를 바탕으로 강화학습을 하는 방식 ___4.1.4 거래 수수료와 거래세 ___4.1.5 무작위 행동 결정(탐험)과 무작위 행동 결정 비율(엡실론) 4.2 강화학습 효과를 차별화하는 요인들 ___4.2.1 차별화 요인 1: 학습 데이터 구성 ___4.2.2 차별화 요인 2: 에이전트 상태 종류 ___4.2.3 차별화 요인 3: 에이전트 행동 종류 ___4.2.4 차별화 요인 4: 신경망 ___4.2.5 차별화 요인 5: 강화학습 기법 4.3 차트 데이터와 학습 데이터 살펴보기 ___4.3.1 차트 데이터 ___4.3.2 학습 데이터 4.4 주식투자 강화학습 절차 ___4.4.1 주식투자 강화학습 순서도 ___4.4.2 행동 결정 ___4.4.3 결정된 행동 수행 ___4.4.4 배치 학습 데이터 생성 및 신경망 업데이트 4.5 주식투자 강화학습 과정 및 결과 확인 방법 ___4.5.1 강화학습 과정 확인의 필요성 ___4.5.2 강화학습 과정을 로그로 남기기 ___4.5.3 강화학습 과정을 이미지로 가시화하기 4.6 이번 장의 요점 ▣ 05장: 모듈 개발 - 강화학습 기반 주식투자 시스템 개발 5.1 RLTrader 개발에 필요한 환경 ___5.1.1 아나콘다 설치 ___5.1.2 PyTorch 설치 ___5.1.3 텐서플로 설치 ___5.1.4 plaidML 설치 5.2 RLTrader의 설계 ___5.2.1 모듈 구조 ___5.2.2 디렉터리 구조 ___5.2.3 클래스 다이어그램 ___5.2.4 환경 모듈 개요 ___5.2.5 에이전트 모듈 개요 ___5.2.6 신경망 모듈개요 ___5.2.7 학습기 모듈 개요 ___5.2.8 데이터 관리 모듈 개요 ___5.2.9 가시화 모듈개요 ___5.2.10 실행 모듈 개요 5.2.11 기타 모듈 5.3 환경 모듈 개발 ___5.3.1 환경 모듈의 주요 속성과 함수 ___5.3.2 코드 조각: 환경 클래스 5.4 에이전트 모듈 개발 ___5.4.1 에이전트 모듈의 주요 속성과 함수 ___5.4.2 코드 조각 1: 에이전트 클래스의 상수 선언 ___5.4.3 코드 조각 2: 에이전트 클래스의 생성자 ___5.4.4 코드 조각 3: 에이전트 클래스의 함수 5.5 신경망 패키지 개발 ___5.5.1 딥러닝 프레임워크 선정 ___5.5.2 신경망 구조 ___5.5.3 신경망 모듈의 주요 속성과 함수 ___5.5.4 코드 조각: 딥러닝 프레임워크에 따라 신경망 모듈 구현체 선택 5.6 PyTorch를 이용한 신경망 모듈 개발 ___5.6.1 코드 조각 1: PyTorch 등의 의존성 임포트 ___5.6.2 코드 조각 2: PyTorch를 이용한 Network 클래스 ___5.6.3 코드 조각 3: PyTorch를 이용한 DNN 클래스 ___5.6.4 코드 조각 4: PyTorch를 이용한 LSTMNetwork 클래스 ___5.6.5 코드 조각 5: PyTorch를 이용한 CNN 클래스 5.7 Keras를 이용한 신경망 모듈 개발 ___5.7.1 코드 조각 1: Keras를 이용한 Network 클래스 ___5.7.2 코드 조각 2: Keras를 이용한 DNN 클래스 ___5.7.3 코드 조각 3: Keras를 이용한 LSTMNetwork 클래스 ___5.7.4 코드 조각 4: Keras를 이용한 CNN 클래스 5.8 가시화 모듈 개발 ___5.8.1 가시화 모듈의 주요 속성과 함수 ___5.8.2 가시화 모듈이 만들어 내는 정보 ___5.8.3 코드 조각 1: 가시화기 클래스의 생성자 ___5.8.4 코드 조각 2: 가시화 준비 함수 ___5.8.5 코드 조각 3: 가시화 함수 ___5.8.6 코드 조각 4: 가시화 정보 초기화 및 결과 저장 함수 5.9 학습기 모듈 개발 ___5.9.1 학습기 모듈의 주요 속성과 함수 ___5.9.2 코드 조각 1: 학습기 모듈의 의존성 임포트 ___5.9.3 코드 조각 2: 학습기 클래스의 생성자 ___5.9.4 코드 조각 3: 가치 신경망 생성 함수 ___5.9.5 코드 조각 4: 정책 신경망 생성 함수 ___5.9.6 코드 조각 5: 에포크 초기화 함수 ___5.9.7 코드 조각 6: 가치 신경망 및 정책 신경망 학습 ___5.9.8 코드 조각 7: 에포크 결과 가시화 ___5.9.9 코드 조각 8: 강화학습 실행 함수 ___5.9.10 코드 조각 9: DQN 강화학습 클래스 ___5.9.11 코드 조각 10: 정책 경사 강화학습 클래스 ___5.9.12 코드 조각 11: Actor-Critic 강화학습 클래스 ___5.9.13 코드 조각 12: A2C 강화학습 클래스 ___5.9.14 코드 조각 13: A3C 강화학습 클래스 5.10 데이터 관리 모듈 개발 ___5.10.1 코드 조각 1: 자질 벡터 정의 ___5.10.2 코드 조각 2: 데이터 전처리 함수 ___5.10.3 코드 조각 3: 차트 데이터 및 학습 데이터 로드 함수 5.11 강화학습 주식투자 실행 모듈 개발 ___5.11.1 코드 조각 1: 프로그램 인자 설정 ___5.11.2 코드 조각 2: 파라미터 설정 ___5.11.3 코드 조각 3: 강화학습 설정 ___5.11.4 코드 조각 4: 강화학습 실행 5.12 기타 모듈 개발 ___5.12.1 코드 조각 1: 설정 모듈 ___5.12.2 코드 조각 2: 유틸리티 모듈 5.13 개발 참여 5.14 이번 장의 요점 ▣ 06장: 데이터 준비 - 주식 데이터 획득 6.1 방법 1. 증권사 HTS 사용 ___6.1.1 증권사 HTS 다운로드 ___6.1.2 증권 계좌 개설 ___6.1.3 종목 차트 데이터 확인 ___6.1.4 엑셀에서 일별 데이터 CSV 파일 저장 6.2 방법 2. 증권사 API 사용 ___6.2.1 증권사 API 설치 ___6.2.2 대신증권 크레온 API 사용 환경 준비 ___6.2.3 대신증권 크레온 HTS 실행 ___6.2.4 대신증권 크레온 API를 이용한 차트 데이터 획득 프로그램 작성 6.3 방법 3. 웹 크롤링 ___6.3.1 pandas-datareader로 주식 데이터 획득하기 ___6.3.2 금융 포털 크롤링으로 주식 데이터 획득하기 6.4 방법 4. 퀀티랩 데이터베이스 사용 6.5 이번 장의 요점 ▣ 07장: 강화학습 실행 7.1 RLTrader 실행 방법 ___7.1.1 학습 모드 실행 방법 ___7.1.2 테스트 모드 실행 방법 ___7.1.3 업데이트 모드 실행 방법 ___7.1.4 예측 모드 실행 방법 ___7.1.5 강화학습 과정 및 결과 확인 ___7.1.6 학습이 잘 되지 않을 때의 체크리스트 7.2 학습 모드 예시 ___7.2.1 학습 모드 결과 1: 삼성전자(005930) ___7.2.2 학습 모드 결과 2: 현대차(005380) ___7.2.3 학습 모드 결과 3: 카카오(035720) ___7.2.4 학습 모드 결과 정리 및 원숭이 투자와의 비교 7.3 테스트 모드 예시 ___7.3.1 테스트 모드의 특징 ___7.3.2 테스트 모드 결과 1: 삼성전자(005930) ___7.3.3 테스트 모드 결과 2: 현대차(005380) ___7.3.4 테스트 모드 결과 3: 카카오(035720) ___7.3.5 테스트 모드 결과 정리 및 원숭이 투자와의 비교 7.4 업데이트 모드 예시 ___7.4.1 업데이트 모드의 특징 ___7.4.2 업데이트 모드 결과 1: 삼성전자(005930) ___7.4.3 업데이트 모드 결과 2: 현대차(005380) ___7.4.4 업데이트 모드 결과 3: 카카오(035720) ___7.4.5 업데이트 모드 결과 정리 및 원숭이 투자와의 비교 7.5 예측 모드 예시 ___7.5.1 예측 모드의 특징 ___7.5.2 예측 모드 결과 1: 삼성전자(005930) ___7.5.3 예측 모드 결과 2: 현대차(005380) ___7.5.4 예측 모드 결과 3: 카카오(035720) 7.6 이번 장의 요점 ▣ 08장: RLTrader 커스터마이징 8.1 에이전트 모듈 커스터마이징 ___8.1.1 코드 조각 1: 매매 수수료 및 세금 커스터마이징 사례 ___8.1.2 코드 조각 2: 행동 결정 로직 커스터마이징 사례 8.2 신경망 모듈 커스터마이징 ___8.2.1 코드 조각 1: 신경망 커스터마이징 사례 ___8.2.2 코드 조각 2: 최적화 방법 커스터마이징 사례 ___8.2.3 코드 조각 3: 공유 신경망 적용 커스터마이징 사례 8.3 강화학습 학습기 커스터마이징 ___8.3.1 코드 조각 1: 배치 학습 데이터 생성 커스터마이징 사례 ___8.3.2 코드 조각 2: 가시화 파일 생성 수 조절 8.4 학습 데이터 커스터마이징 ___8.4.1 ‘기관 순매수’ 및 ‘외국인 순매수’ 데이터 획득 사례 ___8.4.2 코드 조각 1: 주식 데이터 전처리 커스터마이징 사례 ___8.4.3 코드 조각 2: 학습 데이터 자질 구성 커스터마이징 사례 ▣ 부록A: 프로그래밍, 머신러닝, 주식투자 용어 A.1 파이썬 프로그래밍 기본 용어 정리 A.2 머신러닝 기본 용어 정리 A.3 주식 기본 용어 정리 ▣ 부록B: 딥러닝에서 TensorFlow+GPU 사용하기 B.1 GPU 사용을 위한 하드웨어 준비 ___B.1.1 그래픽카드 인식 확인 ___B.1.2 호환되는 그래픽카드 확인 B.2 GPU 사용을 위한 소프트웨어 준비 ___B.1.1 CUDA 툴킷 설치 ___B.2.2 cuDNN 라이브러리 설치 ___B.2.3 TensorFlow의 GPU 사용 최종 확인 ▣ 부록C: 딥러닝에서 plaidML+GPU 사용하기 C.1 plaidML 사용을 위한 Visual C++ 2015 설치 C.2 plaidML 설치 및 확인 ▣ 부록D: RLTrader의 딥러닝 프레임워크 적용기 ▣ 부록E: RLTrader 학습 데이터 명세 E.1 RLTrader 학습 데이터 v1 E.2 RLTrader 학습 데이터 v1.1 E.3 RLTrader 학습 데이터 v2 E.4 RLTrader 학습 데이터 v3 E.5 RLTrader 학습 데이터 v4
|
| 도서명 | [상세설명참조] |
|---|---|
| 저자, 출판사 | [상세설명참조] |
| 크기 | [상세설명참조] |
| 쪽수 | [상세설명참조] |
| 제품구성 | [상세설명참조] |
| 발행일 | [상세설명참조] |
| 목차 또는 책소개 | [상세설명참조] |
(개) 
 |
||||||||
|
||||||||
|
||||||||
|
||||||||
