주가의 방향을 예측하는데 있어 Momentum을 나타내는 Factor들은 항상 많이 활용되어지고 있는 요인들중에 하나입니다. 이러한 Momentum이 어떻게 보면 군중들이 어디에 집중하고 있고 어디에 쏠리고 있는지를 판단할 수 있는 요소이기 때문입니다. 그리고 결국 주가는 군중들이 결정한다고 본다면 Momentum은 꼭 고려가 되어야할 지표임에는 틀림없습니다. Momentum을 나타내는 지표가 많이 있게지만, 대표적인 지표를 몇개 선정하여 이를 활용해보도록 하겠습니다. 1. RSI(Relative strength index(RSI)) RSI는 0부터 100까지의 숫자를 가지며, 100에 가까울 수록 초과매수가 일어난 것으로 보고있습니다. 따라서 이를 활용하여 단순한 규칙을 만든다면 70이상일 때는 판매하..

취미로, 재미로 금융 데이터를 분석한다고 해도 금융 데이터를 기반으로 무언가를 예측하고 분석한다는 것은 결국 시장의 움직임을 이겨내 수익을 창출할 수 있는 그 무언가를 찾아 내고자 하는 것이라고 생각합니다. 그 중에서 어떻게 보면 기술적으로는 누구나 할 수 있는 것이 Alpha Factor를 찾아내는 과정일 것입니다. 기업가치를 측정할 때 PER, PBR, EV/EBITDA와 같은 재무지표를 활용하는 것도 어떻게 보면 Alpha Factor을 찾아서 활용하는 것으로 볼 수 있을 것 같습니다. 이런관점에서 보면 결국 Alpha Factor를 찾아내는 과정은 Feature Engineering과 흡사할 것이고 가설과 검증을 통해서 어떤 요소가 Alpha Factor인지 판단해 볼 수 있을 것입니다. 물론 제..

해당 글에서는 선형계획법의 응용으로써 수송문제를 다루어보고자 합니다. 수송문제란 다수의 공급지와 다수의 수요지가 존재하는 상황에서 어떤 공급지에서 어떤 수요지로 얼마만큼의 물량이 가야하는지를 결정하는 문제입니다. 일반적으로 수송문제는 3가지 상황에 대한 이해가 필요합니다. 첫 번째로는 공급지에서 수요지로 물량을 이동할 때 발생하는 비용입니다. 두 번째는 공급지에서 공급가능한 양(Capacity), 마지막으로는 수요지에서 필요로 하는 수요량입니다. 위의 3가지 상황을 활용하여 목적함수, 의사결정변수 등을 정의하게 됩니다.예시를 통해 수송계획문제 해결방안에 대해서 정리해보도록 하겠습니다.장난감을 생산하는 한 회사가 3개의 공장(공장 1, 공장 2, 공장3)을 보유하고 있고, 해당 장난감을 받을 도시가 4개(..

선형계획법은 현재 최적화 방법론중에서 가장 대중적인 방법이라고 할 수 있습니다. 우리가 선택해야 하는 대안(의사결정 변수)들을 선형의 등식이나 부등식으로 표현하여 최적화를 수행하는 것을 뜻합니다. 선형계획법은 유한한 자원을 효율적으로 분배할 때도 많이 활용되며 예시적으로 장난감회사에서 매출과 비용을 고려할 때 A장난감을 많이 생산할지 B장난감을 많이 생산할지 등과 같은 상황에 대한 답을 찾는 경우에도 적용할 수 있습니다. 선형계획법은 크게 의사결정변수(Decision Variable), 목적함수(Objective Function), 제약조건(Constraints), 부호제약(Sign Restrictions)로 이루어져 있습니다.해당 블로그에서는 장난감 회사의 생산문제를 기반으로 위에서 언급한 의사결정변수..

지난 포스팅(https://direction-f.tistory.com/98)에서 Regression Tree와 Classification Tree에 대한 개념을 정리하였는데, 이 개념을 바탕으로 현재 가장 활발하게 적용되고 있는 알고리즘은 CART(Classification And Regression Tree)알고리즘입니다. CART알고리즘의 대표적인 특징은 Binary 노드로 분기된다는 것이고, 이 알고리즘은 차후 Random Forest나 Bagging/Bossting을 적용한 알고리즘에도 활용됩니다. 지난 포스팅에서 정리했던것과 같이 Regression Tree는 실제값과 예측값이 최소화 되도록, Classfication Tree는 불순도를 최소화하도록 구역을 나누되, Classification T..

앞서 우리는 하나의 Feature를 다항식, Basis function으로 나타냄으로써 비선형적으로 다루는 방법에 대해 다루었습니다.(https://direction-f.tistory.com/85, https://direction-f.tistory.com/86, https://direction-f.tistory.com/87) GAM은 이를 좀 더 확장하여 변수가 여러개 일 때 변수들간의 가법성(Additive)를 유지하면서 비선형을 부여할 때 활용할 수 있는 방법입니다. 따라서 GAM은 아래와 같이 표현될 수 있습니다. 이 때 $f_j$는 Feature $X_j$에 대해서 비선형성을 가진 함수를 나타냅니다. GAM은 logit이나 probit과 같은 GLM에 대해서도 적용될 수 있으며, link func..