1.
블로그의 시대가 저물어가는 듯 합니다. RSS를 통해 구독하는 블로그중 글이 올라오지 않거나 없어지는 곳이 점점 늘어납니다. 블로그를 대체하는 곳이 여럿일 수 있지만 제가 관심을 가지는 분야만 놓고 보면 Medium이 가장 강력합니다. 위키가 소개하는 Medium입니다.
미디엄(Medium)은 에번 윌리엄스가 개발한 온라인 출판 플랫폼의 하나로, 2012년 8월 시작되었다. A 미디엄 코퍼레이션(A Medium Corporation)의 소유이다.[1] 이 플랫폼은 소셜 저널리즘의 한 예로, “아마추어, 전문가”와 “출판물”의 하이브리드, 또는 미디엄의 전문 블로그나 퍼블리셔이며,[2] 종종 블로그 호스팅 사이트로 간주된다. 윌리엄스는 트위터의 140자(현재는 280자) 최대수보다 더 긴 글과 문서를 게시하는 한 방법으로 미디엄을 개발하였다.
국내로 보면 브런치와 유사한 서비스입니다. 다만 브런치보다는 좀더 전문적으로 글쓰기를 하는 사람들이 이용합니다. 덧붙여 Membership을 이용하여 이익을 만들 수 있는 매력도 있습니다. 글쓰기와 관련한 구독경제모델입니다.
Medium을 통해 가장 많은 정보를 얻을 수 있는 분야는 인공지능 혹은 기계학습입니다. 오늘 글쓰기의 주제도 여기서 출발했습니다.
JP MOrgan이 기계학습과 관련한 투자에 공을 기울이는 글을 자주 올렸습니다. 가장 유명한 보고서가 JP Morgan이 발행한 기계학습 및 빅데이타 안내서에서 소개하였던 것입니다. 그 외 JP Morgan의 Deep Hedging, JP Morgan의 Deep Hedging 둘째도 관심을 끌었습니다.
Morgan Stanley와 JP Morgan이 연구하는 RL에서 소개하였던 바와 같이 투자은행이 기계학습중 강화학습분야에 많은 투자를 하였고 Medium에 올라온 Using AI to Trade? Here is JP Morgan’s Approach도 강화학습을 다룹니다. 개인적으로 Market Simulation 부분이 흥미로왔습니다
위 논문은 arXiv를 통해 공개하였습지만 JP Morgan은 AI와 관련한 연구결과를 공개하는 홈페이지에서도 확인할 수 있습니다. J.P. Morgan Publications 및 J.P. Morgan AI Research에서 확인할 수 있습니다.
JP Morgan에 올라온 논문중 LOB(Limit OrderBook)을 다룬 논문들입니다.
Towards Robust Representation of Limit Orders Books for Deep Learning Models
How Robust are Limit Order Book Representations under Data Perturbation?
Stock Market Trend Analysis Using Hidden Markov Model and Long Short Term Memory
Get Real: Realism Metrics for Robust Limit Order Book Market Simulations
Reinforcement Learning for Market Making in a Multi-agent Dealer Market
2.
AI Research에 올라온 최신 논문은 Artificial intelligence research in finance: discussion and examples 입니다. 저자이면서 AI Research를 이끌고 있는 Manuela Veloso는 2018년 카네기 멜론 대학에서 자리를 옮겼습니다. 위 논문을 직접 볼 수 없어서 관련한 발표를 대신합니다. 15th USENIX Symposium on Operating Systems Design and Implementation에서 발표한 AI in Finance: Scope and Examples입니다.
위 발표중 AI Research의 목표와 진행중인 프로젝트를 소개하는 부분입니다
관련하여 AI in Banking – An Analysis of America’s 7 Top Banks중 JP Morgan과 관련한 부분을 옮기면 다음과 같습니다.
Internal Document Search – Contract Intelligence (COiN)
JPMorgan Chase invested in technology and introduced a Contract Intelligence (COiN) “chatbot” designed to “analyze legal documents and extract important data points and clauses” in 2017. Manual review of 12,000 annual commercial credit agreements normally requires approximately 360,000 hours.
Results from an initial implementation of this machine learning technology showed that the same amount of agreements could be reviewed in seconds. COiN has widespread potential and the company is exploring additional ways to implement this powerful tool, although further information on the rollout is sparse.
Predictive Analytics – Emerging Opportunities Engine
The Emerging Opportunities Engine, introduced in 2015 and discussed in a letter to shareholders, purportedly uses machine learning and natural language processing to help “identify clients best positioned for follow-on equity offerings.”
The technology has proven successful in Equity Capital Markets and the company stated their intentions to expand it to other areas, including Debt Capital Markets, but it’s unclear if this has happened yet.
Chatbot
First successfully piloted in 2016, the bank also made plans to officially roll out a chatbot “to respond to employee technology service desk requests.” Initially, the bank set a goal for the chatbot to handle 120,000 service tickets, but like COiN, further information does not appear publicly available.
위 프로젝트를 보니까 AI Research에 올라온 논문의 주제가 왜 그런지 이해가 되네요. 예상과 달랐던 부분은 Internal Document Search – Contract Intelligence입니다. AI Research가 발표한 논문중 LOB(Limit OrderBook)과 관련한 논문입니다.
