신경망 리스크 관리

Python을 활용한 정량적 리스크 관리

Jamsheed Shorish

Computational Economist

실시간 포트폴리오 업데이트

리스크 관리
- 정의된 리스크 지표(VaR, CVaR)
- 추정된 리스크 지표(모수, 역사적, 몬테카를로)
- 최적화된 포트폴리오(예: 현대 포트폴리오 이론)
새로운 시장 정보 => 포트폴리오 비중 업데이트
- 문제: 포트폴리오 최적화 비용 큼
- 해결: $\text{weights} = f(\text{prices})$
- 실시간으로 $f$ _평가_
- $f$는 가끔만 업데이트

신경망

신경망: $\text{output} = f(\text{input})$
- 뉴런: 함수 내 상호연결된 처리 노드
최초 개발: 1940~1950년대
2000년대 초: "빅데이터"에 신경망 적용
- 이미지 인식, 처리
- 금융 데이터
- 검색 엔진 데이터
딥러닝: 머신러닝의 일부로서 신경망
- 2015년: Google, Python용 오픈소스 TensorFlow 공개

신경망 구조

층: 연결된 처리 뉴런
- 입력층

신경망의 입력층

신경망 구조

신경망 구조
- 입력층
- 은닉층

신경망의 은닉층

신경망 구조

신경망 구조
- 입력층
- 은닉층
- 출력층
학습: 입력과 출력 간 관계 학습

입력, 은닉, 출력층 이미지

신경망 구조

신경망 구조
- 입력층
- 은닉층
- 출력층
학습: 입력과 출력 간 관계 학습
- 자산 가격 => 입력층

자산 가격이 신경망에 입력되는 이미지

신경망 구조

신경망 구조
- 입력층
- 은닉층
- 출력층
학습: 입력과 출력 간 관계 학습
- 자산 가격 => 입력층
- 입력 + 은닉층 처리

신경망 가중치 연결선 이미지

신경망 구조

신경망 구조
- 입력층
- 은닉층
- 출력층
학습: 입력과 출력 간 관계 학습
- 자산 가격 => 입력층
- 입력 + 은닉층 처리
- 은닉 + 출력층 처리

은닉층에서 출력층으로의 가중치 이미지

신경망 구조

신경망 구조
- 입력층
- 은닉층
- 출력층
학습: 입력과 출력 간 관계 학습
- 자산 가격 => 입력층
- 입력 + 은닉층 처리
- 은닉 + 출력층 처리
- 출력 => 포트폴리오 비중

출력층이 포트폴리오 비중으로 표시된 이미지

신경망을 이용한 포트폴리오 최적화

학습
- 출력과 기존의 "최적" 포트폴리오 비중 _비교_
- 목표: 출력과 비중 간 "오차" 최소화
- 오차가 작으면 => 네트워크 학습 완료
사용
- 입력: 새로운 미사용 자산 가격
- 출력: 새 자산 가격에 대한 예측 "최적" 포트폴리오 비중
- 최적 비중 = 리스크 관리

Python에서 신경망 생성

Keras: 신경망/딥러닝용 고수준 Python 라이브러리
자세히: Keras로 배우는 딥러닝 입문

from tensorflow.keras.models import Sequential

from tensorflow.keras.layers import Dense

model = Sequential()
model.add(Dense(10, input_dim=4, activation='sigmoid'))
model.add(Dense(4))

Python에서 네트워크 학습

과거 자산 가격: training_input 행렬
과거 포트폴리오 비중: training_output 벡터
모델 컴파일:
- 지정 오차 최소화('loss')
- 지정 최적화 알고리즘('optimizer')
학습 데이터에 모델 학습
- epochs: 내부 파라미터 업데이트용 학습 반복 수

model.compile(loss='mean_squared_error', optimizer='rmsprop')

model.fit(training_input, training_output, epochs=100)

Python에서의 리스크 관리

사용: 새로운(예: 실시간) 자산 가격 데이터 제공
- 새 벡터 new_asset_prices를 입력층에 제공
새 가격에 model.predict()로 네트워크 평가
- 결과: predicted 포트폴리오 비중
시간이 지나 데이터가 충분해지면 => 네트워크 재학습
- 과거 데이터로 테스트 => 백테스트

# new asset prices are in the vector new_asset_prices
predicted = model.predict(new_asset_prices)

Ayo berlatih!

Python을 활용한 정량적 리스크 관리