1.
데이터사이언스과정을 준비하면서 칼럼을 하나 읽었습니다.“애널·퀀트는 가라…’데이터사이언티스트’ 시대 온다”라는 도발적인 제목을 가진 칼럼입니다.
미래예측은 모든 인간 활동과 사회구조의 핵심 키워드라고 할 수 있다. 이러한 예측활동 중에 어떤 분야보다 관심이 높고 필요성이 큰 분야는 모든 경제주체의 부(富)와 연관된 금융시장이라고 해도 과언이 아니다. 그러기에 주식시장을 비롯한 금융시장이 빅데이터 시대의 가장 절실하고 우선적인 분석 대상으로 떠오르는 것은 자연스러운 현상이다.
그런데 기존의 통계기관, 연구소, 기업 등이 생산하는 낡은 데이터와 녹슨 모델로 금융경제를 분석예측하기엔 세상의 변화속도와 변화량은 너무나 크고 복잡다기하다. 광속으로 폭발하는 정보를 수집하고 분석함에 있어 전통적인 분석 방법은 용도 폐기 일보 직전에 놓여 있다고 해도 과언이 아니다.
이미 전통적인 분석가(analyst)와 연구자(researcher)로부터 예측력이나 차별화된 정보력을 기대하고 있는 금융소비자는 거의 없다고 봐도 무방하다. 예측력, 정확도, 즉시성, 효율성 등 모든 면에서 경쟁력을 잃어 가고 있기에 소속 기관의 마케팅 보조 인력이나 정보 수집 센터로서의 역할 이상을 수행하기 어려운 실정이다. 멀지 않은 장래에 빅데이터와 알고리즘에 기반한 테이터 사이언티스트(data scientist)에게 급격히 그 기능과 역할을 넘겨줄 가능성이 크다.
데이터 사이언티스트의 역할이 점증하는 만큼 미래를 퀀트에게 기대한다는 결론을 내고 있습니다. 부정하지 않지만 IT전문가를 그저 코딩 전문가로 폄하한 부분이 아쉽지만.
빅데이터 분석시스템과 알고리즘의 선제적인 연구개발로 글로벌 시장을 리드할 수 있는 잠재력은 충분하다. 그러나 금융업계에는 빅데이터기반의 금융혁명을 주도할 세력이 아직 미약해 보인다. IT종사자들은 시스템 관리자 내지는 프로그램 코딩 전문가에 불과한 수준이고 트레이딩·상품개발·영업 전문가들이 대응하기엔 크게 역부족이다.남은 대안은 애널리스트와 퀀트들에게 있다. 이들이 데이터 사이언티스트로 과감한 변신해 빅데이터의 광맥을 깨내길 잔뜩 기대해 본다.
금융과 IT가 결합한 핀테크의 발전으로 자산관리서비스가 데이타기반의 서비스로 변화하고 있습니다. 데이터 전문가로 변신 요구받는 자산관리사가 주장하는 바입니다.
모두 사람의 투자 판단보다 정량적 데이터 분석을 기준으로 삼는 서비스다. 기존의 투자 분석가, 투자 상담사의 역할을 축소시키는 서비스라 할 수 있다. 결국 앞으로 자산관리는 데이터의 힘을 어떻게 쓰느냐에 달려있다고 과언이 아니다. 최근 빅데이터와 머신러닝 기술 기반의 알고리즘을 활용하는 솔루션도 금융계에 도입됐다.
신용평가 모형 개발업체 솔리드웨어는 미국 보험사 데이터를 바탕으로 보험 사고율을 예측하는 알고리즘을 개발했다. 이 알고리즘은 보험사 뿐 아니라 신용평가 부문에서도 활용할 수 있다. 보험회사나 신용평가가 필요한 대출업계에도 변화가 올 것으로 기대된다. 자산관리사들의 데이터 사이언티스트로의 변신이 필요한 이유다.
2.
스스로 학습하는 ‘머신러닝’…스마트 금융시대 이끈다을 보면 기계학습이 실생활을 어떻게 바꾸는지를 설명하고 있습니다. 이 기사는 전자금융과 금융보안 연구보고서 창간호중 ‘머신러닝을 활용한 스마트 서비스와 금융’을 기초로 쓴 기사입니다. 원 논문은 금융연구원 보안연구부 이근영씨가 쓰신 글입니다.
보고서중 트레이딩와 관련한 부분도 있습니다.
증권권역 머신러닝은 주로 트레이딩(Trading) 시스템에서 예측 정확도와 수익률 향상을 도모하는데 활용된다. 트레이딩 시스템에서 매매체결의 이익을 얻기 위해서 각종 트레이딩 기법들이 있으며, 트레이딩이 전산을 통하여 이루어지는 만큼 트레이딩 기법은 최신 정보 기술의 영향을 받으며 트레이딩 기법에 머신러닝이 활용되기도 한다. 실제 SVM, 신경망 등의 머신러닝 알고리즘을 통해 기존 주가 등락율의 매수, 유지, 매도를 분석한 예측결과(종목 추천 등)를 모바일 주가예측 애플리케이션으로 제공하는 서비스도 이용되고 있다. 또한 주가예측 모형 개발에 있어 빅데이터가 활용되기도 하였으며, 주가 데이터에 머신러닝을 활용한 주가 등락 예측 연구들도 지속적으로 수행되고 있다.
두 사례를 소개합니다. 첫째는 ‘재미로 해보는 주가 예측 어플 Finger Stock’입니다.
또다른 사례는 코스콤의 K-Index로 보입니다. 다른 사례가 더 있는지는 몰라도 두가지만 보면 초보적인 수준입니다. 그런면 월스트리트는 어떨까요? 한국에서도 유명한 ITG의 사례입니다.
Machine learning techniques
The algorithm learns while it trades based on historical data and decides what it will do now. After a period of time, it will realize that it didn’t get any fills from a certain pool but that it did get fills from another pool. Then it figures out, “let me update the utility functions and re-optimize to come up with a different allocation,” he explains.
“It figures out the optimal number of places to go and figures out the order type,” he adds. “We basically try things and as we experience the response to those actions, it will change our behavior to the next iteration and it will continue improving as we have experience with the market.”
Unlike a standard optimization approach where it looks at history and acts in a very predictable linear fashion, with machine learning, the algo designer needs to define fitness. “You try a bunch of random outputs and decide if they are fitter than the last iteration and then you sort out the fittest and have survival,” he says.
Now that ITG has launched POSIT Marketplace 3.0 for U.S. equities, it’s looking at applying the optimization approach to other markets with fragmentation across dark pools. “This approach definitely makes sense in Europe the way their markets have evolved. We just have to build it,” said Polidore.
ITG Adopts Machine Learning Techniques to Boost Fills in Dark Pools중에서
여의도보다 진일보하였습니다. 아래를 보면 기계학습 등을 도입하여 운용하고 있는 회사들입니다.
List of Funds or Trading Firms Using Artificial Intelligence or Machine Learning
3.
이상은 변화하는 트레이딩 환경을 보여줍니다. ‘알고리즘트레이딩을 위한 데이터사이언스과정’을 만든 이유이기도 합니다. 지금 데이터사이언스에 관심이 간다면 아래를 꼭 눌러주세요.
