2024 Machine Learning for Time Series

2024 하계 금융 시계열 데이터를 위한 머신러닝

Curriculum

Junior Session 및 기타 강의에서 다루지 못한 내용을 집중적으로 다룹니다. 기초 시계열 모형에 대한 이해와 고급 수준의 프로그래밍 능력이 필요합니다.

1. Basic Statistical Modeling

• 벡터 자기회귀 모형(VAR), 벡터 자기회귀 이동평균 모형(VARMA), 외생변수가 있는 자기회귀 모형(ARX)등, 시계열 모형의 변형된 형태에 대한 이해와 활용
• Long memory, ARFIMA 모형에 대한 이해와 활용
• NNAR, RNN, LTSM과 같은 신경망 모형에 대한 이해와 활용

2. Smoothing

• Kalman 모형에 대한 이해와 활용
• 국소회귀법을 이용한 평활화
• Fourier Transformation을 활용한 평활화와 신호 추출

3. Risk

• ARCH를 비롯, 그에 파생된 모형들에 대한 이해와 활용

4. Sampling

• 표본추출법에 대한 이해
• 거래량 기반, 거래대금 기반, 엔트로피 기반 표본추출법에 대한 이해

5. Monte Carlo Simulation

• Geometric Brownian Motion, Ornstein Uhlenbeck Process 등 확률과정에 대한 이해
• 적대적 신경망(GAN)을 이용한 시계열 복제와 전략 백테스팅
• 합성 데이터를 활용한 데이터 생성과 백테스팅
• 백테스팅 초과대적합(Backtesting Hyperfitting)에 대한 이해와 통계량

6. Machine Learning Allocation

• 현대 포트폴리오 이론을 극복하기 위한 다양한 자산배분 모형에 대한 이해와 활용

선수과정

• 고급 수준의 Python 활용능력 (상속과 decorator, GPU를 활용한 연산 가속)
• 고급 수준의 통계지식
• 고급 수준의 ML 및 DL 활용능력