금융에서의 머신러닝은 패턴 인식, 금융 계량경제학, 통계 컴퓨팅, 확률 프로그래밍, 동적 프로그래밍을 포함한 다수의 새로운 분야의 교차점에 위치한다. 계산 자원과 대규모 데이터 세트가 증가하는 추세와 함께 머신러닝은 오픈소스 머신러닝 툴킷으로 제공되는 플러그앤플레이 알고리듬에 중점을 두고 컴퓨팅 엔지니어링 분야의 핵심으로 성장했다. 알고리듬 거래와 같은 알고리듬에 초점을 맞춘 금융 영역이 주로 머신러닝 기술을 채택했지만 공학에 기반을 둔 연구 단체와 기업 활동의 영역을 벗어나면 머신러닝의 많은 부분은 여전히 미스터리로 남아 있다.
공학을 전공하지 않은 학생과 실무자의 머신러닝을 이해하는 데 있어 핵심적인 장벽은 금융 시계열 분석에 적합한, 잘 확립된 이론과 개념이 없다는 것이다. 이것들은 금융 모델링 직관과 과학적 추론의 발전에서 기초 역할을 한다. 더욱이 머신러닝은 공학 실재론(ontology)에 크게 정착돼 있어 수학, 통계, 물리학, 경제 같은 계량적 분야의 학생, 학자, 금융 실무자들이 어느 정도 지적 접근을 할 수 없게끔 만든다. 결과적으로 이 분야에 필요한 능력에 대해 많은 오해가 있으며 이해하더라도 제한적이다. 머신러닝 기법은 종종 효과적이지만 여전히 제대로 이해되지 않고 종종 수학적으로 받아들여지기 어렵다. 시계열 분석, 계량경제학, 수학 통계에서 좀 더 기초적인 이론의 맥락에서 머신러닝 분야의 핵심 개념을 어떻게 배치할 것인가? 심층 신경망과 같은 고급 머신러닝 기법이 선형회귀와 같은 잘 알려진 통계 모델과 수학적으로 동등한 조건인 것은 어느 조건에서인가? 서로 다른 금융 애플리케이션에 대한 좀 더 전통적인 계량경제학 방법에 비해 머신러닝 학습 방법을 사용함으로써 얻을 수 있는 이익에 대해 어떻게 추론해야 하는가? 어떤 이론이 금융 모델링 문제에 머신러닝의 적용을 지원하는가? 강화학습은 파생상품 가격 결정을 위한 블랙-숄즈-머튼(Black-Scholes-Merton) 모델에 모델 독립적 접근 방식을 어떻게 제공하고 있는가? Q 러닝은 금융에서 이산 시간 확률적 제어 문제를 어떻게 일반화하는가?
이 책은 계량 금융 분야의 퀀트와 데이터 과학자 외에 금융 경제학, 경영학, 응용통계학 분야의 고급 대학원생과 학자를 대상으로 작성됐다. 우리는 머신러닝을 데이터, 정규화, 편향-분산 트레이드오프를 제어하기 위한 기법의 새로운 알고리듬 표현에 중점을 두고 금융 경제학과 동적 프로그래밍 같은 계량경제학의 다양한 주제에 대한 비선형 확장으로 제시해 표본 외 예측 개선을 유도한다.
이 책은 이론과 응용을 다루는 세 부분으로 나눠져 있다. 첫 번째 부분은 베이지안과 빈도주의의 관점에서 횡단면 데이터에 대한 지도학습을 제시한다. 좀 더 진보된 내용으로 투자 관리 및 파생상품 모델에 대해 가우시안 프로세스뿐 아니라 딥러닝을 포함한 신경망의 중요성을 강조한다. 두 번째 부분에서는 시계열 데이터에 대한 지도학습을 다룬다. 이는 거래, 확률적 변동성, 고정 소득 모델링의 예에서 보듯이 금융에 사용되는 가장 일반적인 데이터 유형이다. 마지막으로 세 번째 부분에서는 강화학습과 트레이딩, 투자, 자산 관리에 대한 응용을 다룬다. 이 책은 방법론과 애플리케이션에 대한 독자의 이해를 돕고자 파이썬 코드 예를 제공한다. 이 새로운 분야의 연구를 위한 가교로, 이 책은 연구자의 관점에서 금융에서의 머신러닝의 최전선 경계를 제시해 통계 물리학에서 잘 알려진 개념들이 금융에서 머신러닝을 위한 연구 주제로 얼마나 많이 등장할 가능성이 있는지를 강조한다.
