1차연도에는 딥러닝을 이용한 금융자산 가격 및 리스크 예측 방법에 대한 연구를 진행하는데, 특히 딥러닝 모델의 예측 정확도를 높일 수 있는 informative features를 identify하고 추출하는 방법과 포트폴리오를 구성하는 다양한 금융변수의 예측에 적절한 딥러닝 모델에 관하여 연구하고, 위의 두 연구목표를 classification 방식과 regression 방식으로 접근하는 방법론을 연구합니다. 2차연도에는 포트폴리오 관리 알고리즘 연구를 진행하는데, 특히 Markowitz의 평균-분산 모델기반의 포트폴리오 관리 알고리즘을 regression 방식과 classification 방식으로 접근했을 때의 최적화, Sharpie ratio의 단점을 보완하기 위한 worst-case omega ratio를 이용했을 때의 최적화, 리스크를 포트폴리오에 배분하는 risk parity 및 최대 낙폭을 change point detection에 적용되었을 때의 최적화를 연구합니다. 3차연도에는 강화학습을 이용한 시스템 구축에 관한 연구를 진행하는데, 특히 unsupervised stacked restricted autoencoder와 adaptive data selection 방법을 이용한 차원축소 및 informative features 선택 방법과 가격 및 리스크를 예측하는 딥러닝 모델을 강화학습으로 확장하는 방법에 관하여 연구합니다.

1차연도에는 다양한 금융자산의 가격 예측 정확도를 높이는 딥러닝 방안을 모색합니다. trial & error를 통한 블랙박스식 접근을 지양하고 투명하고 설명 가능한 white box 형태의 시스템을 구축하고자 합니다. 2차연도에는 딥러닝 네트워크에 최적화 이론을 결합하여 포트폴리오를 관리하는 시스템을 구축합니다. 수익률 및 리스크의 재분배를 통해 최적화를 유도합니다. 3차연도에는 autoencoder와 강화학습을 이용하여 포트폴리오 수익률을 향상하도록 알고리즘을 개선하고 연구결과가 금융 분야에 활용되도록 초석을 쌓고자 합니다.

본 과제는 딥러닝의 강화 학습을 주식·지수·환율 같은 금융 자료에 적용해 금융 변수 값을 예측하는 알고리즘을 개발하는 연구임. 연구 목표는 금융변수 특성을 반영한 하이브리드 강화 학습 알고리즘 개발, 가중치 매개변수 최적화 및 하이퍼파라미터 설정, GPU 컴퓨팅 및 분산처리로 고속화 수행임. CNN, LSTM, Deep Q-Network(DQN)을 통합해 시계열 학습 정확도를 높이고, 확률적 경사하강법·모멘텀·AdaGrad·Adam 비교로 매개변수 갱신을 유도하며, 입력 확장·층 심화 및 분산 학습 프레임워크로 계산시간을 단축함. 기대 효과는 정확성과 속도 향상으로 실시간 trading 및 High Frequency Trading 적용 곤란한 금융 상품에도 확장 가능함.

본 과제는 딥러닝의 강화 학습을 금융 자료에 적용해 주식·지수·환율 같은 금융 변수 예측 알고리즘을 고도화하는 연구임. 연구 목표는 (1) CNN, LSTM, Deep Q-Network(DQN)을 금융 시계열에 맞게 결합한 하이브리드 강화 학습 알고리즘 개발, (2) 확률적 경사하강법, 모멘텀, AdaGrad, Adam 등 매개변수 갱신 및 하이퍼파라미터 최적화, (3) GPU 컴퓨팅과 분산 학습으로 고속화 구현임. 기대 효과는 예측 정확도와 계산 속도 향상으로 실시간 trading 및 신규 금융상품까지 확장 가능함.