이 장에서는 회귀 진단과 회귀 모델 분석의 중요성에 대해 설명합니다. 맥락을 제공하기 위해 채권 발행의 신용 등급 변화를 조사하는 가상의 시나리오를 생각해 봅시다. 우리는 현금 흐름, 레버리지 비율, 리더십 요인, 금리 등과 같은 변수를 포함하여 다양한 채권 발행에 대한 광범위한 데이터를 수집했습니다. 우리의 목표는 Moody's, Standard & Poor's 또는 Fitch가 특정 채권 발행에 대한 신용 등급을 변경할지 여부를 결정하는 것입니다. 이를 분석하기 위해 앞에서 언급한 바와 같이 기본 위험 변화를 종속 변수와 독립 변수로 하는 다중 회귀 모델을 사용합니다.
처음에는 Excel과 같은 소프트웨어에서 생성된 회귀 출력을 검사하여 R-제곱 및 F-통계와 같은 메트릭을 사용하여 전체 모델 적합도를 평가합니다. 또한 개별 기울기 계수의 중요성을 평가합니다. 그러나 이러한 결론은 보통 최소 제곱(OLS) 모델의 가정에 크게 의존한다는 점을 인식하는 것이 중요합니다. 이러한 가정을 위반하면 회귀 결과에서 도출된 결론이 유효하지 않을 수 있습니다.
이 장은 회귀 모델에서 발생할 수 있는 잠재적인 문제를 이해하고 해결하기 위한 지침으로 볼 수 있습니다. "무엇이 잘못될 수 있습니까?"라는 적절한 제목을 붙일 수 있습니다. 우리는 이분산성, 다중 공선성, 너무 적거나 너무 많은 독립 변수, 이상값, 최적 선형 편향 추정량(BLUE)을 포함하여 회귀 결과의 유효성에 영향을 미칠 수 있는 다양한 문제를 탐구합니다. 각 항목에 대해 자세히 살펴보겠습니다.
우리의 첫 번째 관심사인 이분산성은 회귀 모델의 오류 항이 일정한 분산(균등분산성)을 갖는다는 가정을 위반하는 것을 말합니다. 이분산성이 있는 경우 오류 항의 분산은 일정하지 않고 관측치마다 다릅니다. 독립 변수와 종속 변수 간의 관계를 플로팅할 때 원뿔 모양으로 시각화할 수 있습니다. 독립변수가 커질수록 종속변수의 변동성도 커진다는 뜻이다. 이분산성은 모델이 불완전하거나 데이터 세트가 작고 특이치가 포함된 경우에 발생할 수 있습니다.
이분산성의 결과는 중요합니다. OLS 추정기는 효율성을 잃습니다. 즉, 분산이 더 작은 다른 추정기가 존재합니다. 이러한 비효율성으로 인해 잘못된 표준 오류가 발생하여 신뢰 구간과 가설 테스트에 영향을 미칩니다. 결과적으로 이러한 테스트에서 도출된 결론은 오해의 소지가 있거나 전혀 쓸모가 없을 수도 있습니다. 이분산성을 감지하기 위해 연구원은 처음에 산점도를 사용하여 변수 간의 관계를 시각적으로 평가할 수 있습니다. 그러나 오류 항의 비선형성을 설명하는 화이트 테스트와 같은 통계 테스트는 이분산성에 대한 보다 정확한 평가를 제공합니다. 이분산성 문제는 가중 최소 제곱, 데이터 변환(예: 대수), 추정에 가중치 사용 또는 기타 적절한 방법을 통해 달성할 수 있습니다.
다중공선성으로 넘어가면 두 개 이상의 독립 변수가 높은 상관관계를 보이는 상황에 직면하게 됩니다. 이상적으로는 독립변수가 서로 독립적이어야 하지만 실제로는 어느 정도 상관관계가 있는 경우가 많습니다. 그러나 변수가 완벽하게 선형적으로 상관되는 완벽한 다중 공선성은 심각한 문제를 야기할 수 있습니다. 이러한 경우 공선형 변수 중 하나는 기본적으로 동일하므로 삭제해야 합니다. 불완전한 다중 공선성은 독립 변수가 적당히 또는 강하게 상관되지만 완벽하지는 않을 때 발생합니다. 독립변수 간의 높은 상관관계는 다중공선성이 존재함을 시사합니다. 그러나 높은 상관관계가 없다고 해서 상관관계가 없다는 보장은 없습니다. 변수가 어느 정도 무작위로 상관될 수 있기 때문입니다.
다중 공선성의 결과는 두 가지입니다. 첫째, 추정치가 편향되지 않은 상태로 유지되는 동안 분산 및 표준 오류가 증가합니다.
회귀 모델에 관련 없는 변수가 포함되는 것을 과잉 사양 문제라고 합니다. 이는 종속 변수와 실제 관계가 없는 독립 변수를 추가할 때 발생합니다. 이러한 변수를 포함하면 편향된 추정치와 자원의 비효율적인 사용으로 이어질 수 있습니다.
한편, 우리는 사양 부족 문제도 고려해야 합니다. 이는 중요한 독립 변수가 모델에서 생략될 때 발생합니다. 앞서 논의한 것처럼 관련 변수를 생략하면 편향되고 일관성 없는 추정치가 나올 수 있습니다.
과잉 사양 및 미달 사양 문제를 해결하려면 회귀 모델에 포함할 변수를 신중하게 선택해야 합니다. 이 선택 과정은 이론, 사전 지식 및 경험적 증거를 기반으로 해야 합니다. 변수와 종속 변수 사이의 근본적인 경제적 또는 이론적 관계를 고려하는 것이 중요합니다.
회귀 분석에서 발생하는 또 다른 문제는 이상치의 존재입니다. 특이치는 데이터의 일반적인 패턴에서 크게 벗어나는 극단적인 값입니다. 이러한 이상값은 회귀 결과에 상당한 영향을 미쳐 추정된 계수 및 모델의 전체 적합도에 영향을 미칠 수 있습니다.
이상값을 처리하는 방법에는 여러 가지가 있습니다. 한 가지 일반적인 방법은 데이터 세트에서 이상값을 식별하고 제거하는 것입니다. 이는 산점도를 시각적으로 검사하거나 Mahalanobis 거리 또는 스튜던트화 잔차와 같은 통계 기법을 사용하여 수행할 수 있습니다.
또는 이상값이 중요한 정보를 전달하는 영향력 있는 관측치인 경우 분석에 유지하되 극단값의 영향을 덜 받는 강력한 회귀 방법을 적용하도록 선택할 수 있습니다.
마지막으로 BLUE(Linear Unbiased Estimator)의 개념에 대해 살펴보겠습니다. BLUE는 편향되지 않고 모든 선형 편향되지 않은 추정기 중에서 분산이 가장 작은 OLS 추정기의 바람직한 속성입니다.
OLS 추정기는 선형성, 독립성, 동분산성 및 다중 공선성의 부재를 포함하는 고전적 선형 회귀 모델의 가정 하에서 BLUE 속성을 달성합니다. 이러한 가정을 위반하면 앞서 논의한 대로 편향되고 비효율적인 추정치가 나올 수 있습니다.
회귀 진단에 대한 장에서는 회귀 분석에서 발생할 수 있는 잠재적인 문제를 식별하고 해결하는 데 중점을 둡니다. 이러한 문제에는 이분산성(heteroscedasticity), 다중공선성(multicollinearity), 생략된 변수 편향(omitted variable bias), 과잉 사양(over-specification), 과소 사양(under-specification), 이상치(outliers)가 포함됩니다. 이러한 문제를 이해하고 적절한 기술을 사용함으로써 회귀 결과의 신뢰성과 유효성을 보장할 수 있습니다.
For FRM (Part I & Part II) video lessons, study notes, question banks, mock exams, and formula sheets covering all chapters of the FRM syllabus, click on the...
안녕하세요, 저는 Jim입니다. 양적 분석 및 기계 학습 방법에 관한 책의 1부에서 토론하고 싶습니다. 이 섹션은 파트 A에서 다루는 개념을 살펴보고 기계 학습의 관련성과 중요성을 강조하는 것을 목표로 합니다.
읽기의 구조를 다루는 것으로 시작합시다. A와 B 두 파트로 나누어져 있으며, B 파트는 가까운 시일 내에 다룰 예정입니다. 목표는 파트 A에서 얻은 지식을 바탕으로 머신 러닝에 대한 포괄적인 이해를 제공하는 것입니다. 파트 A를 완료하면 파트 B를 탐색하여 학습을 계속할 수 있기를 바랍니다.
이 수치를 고전 계량 경제학 이론의 확장으로 보고 싶을 수도 있지만 기계 학습은 그 이상입니다. 기계 학습은 고유한 특성과 응용 프로그램이 있는 고유한 분야를 나타냅니다. 이 점을 설명하기 위해 간단한 예를 공유하겠습니다.
2023년 NBA 팬들은 르브론 제임스가 카림 압둘 자바를 능가하여 역대 통산 득점 선두를 차지할 가능성이 높다는 사실을 알아차릴 수 있습니다. 이제 우리 자신을 이 뛰어난 재능을 가진 선수 중 누가 더 효율적이고 효과적으로 득점 기록을 달성했는지 확인하고자 하는 열정적인 NBA 팬이라고 상상해 봅시다. 이를 위해 LeBron의 움직임과 Kareem의 시그니처 Skyhook 샷을 포함하여 모든 세부 사항을 세심하게 기록하여 게임에서 방대한 양의 데이터를 수집합니다. 우리가 수집하는 변수의 수는 수조에 이를 수 있습니다.
고전 계량 경제학 이론을 사용하여 이 데이터를 분석한다면 회귀 분석을 사용하고 표준 편차와 표준 오류를 계산할 수 있습니다. 그러나 1조 개의 데이터 포인트를 처리할 때 이러한 계산은 비실용적입니다. 약 316,000인 1조의 제곱근으로 나누면 가설 검정이 비효율적으로 되는 아주 작은 숫자가 됩니다.
여기에서 기계 학습이 시작됩니다. 기계 학습을 통해 고전적인 계량 경제학 이론에서 부과한 제한 없이 방대한 양의 데이터를 처리할 수 있습니다. 기계 학습의 응용 분야는 이미지 인식 및 의학 연구에서 게임 이론 및 금융 자산 할당에 이르기까지 방대합니다.
기계 학습은 비지도, 지도 및 강화 학습의 세 가지 유형으로 분류할 수 있습니다. 비지도 학습은 미리 정의된 레이블 없이 데이터 패턴을 탐색하는 반면 지도 학습은 레이블이 지정된 데이터를 활용하여 모델을 교육합니다. 강화 학습을 통해 에이전트는 동적 환경에서 학습할 수 있으므로 시간이 지남에 따라 조건이 변하는 위험 관리에 특히 유용합니다.
기계 학습은 엄청난 잠재력을 가지고 있지만 고유한 과제도 제시합니다. 처음 네 가지 학습 목표에서는 기계 학습 기술과 고전 계량 경제학의 차이점에 대해 논의할 것입니다. 주요 구성 요소, K-평균 클러스터링, 비지도, 지도 및 강화 학습 모델의 차이점과 같은 개념을 탐구합니다.
고전 계량경제학에서 견고한 이론적 기반을 확립하는 것은 모델을 효과적으로 구현하는 데 중요합니다. 고전적인 계량 경제학은 변수 간의 선형 관계와 인과 관계와 같은 특정 가정 하에서 작동합니다. 반대로 기계 학습은 보다 유연한 프레임워크를 제공하여 비선형 관계와 더 많은 양의 데이터를 허용합니다.
기계 학습 알고리즘에 적합한 데이터를 만들려면 데이터를 확장하고 전처리해야 합니다. 여기에는 데이터가 비교 가능하고 기본 정보를 정확하게 나타내는지 확인하기 위한 표준화 또는 정규화가 포함됩니다. 또한 기계 학습 알고리즘과 그 출력을 이해하는 것은 결과를 평가하고 필요한 조정을 하는 데 필수적입니다.
기계 학습은 이미지 인식, 보안 선택, 위험 평가, 게임 플레이 등 다양한 상황에서 유용성을 찾습니다. 기계 학습 기술을 활용하여 복잡한 문제를 해결하고 크고 다양한 데이터 세트에서 의미 있는 통찰력을 추출할 수 있습니다.
이제 내 이메일 공급자와 관련하여 스팸 식별 능력이 부족합니다. XYZ 627 at 337-1414 dot something something과 같은 소스에서 발생한 극도로 스팸인 경우에만 이메일을 스팸으로 분류합니다. 지도 학습의 유형으로 초점을 옮겨 보겠습니다. 첫 번째 유형은 이전에 LeBron과 Kareem의 맥락에서 언급한 분류입니다. 여기에는 데이터를 기본값 또는 기본값이 아닌 것과 같은 다양한 클래스로 분류하는 작업이 포함됩니다. 감독 학습에는 회귀 분석도 포함됩니다. 감독 학습 알고리즘의 몇 가지 예로는 K-최근접 이웃, 결정 트리, 신경망 및 지원 벡터 머신이 있습니다. 이러한 알고리즘은 다음 읽기에서 자세히 살펴보겠습니다.
이제 세 번째 학습 유형인 강화 학습에 대해 살펴보겠습니다. 앞에서 언급했듯이 강화 학습은 시행 착오와 비슷하며 체스가 고전적인 예입니다. 이러한 유형의 학습에서 학습 시스템을 나타내는 에이전트는 환경과 상호 작용하고 결정을 내리고 결과에서 학습합니다. 에이전트는 원하는 행동에 대해 보상을 받고 바람직하지 않은 행동에 대해 페널티를 받습니다. 목표는 보상을 최대화하고 페널티를 최소화하여 지속적으로 학습하고 성과를 개선하는 것입니다. 에이전트는 환경을 해석하고 인식을 형성하며 이를 기반으로 조치를 취합니다.
강화 학습은 순환 방식으로 작동하며 끊임없이 반복되고 변화하는 환경에 적응합니다. 보상과 벌칙은 진화하는 환경을 반영해야 합니다. 예를 들어 요원이 변장을 하고 안면인식 시스템을 속이려다가 얼굴을 제대로 가리지 못해 적발되면 과도한 벌칙을 주기보다는 한 번 더 기회를 줘야 한다. 에이전트는 실수와 성공 모두에서 학습하여 작업을 최적화합니다.
이 프로세스를 시각화하기 위해 환경을 나타내는 파란색 상자를 상상해 보십시오. 알고리즘 내부에 사는 사람으로 의인화된 에이전트는 이 환경을 탐색하고 시행착오의 길을 따라 더 지능적이 되기 위해 노력합니다. 변화하는 환경에서 에이전트의 경험은 학습 프로세스를 형성합니다. 목표는 보상을 최대화하고 벌칙을 최소화하는 것인데, 이는 흥미로운 시험 문제를 제시합니다.
이제 주성분 분석(PCA)에 대해 살펴보겠습니다. 이 기술은 차원을 줄여 복잡한 데이터 세트를 단순화합니다. PCA는 데이터 세트 내에서 가장 중요한 변수를 식별하여 모델의 해석 가능성을 향상시킵니다. 이 프로세스에는 교육 데이터 세트를 초평면이라고도 하는 저차원 공간에 투영하는 작업이 포함됩니다. 데이터를 표준화 또는 정규화하고 공분산 행렬을 계산하는 것으로 시작합니다. 다음으로 원하는 차원에 따라 상위 주성분이 선택됩니다. 그런 다음 데이터는 이 축소된 공간에 투영되어 가장 큰 변화를 포착합니다. 이 분석을 통해 연구원은 데이터를 설명하는 데 가장 중요한 변수를 결정할 수 있습니다.
또 다른 매력적인 주제는 비지도 학습에 해당하는 클러스터링입니다. 클러스터링의 목표는 중심과의 유사성을 기반으로 데이터 포인트를 그룹화하는 것입니다. 알고리즘은 K 중심을 임의로 할당한 다음 각 데이터 포인트를 가장 가까운 중심에 할당하여 K 클러스터를 생성하는 것으로 시작합니다. 계속해서 반복적으로 데이터 포인트를 재할당하고 중심을 조정하여 제곱 거리의 합을 최소화합니다. 클러스터링의 품질은 다양할 수 있으며 일부 클러스터는 다른 클러스터보다 더 잘 정의됩니다. 최적의 클러스터 수(K)를 찾고 클러스터링 프로세스를 개선하는 것이 필수적입니다.
이러한 다양한 학습 기술은 데이터 분석 및 해석을 위한 유용한 도구를 제공하여 다양한 연구 분야에서 패턴 인식, 의사 결정 및 최적화를 가능하게 합니다. 고전적인 계량 경제학은 견고한 기초를 제공하지만 기계 학습을 수용하면 기존 방법의 한계를 극복하고 광범위한 응용 프로그램을 탐색할 수 있습니다.
For FRM (Part I & Part II) video lessons, study notes, question banks, mock exams, and formula sheets covering all chapters of the FRM syllabus, click on the...
이봐! 저는 Jim입니다. 저는 '정량적 분석 및 기계 학습 방법'이라는 제목의 1부, 2권의 내용을 논의하기 위해 왔습니다. 특히 파트 B에 초점을 맞출 것입니다. 이전 비디오에서 처음 네 가지 학습 목표를 다루었고 오늘은 다음 네 가지 목표를 살펴보겠습니다.
진행하기 전에 몇 가지 의견을 말씀드리겠습니다. 아시다시피 이 비디오에서는 제 머리가 더 짧습니다. 어젯밤에 아내가 무료로 이발을 해주어서 외모가 달라진 점 양해 부탁드립니다. 이제 기계 학습에 대한 논의를 계속하겠습니다.
우리 모두 알고 있듯이 기계 학습에는 방대한 양의 데이터 작업이 포함됩니다. 파트 A에서 우리는 수조 개의 데이터 포인트를 처리하는 개념에 대해 논의했지만 그 숫자는 단지 비유적인 것이었습니다. 주요 아이디어는 우리가 기계 학습 알고리즘에서 활용할 수 있는 방대한 양의 데이터에 액세스할 수 있다는 것입니다. 예를 들어, 오늘 아침 파생 증권 수업에서 우리는 옵션 가격 책정과 금리와 같은 요소가 옵션 가격에 미치는 영향을 탐구했습니다. 지난 50년간의 실질 금리, 무위험 이자율, 유동성 프리미엄, 채무 불이행 위험 프리미엄, 만기 위험 프리미엄 등 공개적으로 이용 가능한 다양한 데이터 포인트를 분석했습니다. 이러한 모든 데이터 포인트는 기계 학습 알고리즘에 통합되어 귀중한 통찰력을 얻을 수 있습니다.
파트 A에서는 클러스터링, 차원 축소, 주성분 분석과 같은 주제를 다루었습니다. 이러한 모든 기술의 궁극적인 목표는 실제 세계를 정확하게 나타내는 모델을 개발하는 것입니다. 그러나 해결해야 할 몇 가지 과제가 있습니다.
읽기의 두 번째 부분에서는 과적합 및 과소적합의 개념에 대해 설명합니다. 과적합은 모델에 너무 많은 복잡성을 맞추려고 할 때 발생합니다. 이를 설명하기 위해 아버지가 제게 교통 상황을 설명하실 때 사용하신 비유를 말씀드리겠습니다. 그는 '1파운드 가방에 5파운드의 돌을 담을 수 없다'고 말했습니다. 마찬가지로 모델을 과대적합하면 너무 많은 세부 정보와 노이즈를 포함하려고 하므로 결국 성능 저하와 신뢰할 수 없는 예측으로 이어집니다. 교육 데이터에서 낮은 예측 오류를 달성할 수 있지만 새 데이터에 적용할 때 모델의 예측 오류가 높을 가능성이 높습니다. 과적합을 해결하기 위해 기능 또는 매개변수의 수를 줄이는 것과 관련된 복잡성을 줄여 모델을 단순화할 수 있습니다. 또한 정규화 및 조기 중지 기술을 사용할 수 있으며 다음 읽기에서 살펴볼 것입니다.
반면에 과소적합은 모델이 데이터의 기본 패턴을 캡처하기에 너무 단순할 때 발생합니다. 이로 인해 교육 및 새 데이터 세트 모두에서 성능이 저하되고 예측 오류가 높아집니다. 과소적합을 극복하려면 더 많은 기능이나 매개변수를 추가하여 모델의 복잡성을 증가시켜야 합니다. 고전 계량경제학에서 더 많은 독립 변수를 추가하면 다중 공선성 문제가 발생할 수 있습니다. 그러나 기계 학습에서는 독립 변수 간의 상호 작용을 수용하여 복잡성을 높일 수 있습니다.
편향과 분산 사이의 균형을 맞추려면 모델 단순성과 예측 정확도 간의 균형을 고려해야 합니다. 바이어스는 복잡한 모델을 간단한 모델로 근사화하여 발생하는 오류를 나타냅니다. 다트 판 비유에서 모든 다트가 지속적으로 같은 지점에 떨어지면 바이어스가 높을 것입니다. 반면 분산은 모델이 작은 변동에 얼마나 민감한지를 측정합니다. 다트 판 비유에서 높은 분산은 다트가 사방에 흩어져 있을 때 발생합니다. 우리의 목표는 기본 패턴을 캡처하면서 분산을 최소화하는 것입니다. 이는 모델에 대한 최적의 복잡성 수준을 찾는 것을 수반합니다.
이 세션에서는 기계 학습 및 데이터 처리의 중요한 측면을 자세히 살펴봅니다. 기계 학습의 맥락에서 입력 데이터와 원하는 출력 간의 관계를 이해하는 것이 중요합니다. 이를 달성하기 위해 교육 데이터 세트를 사용합니다. 또한 유효성 검사 세트를 사용하여 모델의 성능을 평가하고 테스트 데이터 세트를 사용하여 샘플 외 데이터로 효율성을 검사합니다.
그러나 기계 학습의 주요 과제는 많은 양의 훈련 데이터가 필요하기 때문에 테스트 데이터가 부족하다는 것입니다. 따라서 데이터를 현명하게 할당하는 것이 필수적입니다. 연구원은 데이터를 교육, 검증 및 테스트의 세 가지 샘플로 나누는 방법을 결정할 수 있습니다. 일반적인 경험 법칙은 데이터의 2/3를 교육용으로 할당하고 나머지 3분의 1은 유효성 검사와 테스트 간에 균등하게 나누는 것입니다. 이 할당은 각 세트의 한계 비용과 이익의 균형을 맞춥니다.
특정 시점에서 서로 다른 엔터티에 대한 데이터가 수집되는 횡단면 데이터의 경우 임의 분할로 충분합니다. 그러나 시간 경과에 따라 데이터 요소를 캡처하는 시계열 데이터를 처리할 때는 추가 고려 사항이 필요합니다. 시계열 데이터는 교육 세트에서 시작하여 후속 세트를 통해 진행되는 시간 순서가 필요합니다.
교차 검증 기술은 전체 데이터 세트가 별도의 교육, 검증 및 테스트 세트를 할당하기에 충분하지 않을 때 사용됩니다. 이러한 경우 연구자는 훈련 세트와 검증 세트를 결합할 수 있습니다. 널리 사용되는 접근 방식 중 하나는 k-폴드 교차 검증으로 데이터 세트를 지정된 수의 폴드 또는 하위 집합으로 나눕니다. 폴드 수에 대한 일반적인 선택에는 5와 10이 포함되지만 특정 요구 사항에 따라 다른 값을 탐색할 수 있습니다.
앞서 간략하게 살펴본 강화 학습은 데이터 처리를 통해 학습하는 에이전트를 포함합니다. 이 시나리오에서 상담원은 고객 대출 신청과 같은 기록 데이터를 처리하여 정보에 입각한 결정을 내립니다. 에이전트는 상환 가능성이 높은 고객에게 돈을 빌려주고 채무불이행 가능성이 있는 고객의 신청을 거부하는 것을 목표로 합니다. 에이전트는 과거의 결정에서 배우고 올바른 결정에 대한 보상을 받고 오류에 대해 벌점을 받습니다. 일련의 조치와 보상을 통해 에이전트의 의사 결정 프로세스를 업데이트함으로써 대출 승인 및 금리 결정과 같은 의사 결정을 최적화하는 알고리즘을 개발할 수 있습니다.
강화 학습 과정은 Monte Carlo와 시간적 차이의 두 가지 방법으로 더 분류할 수 있습니다. 이러한 방법은 의사 결정 프로세스를 업데이트하는 방법이 다릅니다. Monte Carlo 방법은 결정의 기대 가치를 평가하고 보상과 학습 상수(알파)를 기반으로 결정 가치를 업데이트합니다. 반면 시간차 방법은 현재와 미래의 기대값의 차이를 계산하여 그에 따라 결정값을 업데이트합니다.
읽기에서 논의된 예는 기계 학습의 실제 적용을 보여줍니다. 이러한 애플리케이션은 거래 및 사기 탐지에서 신용 평가, 위험 관리 및 포트폴리오 최적화에 이르기까지 다양합니다. 강화 학습과 Monte Carlo 또는 시간적 차이 방법을 활용함으로써 상담원은 실시간으로 정보에 입각한 결정을 내릴 수 있어 재무 의사 결정의 다양한 측면을 향상시킬 수 있습니다.
결론적으로 기계 학습과 데이터 처리의 복잡성을 이해하는 것은 이러한 기술을 다양한 분야에서 효과적으로 활용하는 데 필수적입니다. 적절한 데이터 세분화, 신중한 할당 및 강화 학습 방법의 적용은 의사 결정 프로세스를 크게 개선하여 복잡한 시나리오에서 정보에 입각한 최적화된 결과를 가능하게 합니다.
요약하자면, 우리는 기계 학습 모델을 구성할 때 편향과 분산 사이의 올바른 균형을 유지하기 위해 노력합니다. 우리의 목표는 지나치게 복잡하거나 단순하지 않고 현실을 정확하게 반영하는 모델을 만드는 것입니다. 과대적합 및 과소적합의 문제를 이해하고 해결함으로써 모델의 성능 및 예측 정확도를 향상할 수 있습니다.
For FRM (Part I & Part II) video lessons, study notes, question banks, mock exams, and formula sheets covering all chapters of the FRM syllabus, click on the...
안녕하세요, Jim입니다. 책의 1부 '정량적 분석과 기계 학습 및 예측의 역할'을 안내해 드리겠습니다. 이 섹션에서는 파트 A의 처음 세 가지 학습 목표에 초점을 맞출 것입니다. 자세히 알아보기 전에 파트 A와 파트 B가 모두 포함된 이전 읽기 내용을 빠르게 요약하겠습니다. 기계 학습과 같은 대체 모델이 필요할 때 고전적인 회귀 분석 및 논의. 기계 학습을 통해 고전적인 계량 경제학 모델의 제한적인 가정 없이 대규모 데이터 세트를 처리할 수 있습니다.
우리는 또한 과적합 및 과소적합의 개념과 단순화 및 복잡화와 관련된 문제를 논의하는 데 상당한 시간을 보냈습니다. 이 자료에서 우리는 이러한 논의를 바탕으로 이전에 다루지 않은 추가 기술을 탐구할 것입니다. 이 읽기의 처음 세 가지 학습 목표는 선형 회귀, 로지스틱 회귀, Ridge 및 Lasso입니다.
선형 회귀는 변수 간의 관계를 설정하는 친숙한 개념입니다. 그러나 0에서 100 사이의 확률을 예측해야 하는 경우 선형 회귀가 적합하지 않을 수 있습니다. 이러한 경우 로지스틱 회귀가 작동합니다. 로지스틱 회귀를 사용하면 고객이 대출을 상환할지 또는 불이행할지 여부와 같은 이진 결과로 변수를 모델링할 수 있습니다. 선형 회귀와 달리 로지스틱 회귀는 0에서 1의 유효한 범위 내에서 확률을 제공하여 이진 분류를 가능하게 합니다.
다음으로 정규화 기술, 특히 Ridge 및 Lasso에 대해 설명합니다. 정규화는 모델의 복잡성을 줄이거나 줄임으로써 모델의 복잡성을 해결하는 데 도움이 됩니다. 이러한 기술을 사용하여 선형 회귀의 한계를 완화하는 방법을 살펴보겠습니다.
이러한 개념을 더 잘 이해하기 위해 선형 회귀를 다시 살펴보겠습니다. 일반적인 최소 제곱 회귀는 독립 변수와 종속 변수 사이의 선형 관계를 가정하여 데이터 포인트와 가상 선 사이의 거리를 최소화합니다. 그러나 기계 학습에서는 이러한 변수의 수가 방대하기 때문에 종속 변수와 독립 변수가 아닌 기능으로 참조합니다.
다중 선형 회귀는 이 개념을 확장하여 여러 독립 변수를 포함하므로 절편(알파), 기울기(베타) 및 해당 독립 변수(x1, x2 등)가 있는 모델이 생성됩니다. 목표는 실제 값과 예측 값 간의 차이를 나타내는 잔차 제곱합(RSS)을 최소화하는 것입니다. 우리는 정확한 예측을 위해 노력하지만 실제 시나리오에서 100% 정확도를 달성하는 것은 사실상 불가능합니다.
이것이 로지스틱 회귀가 들어오는 곳입니다. 선형 관계를 강제하는 대신 로지스틱 회귀는 출력을 시그모이드 곡선으로 변환하여 확률이 0에서 1 범위 내에 있도록 합니다. 자연 로그(e)의 밑을 사용하여 다음을 수행할 수 있습니다. 복리이자율과 같은 미래 가치를 계산합니다. 로지스틱 회귀는 변수 간의 관계를 모델링하기 위해 최대 우도 추정을 사용합니다. 방정식의 양변에 대수를 취함으로써 추정 프로세스를 단순화하여 로지스틱 회귀 모델을 생성합니다.
로지스틱 회귀의 장점 중 하나는 해석이 쉽다는 것입니다. 이진 결과를 처리하고 확률을 제공하므로 대출 불이행 또는 주식 시장 추세 예측과 같은 다양한 응용 프로그램에 유용합니다. 그러나 로지스틱 회귀에는 과적합 가능성과 다중 공선성 문제를 포함하여 한계가 있습니다. 또한 출력은 0과 1 사이의 확률로 제한되어 114%와 같은 비논리적 값의 가능성을 제거합니다.
로지스틱 회귀를 설명하기 위해 신용 점수와 소득 대비 부채 비율을 대출 불이행 예측 변수로 포함하는 예를 살펴보겠습니다. 500명의 고객 데이터를 분석하여 로지스틱 회귀 모델을 사용하여 부도 확률을 생성할 수 있습니다.
개인의 은퇴 여부와 같은 범주형 변수에는 숫자 레이블을 직접 할당할 수 없습니다. 따라서 매핑, 더미 변수 생성 또는 서수 분류와 같은 인코딩 기술을 사용하여 모델에서 이러한 변수를 나타냅니다.
범주형 변수를 인코딩하는 일반적인 방법 중 하나는 매핑이라고 합니다. 이 접근 방식에서는 변수의 여러 범주에 숫자 레이블을 할당합니다. 예를 들어 "고용", "자영업" 및 "실업" 범주가 있는 "고용_상태"라는 범주형 변수가 있는 경우 이러한 범주를 나타내기 위해 각각 1, 2 및 3과 같은 숫자 레이블을 할당할 수 있습니다. 로지스틱 회귀 모델에서.
또 다른 접근 방식은 더미 변수를 만드는 것입니다. 더미 변수는 범주형 변수의 다른 범주를 나타내는 이진 변수입니다. 각 범주에는 관측치가 해당 범주에 속하면 1, 그렇지 않으면 0의 값을 갖는 별도의 더미 변수가 할당됩니다. 예를 들어 "고등학교", "대학" 및 "대학원" 범주가 있는 "education_level"이라는 범주형 변수가 있는 경우 "대학" 및 "대학원"이라는 두 개의 더미 변수를 만듭니다. 이러한 더미 변수는 관찰이 해당 범주에 해당하는 경우 1의 값을, 그렇지 않은 경우 0의 값을 갖습니다.
서수 분류는 범주형 변수를 인코딩하는 데 사용되는 또 다른 기술입니다. 순서 또는 순위에 따라 범주에 숫자 레이블을 지정하는 작업이 포함됩니다. 이 접근 방식은 범주에 고유한 순서 또는 계층 구조가 있는 경우에 적합합니다. 예를 들어 "낮음", "중간" 및 "높음" 범주가 있는 "satisfaction_level"이라는 변수가 있는 경우 증가하는 만족도 수준을 나타내는 숫자 레이블 1, 2 및 3을 할당할 수 있습니다.
범주형 변수를 인코딩한 후에는 로지스틱 회귀 모델에 수치 변수와 함께 범주형 변수를 포함할 수 있습니다. 그런 다음 로지스틱 회귀 알고리즘은 각 변수에 대한 계수를 추정하여 이진 결과의 확률에 미치는 영향을 나타냅니다.
로지스틱 회귀 외에도 Ridge 및 Lasso라는 정규화 기술도 살펴봅니다. 정규화는 모델의 과적합 문제를 해결하는 데 사용됩니다. 과적합은 모델이 훈련 데이터에서 노이즈 또는 무작위 변동을 캡처하여 보이지 않는 데이터에서 성능이 저하될 때 발생합니다.
Ridge와 Lasso는 회귀 모델에 페널티 항을 추가하는 널리 사용되는 두 가지 정규화 기술입니다. 이 페널티 항은 변수의 계수를 줄이거나 줄임으로써 모델의 복잡성을 제어하는 데 도움이 됩니다. Ridge 회귀는 제곱 계수의 합에 비례하는 페널티 항을 추가하는 반면 Lasso 회귀는 계수의 절대값 합계에 비례하는 페널티 항을 추가합니다.
Ridge 및 Lasso 회귀는 이러한 페널티 항을 도입함으로써 모델이 훈련 데이터를 잘 맞추는 것과 모델의 복잡성을 억제하는 것 사이의 균형을 찾도록 권장합니다. 이는 과적합을 방지하고 보이지 않는 데이터에 대한 모델의 일반화 성능을 향상시키는 데 도움이 됩니다.
이 책의 1부에서는 Ridge 및 Lasso와 같은 선형 회귀, 로지스틱 회귀 및 정규화 기술을 다룰 것입니다. 이러한 방법을 다양한 유형의 데이터에 적용할 수 있는 방법과 예측 정확도를 개선할 수 있는 방법을 살펴보겠습니다. 논의된 예와 개념은 정량적 분석과 예측에서 기계 학습의 역할을 이해하기 위한 견고한 토대를 제공합니다.
For FRM (Part I & Part II) video lessons, study notes, question banks, mock exams, and formula sheets covering all chapters of the FRM syllabus, click on the...
안녕하세요, 저는 Jim입니다. 양적 분석, 특히 기계 학습 및 예측에 중점을 둔 책의 첫 번째 부분에 대해 논의하고 싶습니다. 파트 B에서는 의사 결정 트리, 앙상블 학습 및 신경망과 같은 새로운 개념을 탐구합니다. 의사 결정 트리를 다시 살펴보는 것으로 시작하겠습니다.
이전 섹션에서는 특히 옵션이 내장된 채권의 경우 채권 가격을 계산하기 위한 의사 결정 트리를 살펴보았습니다. 채권 가격 결정 트리에는 서로 다른 결정과 결과를 나타내는 가지와 노드가 있는 트리 구조가 있습니다. 내장 옵션이 있는 채권의 경우 채권이 특정 이자율로 호출되는지 여부에 따라 각 노드에서 결정이 내려졌습니다.
기계 학습에서 의사 결정 트리는 유사한 구조를 따르지만 방향이 다릅니다. 채권 가격 책정에서와 같이 수평으로 분기하는 대신 기계 학습의 의사 결정 트리는 위에서 아래로 수직으로 진행됩니다. 각 노드에서 질문이 제기되어 후속 노드로 이어지고 결국 결정 또는 결과에 도달합니다.
우리가 이자율 트리라고 부르는 만기 채권에 대한 결정 트리의 예를 들어 보겠습니다. 이 경우 특정 이자율로 채권을 소집할지 여부만 결정하면 되었기 때문에 결정은 간단했습니다. 그러나 기계 학습 의사 결정 트리에서는 다양한 요인을 분석하고 더 복잡한 결정을 내리는 알고리즘에 의해 결정이 결정됩니다.
채권 가격 책정 모델은 일반적으로 기계 학습을 포함하지 않지만 채권 채무 불이행 가능성을 분석하려면 회사의 운영 현금 흐름, 부채 비율, 관리 품질 및 제품 라인과 같은 추가 기능을 고려해야 합니다. . 이러한 복잡성은 전통적인 채권 가격 결정과 기계 학습의 결정 트리 간의 차이를 강조합니다.
기계 학습 의사 결정 트리에서 우리의 목표는 입력 클래스를 분류하거나 예측하는 것입니다. 예를 들어, 기업이 수익성과 잉여현금흐름에 따라 배당금을 지급할지 여부를 결정하고자 할 수 있습니다. 이러한 기능은 여러 요인을 설명하기 위해 더 많은 분기와 노드가 필요하므로 의사 결정 트리의 복잡성에 기여합니다.
모델에 추가 기능이 포함되면 의사 결정 트리의 복잡성이 증가합니다. 트리가 분할될 때마다 머신 러닝 모델이 실수할 수 있으며, 이는 정보 획득이라는 개념으로 이어집니다. 정보 이득은 대상 변수를 예측할 때 기능의 유용성을 측정합니다. 의사 결정 트리의 각 기능이 제공하는 불확실성의 감소를 정량화합니다.
정보 이득은 지니 계수 또는 엔트로피를 사용하여 계산할 수 있습니다. 두 방법 모두 유사한 결과를 가져오므로 다른 방법보다 하나를 사용하는 것이 큰 이점이 없습니다. 읽기 자료가 지니 계수를 다루고 엔트로피가 이 맥락에서 논의되므로 두 가지 접근 방식을 모두 살펴보는 것이 좋습니다.
엔트로피 계산을 설명하기 위해 간단한 예를 살펴보겠습니다. 불이행, 고소득, 연체 등 신용 카드 소지자의 데이터가 포함된 표가 있습니다. 우리는 이러한 기능을 기반으로 대출이 불이행할지 여부를 결정하려고 합니다. 목표는 분류 및 예측입니다.
엔트로피 공식을 적용하여 주어진 데이터에 대한 엔트로피를 계산합니다. 각 결과의 확률을 합산하고 해당 확률의 밑이 2인 로그를 취합니다. 이 예에서 엔트로피는 0.954이며 귀하에게 제공했습니다.
다음으로 첫 번째 분할로 고소득 기능을 살펴보겠습니다. 우리는 신용카드 소지자 8명 중 4명은 소득이 높고 나머지 4명은 소득이 낮다는 것을 관찰했습니다. 고소득자 중 2명은 체납, 2명은 체납하지 않았다. 비고소득층의 경우 채무불이행이 1건, 불이행이 3건이었다.
각 기능의 엔트로피를 계산하면 고소득 기능의 엔트로피가 0.811임을 알 수 있습니다. 정보 이득을 결정하기 위해 초기 엔트로피 0.954에서 이 값을 뺍니다. 결과 정보 이득은 0.143입니다.
이는 고소득 특성이 불확실성 또는 엔트로피를 0.143 감소시킨다는 것을 보여줍니다.
의사 결정 트리를 계속 구축하려면 다른 기능을 평가하고 정보 획득도 계산해야 합니다. 각 기능에 대해 프로세스를 반복하여 다른 속성을 기반으로 데이터를 분할하고 엔트로피 및 정보 이득을 계산합니다.
다음으로 연체료 기능을 고려한다고 가정해 보겠습니다. 연체된 신용카드 소지자 4명 중 3명은 체납, 1명은 체납하지 않았다. 연체하지 않은 사람들에게는 채무 불이행이 없었습니다. 지연 지불 기능의 엔트로피를 계산하면 0.811입니다.
지연 지불 기능에 대한 정보 이득은 초기 엔트로피 0.954에서 엔트로피를 빼서 얻습니다. 따라서 연체료 특성에 대한 정보이득은 0.143으로 고소득 특성과 동일하다.
이 시점에서 두 가지 기능을 평가하고 정보 획득을 결정했습니다. 이제 이러한 기능의 정보 획득을 비교하여 결정 트리에서 첫 번째 분할로 사용할 기능을 결정해야 합니다. 두 기능 모두 동일한 정보 획득을 가지므로 둘 중 하나를 시작점으로 선택할 수 있습니다.
첫 번째 기능이 선택되면 의사 결정 트리가 더 확장되고 최종 결정 또는 결과에 도달할 때까지 나머지 데이터 하위 집합에 대한 프로세스를 반복합니다. 목표는 각 단계에서 정보 획득을 최대화하고 가장 정확한 예측 또는 분류를 제공하는 의사 결정 트리를 만드는 것입니다.
의사결정 트리가 너무 복잡해지거나 제한된 데이터에 대해 훈련된 경우 과적합이 발생할 수 있다는 점에 유의해야 합니다. 과적합은 의사결정 트리가 훈련 데이터의 잡음이나 특성을 너무 잘 학습하고 보이지 않는 새로운 데이터로 일반화하지 못하는 경우에 발생합니다.
과적합을 완화하기 위해 가지치기, 정규화 및 교차 검증과 같은 기술을 사용할 수 있습니다. 이러한 방법은 의사 결정 트리를 단순화하고 지나치게 복잡해지는 것을 방지하여 새 데이터에 대해 정확한 예측을 할 수 있도록 합니다.
결정 트리는 이 책의 1부에서 다루는 기계 학습의 한 측면일 뿐입니다. 2부에서 살펴볼 앙상블 학습 및 신경망과 같은 고급 개념을 이해하기 위한 기반을 제공합니다.
제가 대학원에 다닐 때 교수님은 항상 오류로부터 배우는 것의 중요성을 강조하셨는데, 그는 이것을 "외란 용어"라고 불렀습니다. 그는 단순히 기대값이 0이라는 이유로 이러한 오류를 무시하지 않는 것의 가치를 강조했습니다. 처음에는 무시하고 지름길을 택하는 것이 더 쉬울 것이라고 생각했지만 시간이 지남에 따라 이러한 오류를 이해하고 배우는 것이 중요하다는 것을 깨달았습니다.
우리 교수는 종종 스포츠의 실수에서 배우는 것과 모델링의 오류에서 배우는 것 사이에 유사점을 그렸습니다. 그는 어린 시절의 나처럼 운동선수들이 어떻게 실수를 하고 그것을 통해 경기장에서 그들의 기량을 향상시키는지 설명했다. 이 비유는 교란 항에서 학습하고 예측을 개선하여 더 나은 모델을 구축하는 데 동일한 개념을 적용할 수 있음을 깨달았습니다.
교수가 설명했듯이 부스팅은 적응형 부스팅과 그래디언트 부스팅의 두 가지 형태로 제공됩니다. 어댑티브 부스팅에서는 가장 많은 문제를 일으키는 교란 용어를 식별하고 이를 통해 학습하는 데 중점을 둡니다. 이 접근 방식은 약한 모델을 강력한 모델로 변환하여 편향을 줄이고 정확도를 높이는 데 도움이 됩니다.
반면에 그래디언트 부스팅은 미리 정해진 임계값을 설정하고 알고리즘을 조정하여 이를 능가하는 것을 목표로 합니다. 예를 들어 배당금 지급을 예측하는 모델이 있고 75%의 정확도를 달성하려는 경우 해당 수준의 정확도로 이어지는 결정을 내리도록 알고리즘을 훈련합니다. 그래디언트 부스팅은 어댑티브 부스팅의 일반화에 비해 좀 더 구체적인 접근 방식을 취합니다.
KNN(K Nearest Neighbor) 방법으로 이동하면 관찰된 변수 간의 거리를 측정하여 유사성을 결정합니다. 그룹 찾기에 중점을 둔 클러스터링과 달리 KNN은 이웃을 찾고 특징을 분석합니다. KNN은 새로운 데이터 포인트와 이웃 사이의 거리를 측정함으로써 이웃의 다수결 또는 가중 평균을 기반으로 해당 포인트의 클래스 또는 값을 예측합니다.
KNN은 분류 및 회귀 작업 모두에 적용할 수 있는 간단하면서도 강력한 알고리즘입니다. 기본 데이터 분포에 대한 가정이 필요하지 않으므로 비모수적 방법입니다. 그러나 한계가 있습니다. 작은 K를 선택하면 과적합이 발생할 수 있고 큰 K를 선택하면 지나친 단순화가 발생할 수 있으므로 이웃 수(K)의 선택이 중요합니다. 또한 KNN은 각 데이터 포인트에 대한 거리를 계산해야 하므로 대규모 데이터 세트의 경우 계산 비용이 많이 들 수 있습니다.
신경망의 개념은 매력적이며 최근 몇 년 동안 상당한 관심을 받았습니다. 신경망은 상호 연결된 노드 또는 퍼셉트론이라고 하는 인공 뉴런으로 구성된 인간 두뇌의 구조와 기능에서 영감을 받았습니다. 이러한 퍼셉트론은 정보를 처리하고 전송하여 신경망이 복잡한 패턴을 학습하고 예측할 수 있도록 합니다.
이 책은 입력 계층, 하나 이상의 숨겨진 계층 및 출력 계층으로 구성된 피드포워드 신경망 아키텍처에 대해 설명합니다. 각 레이어는 인접한 레이어에 연결된 여러 개의 퍼셉트론으로 구성됩니다. 입력 레이어는 초기 데이터를 받은 다음 네트워크를 통해 전달되고 출력을 생성하기 전에 각 숨겨진 레이어에서 변환 및 계산을 거칩니다.
신경망 훈련에는 퍼셉트론의 가중치와 편향을 조정하여 오류 또는 손실 함수를 최소화하는 작업이 포함됩니다. 이 프로세스는 네트워크 매개변수에 대한 오차의 기울기를 계산하고 그에 따라 업데이트하는 역전파를 사용하여 수행되는 경우가 많습니다.
신경망은 이미지 및 음성 인식, 자연어 처리 및 추천 시스템과 같은 다양한 응용 분야에서 놀라운 성공을 거두었습니다. 그러나 계산 집약적일 수 있으며 훈련을 위해 많은 양의 데이터가 필요할 수 있습니다. 과적합은 신경망에서도 문제가 될 수 있으며 드롭아웃 및 가중치 감쇠와 같은 정규화 기술을 사용하여 이 문제를 해결합니다.
이것으로 이 책의 1부에서 다룬 주제에 대한 개요를 마칩니다. 결정 트리, 정보 획득, 과적합, 부스팅, KNN 및 신경망에 대해 논의했습니다. 이러한 개념은 기계 학습 및 예측을 이해하기 위한 견고한 기반을 제공합니다.
책의 다음 섹션인 2부에서는 앙상블 학습 및 신경망과 같은 고급 개념을 살펴보겠습니다.
앙상블 학습은 여러 개별 모델을 결합하여 예측 또는 분류를 수행하는 강력한 기술입니다. 앙상블 학습의 기본 아이디어는 여러 모델의 예측을 집계하여 단일 모델이 단독으로 달성할 수 있는 것보다 더 나은 성능과 더 높은 정확도를 달성할 수 있다는 것입니다.
인기 있는 앙상블 학습 방법 중 하나는 랜덤 포레스트라고 합니다. 여러 의사 결정 트리의 예측을 결합하여 최종 예측을 만듭니다. 각 결정 트리는 데이터의 임의 하위 집합에 대해 학습되며 예측 단계에서 모든 개별 트리의 예측을 평균화하거나 투표하여 최종 예측을 얻습니다.
랜덤 포레스트는 몇 가지 이점을 제공합니다. 과적합에 강하고 일반화 능력이 좋은 경향이 있습니다. 대규모 데이터 세트와 고차원 기능 공간을 효과적으로 처리할 수 있습니다. 또한 랜덤 포레스트는 기능의 중요성에 대한 정보를 제공하여 기본 데이터에 대한 통찰력을 얻을 수 있습니다.
또 다른 앙상블 학습 방법은 앞에서 간략하게 언급한 그래디언트 부스팅(gradient boosting)입니다. 그래디언트 부스팅은 앙상블에 약한 모델을 반복적으로 추가하여 강력한 모델을 구축하고, 각각의 약한 모델은 이전 모델의 실수를 수정합니다. 이 반복 프로세스는 전체 오류를 줄이고 앙상블의 예측력을 향상시킵니다.
XGBoost 및 LightGBM과 같은 그래디언트 부스팅 알고리즘은 다양한 기계 학습 대회 및 실제 응용 프로그램에서의 효과로 인해 인기를 얻었습니다. 그들은 구조화된 데이터를 처리하는 데 탁월하며 복잡한 패턴과 기능 간의 상호 작용을 캡처할 수 있습니다.
신경망으로 이동하면서 이전에 신경망의 아키텍처 및 교육 프로세스를 다루었습니다. 신경망은 이미지 및 음성 인식과 같은 패턴 인식과 관련된 작업에서 뛰어난 성능을 보여 왔습니다. 시계열 분석, 자연어 처리 및 기타 여러 도메인에도 적용할 수 있습니다.
신경망의 하위 집합인 딥 러닝은 여러 개의 숨겨진 계층이 있는 신경망 훈련에 중점을 둡니다. 심층 신경망은 데이터의 계층적 표현을 학습할 수 있으며 각 계층은 점점 더 추상적인 기능을 학습합니다. 원시 데이터에서 복잡한 기능을 자동으로 추출하는 이 기능은 다양한 도메인에서 딥 러닝의 성공에 기여했습니다.
CNN(Convolutional Neural Networks)은 이미지의 픽셀 간의 공간 관계를 활용하기 때문에 이미지 인식 작업에 특히 효과적입니다. 순환 신경망(RNN)은 시간적 종속성을 캡처할 수 있으므로 자연어 처리 및 음성 인식과 같은 순차적 데이터 분석에 일반적으로 사용됩니다.
신경망의 성공은 훈련을 위해 레이블이 지정된 대규모 데이터 세트의 가용성에 크게 의존한다는 점은 주목할 가치가 있습니다. 또한 심층 신경망에는 종종 상당한 계산 리소스와 더 긴 훈련 시간이 필요합니다. 그러나 그래픽 처리 장치(GPU) 및 특수 하드웨어 가속기와 같은 하드웨어의 발전으로 심층 신경망 교육에 보다 쉽게 접근할 수 있게 되었습니다.
이 책의 2부로 더 진행하면서 앙상블 학습의 복잡성, 다양한 신경망 아키텍처, 최적화 기술 및 이러한 기술을 실제 문제에 적용하기 위한 실용적인 고려 사항을 탐구하면서 이러한 고급 주제에 대해 더 깊이 파고들 것입니다.
For FRM (Part I & Part II) video lessons, study notes, question banks, mock exams, and formula sheets covering all chapters of the FRM syllabus, click on the...
이 텍스트는 "리스크 관리 및 투자 관리"의 2부, 5권에서 가져온 것이며 특히 요인 이론에 대한 장에 중점을 둡니다.
텍스트는 요소 이론이 포트폴리오와 개별 주식의 성과에 영향을 미치는 공통 요소를 식별하는 것을 목표로 한다는 설명으로 시작합니다. 이러한 요인에는 금리, 시장 움직임, 인플레이션, GDP 변화 등이 포함될 수 있습니다. 이러한 요소가 다른 주식에 어떤 영향을 미치는지 이해함으로써 투자자는 자신의 포트폴리오에 대해 정보에 입각한 결정을 내릴 수 있습니다.
이 장에서는 요인 이론이 개별 자산보다는 요인 자체에 초점을 맞춘다는 점을 강조합니다. 금리, 인플레이션 및 경제 성장과 같은 요소는 Apple 또는 Bank of America와 같은 특정 회사보다 주가에 더 큰 영향을 미칩니다. 투자자는 개별 자산 너머를 살펴보고 수익을 창출하는 근본적인 위험 요소를 식별해야 합니다.
요인은 수익의 궁극적인 결정 요인으로 간주되며 자산은 요인의 묶음을 나타냅니다. 이 장에서는 서로 다른 투자자가 다양한 선호도와 위험 프로필을 가질 수 있으므로 상관 관계, 코퓰러 및 최적의 위험 노출을 고려하는 것의 중요성을 강조합니다.
그런 다음 텍스트는 자본 자산 가격 책정 모델(CAPM)을 참조하여 단일 요인 모델에 대해 논의합니다. CAPM은 체계적 위험(경제적 요인으로 인한 주식 수익률의 변동성)과 기대 수익률 사이의 균형 관계를 설명합니다. 이 모델은 유일한 관련 요소는 시장 포트폴리오이고 위험 프리미엄은 시장 움직임에 대한 주식의 민감도를 측정하는 베타에 의해 결정된다고 가정합니다.
이 장에서는 합리적인 투자자가 위험을 완화하기 위해 포트폴리오를 다양화한다고 설명합니다. 그러나 분산 가능한 위험은 쉽게 분산될 수 있으므로 프리미엄과 연관되어서는 안 됩니다. 위험 프리미엄이 있는 체계적 위험에 초점을 맞춰야 합니다.
CAPM의 두 가지 버전이 본문에 나와 있습니다. 첫 번째 버전은 무위험 이자율과 시장 포트폴리오의 예상 수익률을 고려한 반면, 두 번째 버전은 체계적 위험의 척도로 베타를 도입했습니다. 베타는 개별 주식과 시장 포트폴리오 간의 공분산을 시장 포트폴리오의 분산으로 나눈 값입니다. 경제 요인의 변화에 대한 주식의 민감도를 나타냅니다.
텍스트는 베타가 체계적 위험을 포착하고 개별 주식에 대한 기대 수익을 결정한다고 강조합니다. 높은 베타는 높은 체계적 위험과 잠재적인 높은 수익을 나타내며 낮은 베타는 낮은 위험과 잠재적인 낮은 수익을 나타냅니다. 그러나 베타와 수익률의 관계는 선형적이지 않습니다.
이 장은 CAPM에서 얻은 몇 가지 교훈을 강조하면서 결론을 맺습니다. 시장 포트폴리오는 유일한 기존 요소이며 각 투자자는 최적의 요소 위험 노출을 보유합니다. 위험을 회피하는 투자자는 정부 증권을 선호할 수 있는 반면, 위험을 감수하는 투자자는 위험 자산에 더 많은 부를 할당합니다. 자본 자산 배분선은 투자자가 주어진 기대 수익률 수준에 대해 최소 표준편차를 갖는 포트폴리오를 나타내는 효율적 경계선을 따라 이동할 수 있도록 합니다.
세금이 수익에 거의 영향을 미치지 않는다는 개념은 고려해야 할 중요한 요소입니다. 일반적으로 시장에는 마찰이 없다고 생각되지만 이 가정은 전적으로 사실이 아닙니다. 금융 분야는 1958년에 시작되었으며 주로 Madiganian Miller와 같은 경제학자가 이끌었습니다. 그러나 1950년대와 1960년대에는 박사 학위가 없었습니다. 특히 금융에 중점을 둔 프로그램. 따라서 현대 금융의 선구자들은 시장이 완전하고 투자자가 가격을 통제할 수 없다는 가정에 의존했습니다. 그러나 경제학자 밀턴 프리드먼(Milton Friedman)이 지적한 것처럼 기관 투자자가 때때로 상당한 가격 변동을 일으킬 수 있으며 모든 사람이 정보를 항상 자유롭게 사용할 수 있는 것은 아니라는 점을 이해합니다.
나는 그것들을 한계라고 부르는 것을 선호하지만 자본 자산 가격 책정 모델(CAPM)에는 실패가 있습니다. 이 모델은 시장 포트폴리오 및 베타에 영향을 미치는 모든 위험 요소를 포착해야 하는 상당한 압력에 직면해 있습니다. 이것이 개별 주식 수익률에 영향을 미치는 여러 위험 요인을 설명하는 다중 요인 모델이 인기를 얻은 이유입니다.
다중 요소 모델의 메커니즘을 탐구하기 전에 두 가지 접근 방식을 간단히 비교해 보겠습니다. 두 모델 모두 우리에게 중요한 교훈을 가르쳐줍니다. 교훈 1: 다각화는 작동하지만 각 모델에서 다르게 작동할 수 있습니다. 교훈 2: 비록 방법은 다르지만 각 투자자는 효율적인 프론티어 또는 자본 시장 라인에서 선호하는 위치를 찾습니다. 교훈 3: 일반 투자자는 시장 포트폴리오를 보유하고 있지만 CAPM은 국채 또는 파생 상품을 사용하여 선형 이동을 허용하는 반면 다중 팩터 모델은 팩터 노출을 기반으로 선형 및 비선형 이동을 모두 허용합니다. 교훈 4: 시장 요인은 CAPM 하에서 균형에서 가격이 책정되는 반면 다중 요인 모델은 차익 거래가 없는 조건에서 위험 프리미엄을 통해 균형을 결정합니다. 교훈 5: 두 모델 모두 CAPM의 베타와 다중 요인 모델의 요인 노출을 포함합니다. 마지막으로 CAPM의 불경기는 시장 수익률이 낮은 것으로 명시적으로 정의되는 반면, 다중 요소 모델은 그러한 기간 동안 매력적인 자산을 식별하는 것을 목표로 합니다.
이제 확률적 할인 요인과 CAPM 및 다중 요인 모델과의 관계를 살펴보겠습니다. 이 개념을 설명하기 위해 날씨 비유를 사용하겠습니다. 내 사촌과 내가 20분 거리에 살고 있고 날씨에 대해 자주 이야기한다고 상상해 보세요. 날씨가 흐리면 누군가는 "이슬비가 내리네요"라고 말하고 다른 누군가는 "비가 쏟아지네요!"라고 외칠 수 있습니다. 이 비유에서 흐린 날은 CAPM의 시장 포트폴리오를 나타내고 비구름은 야드 관리 능력에 영향을 미치는 추가 요소를 상징합니다. 유사하게, 확률적 할인 요인은 다른 지역에 영향을 미치는 특정 비구름과 유사하게 다른 위험 요인 또는 경제 상태에 대한 노출을 나타냅니다.
자산의 가격은 확률적 할인 요인(m)에 보수를 곱한 기대치에 따라 달라집니다. 예를 들어, 내가 1년에 100달러를 주기로 약속했다면 오늘 지불할 가격은 내가 그 돈으로 무엇을 할 것인지에 달려 있습니다. 무위험 재무부 채권에 투자하면 거래 비용이 없다고 가정하면 오늘 97달러를 지불할 수 있습니다. 그러나 고위험 주식 증권에 투자하는 경우 관련 위험을 고려하여 $60 또는 $40와 같이 더 낮은 금액을 지불할 수 있습니다. 또는 내가 라스베이거스에서 도박을 한다면 승패 확률에 따라 지불하는 금액이 크게 달라질 수 있습니다. 따라서 확률 적 할인 요인은 다양한 요인에 따라 달라집니다.
더욱이 확률적 할인 요소로 표현되는 가격 결정 커널은 일정하지 않고 동적입니다. 특히 옵션이 포함된 불확정 클레임 및 유가 증권을 다룰 때 시간이 지남에 따라 변경됩니다. 이러한 역동적인 특성으로 우발 상황이 있는 유가 증권의 정확한 가격 책정이 가능합니다.
결론적으로 Eugene Fama의 효율적인 시장 가설은 Apple 또는 Johnson & Johnson과 같은 금융 보안의 가격이 시장에서 사용 가능한 모든 정보를 완전히 반영한다고 말합니다. 이는 개별 증권을 적극적으로 매매하거나 선별하는 것만으로는 시장을 지속적으로 아웃퍼폼하는 것이 불가능함을 의미한다.
그러나 효율적인 시장의 개념은 시간이 지남에 따라 발전했으며 이제 시장이 항상 완벽하게 효율적인 것은 아니라는 것이 널리 인식되고 있습니다. 행동 금융 연구는 투자자가 항상 합리적인 것은 아니며 심리적 편향의 영향을 받아 시장 비효율성과 숙련된 투자자가 초과 수익을 창출할 수 있는 기회로 이어질 수 있음을 보여주었습니다.
또한 다단계 모델의 개발로 자산 가격 책정에 대한 보다 미묘한 이해가 가능해졌습니다. 이러한 모델은 단일 요소 CAPM을 넘어 자산 수익률의 변화를 설명할 수 있는 여러 위험 요소를 고려합니다. 회사 규모, 가치, 모멘텀 및 수익성과 같은 요소가 수익의 중요한 동인으로 확인되었습니다.
이러한 요소를 가격 책정 모델에 통합함으로써 투자자는 자산 평가에 대한 보다 포괄적인 관점을 얻고 정보에 입각한 투자 결정을 내릴 수 있습니다. 예를 들어 가치 요인에 대한 노출이 높은 주식은 저평가된 것으로 간주되어 매력적인 투자 기회를 제공할 수 있습니다.
다중 요소 모델이 인기를 얻었지만 문제가 없는 것은 아닙니다. 어떤 요소를 포함하고 어떻게 평가할지 결정하려면 신중한 분석과 고려가 필요합니다. 또한 다중 팩터 모델의 성능은 시간이 지남에 따라 달라질 수 있으며 역사적으로 성공한 팩터는 미래에도 계속해서 초과 수익을 제공하지 못할 수 있습니다.
전반적으로 요인 이론에 관한 이 장에서는 자산 가격과 포트폴리오 성과에 영향을 미치는 공통 요인을 식별하고 이해하는 것의 중요성에 대한 통찰력을 제공합니다. 기대수익률 결정에 있어 체계적 위험과 베타의 중요성을 강조하고 팩터분석을 통한 효과적인 투자운용의 토대를 제공합니다.
결론적으로 효율적 시장 가설은 시장 효율성을 이해하기 위한 기초를 마련했지만 현실은 시장이 항상 완벽하게 효율적이지는 않다는 것입니다. 다중 요소 모델의 출현과 행동 금융의 통찰력은 자산 가격 책정에 대한 보다 미묘한 관점을 제공했습니다. 투자자는 이러한 모델과 요소를 활용하여 시장 역학에 대한 이해를 높이고 잠재적으로 우수한 수익 기회를 식별할 수 있습니다. 그러나 이러한 모델과 관련된 제한 사항과 문제를 인식하고 적용 시 주의를 기울이는 것이 중요합니다.
For FRM (Part I & Part II) video lessons, study notes, question banks, mock exams, and formula sheets covering all chapters of the FRM syllabus, click on the...
Risk Management and Investment Management Part 2, Book 5에서 팩터에 대한 챕터가 있습니다. 이 책은 투자 관리와 요인을 사용한 포트폴리오 선택과의 관계에 대해 설명합니다. 이 개념을 설명하기 위해 대체 투자 포트폴리오를 구축하고 특히 셀러용 와인에 투자하는 데 중점을 둔 예를 살펴보겠습니다.
포트폴리오에 포함할 최고의 와인 한 병을 식별하기 위해 자신을 포함하여 세 명의 와인 테이스터를 고용하기로 결정했습니다. 저녁 식사와 함께 와인 한 잔을 즐기는 캐주얼 와인 소비자로서 귀하의 와인 추천은 하나의 관점을 나타냅니다. 대학 친구라고 하는 또 다른 테이스터는 별 생각 없이 와인을 빨리 마시는 것으로 유명합니다. 마지막으로 세 번째 시음자는 아로마, 맛 및 기타 요소를 꼼꼼하게 분석하는 와인 감식가입니다.
포트폴리오를 구축할 때 세 사람이 시음한 모든 와인을 포함하여 시장 포트폴리오를 구성할 수 있습니다. 그러나 와인 감식가의 추천은 와인 테이스팅에 대한 전문성이 있기 때문에 가중치를 둘 수 있다면 더 유리할 것이다. 예를 들어 귀하의 추천에 약 5%의 가중치를 할당하고 와인 감정가의 추천에 94.9%의 가중치를 할당할 수 있습니다. 대조적으로, 대학 친구의 추천은 덜 중요하거나 심지어 완전히 무시될 수 있습니다.
감정가의 전문성과 같은 관련 요소를 식별하고 그에 따라 기여도에 가중치를 부여함으로써 시장 포트폴리오를 능가하는 포트폴리오를 구성할 수 있습니다. 이 프로세스는 우수한 포트폴리오 성과에 기여하는 요소를 식별하는 것과 관련된 투자 관리 목표와 일치합니다.
이제 이 예를 책에 설명된 학습 목표에 연결해 보겠습니다. 학습 목표에는 가치 투자 프로세스 이해, 거시 경제 위험 요인이 자산 성과 및 포트폴리오에 미치는 영향, 변동성 위험 감소, Fama-French 모델, 가치 및 모멘텀과 같은 모델 탐색이 포함됩니다.
가치 투자는 기본 분석을 수행하고 이를 시장 가치와 비교하여 주식의 내재 가치를 평가하는 것입니다. 내재 가치보다 훨씬 낮은 가격의 주식은 저평가된 것으로 간주되고 높은 가격의 주식은 잠재적으로 고평가된 것으로 간주됩니다. 내재 가치는 주식의 진정한 가치를 나타내며 시장의 변덕과 어리석음에 의해 영향을 받는 시장 가치와 다를 수 있습니다.
내재 가치를 결정하기 위해 대차 대조표, 현금 흐름표, 경영 기술, 미래 배당금, 잉여 현금 흐름 또는 영업 현금 흐름과 같은 다양한 요소를 분석할 수 있습니다. 내재 가치를 시장 가치와 비교함으로써 저평가된 주식을 식별하고 정보에 입각한 투자 결정을 내릴 수 있습니다. 그러나 합리적인 투자자와 효율적인 시장을 가정할 때 시장은 궁극적으로 내재 가치에 맞춰 가격을 조정할 수 있다는 점에 유의해야 합니다. 실제로 인간의 감정과 시장의 비효율성은 주가에 영향을 미칠 수 있습니다.
거시 경제 위험 요인의 맥락에서 경제 성장은 중요한 역할을 합니다. 경제 성장이 낮거나 마이너스인 기간에는 주식과 같은 위험 자산이 일반적으로 실적이 저조한 반면 국채와 같은 안전 자산은 실적이 우수한 경향이 있습니다. 경기 침체기에 큰 손실을 감당할 수 없는 위험 회피 투자자는 채권 투자를 선호할 수 있습니다. 더 긴 시간 지평을 가진 젊은 투자자들은 종종 단기 손실을 견디고 장기 이익에서 이익을 얻을 수 있기 때문에 주식에 투자하도록 권장됩니다.
경험적 증거에 따르면 가치주는 시간이 지남에 따라 성장주를 능가하는 경향이 있습니다. 연구원들은 저평가된 주식을 찾는 투자자들에게 보상을 나타내는 가치 프리미엄이 존재한다고 주장합니다. 인플레이션, 금리, GDP 변화 및 변동성과 같은 경제적 요인은 위험 프리미엄과 관련이 있습니다. 이러한 요소를 고려하여 투자자는 그에 따라 포트폴리오를 조정할 수 있습니다.
교과서는 또한 미국 경제 침체기 동안 다양한 자산 클래스의 성과를 보여주는 표를 제공합니다. 금 및 원자재와 같은 특정 클래스는 이 기간 동안 플러스 평균 수익률을 보이는 경향이 있음을 강조합니다.
기업과 개인은 생산성, 재무 성과 및 투자 결정에 영향을 미치는 다양한 요인의 영향을 받습니다. 중대한 영향을 미친 한 가지 주요 사건은 2020년 초 COVID-19의 발발이었습니다. 바이러스 확산을 통제하기 위해 경제가 폐쇄되면서 기업은 수익 창출에 어려움을 겪었고 개인은 재정적 불확실성을 경험했습니다.
팬데믹의 영향은 2020년 2월과 3월에 주가가 크게 하락한 것으로 나타났습니다. 주가 급락은 경제 셧다운과 바이러스를 둘러싼 불확실성의 직접적인 결과였습니다. 이러한 주가 하락은 외부 충격에 대한 기업과 개인의 취약성을 강조했습니다.
그러나 어려운 시기에도 생산성이 향상되는 시기가 있었습니다. 2020년 늦여름과 초가을 동안 미국과 세계의 다른 지역에서 생산성이 크게 증가했습니다. 이러한 개선은 팬데믹이 가져온 새로운 환경에 적응하고 혁신적인 운영 방법을 찾은 결과였습니다. 생산성에 대한 초기 영향은 부정적이었지만 기업과 개인의 회복력과 적응성은 후속 개선으로 이어졌습니다.
팬데믹의 또 다른 예상치 못한 결과는 2020년 미국의 예상 출생률 감소였습니다. 사람들이 집에 머무르는 것이 출산 증가로 이어질 것이라는 초기 가정과 달리 출생률은 실제로 감소했습니다. 인구의 상당 부분이 퇴직 연령에 가까워짐에 따라 이러한 인구 변화는 거시경제적 위험을 야기합니다. 퇴직하는 근로자는 전반적인 생산성을 감소시킬 뿐만 아니라 다양한 유형의 투자와 포트폴리오를 요구하여 재정 환경에 영향을 미칩니다.
정치적 위험은 시간이 지남에 따라 변해 온 또 다른 요인입니다. 1990년 이후 기업과 사회의 다양한 측면에서 규제와 정부의 개입이 증가했습니다. 이러한 정치적 위험의 증가는 기업과 개인이 변화하는 규제 환경을 탐색함에 따라 더 높은 위험 프리미엄으로 이어졌습니다. 정치적 결정과 정책이 금융 시장과 투자 결정에 미치는 영향을 무시할 수 없습니다.
변동성 위험을 해결하는 것은 투자자와 기업의 주요 관심사입니다. 한 가지 접근 방식은 변동성을 허용할 수 없는 경우 주식, 파생 상품 또는 고정 수입 증권과 같은 위험한 증권에 투자하지 않는 것입니다. 또는 투자자는 변동성이 적은 경향이 있는 채권에 대한 투자 비율을 높일 수 있습니다. 그러나 채권에만 의존하는 것은 경기 침체기에 최적의 해결책이 아닐 수 있습니다.
위험 자산에 대한 투자를 유지하면서 변동성 위험을 완화하기 위해 투자자는 잠재적 손실에 대한 보험 역할을 하는 풋 옵션과 같은 보호 옵션 구매를 고려할 수 있습니다. 그러나 이러한 전략의 효율성과 비용 효율성은 신중한 분석이 필요합니다. 한계 비용과 한계 이익 사이의 올바른 균형을 찾는 것은 위험 관리 접근 방식을 최적화하는 데 중요합니다.
포트폴리오 관리의 맥락에서 크기 및 가치와 같은 요소는 중요한 역할을 합니다. 유진 파마(Eugene Fama)와 케네스 프렌치(Kenneth French)는 추가 요소를 통합하여 자본 자산 가격 책정 모델(CAPM)에서 확장된 Fama-French 모델을 개발했습니다. 이 모델에는 주식의 위험 및 수익 특성을 더 잘 포착하기 위해 시장 요소, 크기 요소(SMB) 및 가치 요소(HML)가 포함됩니다. 이러한 요소는 주식 수익률의 상당 부분을 설명하는 것으로 밝혀졌으며 포트폴리오 구성에서 여러 요소를 고려하는 것의 중요성을 강조합니다.
가치 투자는 장부 가치에 비해 가격이 낮은 주식에 롱 포지션을 취하고 가격이 높은 주식에 숏 포지션을 취하는 것입니다. 이 전략은 부진한 기간을 겪은 가치주가 보상으로 더 높은 수익을 제공할 수 있다는 근거에 기반합니다. 가치 프리미엄을 설명하는 합리적 이론과 행동 이론이 있습니다. 합리적 이론은 가치주에 영향을 미치는 위험 요소에 초점을 맞추는 반면, 행동 이론은 과도한 외삽 및 손실 회피와 같은 투자자 편향을 가치 프리미엄의 동인으로 간주합니다.
반면에 모멘텀 투자는 최근 주가 상승을 보인 주식이 계속해서 좋은 성과를 낼 것이라는 믿음에 의존합니다. 투자자는 승자에 대해 과신하고 패자에 대해서는 신뢰를 잃어 모멘텀 효과를 초래할 수 있습니다. 모멘텀 투자 전략은 긍정적인 가격 모멘텀을 보인 주식을 사서 부정적인 모멘텀을 보인 주식을 파는 것입니다.
모멘텀 전략을 구현하는 방법에는 여러 가지가 있습니다. 일반적인 방법 중 하나는 지난 6~12개월과 같은 특정 기간 동안 개별 주식의 수익률을 계산하고 상대적인 성과를 기준으로 순위를 매기는 것입니다. 그런 다음 긍정적인 모멘텀이 가장 높은 상위 종목을 투자 대상으로 선택하고 부정적인 모멘텀을 가진 하위 종목을 회피하거나 공매도합니다.
모멘텀 투자는 합리적 요인과 행동적 요인으로 설명할 수 있습니다. 합리적인 측면에서 모멘텀 효과는 시장의 비효율성이나 새로운 정보에 대한 과소반응에 기인할 수 있습니다. 투자자들은 새로운 정보를 주가에 완전히 통합하는 데 시간이 걸릴 수 있으며, 더 많은 투자자들이 뉴스를 따라잡음에 따라 지속적인 가격 모멘텀으로 이어집니다.
행동적 설명은 군중 행동 및 처분 효과와 같은 투자자 편향이 모멘텀 효과에 기여한다고 제안합니다. 투자자들이 군중을 따라가서 실적이 좋은 주식을 사서 추가 가격 상승으로 이어지는 군중 행동이 발생합니다. 처분 효과는 투자자들이 손실 종목을 보유하고 수익 종목을 너무 빨리 매도하는 경향을 말하며, 이는 가격 모멘텀을 창출할 수 있습니다.
가치 투자와 모멘텀 투자 전략 모두 장기적으로 초과 수익을 제공하는 것으로 나타났습니다. 그러나 이러한 전략에도 성과가 저조한 기간이 있으며 시장 상황과 주어진 시간에 주식 수익률을 주도하는 특정 요인에 따라 성공 여부가 달라질 수 있습니다.
투자 포트폴리오를 구성할 때 규모, 가치, 모멘텀 등 여러 요소를 통합하는 다각화된 접근 방식을 고려하는 것이 중요합니다. 다양한 팩터에 걸쳐 다양화함으로써 투자자는 잠재적으로 개별 팩터 변동의 영향을 줄이고 포트폴리오의 위험-수익 프로파일을 개선할 수 있습니다.
또한 정기적으로 포트폴리오를 검토하고 재조정하여 투자자의 목표, 위험 허용 범위 및 변화하는 시장 조건과 일치하도록 하는 것이 중요합니다. 재조정은 자산을 원하는 목표 가중치로 되돌리기 위해 자산을 사거나 팔아 포트폴리오의 자산 배분을 조정하는 것입니다. 이렇게 하면 의도한 위험 노출을 유지하고 포트폴리오가 특정 주식이나 부문에 과도하게 집중되는 것을 방지할 수 있습니다.
결론적으로 변동성 위험을 관리하고 크기, 가치 및 모멘텀과 같은 요소를 고려하는 것은 포트폴리오 관리의 중요한 측면입니다. 투자자는 이러한 전략을 실행할 때 위험 허용 범위, 투자 목표 및 기간을 평가해야 합니다. 또한 시장 동향, 경제 지표 및 지정학적 발전에 대한 정보를 유지하면 정보에 입각한 투자 결정을 내리고 끊임없이 변화하는 금융 환경을 탐색하는 데 도움이 될 수 있습니다.
For FRM (Part I & Part II) video lessons, study notes, question banks, mock exams, and formula sheets covering all chapters of the FRM syllabus, click on the...
"알파 및 저위험 변칙"이라는 제목의 이 장에서는 성과 측정 및 투자 전략에 대한 포괄적인 분석을 자세히 살펴봅니다. 이 장은 알파, 벤치마크 선택, 추적 오류, 정보 비율 및 샤프 비율에 대한 이해를 심화하는 동시에 금융 시장에서 저위험 변칙의 존재를 탐구하는 것을 목표로 합니다.
소개:
이 장은 제목의 중요성과 제목이 포함하는 복잡성을 탐구하려는 의도를 강조하는 것으로 시작합니다. 저자는 독자에게 실질적인 가치를 전달하는 데 있어서 잘 짜여진 장 제목의 중요성을 강조합니다.
알파 이해하기:
벤치마크와의 관계를 강조하면서 성능 측정으로서 알파의 개념에 대해 설명합니다. 평균적인 골퍼와 점수를 비교하기보다 잭 니클라우스의 기록에 초점을 맞춘 골퍼의 비유는 알파를 벤치마크와 관련된 성능 측정으로 설명하는 데 사용됩니다. 알파는 투자 성과를 평가하는 중요한 지표로 인식되고 있습니다.
이상 현상 탐색:
이 장에서는 효율적 시장 가설의 맥락에서 이상 현상에 대해 논의합니다. 변칙은 시장 가격이 모든 관련 정보를 반영한다고 제안하는 가설과의 편차를 나타냅니다. 여기서 초점은 위험 수준이 낮은 투자가 수익 측면에서 고위험 증권을 능가하는 저위험 이상 현상에 있습니다.
학습 목표:
이 장에서는 주제의 폭과 깊이를 보여주는 몇 가지 학습 목표를 설명합니다. 이러한 목표에는 저위험 이상 평가, 알파, 추적 오류, 정보 비율 및 샤프 비율과 같은 성능 메트릭 정의 및 계산이 포함됩니다. 벤치마크 선택의 중요성과 이것이 알파에 미치는 영향을 살펴봅니다. 또한 액티브 운용의 기본법칙, 정보비율분석, 회귀분석, 투자성과 요인의 역할 등을 다룬다. Warren Buffett의 성과 분석과 비선형 및 기타 이상 현상에 대한 논의와 같은 실제 사례가 소개됩니다.
위험도가 낮은 변칙 현상 공개:
이 장에서는 William Sharpe가 자본 자산 가격 책정 모델(CAPM)을 도입하여 예상 포트폴리오 수익률과 베타 간의 선형 관계를 설정한 1964년으로 거슬러 올라갑니다. 그러나 경험적 증거는 이러한 관계에 의문을 제기하며 위험 조정 기준에서도 높은 베타 주식이 낮은 베타 주식보다 실적이 저조한 경향이 있음을 나타냅니다. 이 현상은 저위험 이상 현상으로 알려져 있으며 효율적 시장 가설의 가정에 도전합니다.
저위험 이상에 영향을 미치는 요인:
이 장에서는 저위험 이상 현상의 지속에 기여하는 다양한 요인을 살펴봅니다. 레버리지가 금융 시장의 일반적인 관행이며 레버리지 액세스에 대한 제약으로 인해 투자자가 높은 베타 주식을 찾고 가격을 높이고 위험 조정 수익을 줄이는 방법을 식별합니다. 고 베타 주식에 대한 대리인 문제 및 개인 선호도 저 위험 이상 현상에 기여하는 요인으로 부각됩니다.
알파 이해하기:
이 장에서는 알파를 시장 지수 또는 벤치마크를 초과하는 평균 수익으로 간결하게 정의합니다. 알파를 결정하기 위한 적절한 벤치마크를 선택하는 것의 중요성이 강조됩니다. 알파는 투자 기술과 벤치마크를 구성하는 데 사용되는 요소를 모두 반영하므로 투자 성과를 평가할 때 벤치마크 선택의 중요성을 강조합니다.
결론:
이 장에서는 다루는 주요 통찰력과 목표를 요약하여 결론을 내립니다. 알파, 벤치마크 선택 및 저위험 변칙 사이의 복잡한 상호 작용을 강조합니다. 또한 위험 조정 수익률을 평가하는 방법을 제공하는 추적 오류, 정보 비율 및 샤프 비율과 같은 중요한 성능 측정 개념을 소개합니다. 실제 사례와 비선형성 및 기타 이상에 대한 논의는 주제에 대한 이해를 더욱 풍부하게 합니다.
이러한 개념과 상호 작용을 탐구함으로써 이 장에서는 알파, 벤치마크 선택, 추적 오류, 정보 비율 및 샤프 비율에 대한 이해를 심화하는 것을 목표로 합니다. 또한 Warren Buffett의 성과 분석, 비선형성 및 기타 이상 현상에 대한 논의와 같은 실제 사례를 소개합니다.
정보 비율을 추정하려면 일일 또는 월별 수익 여부에 관계없이 상당한 기간 동안 자산 및 벤치마크에 대한 수익을 계산해야 합니다. 이 데이터는 Excel 스프레드시트와 같은 도구를 사용하여 처리할 수 있으므로 알파 계산 및 오류 추적이 가능합니다. 이 분석을 효과적으로 수행하려면 필요한 데이터에 대한 액세스가 필수적입니다.
이 장에서는 Grinhold Grenald가 개발한 적극적인 관리의 기본 법칙을 소개합니다. 제시된 공식은 근사치를 나타내며 정확하지 않을 수 있지만 알파, 정보 계수 및 폭 간의 관계에 대한 귀중한 통찰력을 제공합니다. 이 공식은 포트폴리오 관리자가 벤치마크에서 벗어난 베팅을 함으로써 알파를 생성하고 성공적인 베팅은 더 높은 알파를 초래하는 경향이 있음을 시사합니다. 최대 정보 비율은 정보 계수의 곱과 베팅 수의 제곱근과 거의 같습니다.
정보 계수는 실제 수익에 대한 관리자의 예측 정확도를 측정하는 반면 폭은 거래 가능한 증권의 수와 거래 빈도를 나타냅니다. 폭의 제곱근은 비용 고려 사항과 정확성의 균형을 유지하면서 샘플링에 대한 페널티 역할을 합니다.
이 장에서는 능동적 관리자의 생산성이 기술 수준과 기술을 활용하는 빈도에 따라 달라진다는 점을 강조합니다. 폭의 제곱근은 투자자가 정보에 입각한 결정을 내리거나 수익을 극대화하기 위해 빈번한 거래에 참여해야 함을 시사합니다.
또 다른 요점은 기술 수준은 같지만 폭이 다른 두 관리자가 다른 성과 결과를 낼 가능성이 높다는 것입니다. 일반적으로 폭이 클수록 성능이 향상됩니다.
이 개념을 설명하기 위해 룰렛과의 비유가 제시됩니다. 100회전에 1달러를 베팅하는 플레이어와 1회전에 100달러를 베팅하는 다른 플레이어를 비교하면 위험 대비 보상 비율이 다릅니다. 이 비유는 기술 수준과 거래 빈도를 모두 고려하는 것의 중요성을 강조합니다.
정보 계수에 대한 가정이 이루어집니다. 예를 들어 운용자산이 증가하면 정보계수가 낮아져 실적이 악화되는 경향이 있다. 펀드가 커질수록 저평가된 주식을 식별하기가 더 어려워지고 발견되더라도 전체 포트폴리오에 미치는 영향이 줄어듭니다.
독립적인 거래의 가정은 종종 투자 간에 상관관계가 있기 때문에 완전히 정확하지 않습니다. 예를 들어 관리자가 유틸리티 주식에 투자하는 경우 나중에 더 많은 유틸리티 주식에 투자할 가능성이 높습니다. 이 상관 관계 패턴은 다양한 연구에서 사실입니다.
이전 논의를 상기하면서 이 장에서는 1964년 William Sharpe가 도입한 자본 자산 가격 책정 모델(CAPM)을 참조합니다. CAPM은 시장 포트폴리오를 기반으로 하는 단일 요소 모델로, 개별 자산에 대한 기대 수익은 무위험 자산으로 구성됩니다. 요율에 시장 행동에 기반한 구성 요소를 더한 것입니다.
베타는 체계적인 위험 민감도의 척도로 다시 도입됩니다. 베타가 낮은 주식은 민감도가 낮고 베타가 높은 주식은 민감도가 높습니다.
1990년 1월부터 2012년 5월까지의 데이터를 제시하여 적극적 포트폴리오 운용과 정보비율의 관계를 분석하였다. 데이터는 포트폴리오의 증권 수가 증가함에 따라 정보 비율이 감소하는 경향이 있음을 보여줍니다. 더 많은 수의 증권을 관리하는 것이 더 어려워지고 결과적으로 예측 정확도와 알파 생성이 낮아집니다.
거래 비용이 정보 비율에 미치는 영향도 조사합니다. 높은 거래 비용은 정보 비율을 감소시켜 빈번한 거래와 관련된 비용이 관리자가 생성한 잠재적인 알파를 잠식할 수 있음을 나타냅니다.
결론적으로 이 장에서는 적극적인 포트폴리오 관리에서 기술 수준과 폭을 모두 고려하는 것의 중요성을 강조합니다. 정확한 예측을 하는 숙련된 관리자는 알파를 생성할 수 있지만 포트폴리오의 폭과 관련 거래 비용은 전략의 전반적인 효율성을 결정하는 데 중요한 역할을 합니다.
전반적으로 이 장에서는 저위험 이상 현상인 알파의 측정 및 해석과 위험 관리 및 투자 전략에 대한 영향에 대한 통찰력을 제공합니다. 독자가 벤치마크 선택을 신중하게 고려하고, 추적 오류 및 정보 비율을 이해하고, Sharpe 비율과 같은 메트릭을 사용하여 위험 조정 성능을 평가하도록 권장합니다. 이러한 개념과 상호 작용을 이해함으로써 투자자는 액티브 포트폴리오 매니저를 선택하고 평가할 때 더 많은 정보에 입각한 결정을 내릴 수 있습니다.
For FRM (Part I & Part II) video lessons, study notes, question banks, mock exams, and formula sheets covering all chapters of the FRM syllabus, click on the...
학자가 작성한 이전 장에서 실무자가 작성한 이 장으로 전환하고 있습니다. 이 장에서는 투자 관리의 맥락에서 위험 모니터링 및 성과 측정에 중점을 둘 것입니다. 이전 장에서 다룬 주제와 일부 겹치는 부분이 있지만 위험 가치, 위험 계획, 위험 예산 책정, 위험 의식, 유동성 기간 통계, 알파 및 벤치마크 분석, 수석의 역할과 같은 특정 영역에 대해 더 깊이 파고들 것입니다. 위험 담당관.
학습 목표: 이 장으로 들어가기 전에 학습 목표를 검토하여 다룰 내용에 대한 개요를 제공합니다. 이러한 목표에는 다음이 포함됩니다.
위험 가치: 과거에 이 개념에 대해 광범위하게 논의했습니다. 특정 기간 동안 일정 수준의 신뢰도를 가진 최대 잠재적 손실을 나타냅니다. 이 주제를 다시 살펴보겠습니다.
위험 계획, 위험 예산 책정 및 위험 모니터링: 이 영역은 위험 관리에 대한 이전 논의와 유사합니다. 우리는 그것들이 전반적인 위험 관리 프레임워크와 어떻게 관련되는지 살펴볼 것입니다.
위험 의식: 이 주제는 위험 문화와 최고 위험 책임자의 역할을 논의할 때 이전 장에서 간략하게 다루었습니다. 이 장에서 더 깊이 파고들 것입니다.
유동성 기간 통계: 이것은 우리가 소개할 새로운 주제입니다. 다양한 투자와 관련된 유동성 위험을 측정하는 데 중점을 둡니다.
알파 및 벤치마크: 이러한 개념을 다시 검토하고 William Sharpe의 작업을 참조할 수 있습니다. 이를 통해 성능 측정에 대한 추가 정보를 얻을 수 있습니다.
장 개요: 이 챕터는 최근 챕터에 비해 상대적으로 짧아서 다루는 데 시간이 덜 걸릴 것 같습니다. 위험 가치를 검토하고 오류를 추적하는 것으로 시작하겠습니다. 위험 가치는 특정 기간 동안 기업이 특정 수준의 확신을 가지고 직면할 수 있는 최대 잠재적 손실을 나타냅니다. 반면에 추적 오류는 개별 포트폴리오의 수익률과 벤치마크 간의 편차를 측정합니다. 두 개념 모두 z 테이블의 중요한 값을 활용하며 자본 배분 및 벤치마크 주변 관리자의 범위를 결정하는 데 중요한 역할을 합니다.
위험 가치는 관리자가 위험 한계 가치 및 위험 증가 가치와 같은 요소를 고려하여 자산 간에 자본을 할당하는 데 도움이 됩니다. 이전 장에서 우리는 이러한 가중치를 결정하는 데 도움이 되는 최적 가중치 및 공식에 대해 논의했습니다. 반대로 추적 오류는 벤치마크에서 벗어나는 관리자의 유연성을 결정하는 데 사용됩니다. 액티브 운용사는 귀속 분석을 통해 요약할 수 있는 종목 선택 및 자산 배분을 통해 벤치마크를 능가하는 것을 목표로 합니다.
위험 관리 프로세스에는 위험 계획, 위험 예산 책정 및 위험 모니터링이라는 세 가지 핵심 요소가 포함됩니다. 위험 계획에는 예상 수익 및 변동성 수준 설정, 최고 위험 책임자 및 이사회와 협의하여 허용 가능한 위험 가치 수준 정의 및 오류 추적, 자본 배분 프로세스 수립이 포함됩니다. 또한 위험 계획에는 정기적인 작동 손상을 유발하는 이벤트와 심각한 피해를 유발하는 이벤트를 구분하는 것이 수반됩니다. 위험 예산 책정은 활동의 위험도를 고려하여 각 사일로 또는 비즈니스 단위에 대한 2차 평가 계층 역할을 합니다. 전체 포트폴리오 위험을 최소로 유지하면서 수익을 극대화하여 최적의 자산 배분을 달성하는 것을 목표로 합니다.
위험 모니터링은 위험 관리 관행의 효율성을 평가하는 데 중요합니다. 여기에는 교육 환경에서의 결과 평가와 유사하게 계획된 조치를 실제 결과와 비교하는 것이 포함됩니다. 적시에 시정 조치를 취하려면 비정상적인 편차 및 위험 한계 위반을 즉시 식별해야 합니다. 효과적인 위험 모니터링을 위해 추세 분석 및 비교 분석과 같은 다양한 분석 기법을 사용할 수 있습니다.
결론: 위험 모니터링 및 성과 측정에 관한 이 장에서는 투자 위험 관리에 대한 실질적인 통찰력을 제공합니다. 위험 가치, 위험 계획, 위험 예산 책정, 위험 의식, 유동성 기간 통계, 알파 및 벤치마크 분석, 위험 모니터링의 중요성과 같은 필수 주제를 다룹니다.
위험 모니터링은 위험 예산 또는 미리 결정된 위험 한도의 변동을 감지하는 데 중요합니다. 여기에는 포트폴리오의 성과를 정기적으로 평가하고 예상 결과와 비교하는 것이 포함됩니다. 이를 통해 위험 관리자는 주의 또는 조정이 필요할 수 있는 비정상적인 편차 또는 예기치 않은 결과를 식별할 수 있습니다.
추세 분석은 위험 모니터링에 사용되는 한 가지 접근 방식입니다. 과거 데이터를 조사하고 시간 경과에 따른 패턴을 관찰함으로써 위험 관리자는 포트폴리오 성과 및 위험 측정의 추세를 식별할 수 있습니다. 이는 포트폴리오의 동작을 이해하고 위험 예산과의 일관성을 평가하는 데 도움이 됩니다.
비교 분석은 위험 모니터링의 또 다른 유용한 도구입니다. 포트폴리오의 성과를 관련 벤치마크 또는 동료와 비교하는 것이 포함됩니다. 포트폴리오의 상대적 성과를 평가함으로써 위험 관리자는 강점과 약점에 대한 통찰력을 얻고 목표를 달성하고 있는지 평가할 수 있습니다.
위험 모니터링에는 KRI(주요 위험 지표) 및 성능 메트릭을 추적하고 평가하는 것도 포함됩니다. KRI는 잠재적인 위험 또는 위험 예산의 편차에 대한 조기 경고 신호를 제공하는 구체적인 조치입니다. 이러한 지표에는 변동성 수준, 위험 가치(VaR), 추적 오류, 유동성 비율 및 기타 관련 지표가 포함될 수 있습니다. 이러한 지표를 정기적으로 모니터링함으로써 위험 관리자는 새로운 위험 또는 편차를 사전에 식별하고 해결할 수 있습니다.
또한 위험 모니터링에는 위험 보고서 및 위험 대시보드를 검토하고 분석하는 작업이 포함됩니다. 이 보고서는 포트폴리오의 위험 프로필, 성과 및 위험 한도 준수에 대한 포괄적인 개요를 제공합니다. 종종 시각적으로 표시되는 위험 대시보드는 포트폴리오의 위험 지표에 대한 스냅샷을 제공하고 관심 영역을 강조 표시합니다. 이러한 보고서와 대시보드를 정기적으로 검토하면 위험 관리에 대한 투명성, 책임 및 정보에 입각한 의사 결정을 유지하는 데 도움이 됩니다.
요약하면 위험 모니터링은 위험 관리 프로세스에서 중요한 역할을 합니다. 여기에는 포트폴리오 성과를 지속적으로 평가하고 미리 결정된 목표 및 벤치마크와 비교하고 주요 위험 지표를 추적하고 위험 보고서 및 대시보드를 검토하는 작업이 포함됩니다. 위험을 부지런히 모니터링함으로써 실무자는 모든 편차 또는 새로운 위험을 즉시 식별하고 해결할 수 있으므로 포트폴리오가 위험 예산 및 목표와 일치하도록 할 수 있습니다.
For FRM (Part I & Part II) video lessons, study notes, question banks, mock exams, and formula sheets covering all chapters of the FRM syllabus, click on the...
리스크 관리 및 투자 관리 핸드북 2부 5권에는 헤지펀드에 관한 한 챕터가 금융 리서치 전문가로 꼽히는 세 명의 저명한 학자들이 저술했습니다. 이 학자들은 최고 수준의 저널에 강력한 출판 기록을 보유하고 있으며 저널 편집자로 일했으며 뛰어난 작업으로 권위 있는 상을 받았습니다. 이 장은 복잡한 수학적 개념을 탐구하지 않고 광범위한 독자가 접근할 수 있는 방식으로 헤지펀드에 대한 포괄적인 정보를 제공하는 것을 목표로 합니다.
이 장은 적극적으로 관리되는 대체 투자로 헤지 펀드를 소개하는 것으로 시작합니다. 헤지펀드는 비전통적인 자산에 투자한다는 점에서 현금, 채권, 주식과 같은 전통적인 자산군과 다르다는 점을 강조합니다. 이 장에서는 신생 기업, 기술주, 금, 기금 모금 및 외국 국채를 포함한 잠재적인 투자 옵션을 제시합니다.
헤지 펀드와 뮤추얼 펀드 사이의 주목할만한 차이점 중 하나는 헤지 펀드가 참여하려면 일반적으로 수백만 달러 범위의 상당한 자본을 가진 공인 투자자가 필요하다는 것입니다. 이 엄선된 투자자 그룹은 종종 일반 대중과 다른 위험 태도와 기대 수익률을 가지고 있습니다. 헤지 펀드 매니저는 전통적인 뮤추얼 펀드 매니저가 사용할 수 없는 광범위한 전략에 접근할 수 있어 투자 결정에 더 큰 유연성을 제공합니다.
투명성은 단점이자 장점이 될 수 있는 헤지펀드의 특성으로 부각된다. 전통적인 투자 수단과 달리 헤지 펀드는 전략 공개를 제한적으로 제공합니다. 이러한 투명성 부족은 단점으로 보일 수 있지만 헤지 펀드 매니저는 투자 전략을 기밀로 유지하여 다른 매니저가 자신의 접근 방식을 복제하고 잠재적으로 수익성을 감소시키는 것을 방지할 수 있습니다.
이 장에서는 주로 차익 거래 기회를 위한 차입 자본 및 파생 증권의 사용을 통해 헤지 펀드에서 높은 레버리지를 사용하는 방법에 대해 설명합니다. 이러한 고위험 접근 방식은 장기간에 걸쳐 상당한 손실을 초래할 수 있으므로 헤지 펀드 산업에서 위험 관리의 중요성이 강조됩니다.
"2 및 20"으로 알려진 헤지 펀드 매니저가 일반적으로 사용하는 수수료 구조도 이 장에서 다룹니다. 이 구조는 펀드 규모에 따라 2%의 관리 수수료와 발생한 수익에 대해 계산된 20%의 성과 수수료를 수반합니다. 수수료 약정은 실적에 관계없이 헤지 펀드 매니저에게 상당한 수입을 제공할 가능성이 있습니다.
뮤추얼 펀드 매니저에 비해 헤지 펀드 매니저는 훨씬 더 넓은 투자 범위를 가집니다. 뮤추얼 펀드 매니저는 종종 자산 선택, 공매도, 마진 거래, 파생 증권 사용을 포함한 레버리지에 대한 제약에 직면합니다. 대조적으로 헤지 펀드 매니저는 이러한 측면에서 더 많은 자유를 가지므로 더 넓은 범위의 투자 기회를 탐색할 수 있습니다.
이 장에서는 헤지 펀드 및 데이터베이스와 관련된 몇 가지 편견을 강조합니다. 성공적인 헤지펀드만 데이터베이스에 포함되어 산업 성과를 과대평가하는 경우 생존 편향이 발생합니다. 즉각적인 이력 편향은 실적 보고 시점과 달성한 실제 실적 사이의 불일치를 나타냅니다. 보고 및 자체 선택 편향은 펀드가 상업적 데이터베이스에 성과를 자발적으로 보고할 때 발생하여 데이터에 잠재적인 불일치가 발생할 수 있습니다. 평활 편향은 비유동 자산에 대한 수익을 정확하게 추정하기 어렵기 때문에 발생하며 결과적으로 평활화된 성과 수치가 나타납니다.
1994년 상업 데이터베이스 구축과 함께 발생한 중요한 변화에 주목하면서 헤지 펀드 데이터베이스의 진화에 대해 논의합니다. 이 기간에는 고위험 전략을 추구하고 결국 붕괴되기 전에 상당한 성장을 경험한 장기 자본 관리와 같은 저명한 헤지 펀드가 부상했습니다. 2000년대 초반 헤지펀드가 S&P 500지수를 상회하면서 현금유입이 급증했고 이에 따라 헤지펀드와 운용자산이 늘어났다. 기관 투자자들은 더 높은 수익 가능성에 매료되어 포트폴리오를 헤지 펀드에 할당하기 시작했습니다.
알파와 베타의 개념은 이 장에서 소개됩니다. 베타는 체계적 위험을 나타내며 시장 움직임에 대한 투자의 민감도를 측정하며 베타 1.0은 전체 시장과 동일한 수준의 위험을 나타냅니다. 알파는 베타를 기반으로 예상되는 것 이상으로 포트폴리오 또는 투자 전략에 의해 생성된 초과 수익을 나타냅니다. 알파는 종종 수익을 창출하는 관리자의 능력을 측정하는 척도로 간주됩니다.
헤지펀드 매니저는 롱/숏 에퀴티, 이벤트 중심, 글로벌 매크로, 상대 가치 등 다양한 투자 전략을 사용하여 긍정적인 알파를 창출하는 것을 목표로 합니다. 각 전략에는 고유한 특성이 있으며 위험 관리에 대한 다른 접근 방식이 필요합니다. 예를 들어, 롱/숏 에쿼티 전략은 주식의 롱 포지션과 숏 포지션을 모두 취하여 가격 상승과 하락 모두에서 이익을 얻는 것을 포함합니다. 이벤트 중심 전략은 특정 기업 이벤트에 초점을 맞추는 반면, 글로벌 거시 전략은 거시 경제 동향 및 지정학적 발전에 따라 입장을 취하는 것을 포함합니다. 상대 가치 전략은 관련 증권 간의 가격 불일치를 이용하려고 합니다.
이 장에서는 헤지 펀드 성과 평가와 관련된 문제와 제한 사항에 대해서도 설명합니다. 헤지 펀드의 투명성 부족으로 성과를 정확하게 측정하기 어렵고 샤프 비율 및 정보 비율과 같은 전통적인 성과 지표는 전체 그림을 포착하지 못할 수 있습니다. 연구원들은 헤지 펀드 성과 및 위험을 더 잘 평가하기 위해 오메가 비율 및 드로다운 기반 지표와 같은 대체 측정법을 개발했습니다.
또한 이 장에서는 헤지 펀드를 선택할 때 실사의 중요성을 강조합니다. 투자자는 펀드의 투자 전략, 위험 관리 관행, 과거 실적, 펀드 매니저의 경험과 실적을 철저히 평가해야 합니다. 적절한 실사는 투자자가 위험 선호도 및 투자 목표에 부합하는 펀드를 식별하는 데 도움이 됩니다.
이 장은 정부, 중앙 은행 및 정치인과 같은 다양한 주체가 각자 자신의 생각과 의제를 정책에 반영하는 금융 세계의 역학 관계에 대해 논의하면서 결론을 내립니다. 이러한 역동적인 성격은 글로벌 거시 전략가가 거시경제뿐만 아니라 중앙은행가의 변화하는 패러다임을 예측할 수 있는 정치에 대한 전문성을 요구합니다. 관리형 선물 전략과 부실 채권은 헤지 펀드 산업 내에서 두 가지 구체적인 접근 방식으로 제시되며, 각각은 기회를 효과적으로 식별하고 활용하기 위해 전문 지식, 연구 및 분석이 필요합니다.
전반적으로 이 장에서는 헤지 펀드의 특성, 투자 전략, 수수료 구조, 성과 평가 및 과제를 다루는 포괄적인 개요를 제공합니다. 헤지 펀드와 관련된 고유한 기능과 위험을 강조하고 이러한 대체 투자 수단을 고려하는 투자자를 위한 위험 관리 및 실사의 중요성을 강조합니다.
For FRM (Part I & Part II) video lessons, study notes, question banks, mock exams, and formula sheets covering all chapters of the FRM syllabus, click on the...
회귀 진단(FRM 1부 2023 – 2권 – 9장)
회귀 진단(FRM 1부 2023 – 2권 – 9장)
이 장에서는 회귀 진단과 회귀 모델 분석의 중요성에 대해 설명합니다. 맥락을 제공하기 위해 채권 발행의 신용 등급 변화를 조사하는 가상의 시나리오를 생각해 봅시다. 우리는 현금 흐름, 레버리지 비율, 리더십 요인, 금리 등과 같은 변수를 포함하여 다양한 채권 발행에 대한 광범위한 데이터를 수집했습니다. 우리의 목표는 Moody's, Standard & Poor's 또는 Fitch가 특정 채권 발행에 대한 신용 등급을 변경할지 여부를 결정하는 것입니다. 이를 분석하기 위해 앞에서 언급한 바와 같이 기본 위험 변화를 종속 변수와 독립 변수로 하는 다중 회귀 모델을 사용합니다.
처음에는 Excel과 같은 소프트웨어에서 생성된 회귀 출력을 검사하여 R-제곱 및 F-통계와 같은 메트릭을 사용하여 전체 모델 적합도를 평가합니다. 또한 개별 기울기 계수의 중요성을 평가합니다. 그러나 이러한 결론은 보통 최소 제곱(OLS) 모델의 가정에 크게 의존한다는 점을 인식하는 것이 중요합니다. 이러한 가정을 위반하면 회귀 결과에서 도출된 결론이 유효하지 않을 수 있습니다.
이 장은 회귀 모델에서 발생할 수 있는 잠재적인 문제를 이해하고 해결하기 위한 지침으로 볼 수 있습니다. "무엇이 잘못될 수 있습니까?"라는 적절한 제목을 붙일 수 있습니다. 우리는 이분산성, 다중 공선성, 너무 적거나 너무 많은 독립 변수, 이상값, 최적 선형 편향 추정량(BLUE)을 포함하여 회귀 결과의 유효성에 영향을 미칠 수 있는 다양한 문제를 탐구합니다. 각 항목에 대해 자세히 살펴보겠습니다.
우리의 첫 번째 관심사인 이분산성은 회귀 모델의 오류 항이 일정한 분산(균등분산성)을 갖는다는 가정을 위반하는 것을 말합니다. 이분산성이 있는 경우 오류 항의 분산은 일정하지 않고 관측치마다 다릅니다. 독립 변수와 종속 변수 간의 관계를 플로팅할 때 원뿔 모양으로 시각화할 수 있습니다. 독립변수가 커질수록 종속변수의 변동성도 커진다는 뜻이다. 이분산성은 모델이 불완전하거나 데이터 세트가 작고 특이치가 포함된 경우에 발생할 수 있습니다.
이분산성의 결과는 중요합니다. OLS 추정기는 효율성을 잃습니다. 즉, 분산이 더 작은 다른 추정기가 존재합니다. 이러한 비효율성으로 인해 잘못된 표준 오류가 발생하여 신뢰 구간과 가설 테스트에 영향을 미칩니다. 결과적으로 이러한 테스트에서 도출된 결론은 오해의 소지가 있거나 전혀 쓸모가 없을 수도 있습니다. 이분산성을 감지하기 위해 연구원은 처음에 산점도를 사용하여 변수 간의 관계를 시각적으로 평가할 수 있습니다. 그러나 오류 항의 비선형성을 설명하는 화이트 테스트와 같은 통계 테스트는 이분산성에 대한 보다 정확한 평가를 제공합니다. 이분산성 문제는 가중 최소 제곱, 데이터 변환(예: 대수), 추정에 가중치 사용 또는 기타 적절한 방법을 통해 달성할 수 있습니다.
다중공선성으로 넘어가면 두 개 이상의 독립 변수가 높은 상관관계를 보이는 상황에 직면하게 됩니다. 이상적으로는 독립변수가 서로 독립적이어야 하지만 실제로는 어느 정도 상관관계가 있는 경우가 많습니다. 그러나 변수가 완벽하게 선형적으로 상관되는 완벽한 다중 공선성은 심각한 문제를 야기할 수 있습니다. 이러한 경우 공선형 변수 중 하나는 기본적으로 동일하므로 삭제해야 합니다. 불완전한 다중 공선성은 독립 변수가 적당히 또는 강하게 상관되지만 완벽하지는 않을 때 발생합니다. 독립변수 간의 높은 상관관계는 다중공선성이 존재함을 시사합니다. 그러나 높은 상관관계가 없다고 해서 상관관계가 없다는 보장은 없습니다. 변수가 어느 정도 무작위로 상관될 수 있기 때문입니다.
다중 공선성의 결과는 두 가지입니다. 첫째, 추정치가 편향되지 않은 상태로 유지되는 동안 분산 및 표준 오류가 증가합니다.
회귀 모델에 관련 없는 변수가 포함되는 것을 과잉 사양 문제라고 합니다. 이는 종속 변수와 실제 관계가 없는 독립 변수를 추가할 때 발생합니다. 이러한 변수를 포함하면 편향된 추정치와 자원의 비효율적인 사용으로 이어질 수 있습니다.
한편, 우리는 사양 부족 문제도 고려해야 합니다. 이는 중요한 독립 변수가 모델에서 생략될 때 발생합니다. 앞서 논의한 것처럼 관련 변수를 생략하면 편향되고 일관성 없는 추정치가 나올 수 있습니다.
과잉 사양 및 미달 사양 문제를 해결하려면 회귀 모델에 포함할 변수를 신중하게 선택해야 합니다. 이 선택 과정은 이론, 사전 지식 및 경험적 증거를 기반으로 해야 합니다. 변수와 종속 변수 사이의 근본적인 경제적 또는 이론적 관계를 고려하는 것이 중요합니다.
회귀 분석에서 발생하는 또 다른 문제는 이상치의 존재입니다. 특이치는 데이터의 일반적인 패턴에서 크게 벗어나는 극단적인 값입니다. 이러한 이상값은 회귀 결과에 상당한 영향을 미쳐 추정된 계수 및 모델의 전체 적합도에 영향을 미칠 수 있습니다.
이상값을 처리하는 방법에는 여러 가지가 있습니다. 한 가지 일반적인 방법은 데이터 세트에서 이상값을 식별하고 제거하는 것입니다. 이는 산점도를 시각적으로 검사하거나 Mahalanobis 거리 또는 스튜던트화 잔차와 같은 통계 기법을 사용하여 수행할 수 있습니다.
또는 이상값이 중요한 정보를 전달하는 영향력 있는 관측치인 경우 분석에 유지하되 극단값의 영향을 덜 받는 강력한 회귀 방법을 적용하도록 선택할 수 있습니다.
마지막으로 BLUE(Linear Unbiased Estimator)의 개념에 대해 살펴보겠습니다. BLUE는 편향되지 않고 모든 선형 편향되지 않은 추정기 중에서 분산이 가장 작은 OLS 추정기의 바람직한 속성입니다.
OLS 추정기는 선형성, 독립성, 동분산성 및 다중 공선성의 부재를 포함하는 고전적 선형 회귀 모델의 가정 하에서 BLUE 속성을 달성합니다. 이러한 가정을 위반하면 앞서 논의한 대로 편향되고 비효율적인 추정치가 나올 수 있습니다.
회귀 진단에 대한 장에서는 회귀 분석에서 발생할 수 있는 잠재적인 문제를 식별하고 해결하는 데 중점을 둡니다. 이러한 문제에는 이분산성(heteroscedasticity), 다중공선성(multicollinearity), 생략된 변수 편향(omitted variable bias), 과잉 사양(over-specification), 과소 사양(under-specification), 이상치(outliers)가 포함됩니다. 이러한 문제를 이해하고 적절한 기술을 사용함으로써 회귀 결과의 신뢰성과 유효성을 보장할 수 있습니다.
기계 학습 방법 – 파트 A(FRM 파트 1 2023 – 2권 – 정량적 분석 – 14장)
기계 학습 방법 – 파트 A(FRM 파트 1 2023 – 2권 – 정량적 분석 – 14장)
안녕하세요, 저는 Jim입니다. 양적 분석 및 기계 학습 방법에 관한 책의 1부에서 토론하고 싶습니다. 이 섹션은 파트 A에서 다루는 개념을 살펴보고 기계 학습의 관련성과 중요성을 강조하는 것을 목표로 합니다.
읽기의 구조를 다루는 것으로 시작합시다. A와 B 두 파트로 나누어져 있으며, B 파트는 가까운 시일 내에 다룰 예정입니다. 목표는 파트 A에서 얻은 지식을 바탕으로 머신 러닝에 대한 포괄적인 이해를 제공하는 것입니다. 파트 A를 완료하면 파트 B를 탐색하여 학습을 계속할 수 있기를 바랍니다.
이 수치를 고전 계량 경제학 이론의 확장으로 보고 싶을 수도 있지만 기계 학습은 그 이상입니다. 기계 학습은 고유한 특성과 응용 프로그램이 있는 고유한 분야를 나타냅니다. 이 점을 설명하기 위해 간단한 예를 공유하겠습니다.
2023년 NBA 팬들은 르브론 제임스가 카림 압둘 자바를 능가하여 역대 통산 득점 선두를 차지할 가능성이 높다는 사실을 알아차릴 수 있습니다. 이제 우리 자신을 이 뛰어난 재능을 가진 선수 중 누가 더 효율적이고 효과적으로 득점 기록을 달성했는지 확인하고자 하는 열정적인 NBA 팬이라고 상상해 봅시다. 이를 위해 LeBron의 움직임과 Kareem의 시그니처 Skyhook 샷을 포함하여 모든 세부 사항을 세심하게 기록하여 게임에서 방대한 양의 데이터를 수집합니다. 우리가 수집하는 변수의 수는 수조에 이를 수 있습니다.
고전 계량 경제학 이론을 사용하여 이 데이터를 분석한다면 회귀 분석을 사용하고 표준 편차와 표준 오류를 계산할 수 있습니다. 그러나 1조 개의 데이터 포인트를 처리할 때 이러한 계산은 비실용적입니다. 약 316,000인 1조의 제곱근으로 나누면 가설 검정이 비효율적으로 되는 아주 작은 숫자가 됩니다.
여기에서 기계 학습이 시작됩니다. 기계 학습을 통해 고전적인 계량 경제학 이론에서 부과한 제한 없이 방대한 양의 데이터를 처리할 수 있습니다. 기계 학습의 응용 분야는 이미지 인식 및 의학 연구에서 게임 이론 및 금융 자산 할당에 이르기까지 방대합니다.
기계 학습은 비지도, 지도 및 강화 학습의 세 가지 유형으로 분류할 수 있습니다. 비지도 학습은 미리 정의된 레이블 없이 데이터 패턴을 탐색하는 반면 지도 학습은 레이블이 지정된 데이터를 활용하여 모델을 교육합니다. 강화 학습을 통해 에이전트는 동적 환경에서 학습할 수 있으므로 시간이 지남에 따라 조건이 변하는 위험 관리에 특히 유용합니다.
기계 학습은 엄청난 잠재력을 가지고 있지만 고유한 과제도 제시합니다. 처음 네 가지 학습 목표에서는 기계 학습 기술과 고전 계량 경제학의 차이점에 대해 논의할 것입니다. 주요 구성 요소, K-평균 클러스터링, 비지도, 지도 및 강화 학습 모델의 차이점과 같은 개념을 탐구합니다.
고전 계량경제학에서 견고한 이론적 기반을 확립하는 것은 모델을 효과적으로 구현하는 데 중요합니다. 고전적인 계량 경제학은 변수 간의 선형 관계와 인과 관계와 같은 특정 가정 하에서 작동합니다. 반대로 기계 학습은 보다 유연한 프레임워크를 제공하여 비선형 관계와 더 많은 양의 데이터를 허용합니다.
기계 학습 알고리즘에 적합한 데이터를 만들려면 데이터를 확장하고 전처리해야 합니다. 여기에는 데이터가 비교 가능하고 기본 정보를 정확하게 나타내는지 확인하기 위한 표준화 또는 정규화가 포함됩니다. 또한 기계 학습 알고리즘과 그 출력을 이해하는 것은 결과를 평가하고 필요한 조정을 하는 데 필수적입니다.
기계 학습은 이미지 인식, 보안 선택, 위험 평가, 게임 플레이 등 다양한 상황에서 유용성을 찾습니다. 기계 학습 기술을 활용하여 복잡한 문제를 해결하고 크고 다양한 데이터 세트에서 의미 있는 통찰력을 추출할 수 있습니다.
이제 내 이메일 공급자와 관련하여 스팸 식별 능력이 부족합니다. XYZ 627 at 337-1414 dot something something과 같은 소스에서 발생한 극도로 스팸인 경우에만 이메일을 스팸으로 분류합니다. 지도 학습의 유형으로 초점을 옮겨 보겠습니다. 첫 번째 유형은 이전에 LeBron과 Kareem의 맥락에서 언급한 분류입니다. 여기에는 데이터를 기본값 또는 기본값이 아닌 것과 같은 다양한 클래스로 분류하는 작업이 포함됩니다. 감독 학습에는 회귀 분석도 포함됩니다. 감독 학습 알고리즘의 몇 가지 예로는 K-최근접 이웃, 결정 트리, 신경망 및 지원 벡터 머신이 있습니다. 이러한 알고리즘은 다음 읽기에서 자세히 살펴보겠습니다.
이제 세 번째 학습 유형인 강화 학습에 대해 살펴보겠습니다. 앞에서 언급했듯이 강화 학습은 시행 착오와 비슷하며 체스가 고전적인 예입니다. 이러한 유형의 학습에서 학습 시스템을 나타내는 에이전트는 환경과 상호 작용하고 결정을 내리고 결과에서 학습합니다. 에이전트는 원하는 행동에 대해 보상을 받고 바람직하지 않은 행동에 대해 페널티를 받습니다. 목표는 보상을 최대화하고 페널티를 최소화하여 지속적으로 학습하고 성과를 개선하는 것입니다. 에이전트는 환경을 해석하고 인식을 형성하며 이를 기반으로 조치를 취합니다.
강화 학습은 순환 방식으로 작동하며 끊임없이 반복되고 변화하는 환경에 적응합니다. 보상과 벌칙은 진화하는 환경을 반영해야 합니다. 예를 들어 요원이 변장을 하고 안면인식 시스템을 속이려다가 얼굴을 제대로 가리지 못해 적발되면 과도한 벌칙을 주기보다는 한 번 더 기회를 줘야 한다. 에이전트는 실수와 성공 모두에서 학습하여 작업을 최적화합니다.
이 프로세스를 시각화하기 위해 환경을 나타내는 파란색 상자를 상상해 보십시오. 알고리즘 내부에 사는 사람으로 의인화된 에이전트는 이 환경을 탐색하고 시행착오의 길을 따라 더 지능적이 되기 위해 노력합니다. 변화하는 환경에서 에이전트의 경험은 학습 프로세스를 형성합니다. 목표는 보상을 최대화하고 벌칙을 최소화하는 것인데, 이는 흥미로운 시험 문제를 제시합니다.
이제 주성분 분석(PCA)에 대해 살펴보겠습니다. 이 기술은 차원을 줄여 복잡한 데이터 세트를 단순화합니다. PCA는 데이터 세트 내에서 가장 중요한 변수를 식별하여 모델의 해석 가능성을 향상시킵니다. 이 프로세스에는 교육 데이터 세트를 초평면이라고도 하는 저차원 공간에 투영하는 작업이 포함됩니다. 데이터를 표준화 또는 정규화하고 공분산 행렬을 계산하는 것으로 시작합니다. 다음으로 원하는 차원에 따라 상위 주성분이 선택됩니다. 그런 다음 데이터는 이 축소된 공간에 투영되어 가장 큰 변화를 포착합니다. 이 분석을 통해 연구원은 데이터를 설명하는 데 가장 중요한 변수를 결정할 수 있습니다.
또 다른 매력적인 주제는 비지도 학습에 해당하는 클러스터링입니다. 클러스터링의 목표는 중심과의 유사성을 기반으로 데이터 포인트를 그룹화하는 것입니다. 알고리즘은 K 중심을 임의로 할당한 다음 각 데이터 포인트를 가장 가까운 중심에 할당하여 K 클러스터를 생성하는 것으로 시작합니다. 계속해서 반복적으로 데이터 포인트를 재할당하고 중심을 조정하여 제곱 거리의 합을 최소화합니다. 클러스터링의 품질은 다양할 수 있으며 일부 클러스터는 다른 클러스터보다 더 잘 정의됩니다. 최적의 클러스터 수(K)를 찾고 클러스터링 프로세스를 개선하는 것이 필수적입니다.
이러한 다양한 학습 기술은 데이터 분석 및 해석을 위한 유용한 도구를 제공하여 다양한 연구 분야에서 패턴 인식, 의사 결정 및 최적화를 가능하게 합니다. 고전적인 계량 경제학은 견고한 기초를 제공하지만 기계 학습을 수용하면 기존 방법의 한계를 극복하고 광범위한 응용 프로그램을 탐색할 수 있습니다.
기계 학습 방법 – 파트 B(FRM 파트 1 2023 – 2권 – 정량적 분석 – 14장)
기계 학습 방법 – 파트 B(FRM 파트 1 2023 – 2권 – 정량적 분석 – 14장)
이봐! 저는 Jim입니다. 저는 '정량적 분석 및 기계 학습 방법'이라는 제목의 1부, 2권의 내용을 논의하기 위해 왔습니다. 특히 파트 B에 초점을 맞출 것입니다. 이전 비디오에서 처음 네 가지 학습 목표를 다루었고 오늘은 다음 네 가지 목표를 살펴보겠습니다.
진행하기 전에 몇 가지 의견을 말씀드리겠습니다. 아시다시피 이 비디오에서는 제 머리가 더 짧습니다. 어젯밤에 아내가 무료로 이발을 해주어서 외모가 달라진 점 양해 부탁드립니다. 이제 기계 학습에 대한 논의를 계속하겠습니다.
우리 모두 알고 있듯이 기계 학습에는 방대한 양의 데이터 작업이 포함됩니다. 파트 A에서 우리는 수조 개의 데이터 포인트를 처리하는 개념에 대해 논의했지만 그 숫자는 단지 비유적인 것이었습니다. 주요 아이디어는 우리가 기계 학습 알고리즘에서 활용할 수 있는 방대한 양의 데이터에 액세스할 수 있다는 것입니다. 예를 들어, 오늘 아침 파생 증권 수업에서 우리는 옵션 가격 책정과 금리와 같은 요소가 옵션 가격에 미치는 영향을 탐구했습니다. 지난 50년간의 실질 금리, 무위험 이자율, 유동성 프리미엄, 채무 불이행 위험 프리미엄, 만기 위험 프리미엄 등 공개적으로 이용 가능한 다양한 데이터 포인트를 분석했습니다. 이러한 모든 데이터 포인트는 기계 학습 알고리즘에 통합되어 귀중한 통찰력을 얻을 수 있습니다.
파트 A에서는 클러스터링, 차원 축소, 주성분 분석과 같은 주제를 다루었습니다. 이러한 모든 기술의 궁극적인 목표는 실제 세계를 정확하게 나타내는 모델을 개발하는 것입니다. 그러나 해결해야 할 몇 가지 과제가 있습니다.
읽기의 두 번째 부분에서는 과적합 및 과소적합의 개념에 대해 설명합니다. 과적합은 모델에 너무 많은 복잡성을 맞추려고 할 때 발생합니다. 이를 설명하기 위해 아버지가 제게 교통 상황을 설명하실 때 사용하신 비유를 말씀드리겠습니다. 그는 '1파운드 가방에 5파운드의 돌을 담을 수 없다'고 말했습니다. 마찬가지로 모델을 과대적합하면 너무 많은 세부 정보와 노이즈를 포함하려고 하므로 결국 성능 저하와 신뢰할 수 없는 예측으로 이어집니다. 교육 데이터에서 낮은 예측 오류를 달성할 수 있지만 새 데이터에 적용할 때 모델의 예측 오류가 높을 가능성이 높습니다. 과적합을 해결하기 위해 기능 또는 매개변수의 수를 줄이는 것과 관련된 복잡성을 줄여 모델을 단순화할 수 있습니다. 또한 정규화 및 조기 중지 기술을 사용할 수 있으며 다음 읽기에서 살펴볼 것입니다.
반면에 과소적합은 모델이 데이터의 기본 패턴을 캡처하기에 너무 단순할 때 발생합니다. 이로 인해 교육 및 새 데이터 세트 모두에서 성능이 저하되고 예측 오류가 높아집니다. 과소적합을 극복하려면 더 많은 기능이나 매개변수를 추가하여 모델의 복잡성을 증가시켜야 합니다. 고전 계량경제학에서 더 많은 독립 변수를 추가하면 다중 공선성 문제가 발생할 수 있습니다. 그러나 기계 학습에서는 독립 변수 간의 상호 작용을 수용하여 복잡성을 높일 수 있습니다.
편향과 분산 사이의 균형을 맞추려면 모델 단순성과 예측 정확도 간의 균형을 고려해야 합니다. 바이어스는 복잡한 모델을 간단한 모델로 근사화하여 발생하는 오류를 나타냅니다. 다트 판 비유에서 모든 다트가 지속적으로 같은 지점에 떨어지면 바이어스가 높을 것입니다. 반면 분산은 모델이 작은 변동에 얼마나 민감한지를 측정합니다. 다트 판 비유에서 높은 분산은 다트가 사방에 흩어져 있을 때 발생합니다. 우리의 목표는 기본 패턴을 캡처하면서 분산을 최소화하는 것입니다. 이는 모델에 대한 최적의 복잡성 수준을 찾는 것을 수반합니다.
이 세션에서는 기계 학습 및 데이터 처리의 중요한 측면을 자세히 살펴봅니다. 기계 학습의 맥락에서 입력 데이터와 원하는 출력 간의 관계를 이해하는 것이 중요합니다. 이를 달성하기 위해 교육 데이터 세트를 사용합니다. 또한 유효성 검사 세트를 사용하여 모델의 성능을 평가하고 테스트 데이터 세트를 사용하여 샘플 외 데이터로 효율성을 검사합니다.
그러나 기계 학습의 주요 과제는 많은 양의 훈련 데이터가 필요하기 때문에 테스트 데이터가 부족하다는 것입니다. 따라서 데이터를 현명하게 할당하는 것이 필수적입니다. 연구원은 데이터를 교육, 검증 및 테스트의 세 가지 샘플로 나누는 방법을 결정할 수 있습니다. 일반적인 경험 법칙은 데이터의 2/3를 교육용으로 할당하고 나머지 3분의 1은 유효성 검사와 테스트 간에 균등하게 나누는 것입니다. 이 할당은 각 세트의 한계 비용과 이익의 균형을 맞춥니다.
특정 시점에서 서로 다른 엔터티에 대한 데이터가 수집되는 횡단면 데이터의 경우 임의 분할로 충분합니다. 그러나 시간 경과에 따라 데이터 요소를 캡처하는 시계열 데이터를 처리할 때는 추가 고려 사항이 필요합니다. 시계열 데이터는 교육 세트에서 시작하여 후속 세트를 통해 진행되는 시간 순서가 필요합니다.
교차 검증 기술은 전체 데이터 세트가 별도의 교육, 검증 및 테스트 세트를 할당하기에 충분하지 않을 때 사용됩니다. 이러한 경우 연구자는 훈련 세트와 검증 세트를 결합할 수 있습니다. 널리 사용되는 접근 방식 중 하나는 k-폴드 교차 검증으로 데이터 세트를 지정된 수의 폴드 또는 하위 집합으로 나눕니다. 폴드 수에 대한 일반적인 선택에는 5와 10이 포함되지만 특정 요구 사항에 따라 다른 값을 탐색할 수 있습니다.
앞서 간략하게 살펴본 강화 학습은 데이터 처리를 통해 학습하는 에이전트를 포함합니다. 이 시나리오에서 상담원은 고객 대출 신청과 같은 기록 데이터를 처리하여 정보에 입각한 결정을 내립니다. 에이전트는 상환 가능성이 높은 고객에게 돈을 빌려주고 채무불이행 가능성이 있는 고객의 신청을 거부하는 것을 목표로 합니다. 에이전트는 과거의 결정에서 배우고 올바른 결정에 대한 보상을 받고 오류에 대해 벌점을 받습니다. 일련의 조치와 보상을 통해 에이전트의 의사 결정 프로세스를 업데이트함으로써 대출 승인 및 금리 결정과 같은 의사 결정을 최적화하는 알고리즘을 개발할 수 있습니다.
강화 학습 과정은 Monte Carlo와 시간적 차이의 두 가지 방법으로 더 분류할 수 있습니다. 이러한 방법은 의사 결정 프로세스를 업데이트하는 방법이 다릅니다. Monte Carlo 방법은 결정의 기대 가치를 평가하고 보상과 학습 상수(알파)를 기반으로 결정 가치를 업데이트합니다. 반면 시간차 방법은 현재와 미래의 기대값의 차이를 계산하여 그에 따라 결정값을 업데이트합니다.
읽기에서 논의된 예는 기계 학습의 실제 적용을 보여줍니다. 이러한 애플리케이션은 거래 및 사기 탐지에서 신용 평가, 위험 관리 및 포트폴리오 최적화에 이르기까지 다양합니다. 강화 학습과 Monte Carlo 또는 시간적 차이 방법을 활용함으로써 상담원은 실시간으로 정보에 입각한 결정을 내릴 수 있어 재무 의사 결정의 다양한 측면을 향상시킬 수 있습니다.
결론적으로 기계 학습과 데이터 처리의 복잡성을 이해하는 것은 이러한 기술을 다양한 분야에서 효과적으로 활용하는 데 필수적입니다. 적절한 데이터 세분화, 신중한 할당 및 강화 학습 방법의 적용은 의사 결정 프로세스를 크게 개선하여 복잡한 시나리오에서 정보에 입각한 최적화된 결과를 가능하게 합니다.
요약하자면, 우리는 기계 학습 모델을 구성할 때 편향과 분산 사이의 올바른 균형을 유지하기 위해 노력합니다. 우리의 목표는 지나치게 복잡하거나 단순하지 않고 현실을 정확하게 반영하는 모델을 만드는 것입니다. 과대적합 및 과소적합의 문제를 이해하고 해결함으로써 모델의 성능 및 예측 정확도를 향상할 수 있습니다.기계 학습 및 예측 – 파트 A(FRM 파트 1 2023 – 2권 – 15장)
기계 학습 및 예측 – 파트 A(FRM 파트 1 2023 – 2권 – 15장)
안녕하세요, Jim입니다. 책의 1부 '정량적 분석과 기계 학습 및 예측의 역할'을 안내해 드리겠습니다. 이 섹션에서는 파트 A의 처음 세 가지 학습 목표에 초점을 맞출 것입니다. 자세히 알아보기 전에 파트 A와 파트 B가 모두 포함된 이전 읽기 내용을 빠르게 요약하겠습니다. 기계 학습과 같은 대체 모델이 필요할 때 고전적인 회귀 분석 및 논의. 기계 학습을 통해 고전적인 계량 경제학 모델의 제한적인 가정 없이 대규모 데이터 세트를 처리할 수 있습니다.
우리는 또한 과적합 및 과소적합의 개념과 단순화 및 복잡화와 관련된 문제를 논의하는 데 상당한 시간을 보냈습니다. 이 자료에서 우리는 이러한 논의를 바탕으로 이전에 다루지 않은 추가 기술을 탐구할 것입니다. 이 읽기의 처음 세 가지 학습 목표는 선형 회귀, 로지스틱 회귀, Ridge 및 Lasso입니다.
선형 회귀는 변수 간의 관계를 설정하는 친숙한 개념입니다. 그러나 0에서 100 사이의 확률을 예측해야 하는 경우 선형 회귀가 적합하지 않을 수 있습니다. 이러한 경우 로지스틱 회귀가 작동합니다. 로지스틱 회귀를 사용하면 고객이 대출을 상환할지 또는 불이행할지 여부와 같은 이진 결과로 변수를 모델링할 수 있습니다. 선형 회귀와 달리 로지스틱 회귀는 0에서 1의 유효한 범위 내에서 확률을 제공하여 이진 분류를 가능하게 합니다.
다음으로 정규화 기술, 특히 Ridge 및 Lasso에 대해 설명합니다. 정규화는 모델의 복잡성을 줄이거나 줄임으로써 모델의 복잡성을 해결하는 데 도움이 됩니다. 이러한 기술을 사용하여 선형 회귀의 한계를 완화하는 방법을 살펴보겠습니다.
이러한 개념을 더 잘 이해하기 위해 선형 회귀를 다시 살펴보겠습니다. 일반적인 최소 제곱 회귀는 독립 변수와 종속 변수 사이의 선형 관계를 가정하여 데이터 포인트와 가상 선 사이의 거리를 최소화합니다. 그러나 기계 학습에서는 이러한 변수의 수가 방대하기 때문에 종속 변수와 독립 변수가 아닌 기능으로 참조합니다.
다중 선형 회귀는 이 개념을 확장하여 여러 독립 변수를 포함하므로 절편(알파), 기울기(베타) 및 해당 독립 변수(x1, x2 등)가 있는 모델이 생성됩니다. 목표는 실제 값과 예측 값 간의 차이를 나타내는 잔차 제곱합(RSS)을 최소화하는 것입니다. 우리는 정확한 예측을 위해 노력하지만 실제 시나리오에서 100% 정확도를 달성하는 것은 사실상 불가능합니다.
이것이 로지스틱 회귀가 들어오는 곳입니다. 선형 관계를 강제하는 대신 로지스틱 회귀는 출력을 시그모이드 곡선으로 변환하여 확률이 0에서 1 범위 내에 있도록 합니다. 자연 로그(e)의 밑을 사용하여 다음을 수행할 수 있습니다. 복리이자율과 같은 미래 가치를 계산합니다. 로지스틱 회귀는 변수 간의 관계를 모델링하기 위해 최대 우도 추정을 사용합니다. 방정식의 양변에 대수를 취함으로써 추정 프로세스를 단순화하여 로지스틱 회귀 모델을 생성합니다.
로지스틱 회귀의 장점 중 하나는 해석이 쉽다는 것입니다. 이진 결과를 처리하고 확률을 제공하므로 대출 불이행 또는 주식 시장 추세 예측과 같은 다양한 응용 프로그램에 유용합니다. 그러나 로지스틱 회귀에는 과적합 가능성과 다중 공선성 문제를 포함하여 한계가 있습니다. 또한 출력은 0과 1 사이의 확률로 제한되어 114%와 같은 비논리적 값의 가능성을 제거합니다.
로지스틱 회귀를 설명하기 위해 신용 점수와 소득 대비 부채 비율을 대출 불이행 예측 변수로 포함하는 예를 살펴보겠습니다. 500명의 고객 데이터를 분석하여 로지스틱 회귀 모델을 사용하여 부도 확률을 생성할 수 있습니다.
개인의 은퇴 여부와 같은 범주형 변수에는 숫자 레이블을 직접 할당할 수 없습니다. 따라서 매핑, 더미 변수 생성 또는 서수 분류와 같은 인코딩 기술을 사용하여 모델에서 이러한 변수를 나타냅니다.
범주형 변수를 인코딩하는 일반적인 방법 중 하나는 매핑이라고 합니다. 이 접근 방식에서는 변수의 여러 범주에 숫자 레이블을 할당합니다. 예를 들어 "고용", "자영업" 및 "실업" 범주가 있는 "고용_상태"라는 범주형 변수가 있는 경우 이러한 범주를 나타내기 위해 각각 1, 2 및 3과 같은 숫자 레이블을 할당할 수 있습니다. 로지스틱 회귀 모델에서.
또 다른 접근 방식은 더미 변수를 만드는 것입니다. 더미 변수는 범주형 변수의 다른 범주를 나타내는 이진 변수입니다. 각 범주에는 관측치가 해당 범주에 속하면 1, 그렇지 않으면 0의 값을 갖는 별도의 더미 변수가 할당됩니다. 예를 들어 "고등학교", "대학" 및 "대학원" 범주가 있는 "education_level"이라는 범주형 변수가 있는 경우 "대학" 및 "대학원"이라는 두 개의 더미 변수를 만듭니다. 이러한 더미 변수는 관찰이 해당 범주에 해당하는 경우 1의 값을, 그렇지 않은 경우 0의 값을 갖습니다.
서수 분류는 범주형 변수를 인코딩하는 데 사용되는 또 다른 기술입니다. 순서 또는 순위에 따라 범주에 숫자 레이블을 지정하는 작업이 포함됩니다. 이 접근 방식은 범주에 고유한 순서 또는 계층 구조가 있는 경우에 적합합니다. 예를 들어 "낮음", "중간" 및 "높음" 범주가 있는 "satisfaction_level"이라는 변수가 있는 경우 증가하는 만족도 수준을 나타내는 숫자 레이블 1, 2 및 3을 할당할 수 있습니다.
범주형 변수를 인코딩한 후에는 로지스틱 회귀 모델에 수치 변수와 함께 범주형 변수를 포함할 수 있습니다. 그런 다음 로지스틱 회귀 알고리즘은 각 변수에 대한 계수를 추정하여 이진 결과의 확률에 미치는 영향을 나타냅니다.
로지스틱 회귀 외에도 Ridge 및 Lasso라는 정규화 기술도 살펴봅니다. 정규화는 모델의 과적합 문제를 해결하는 데 사용됩니다. 과적합은 모델이 훈련 데이터에서 노이즈 또는 무작위 변동을 캡처하여 보이지 않는 데이터에서 성능이 저하될 때 발생합니다.
Ridge와 Lasso는 회귀 모델에 페널티 항을 추가하는 널리 사용되는 두 가지 정규화 기술입니다. 이 페널티 항은 변수의 계수를 줄이거나 줄임으로써 모델의 복잡성을 제어하는 데 도움이 됩니다. Ridge 회귀는 제곱 계수의 합에 비례하는 페널티 항을 추가하는 반면 Lasso 회귀는 계수의 절대값 합계에 비례하는 페널티 항을 추가합니다.
Ridge 및 Lasso 회귀는 이러한 페널티 항을 도입함으로써 모델이 훈련 데이터를 잘 맞추는 것과 모델의 복잡성을 억제하는 것 사이의 균형을 찾도록 권장합니다. 이는 과적합을 방지하고 보이지 않는 데이터에 대한 모델의 일반화 성능을 향상시키는 데 도움이 됩니다.
이 책의 1부에서는 Ridge 및 Lasso와 같은 선형 회귀, 로지스틱 회귀 및 정규화 기술을 다룰 것입니다. 이러한 방법을 다양한 유형의 데이터에 적용할 수 있는 방법과 예측 정확도를 개선할 수 있는 방법을 살펴보겠습니다. 논의된 예와 개념은 정량적 분석과 예측에서 기계 학습의 역할을 이해하기 위한 견고한 토대를 제공합니다.
기계 학습 및 예측 – 파트 B(FRM 파트 1 2023 – 2권 – 15장)
기계 학습 및 예측 – 파트 B(FRM 파트 1 2023 – 2권 – 15장)
안녕하세요, 저는 Jim입니다. 양적 분석, 특히 기계 학습 및 예측에 중점을 둔 책의 첫 번째 부분에 대해 논의하고 싶습니다. 파트 B에서는 의사 결정 트리, 앙상블 학습 및 신경망과 같은 새로운 개념을 탐구합니다. 의사 결정 트리를 다시 살펴보는 것으로 시작하겠습니다.이전 섹션에서는 특히 옵션이 내장된 채권의 경우 채권 가격을 계산하기 위한 의사 결정 트리를 살펴보았습니다. 채권 가격 결정 트리에는 서로 다른 결정과 결과를 나타내는 가지와 노드가 있는 트리 구조가 있습니다. 내장 옵션이 있는 채권의 경우 채권이 특정 이자율로 호출되는지 여부에 따라 각 노드에서 결정이 내려졌습니다.
기계 학습에서 의사 결정 트리는 유사한 구조를 따르지만 방향이 다릅니다. 채권 가격 책정에서와 같이 수평으로 분기하는 대신 기계 학습의 의사 결정 트리는 위에서 아래로 수직으로 진행됩니다. 각 노드에서 질문이 제기되어 후속 노드로 이어지고 결국 결정 또는 결과에 도달합니다.
우리가 이자율 트리라고 부르는 만기 채권에 대한 결정 트리의 예를 들어 보겠습니다. 이 경우 특정 이자율로 채권을 소집할지 여부만 결정하면 되었기 때문에 결정은 간단했습니다. 그러나 기계 학습 의사 결정 트리에서는 다양한 요인을 분석하고 더 복잡한 결정을 내리는 알고리즘에 의해 결정이 결정됩니다.
채권 가격 책정 모델은 일반적으로 기계 학습을 포함하지 않지만 채권 채무 불이행 가능성을 분석하려면 회사의 운영 현금 흐름, 부채 비율, 관리 품질 및 제품 라인과 같은 추가 기능을 고려해야 합니다. . 이러한 복잡성은 전통적인 채권 가격 결정과 기계 학습의 결정 트리 간의 차이를 강조합니다.
기계 학습 의사 결정 트리에서 우리의 목표는 입력 클래스를 분류하거나 예측하는 것입니다. 예를 들어, 기업이 수익성과 잉여현금흐름에 따라 배당금을 지급할지 여부를 결정하고자 할 수 있습니다. 이러한 기능은 여러 요인을 설명하기 위해 더 많은 분기와 노드가 필요하므로 의사 결정 트리의 복잡성에 기여합니다.
모델에 추가 기능이 포함되면 의사 결정 트리의 복잡성이 증가합니다. 트리가 분할될 때마다 머신 러닝 모델이 실수할 수 있으며, 이는 정보 획득이라는 개념으로 이어집니다. 정보 이득은 대상 변수를 예측할 때 기능의 유용성을 측정합니다. 의사 결정 트리의 각 기능이 제공하는 불확실성의 감소를 정량화합니다.
정보 이득은 지니 계수 또는 엔트로피를 사용하여 계산할 수 있습니다. 두 방법 모두 유사한 결과를 가져오므로 다른 방법보다 하나를 사용하는 것이 큰 이점이 없습니다. 읽기 자료가 지니 계수를 다루고 엔트로피가 이 맥락에서 논의되므로 두 가지 접근 방식을 모두 살펴보는 것이 좋습니다.
엔트로피 계산을 설명하기 위해 간단한 예를 살펴보겠습니다. 불이행, 고소득, 연체 등 신용 카드 소지자의 데이터가 포함된 표가 있습니다. 우리는 이러한 기능을 기반으로 대출이 불이행할지 여부를 결정하려고 합니다. 목표는 분류 및 예측입니다.
엔트로피 공식을 적용하여 주어진 데이터에 대한 엔트로피를 계산합니다. 각 결과의 확률을 합산하고 해당 확률의 밑이 2인 로그를 취합니다. 이 예에서 엔트로피는 0.954이며 귀하에게 제공했습니다.
다음으로 첫 번째 분할로 고소득 기능을 살펴보겠습니다. 우리는 신용카드 소지자 8명 중 4명은 소득이 높고 나머지 4명은 소득이 낮다는 것을 관찰했습니다. 고소득자 중 2명은 체납, 2명은 체납하지 않았다. 비고소득층의 경우 채무불이행이 1건, 불이행이 3건이었다.
각 기능의 엔트로피를 계산하면 고소득 기능의 엔트로피가 0.811임을 알 수 있습니다. 정보 이득을 결정하기 위해 초기 엔트로피 0.954에서 이 값을 뺍니다. 결과 정보 이득은 0.143입니다.
이는 고소득 특성이 불확실성 또는 엔트로피를 0.143 감소시킨다는 것을 보여줍니다.
의사 결정 트리를 계속 구축하려면 다른 기능을 평가하고 정보 획득도 계산해야 합니다. 각 기능에 대해 프로세스를 반복하여 다른 속성을 기반으로 데이터를 분할하고 엔트로피 및 정보 이득을 계산합니다.
다음으로 연체료 기능을 고려한다고 가정해 보겠습니다. 연체된 신용카드 소지자 4명 중 3명은 체납, 1명은 체납하지 않았다. 연체하지 않은 사람들에게는 채무 불이행이 없었습니다. 지연 지불 기능의 엔트로피를 계산하면 0.811입니다.
지연 지불 기능에 대한 정보 이득은 초기 엔트로피 0.954에서 엔트로피를 빼서 얻습니다. 따라서 연체료 특성에 대한 정보이득은 0.143으로 고소득 특성과 동일하다.
이 시점에서 두 가지 기능을 평가하고 정보 획득을 결정했습니다. 이제 이러한 기능의 정보 획득을 비교하여 결정 트리에서 첫 번째 분할로 사용할 기능을 결정해야 합니다. 두 기능 모두 동일한 정보 획득을 가지므로 둘 중 하나를 시작점으로 선택할 수 있습니다.
첫 번째 기능이 선택되면 의사 결정 트리가 더 확장되고 최종 결정 또는 결과에 도달할 때까지 나머지 데이터 하위 집합에 대한 프로세스를 반복합니다. 목표는 각 단계에서 정보 획득을 최대화하고 가장 정확한 예측 또는 분류를 제공하는 의사 결정 트리를 만드는 것입니다.
의사결정 트리가 너무 복잡해지거나 제한된 데이터에 대해 훈련된 경우 과적합이 발생할 수 있다는 점에 유의해야 합니다. 과적합은 의사결정 트리가 훈련 데이터의 잡음이나 특성을 너무 잘 학습하고 보이지 않는 새로운 데이터로 일반화하지 못하는 경우에 발생합니다.
과적합을 완화하기 위해 가지치기, 정규화 및 교차 검증과 같은 기술을 사용할 수 있습니다. 이러한 방법은 의사 결정 트리를 단순화하고 지나치게 복잡해지는 것을 방지하여 새 데이터에 대해 정확한 예측을 할 수 있도록 합니다.
결정 트리는 이 책의 1부에서 다루는 기계 학습의 한 측면일 뿐입니다. 2부에서 살펴볼 앙상블 학습 및 신경망과 같은 고급 개념을 이해하기 위한 기반을 제공합니다.
제가 대학원에 다닐 때 교수님은 항상 오류로부터 배우는 것의 중요성을 강조하셨는데, 그는 이것을 "외란 용어"라고 불렀습니다. 그는 단순히 기대값이 0이라는 이유로 이러한 오류를 무시하지 않는 것의 가치를 강조했습니다. 처음에는 무시하고 지름길을 택하는 것이 더 쉬울 것이라고 생각했지만 시간이 지남에 따라 이러한 오류를 이해하고 배우는 것이 중요하다는 것을 깨달았습니다.
우리 교수는 종종 스포츠의 실수에서 배우는 것과 모델링의 오류에서 배우는 것 사이에 유사점을 그렸습니다. 그는 어린 시절의 나처럼 운동선수들이 어떻게 실수를 하고 그것을 통해 경기장에서 그들의 기량을 향상시키는지 설명했다. 이 비유는 교란 항에서 학습하고 예측을 개선하여 더 나은 모델을 구축하는 데 동일한 개념을 적용할 수 있음을 깨달았습니다.
교수가 설명했듯이 부스팅은 적응형 부스팅과 그래디언트 부스팅의 두 가지 형태로 제공됩니다. 어댑티브 부스팅에서는 가장 많은 문제를 일으키는 교란 용어를 식별하고 이를 통해 학습하는 데 중점을 둡니다. 이 접근 방식은 약한 모델을 강력한 모델로 변환하여 편향을 줄이고 정확도를 높이는 데 도움이 됩니다.
반면에 그래디언트 부스팅은 미리 정해진 임계값을 설정하고 알고리즘을 조정하여 이를 능가하는 것을 목표로 합니다. 예를 들어 배당금 지급을 예측하는 모델이 있고 75%의 정확도를 달성하려는 경우 해당 수준의 정확도로 이어지는 결정을 내리도록 알고리즘을 훈련합니다. 그래디언트 부스팅은 어댑티브 부스팅의 일반화에 비해 좀 더 구체적인 접근 방식을 취합니다.
KNN(K Nearest Neighbor) 방법으로 이동하면 관찰된 변수 간의 거리를 측정하여 유사성을 결정합니다. 그룹 찾기에 중점을 둔 클러스터링과 달리 KNN은 이웃을 찾고 특징을 분석합니다. KNN은 새로운 데이터 포인트와 이웃 사이의 거리를 측정함으로써 이웃의 다수결 또는 가중 평균을 기반으로 해당 포인트의 클래스 또는 값을 예측합니다.
KNN은 분류 및 회귀 작업 모두에 적용할 수 있는 간단하면서도 강력한 알고리즘입니다. 기본 데이터 분포에 대한 가정이 필요하지 않으므로 비모수적 방법입니다. 그러나 한계가 있습니다. 작은 K를 선택하면 과적합이 발생할 수 있고 큰 K를 선택하면 지나친 단순화가 발생할 수 있으므로 이웃 수(K)의 선택이 중요합니다. 또한 KNN은 각 데이터 포인트에 대한 거리를 계산해야 하므로 대규모 데이터 세트의 경우 계산 비용이 많이 들 수 있습니다.
신경망의 개념은 매력적이며 최근 몇 년 동안 상당한 관심을 받았습니다. 신경망은 상호 연결된 노드 또는 퍼셉트론이라고 하는 인공 뉴런으로 구성된 인간 두뇌의 구조와 기능에서 영감을 받았습니다. 이러한 퍼셉트론은 정보를 처리하고 전송하여 신경망이 복잡한 패턴을 학습하고 예측할 수 있도록 합니다.
이 책은 입력 계층, 하나 이상의 숨겨진 계층 및 출력 계층으로 구성된 피드포워드 신경망 아키텍처에 대해 설명합니다. 각 레이어는 인접한 레이어에 연결된 여러 개의 퍼셉트론으로 구성됩니다. 입력 레이어는 초기 데이터를 받은 다음 네트워크를 통해 전달되고 출력을 생성하기 전에 각 숨겨진 레이어에서 변환 및 계산을 거칩니다.
신경망 훈련에는 퍼셉트론의 가중치와 편향을 조정하여 오류 또는 손실 함수를 최소화하는 작업이 포함됩니다. 이 프로세스는 네트워크 매개변수에 대한 오차의 기울기를 계산하고 그에 따라 업데이트하는 역전파를 사용하여 수행되는 경우가 많습니다.
신경망은 이미지 및 음성 인식, 자연어 처리 및 추천 시스템과 같은 다양한 응용 분야에서 놀라운 성공을 거두었습니다. 그러나 계산 집약적일 수 있으며 훈련을 위해 많은 양의 데이터가 필요할 수 있습니다. 과적합은 신경망에서도 문제가 될 수 있으며 드롭아웃 및 가중치 감쇠와 같은 정규화 기술을 사용하여 이 문제를 해결합니다.
이것으로 이 책의 1부에서 다룬 주제에 대한 개요를 마칩니다. 결정 트리, 정보 획득, 과적합, 부스팅, KNN 및 신경망에 대해 논의했습니다. 이러한 개념은 기계 학습 및 예측을 이해하기 위한 견고한 기반을 제공합니다.
책의 다음 섹션인 2부에서는 앙상블 학습 및 신경망과 같은 고급 개념을 살펴보겠습니다.
앙상블 학습은 여러 개별 모델을 결합하여 예측 또는 분류를 수행하는 강력한 기술입니다. 앙상블 학습의 기본 아이디어는 여러 모델의 예측을 집계하여 단일 모델이 단독으로 달성할 수 있는 것보다 더 나은 성능과 더 높은 정확도를 달성할 수 있다는 것입니다.
인기 있는 앙상블 학습 방법 중 하나는 랜덤 포레스트라고 합니다. 여러 의사 결정 트리의 예측을 결합하여 최종 예측을 만듭니다. 각 결정 트리는 데이터의 임의 하위 집합에 대해 학습되며 예측 단계에서 모든 개별 트리의 예측을 평균화하거나 투표하여 최종 예측을 얻습니다.
랜덤 포레스트는 몇 가지 이점을 제공합니다. 과적합에 강하고 일반화 능력이 좋은 경향이 있습니다. 대규모 데이터 세트와 고차원 기능 공간을 효과적으로 처리할 수 있습니다. 또한 랜덤 포레스트는 기능의 중요성에 대한 정보를 제공하여 기본 데이터에 대한 통찰력을 얻을 수 있습니다.
또 다른 앙상블 학습 방법은 앞에서 간략하게 언급한 그래디언트 부스팅(gradient boosting)입니다. 그래디언트 부스팅은 앙상블에 약한 모델을 반복적으로 추가하여 강력한 모델을 구축하고, 각각의 약한 모델은 이전 모델의 실수를 수정합니다. 이 반복 프로세스는 전체 오류를 줄이고 앙상블의 예측력을 향상시킵니다.
XGBoost 및 LightGBM과 같은 그래디언트 부스팅 알고리즘은 다양한 기계 학습 대회 및 실제 응용 프로그램에서의 효과로 인해 인기를 얻었습니다. 그들은 구조화된 데이터를 처리하는 데 탁월하며 복잡한 패턴과 기능 간의 상호 작용을 캡처할 수 있습니다.
신경망으로 이동하면서 이전에 신경망의 아키텍처 및 교육 프로세스를 다루었습니다. 신경망은 이미지 및 음성 인식과 같은 패턴 인식과 관련된 작업에서 뛰어난 성능을 보여 왔습니다. 시계열 분석, 자연어 처리 및 기타 여러 도메인에도 적용할 수 있습니다.
신경망의 하위 집합인 딥 러닝은 여러 개의 숨겨진 계층이 있는 신경망 훈련에 중점을 둡니다. 심층 신경망은 데이터의 계층적 표현을 학습할 수 있으며 각 계층은 점점 더 추상적인 기능을 학습합니다. 원시 데이터에서 복잡한 기능을 자동으로 추출하는 이 기능은 다양한 도메인에서 딥 러닝의 성공에 기여했습니다.
CNN(Convolutional Neural Networks)은 이미지의 픽셀 간의 공간 관계를 활용하기 때문에 이미지 인식 작업에 특히 효과적입니다. 순환 신경망(RNN)은 시간적 종속성을 캡처할 수 있으므로 자연어 처리 및 음성 인식과 같은 순차적 데이터 분석에 일반적으로 사용됩니다.
신경망의 성공은 훈련을 위해 레이블이 지정된 대규모 데이터 세트의 가용성에 크게 의존한다는 점은 주목할 가치가 있습니다. 또한 심층 신경망에는 종종 상당한 계산 리소스와 더 긴 훈련 시간이 필요합니다. 그러나 그래픽 처리 장치(GPU) 및 특수 하드웨어 가속기와 같은 하드웨어의 발전으로 심층 신경망 교육에 보다 쉽게 접근할 수 있게 되었습니다.
이 책의 2부로 더 진행하면서 앙상블 학습의 복잡성, 다양한 신경망 아키텍처, 최적화 기술 및 이러한 기술을 실제 문제에 적용하기 위한 실용적인 고려 사항을 탐구하면서 이러한 고급 주제에 대해 더 깊이 파고들 것입니다.
요인 이론(FRM 2023년 2부 – 5권 – 1장)
요인 이론(FRM 2023년 2부 – 5권 – 1장)
이 텍스트는 "리스크 관리 및 투자 관리"의 2부, 5권에서 가져온 것이며 특히 요인 이론에 대한 장에 중점을 둡니다.
텍스트는 요소 이론이 포트폴리오와 개별 주식의 성과에 영향을 미치는 공통 요소를 식별하는 것을 목표로 한다는 설명으로 시작합니다. 이러한 요인에는 금리, 시장 움직임, 인플레이션, GDP 변화 등이 포함될 수 있습니다. 이러한 요소가 다른 주식에 어떤 영향을 미치는지 이해함으로써 투자자는 자신의 포트폴리오에 대해 정보에 입각한 결정을 내릴 수 있습니다.
이 장에서는 요인 이론이 개별 자산보다는 요인 자체에 초점을 맞춘다는 점을 강조합니다. 금리, 인플레이션 및 경제 성장과 같은 요소는 Apple 또는 Bank of America와 같은 특정 회사보다 주가에 더 큰 영향을 미칩니다. 투자자는 개별 자산 너머를 살펴보고 수익을 창출하는 근본적인 위험 요소를 식별해야 합니다.
요인은 수익의 궁극적인 결정 요인으로 간주되며 자산은 요인의 묶음을 나타냅니다. 이 장에서는 서로 다른 투자자가 다양한 선호도와 위험 프로필을 가질 수 있으므로 상관 관계, 코퓰러 및 최적의 위험 노출을 고려하는 것의 중요성을 강조합니다.
그런 다음 텍스트는 자본 자산 가격 책정 모델(CAPM)을 참조하여 단일 요인 모델에 대해 논의합니다. CAPM은 체계적 위험(경제적 요인으로 인한 주식 수익률의 변동성)과 기대 수익률 사이의 균형 관계를 설명합니다. 이 모델은 유일한 관련 요소는 시장 포트폴리오이고 위험 프리미엄은 시장 움직임에 대한 주식의 민감도를 측정하는 베타에 의해 결정된다고 가정합니다.
이 장에서는 합리적인 투자자가 위험을 완화하기 위해 포트폴리오를 다양화한다고 설명합니다. 그러나 분산 가능한 위험은 쉽게 분산될 수 있으므로 프리미엄과 연관되어서는 안 됩니다. 위험 프리미엄이 있는 체계적 위험에 초점을 맞춰야 합니다.
CAPM의 두 가지 버전이 본문에 나와 있습니다. 첫 번째 버전은 무위험 이자율과 시장 포트폴리오의 예상 수익률을 고려한 반면, 두 번째 버전은 체계적 위험의 척도로 베타를 도입했습니다. 베타는 개별 주식과 시장 포트폴리오 간의 공분산을 시장 포트폴리오의 분산으로 나눈 값입니다. 경제 요인의 변화에 대한 주식의 민감도를 나타냅니다.
텍스트는 베타가 체계적 위험을 포착하고 개별 주식에 대한 기대 수익을 결정한다고 강조합니다. 높은 베타는 높은 체계적 위험과 잠재적인 높은 수익을 나타내며 낮은 베타는 낮은 위험과 잠재적인 낮은 수익을 나타냅니다. 그러나 베타와 수익률의 관계는 선형적이지 않습니다.
이 장은 CAPM에서 얻은 몇 가지 교훈을 강조하면서 결론을 맺습니다. 시장 포트폴리오는 유일한 기존 요소이며 각 투자자는 최적의 요소 위험 노출을 보유합니다. 위험을 회피하는 투자자는 정부 증권을 선호할 수 있는 반면, 위험을 감수하는 투자자는 위험 자산에 더 많은 부를 할당합니다. 자본 자산 배분선은 투자자가 주어진 기대 수익률 수준에 대해 최소 표준편차를 갖는 포트폴리오를 나타내는 효율적 경계선을 따라 이동할 수 있도록 합니다.
세금이 수익에 거의 영향을 미치지 않는다는 개념은 고려해야 할 중요한 요소입니다. 일반적으로 시장에는 마찰이 없다고 생각되지만 이 가정은 전적으로 사실이 아닙니다. 금융 분야는 1958년에 시작되었으며 주로 Madiganian Miller와 같은 경제학자가 이끌었습니다. 그러나 1950년대와 1960년대에는 박사 학위가 없었습니다. 특히 금융에 중점을 둔 프로그램. 따라서 현대 금융의 선구자들은 시장이 완전하고 투자자가 가격을 통제할 수 없다는 가정에 의존했습니다. 그러나 경제학자 밀턴 프리드먼(Milton Friedman)이 지적한 것처럼 기관 투자자가 때때로 상당한 가격 변동을 일으킬 수 있으며 모든 사람이 정보를 항상 자유롭게 사용할 수 있는 것은 아니라는 점을 이해합니다.
나는 그것들을 한계라고 부르는 것을 선호하지만 자본 자산 가격 책정 모델(CAPM)에는 실패가 있습니다. 이 모델은 시장 포트폴리오 및 베타에 영향을 미치는 모든 위험 요소를 포착해야 하는 상당한 압력에 직면해 있습니다. 이것이 개별 주식 수익률에 영향을 미치는 여러 위험 요인을 설명하는 다중 요인 모델이 인기를 얻은 이유입니다.
다중 요소 모델의 메커니즘을 탐구하기 전에 두 가지 접근 방식을 간단히 비교해 보겠습니다. 두 모델 모두 우리에게 중요한 교훈을 가르쳐줍니다. 교훈 1: 다각화는 작동하지만 각 모델에서 다르게 작동할 수 있습니다. 교훈 2: 비록 방법은 다르지만 각 투자자는 효율적인 프론티어 또는 자본 시장 라인에서 선호하는 위치를 찾습니다. 교훈 3: 일반 투자자는 시장 포트폴리오를 보유하고 있지만 CAPM은 국채 또는 파생 상품을 사용하여 선형 이동을 허용하는 반면 다중 팩터 모델은 팩터 노출을 기반으로 선형 및 비선형 이동을 모두 허용합니다. 교훈 4: 시장 요인은 CAPM 하에서 균형에서 가격이 책정되는 반면 다중 요인 모델은 차익 거래가 없는 조건에서 위험 프리미엄을 통해 균형을 결정합니다. 교훈 5: 두 모델 모두 CAPM의 베타와 다중 요인 모델의 요인 노출을 포함합니다. 마지막으로 CAPM의 불경기는 시장 수익률이 낮은 것으로 명시적으로 정의되는 반면, 다중 요소 모델은 그러한 기간 동안 매력적인 자산을 식별하는 것을 목표로 합니다.
이제 확률적 할인 요인과 CAPM 및 다중 요인 모델과의 관계를 살펴보겠습니다. 이 개념을 설명하기 위해 날씨 비유를 사용하겠습니다. 내 사촌과 내가 20분 거리에 살고 있고 날씨에 대해 자주 이야기한다고 상상해 보세요. 날씨가 흐리면 누군가는 "이슬비가 내리네요"라고 말하고 다른 누군가는 "비가 쏟아지네요!"라고 외칠 수 있습니다. 이 비유에서 흐린 날은 CAPM의 시장 포트폴리오를 나타내고 비구름은 야드 관리 능력에 영향을 미치는 추가 요소를 상징합니다. 유사하게, 확률적 할인 요인은 다른 지역에 영향을 미치는 특정 비구름과 유사하게 다른 위험 요인 또는 경제 상태에 대한 노출을 나타냅니다.
자산의 가격은 확률적 할인 요인(m)에 보수를 곱한 기대치에 따라 달라집니다. 예를 들어, 내가 1년에 100달러를 주기로 약속했다면 오늘 지불할 가격은 내가 그 돈으로 무엇을 할 것인지에 달려 있습니다. 무위험 재무부 채권에 투자하면 거래 비용이 없다고 가정하면 오늘 97달러를 지불할 수 있습니다. 그러나 고위험 주식 증권에 투자하는 경우 관련 위험을 고려하여 $60 또는 $40와 같이 더 낮은 금액을 지불할 수 있습니다. 또는 내가 라스베이거스에서 도박을 한다면 승패 확률에 따라 지불하는 금액이 크게 달라질 수 있습니다. 따라서 확률 적 할인 요인은 다양한 요인에 따라 달라집니다.
더욱이 확률적 할인 요소로 표현되는 가격 결정 커널은 일정하지 않고 동적입니다. 특히 옵션이 포함된 불확정 클레임 및 유가 증권을 다룰 때 시간이 지남에 따라 변경됩니다. 이러한 역동적인 특성으로 우발 상황이 있는 유가 증권의 정확한 가격 책정이 가능합니다.
결론적으로 Eugene Fama의 효율적인 시장 가설은 Apple 또는 Johnson & Johnson과 같은 금융 보안의 가격이 시장에서 사용 가능한 모든 정보를 완전히 반영한다고 말합니다. 이는 개별 증권을 적극적으로 매매하거나 선별하는 것만으로는 시장을 지속적으로 아웃퍼폼하는 것이 불가능함을 의미한다.
그러나 효율적인 시장의 개념은 시간이 지남에 따라 발전했으며 이제 시장이 항상 완벽하게 효율적인 것은 아니라는 것이 널리 인식되고 있습니다. 행동 금융 연구는 투자자가 항상 합리적인 것은 아니며 심리적 편향의 영향을 받아 시장 비효율성과 숙련된 투자자가 초과 수익을 창출할 수 있는 기회로 이어질 수 있음을 보여주었습니다.
또한 다단계 모델의 개발로 자산 가격 책정에 대한 보다 미묘한 이해가 가능해졌습니다. 이러한 모델은 단일 요소 CAPM을 넘어 자산 수익률의 변화를 설명할 수 있는 여러 위험 요소를 고려합니다. 회사 규모, 가치, 모멘텀 및 수익성과 같은 요소가 수익의 중요한 동인으로 확인되었습니다.
이러한 요소를 가격 책정 모델에 통합함으로써 투자자는 자산 평가에 대한 보다 포괄적인 관점을 얻고 정보에 입각한 투자 결정을 내릴 수 있습니다. 예를 들어 가치 요인에 대한 노출이 높은 주식은 저평가된 것으로 간주되어 매력적인 투자 기회를 제공할 수 있습니다.
다중 요소 모델이 인기를 얻었지만 문제가 없는 것은 아닙니다. 어떤 요소를 포함하고 어떻게 평가할지 결정하려면 신중한 분석과 고려가 필요합니다. 또한 다중 팩터 모델의 성능은 시간이 지남에 따라 달라질 수 있으며 역사적으로 성공한 팩터는 미래에도 계속해서 초과 수익을 제공하지 못할 수 있습니다.
전반적으로 요인 이론에 관한 이 장에서는 자산 가격과 포트폴리오 성과에 영향을 미치는 공통 요인을 식별하고 이해하는 것의 중요성에 대한 통찰력을 제공합니다. 기대수익률 결정에 있어 체계적 위험과 베타의 중요성을 강조하고 팩터분석을 통한 효과적인 투자운용의 토대를 제공합니다.
결론적으로 효율적 시장 가설은 시장 효율성을 이해하기 위한 기초를 마련했지만 현실은 시장이 항상 완벽하게 효율적이지는 않다는 것입니다. 다중 요소 모델의 출현과 행동 금융의 통찰력은 자산 가격 책정에 대한 보다 미묘한 관점을 제공했습니다. 투자자는 이러한 모델과 요소를 활용하여 시장 역학에 대한 이해를 높이고 잠재적으로 우수한 수익 기회를 식별할 수 있습니다. 그러나 이러한 모델과 관련된 제한 사항과 문제를 인식하고 적용 시 주의를 기울이는 것이 중요합니다.
요인(FRM 2부 2023 – 5권 – 2장)
요인(FRM 2부 2023 – 5권 – 2장)
Risk Management and Investment Management Part 2, Book 5에서 팩터에 대한 챕터가 있습니다. 이 책은 투자 관리와 요인을 사용한 포트폴리오 선택과의 관계에 대해 설명합니다. 이 개념을 설명하기 위해 대체 투자 포트폴리오를 구축하고 특히 셀러용 와인에 투자하는 데 중점을 둔 예를 살펴보겠습니다.
포트폴리오에 포함할 최고의 와인 한 병을 식별하기 위해 자신을 포함하여 세 명의 와인 테이스터를 고용하기로 결정했습니다. 저녁 식사와 함께 와인 한 잔을 즐기는 캐주얼 와인 소비자로서 귀하의 와인 추천은 하나의 관점을 나타냅니다. 대학 친구라고 하는 또 다른 테이스터는 별 생각 없이 와인을 빨리 마시는 것으로 유명합니다. 마지막으로 세 번째 시음자는 아로마, 맛 및 기타 요소를 꼼꼼하게 분석하는 와인 감식가입니다.
포트폴리오를 구축할 때 세 사람이 시음한 모든 와인을 포함하여 시장 포트폴리오를 구성할 수 있습니다. 그러나 와인 감식가의 추천은 와인 테이스팅에 대한 전문성이 있기 때문에 가중치를 둘 수 있다면 더 유리할 것이다. 예를 들어 귀하의 추천에 약 5%의 가중치를 할당하고 와인 감정가의 추천에 94.9%의 가중치를 할당할 수 있습니다. 대조적으로, 대학 친구의 추천은 덜 중요하거나 심지어 완전히 무시될 수 있습니다.
감정가의 전문성과 같은 관련 요소를 식별하고 그에 따라 기여도에 가중치를 부여함으로써 시장 포트폴리오를 능가하는 포트폴리오를 구성할 수 있습니다. 이 프로세스는 우수한 포트폴리오 성과에 기여하는 요소를 식별하는 것과 관련된 투자 관리 목표와 일치합니다.
이제 이 예를 책에 설명된 학습 목표에 연결해 보겠습니다. 학습 목표에는 가치 투자 프로세스 이해, 거시 경제 위험 요인이 자산 성과 및 포트폴리오에 미치는 영향, 변동성 위험 감소, Fama-French 모델, 가치 및 모멘텀과 같은 모델 탐색이 포함됩니다.
가치 투자는 기본 분석을 수행하고 이를 시장 가치와 비교하여 주식의 내재 가치를 평가하는 것입니다. 내재 가치보다 훨씬 낮은 가격의 주식은 저평가된 것으로 간주되고 높은 가격의 주식은 잠재적으로 고평가된 것으로 간주됩니다. 내재 가치는 주식의 진정한 가치를 나타내며 시장의 변덕과 어리석음에 의해 영향을 받는 시장 가치와 다를 수 있습니다.
내재 가치를 결정하기 위해 대차 대조표, 현금 흐름표, 경영 기술, 미래 배당금, 잉여 현금 흐름 또는 영업 현금 흐름과 같은 다양한 요소를 분석할 수 있습니다. 내재 가치를 시장 가치와 비교함으로써 저평가된 주식을 식별하고 정보에 입각한 투자 결정을 내릴 수 있습니다. 그러나 합리적인 투자자와 효율적인 시장을 가정할 때 시장은 궁극적으로 내재 가치에 맞춰 가격을 조정할 수 있다는 점에 유의해야 합니다. 실제로 인간의 감정과 시장의 비효율성은 주가에 영향을 미칠 수 있습니다.
거시 경제 위험 요인의 맥락에서 경제 성장은 중요한 역할을 합니다. 경제 성장이 낮거나 마이너스인 기간에는 주식과 같은 위험 자산이 일반적으로 실적이 저조한 반면 국채와 같은 안전 자산은 실적이 우수한 경향이 있습니다. 경기 침체기에 큰 손실을 감당할 수 없는 위험 회피 투자자는 채권 투자를 선호할 수 있습니다. 더 긴 시간 지평을 가진 젊은 투자자들은 종종 단기 손실을 견디고 장기 이익에서 이익을 얻을 수 있기 때문에 주식에 투자하도록 권장됩니다.
경험적 증거에 따르면 가치주는 시간이 지남에 따라 성장주를 능가하는 경향이 있습니다. 연구원들은 저평가된 주식을 찾는 투자자들에게 보상을 나타내는 가치 프리미엄이 존재한다고 주장합니다. 인플레이션, 금리, GDP 변화 및 변동성과 같은 경제적 요인은 위험 프리미엄과 관련이 있습니다. 이러한 요소를 고려하여 투자자는 그에 따라 포트폴리오를 조정할 수 있습니다.
교과서는 또한 미국 경제 침체기 동안 다양한 자산 클래스의 성과를 보여주는 표를 제공합니다. 금 및 원자재와 같은 특정 클래스는 이 기간 동안 플러스 평균 수익률을 보이는 경향이 있음을 강조합니다.
기업과 개인은 생산성, 재무 성과 및 투자 결정에 영향을 미치는 다양한 요인의 영향을 받습니다. 중대한 영향을 미친 한 가지 주요 사건은 2020년 초 COVID-19의 발발이었습니다. 바이러스 확산을 통제하기 위해 경제가 폐쇄되면서 기업은 수익 창출에 어려움을 겪었고 개인은 재정적 불확실성을 경험했습니다.
팬데믹의 영향은 2020년 2월과 3월에 주가가 크게 하락한 것으로 나타났습니다. 주가 급락은 경제 셧다운과 바이러스를 둘러싼 불확실성의 직접적인 결과였습니다. 이러한 주가 하락은 외부 충격에 대한 기업과 개인의 취약성을 강조했습니다.
그러나 어려운 시기에도 생산성이 향상되는 시기가 있었습니다. 2020년 늦여름과 초가을 동안 미국과 세계의 다른 지역에서 생산성이 크게 증가했습니다. 이러한 개선은 팬데믹이 가져온 새로운 환경에 적응하고 혁신적인 운영 방법을 찾은 결과였습니다. 생산성에 대한 초기 영향은 부정적이었지만 기업과 개인의 회복력과 적응성은 후속 개선으로 이어졌습니다.
팬데믹의 또 다른 예상치 못한 결과는 2020년 미국의 예상 출생률 감소였습니다. 사람들이 집에 머무르는 것이 출산 증가로 이어질 것이라는 초기 가정과 달리 출생률은 실제로 감소했습니다. 인구의 상당 부분이 퇴직 연령에 가까워짐에 따라 이러한 인구 변화는 거시경제적 위험을 야기합니다. 퇴직하는 근로자는 전반적인 생산성을 감소시킬 뿐만 아니라 다양한 유형의 투자와 포트폴리오를 요구하여 재정 환경에 영향을 미칩니다.
정치적 위험은 시간이 지남에 따라 변해 온 또 다른 요인입니다. 1990년 이후 기업과 사회의 다양한 측면에서 규제와 정부의 개입이 증가했습니다. 이러한 정치적 위험의 증가는 기업과 개인이 변화하는 규제 환경을 탐색함에 따라 더 높은 위험 프리미엄으로 이어졌습니다. 정치적 결정과 정책이 금융 시장과 투자 결정에 미치는 영향을 무시할 수 없습니다.
변동성 위험을 해결하는 것은 투자자와 기업의 주요 관심사입니다. 한 가지 접근 방식은 변동성을 허용할 수 없는 경우 주식, 파생 상품 또는 고정 수입 증권과 같은 위험한 증권에 투자하지 않는 것입니다. 또는 투자자는 변동성이 적은 경향이 있는 채권에 대한 투자 비율을 높일 수 있습니다. 그러나 채권에만 의존하는 것은 경기 침체기에 최적의 해결책이 아닐 수 있습니다.
위험 자산에 대한 투자를 유지하면서 변동성 위험을 완화하기 위해 투자자는 잠재적 손실에 대한 보험 역할을 하는 풋 옵션과 같은 보호 옵션 구매를 고려할 수 있습니다. 그러나 이러한 전략의 효율성과 비용 효율성은 신중한 분석이 필요합니다. 한계 비용과 한계 이익 사이의 올바른 균형을 찾는 것은 위험 관리 접근 방식을 최적화하는 데 중요합니다.
포트폴리오 관리의 맥락에서 크기 및 가치와 같은 요소는 중요한 역할을 합니다. 유진 파마(Eugene Fama)와 케네스 프렌치(Kenneth French)는 추가 요소를 통합하여 자본 자산 가격 책정 모델(CAPM)에서 확장된 Fama-French 모델을 개발했습니다. 이 모델에는 주식의 위험 및 수익 특성을 더 잘 포착하기 위해 시장 요소, 크기 요소(SMB) 및 가치 요소(HML)가 포함됩니다. 이러한 요소는 주식 수익률의 상당 부분을 설명하는 것으로 밝혀졌으며 포트폴리오 구성에서 여러 요소를 고려하는 것의 중요성을 강조합니다.
가치 투자는 장부 가치에 비해 가격이 낮은 주식에 롱 포지션을 취하고 가격이 높은 주식에 숏 포지션을 취하는 것입니다. 이 전략은 부진한 기간을 겪은 가치주가 보상으로 더 높은 수익을 제공할 수 있다는 근거에 기반합니다. 가치 프리미엄을 설명하는 합리적 이론과 행동 이론이 있습니다. 합리적 이론은 가치주에 영향을 미치는 위험 요소에 초점을 맞추는 반면, 행동 이론은 과도한 외삽 및 손실 회피와 같은 투자자 편향을 가치 프리미엄의 동인으로 간주합니다.
반면에 모멘텀 투자는 최근 주가 상승을 보인 주식이 계속해서 좋은 성과를 낼 것이라는 믿음에 의존합니다. 투자자는 승자에 대해 과신하고 패자에 대해서는 신뢰를 잃어 모멘텀 효과를 초래할 수 있습니다. 모멘텀 투자 전략은 긍정적인 가격 모멘텀을 보인 주식을 사서 부정적인 모멘텀을 보인 주식을 파는 것입니다.
모멘텀 전략을 구현하는 방법에는 여러 가지가 있습니다. 일반적인 방법 중 하나는 지난 6~12개월과 같은 특정 기간 동안 개별 주식의 수익률을 계산하고 상대적인 성과를 기준으로 순위를 매기는 것입니다. 그런 다음 긍정적인 모멘텀이 가장 높은 상위 종목을 투자 대상으로 선택하고 부정적인 모멘텀을 가진 하위 종목을 회피하거나 공매도합니다.
모멘텀 투자는 합리적 요인과 행동적 요인으로 설명할 수 있습니다. 합리적인 측면에서 모멘텀 효과는 시장의 비효율성이나 새로운 정보에 대한 과소반응에 기인할 수 있습니다. 투자자들은 새로운 정보를 주가에 완전히 통합하는 데 시간이 걸릴 수 있으며, 더 많은 투자자들이 뉴스를 따라잡음에 따라 지속적인 가격 모멘텀으로 이어집니다.
행동적 설명은 군중 행동 및 처분 효과와 같은 투자자 편향이 모멘텀 효과에 기여한다고 제안합니다. 투자자들이 군중을 따라가서 실적이 좋은 주식을 사서 추가 가격 상승으로 이어지는 군중 행동이 발생합니다. 처분 효과는 투자자들이 손실 종목을 보유하고 수익 종목을 너무 빨리 매도하는 경향을 말하며, 이는 가격 모멘텀을 창출할 수 있습니다.
가치 투자와 모멘텀 투자 전략 모두 장기적으로 초과 수익을 제공하는 것으로 나타났습니다. 그러나 이러한 전략에도 성과가 저조한 기간이 있으며 시장 상황과 주어진 시간에 주식 수익률을 주도하는 특정 요인에 따라 성공 여부가 달라질 수 있습니다.
투자 포트폴리오를 구성할 때 규모, 가치, 모멘텀 등 여러 요소를 통합하는 다각화된 접근 방식을 고려하는 것이 중요합니다. 다양한 팩터에 걸쳐 다양화함으로써 투자자는 잠재적으로 개별 팩터 변동의 영향을 줄이고 포트폴리오의 위험-수익 프로파일을 개선할 수 있습니다.
또한 정기적으로 포트폴리오를 검토하고 재조정하여 투자자의 목표, 위험 허용 범위 및 변화하는 시장 조건과 일치하도록 하는 것이 중요합니다. 재조정은 자산을 원하는 목표 가중치로 되돌리기 위해 자산을 사거나 팔아 포트폴리오의 자산 배분을 조정하는 것입니다. 이렇게 하면 의도한 위험 노출을 유지하고 포트폴리오가 특정 주식이나 부문에 과도하게 집중되는 것을 방지할 수 있습니다.
결론적으로 변동성 위험을 관리하고 크기, 가치 및 모멘텀과 같은 요소를 고려하는 것은 포트폴리오 관리의 중요한 측면입니다. 투자자는 이러한 전략을 실행할 때 위험 허용 범위, 투자 목표 및 기간을 평가해야 합니다. 또한 시장 동향, 경제 지표 및 지정학적 발전에 대한 정보를 유지하면 정보에 입각한 투자 결정을 내리고 끊임없이 변화하는 금융 환경을 탐색하는 데 도움이 될 수 있습니다.
알파(및 저위험 해부학)(FRM 2023년 2부 – 5권 – 3장)
알파(및 저위험 해부학)(FRM 2023년 2부 – 5권 – 3장)
"알파 및 저위험 변칙"이라는 제목의 이 장에서는 성과 측정 및 투자 전략에 대한 포괄적인 분석을 자세히 살펴봅니다. 이 장은 알파, 벤치마크 선택, 추적 오류, 정보 비율 및 샤프 비율에 대한 이해를 심화하는 동시에 금융 시장에서 저위험 변칙의 존재를 탐구하는 것을 목표로 합니다.
소개:
이 장은 제목의 중요성과 제목이 포함하는 복잡성을 탐구하려는 의도를 강조하는 것으로 시작합니다. 저자는 독자에게 실질적인 가치를 전달하는 데 있어서 잘 짜여진 장 제목의 중요성을 강조합니다.
알파 이해하기:
벤치마크와의 관계를 강조하면서 성능 측정으로서 알파의 개념에 대해 설명합니다. 평균적인 골퍼와 점수를 비교하기보다 잭 니클라우스의 기록에 초점을 맞춘 골퍼의 비유는 알파를 벤치마크와 관련된 성능 측정으로 설명하는 데 사용됩니다. 알파는 투자 성과를 평가하는 중요한 지표로 인식되고 있습니다.
이상 현상 탐색:
이 장에서는 효율적 시장 가설의 맥락에서 이상 현상에 대해 논의합니다. 변칙은 시장 가격이 모든 관련 정보를 반영한다고 제안하는 가설과의 편차를 나타냅니다. 여기서 초점은 위험 수준이 낮은 투자가 수익 측면에서 고위험 증권을 능가하는 저위험 이상 현상에 있습니다.
학습 목표:
이 장에서는 주제의 폭과 깊이를 보여주는 몇 가지 학습 목표를 설명합니다. 이러한 목표에는 저위험 이상 평가, 알파, 추적 오류, 정보 비율 및 샤프 비율과 같은 성능 메트릭 정의 및 계산이 포함됩니다. 벤치마크 선택의 중요성과 이것이 알파에 미치는 영향을 살펴봅니다. 또한 액티브 운용의 기본법칙, 정보비율분석, 회귀분석, 투자성과 요인의 역할 등을 다룬다. Warren Buffett의 성과 분석과 비선형 및 기타 이상 현상에 대한 논의와 같은 실제 사례가 소개됩니다.
위험도가 낮은 변칙 현상 공개:
이 장에서는 William Sharpe가 자본 자산 가격 책정 모델(CAPM)을 도입하여 예상 포트폴리오 수익률과 베타 간의 선형 관계를 설정한 1964년으로 거슬러 올라갑니다. 그러나 경험적 증거는 이러한 관계에 의문을 제기하며 위험 조정 기준에서도 높은 베타 주식이 낮은 베타 주식보다 실적이 저조한 경향이 있음을 나타냅니다. 이 현상은 저위험 이상 현상으로 알려져 있으며 효율적 시장 가설의 가정에 도전합니다.
저위험 이상에 영향을 미치는 요인:
이 장에서는 저위험 이상 현상의 지속에 기여하는 다양한 요인을 살펴봅니다. 레버리지가 금융 시장의 일반적인 관행이며 레버리지 액세스에 대한 제약으로 인해 투자자가 높은 베타 주식을 찾고 가격을 높이고 위험 조정 수익을 줄이는 방법을 식별합니다. 고 베타 주식에 대한 대리인 문제 및 개인 선호도 저 위험 이상 현상에 기여하는 요인으로 부각됩니다.
알파 이해하기:
이 장에서는 알파를 시장 지수 또는 벤치마크를 초과하는 평균 수익으로 간결하게 정의합니다. 알파를 결정하기 위한 적절한 벤치마크를 선택하는 것의 중요성이 강조됩니다. 알파는 투자 기술과 벤치마크를 구성하는 데 사용되는 요소를 모두 반영하므로 투자 성과를 평가할 때 벤치마크 선택의 중요성을 강조합니다.
결론:
이 장에서는 다루는 주요 통찰력과 목표를 요약하여 결론을 내립니다. 알파, 벤치마크 선택 및 저위험 변칙 사이의 복잡한 상호 작용을 강조합니다. 또한 위험 조정 수익률을 평가하는 방법을 제공하는 추적 오류, 정보 비율 및 샤프 비율과 같은 중요한 성능 측정 개념을 소개합니다. 실제 사례와 비선형성 및 기타 이상에 대한 논의는 주제에 대한 이해를 더욱 풍부하게 합니다.
이러한 개념과 상호 작용을 탐구함으로써 이 장에서는 알파, 벤치마크 선택, 추적 오류, 정보 비율 및 샤프 비율에 대한 이해를 심화하는 것을 목표로 합니다. 또한 Warren Buffett의 성과 분석, 비선형성 및 기타 이상 현상에 대한 논의와 같은 실제 사례를 소개합니다.
정보 비율을 추정하려면 일일 또는 월별 수익 여부에 관계없이 상당한 기간 동안 자산 및 벤치마크에 대한 수익을 계산해야 합니다. 이 데이터는 Excel 스프레드시트와 같은 도구를 사용하여 처리할 수 있으므로 알파 계산 및 오류 추적이 가능합니다. 이 분석을 효과적으로 수행하려면 필요한 데이터에 대한 액세스가 필수적입니다.
이 장에서는 Grinhold Grenald가 개발한 적극적인 관리의 기본 법칙을 소개합니다. 제시된 공식은 근사치를 나타내며 정확하지 않을 수 있지만 알파, 정보 계수 및 폭 간의 관계에 대한 귀중한 통찰력을 제공합니다. 이 공식은 포트폴리오 관리자가 벤치마크에서 벗어난 베팅을 함으로써 알파를 생성하고 성공적인 베팅은 더 높은 알파를 초래하는 경향이 있음을 시사합니다. 최대 정보 비율은 정보 계수의 곱과 베팅 수의 제곱근과 거의 같습니다.
정보 계수는 실제 수익에 대한 관리자의 예측 정확도를 측정하는 반면 폭은 거래 가능한 증권의 수와 거래 빈도를 나타냅니다. 폭의 제곱근은 비용 고려 사항과 정확성의 균형을 유지하면서 샘플링에 대한 페널티 역할을 합니다.
이 장에서는 능동적 관리자의 생산성이 기술 수준과 기술을 활용하는 빈도에 따라 달라진다는 점을 강조합니다. 폭의 제곱근은 투자자가 정보에 입각한 결정을 내리거나 수익을 극대화하기 위해 빈번한 거래에 참여해야 함을 시사합니다.
또 다른 요점은 기술 수준은 같지만 폭이 다른 두 관리자가 다른 성과 결과를 낼 가능성이 높다는 것입니다. 일반적으로 폭이 클수록 성능이 향상됩니다.
이 개념을 설명하기 위해 룰렛과의 비유가 제시됩니다. 100회전에 1달러를 베팅하는 플레이어와 1회전에 100달러를 베팅하는 다른 플레이어를 비교하면 위험 대비 보상 비율이 다릅니다. 이 비유는 기술 수준과 거래 빈도를 모두 고려하는 것의 중요성을 강조합니다.
정보 계수에 대한 가정이 이루어집니다. 예를 들어 운용자산이 증가하면 정보계수가 낮아져 실적이 악화되는 경향이 있다. 펀드가 커질수록 저평가된 주식을 식별하기가 더 어려워지고 발견되더라도 전체 포트폴리오에 미치는 영향이 줄어듭니다.
독립적인 거래의 가정은 종종 투자 간에 상관관계가 있기 때문에 완전히 정확하지 않습니다. 예를 들어 관리자가 유틸리티 주식에 투자하는 경우 나중에 더 많은 유틸리티 주식에 투자할 가능성이 높습니다. 이 상관 관계 패턴은 다양한 연구에서 사실입니다.
이전 논의를 상기하면서 이 장에서는 1964년 William Sharpe가 도입한 자본 자산 가격 책정 모델(CAPM)을 참조합니다. CAPM은 시장 포트폴리오를 기반으로 하는 단일 요소 모델로, 개별 자산에 대한 기대 수익은 무위험 자산으로 구성됩니다. 요율에 시장 행동에 기반한 구성 요소를 더한 것입니다.
베타는 체계적인 위험 민감도의 척도로 다시 도입됩니다. 베타가 낮은 주식은 민감도가 낮고 베타가 높은 주식은 민감도가 높습니다.
1990년 1월부터 2012년 5월까지의 데이터를 제시하여 적극적 포트폴리오 운용과 정보비율의 관계를 분석하였다. 데이터는 포트폴리오의 증권 수가 증가함에 따라 정보 비율이 감소하는 경향이 있음을 보여줍니다. 더 많은 수의 증권을 관리하는 것이 더 어려워지고 결과적으로 예측 정확도와 알파 생성이 낮아집니다.
거래 비용이 정보 비율에 미치는 영향도 조사합니다. 높은 거래 비용은 정보 비율을 감소시켜 빈번한 거래와 관련된 비용이 관리자가 생성한 잠재적인 알파를 잠식할 수 있음을 나타냅니다.
결론적으로 이 장에서는 적극적인 포트폴리오 관리에서 기술 수준과 폭을 모두 고려하는 것의 중요성을 강조합니다. 정확한 예측을 하는 숙련된 관리자는 알파를 생성할 수 있지만 포트폴리오의 폭과 관련 거래 비용은 전략의 전반적인 효율성을 결정하는 데 중요한 역할을 합니다.
전반적으로 이 장에서는 저위험 이상 현상인 알파의 측정 및 해석과 위험 관리 및 투자 전략에 대한 영향에 대한 통찰력을 제공합니다. 독자가 벤치마크 선택을 신중하게 고려하고, 추적 오류 및 정보 비율을 이해하고, Sharpe 비율과 같은 메트릭을 사용하여 위험 조정 성능을 평가하도록 권장합니다. 이러한 개념과 상호 작용을 이해함으로써 투자자는 액티브 포트폴리오 매니저를 선택하고 평가할 때 더 많은 정보에 입각한 결정을 내릴 수 있습니다.
위험 모니터링 및 성과 측정(FRM 2023년 2부 – 5권 – 7장)
위험 모니터링 및 성과 측정(FRM 2023년 2부 – 5권 – 7장)
학자가 작성한 이전 장에서 실무자가 작성한 이 장으로 전환하고 있습니다. 이 장에서는 투자 관리의 맥락에서 위험 모니터링 및 성과 측정에 중점을 둘 것입니다. 이전 장에서 다룬 주제와 일부 겹치는 부분이 있지만 위험 가치, 위험 계획, 위험 예산 책정, 위험 의식, 유동성 기간 통계, 알파 및 벤치마크 분석, 수석의 역할과 같은 특정 영역에 대해 더 깊이 파고들 것입니다. 위험 담당관.
학습 목표:
이 장으로 들어가기 전에 학습 목표를 검토하여 다룰 내용에 대한 개요를 제공합니다. 이러한 목표에는 다음이 포함됩니다.
장 개요:
이 챕터는 최근 챕터에 비해 상대적으로 짧아서 다루는 데 시간이 덜 걸릴 것 같습니다. 위험 가치를 검토하고 오류를 추적하는 것으로 시작하겠습니다. 위험 가치는 특정 기간 동안 기업이 특정 수준의 확신을 가지고 직면할 수 있는 최대 잠재적 손실을 나타냅니다. 반면에 추적 오류는 개별 포트폴리오의 수익률과 벤치마크 간의 편차를 측정합니다. 두 개념 모두 z 테이블의 중요한 값을 활용하며 자본 배분 및 벤치마크 주변 관리자의 범위를 결정하는 데 중요한 역할을 합니다.
위험 가치는 관리자가 위험 한계 가치 및 위험 증가 가치와 같은 요소를 고려하여 자산 간에 자본을 할당하는 데 도움이 됩니다. 이전 장에서 우리는 이러한 가중치를 결정하는 데 도움이 되는 최적 가중치 및 공식에 대해 논의했습니다. 반대로 추적 오류는 벤치마크에서 벗어나는 관리자의 유연성을 결정하는 데 사용됩니다. 액티브 운용사는 귀속 분석을 통해 요약할 수 있는 종목 선택 및 자산 배분을 통해 벤치마크를 능가하는 것을 목표로 합니다.
위험 관리 프로세스에는 위험 계획, 위험 예산 책정 및 위험 모니터링이라는 세 가지 핵심 요소가 포함됩니다. 위험 계획에는 예상 수익 및 변동성 수준 설정, 최고 위험 책임자 및 이사회와 협의하여 허용 가능한 위험 가치 수준 정의 및 오류 추적, 자본 배분 프로세스 수립이 포함됩니다. 또한 위험 계획에는 정기적인 작동 손상을 유발하는 이벤트와 심각한 피해를 유발하는 이벤트를 구분하는 것이 수반됩니다. 위험 예산 책정은 활동의 위험도를 고려하여 각 사일로 또는 비즈니스 단위에 대한 2차 평가 계층 역할을 합니다. 전체 포트폴리오 위험을 최소로 유지하면서 수익을 극대화하여 최적의 자산 배분을 달성하는 것을 목표로 합니다.
위험 모니터링은 위험 관리 관행의 효율성을 평가하는 데 중요합니다. 여기에는 교육 환경에서의 결과 평가와 유사하게 계획된 조치를 실제 결과와 비교하는 것이 포함됩니다. 적시에 시정 조치를 취하려면 비정상적인 편차 및 위험 한계 위반을 즉시 식별해야 합니다. 효과적인 위험 모니터링을 위해 추세 분석 및 비교 분석과 같은 다양한 분석 기법을 사용할 수 있습니다.
결론: 위험 모니터링 및 성과 측정에 관한 이 장에서는 투자 위험 관리에 대한 실질적인 통찰력을 제공합니다. 위험 가치, 위험 계획, 위험 예산 책정, 위험 의식, 유동성 기간 통계, 알파 및 벤치마크 분석, 위험 모니터링의 중요성과 같은 필수 주제를 다룹니다.
위험 모니터링은 위험 예산 또는 미리 결정된 위험 한도의 변동을 감지하는 데 중요합니다. 여기에는 포트폴리오의 성과를 정기적으로 평가하고 예상 결과와 비교하는 것이 포함됩니다. 이를 통해 위험 관리자는 주의 또는 조정이 필요할 수 있는 비정상적인 편차 또는 예기치 않은 결과를 식별할 수 있습니다.
추세 분석은 위험 모니터링에 사용되는 한 가지 접근 방식입니다. 과거 데이터를 조사하고 시간 경과에 따른 패턴을 관찰함으로써 위험 관리자는 포트폴리오 성과 및 위험 측정의 추세를 식별할 수 있습니다. 이는 포트폴리오의 동작을 이해하고 위험 예산과의 일관성을 평가하는 데 도움이 됩니다.
비교 분석은 위험 모니터링의 또 다른 유용한 도구입니다. 포트폴리오의 성과를 관련 벤치마크 또는 동료와 비교하는 것이 포함됩니다. 포트폴리오의 상대적 성과를 평가함으로써 위험 관리자는 강점과 약점에 대한 통찰력을 얻고 목표를 달성하고 있는지 평가할 수 있습니다.
위험 모니터링에는 KRI(주요 위험 지표) 및 성능 메트릭을 추적하고 평가하는 것도 포함됩니다. KRI는 잠재적인 위험 또는 위험 예산의 편차에 대한 조기 경고 신호를 제공하는 구체적인 조치입니다. 이러한 지표에는 변동성 수준, 위험 가치(VaR), 추적 오류, 유동성 비율 및 기타 관련 지표가 포함될 수 있습니다. 이러한 지표를 정기적으로 모니터링함으로써 위험 관리자는 새로운 위험 또는 편차를 사전에 식별하고 해결할 수 있습니다.
또한 위험 모니터링에는 위험 보고서 및 위험 대시보드를 검토하고 분석하는 작업이 포함됩니다. 이 보고서는 포트폴리오의 위험 프로필, 성과 및 위험 한도 준수에 대한 포괄적인 개요를 제공합니다. 종종 시각적으로 표시되는 위험 대시보드는 포트폴리오의 위험 지표에 대한 스냅샷을 제공하고 관심 영역을 강조 표시합니다. 이러한 보고서와 대시보드를 정기적으로 검토하면 위험 관리에 대한 투명성, 책임 및 정보에 입각한 의사 결정을 유지하는 데 도움이 됩니다.
요약하면 위험 모니터링은 위험 관리 프로세스에서 중요한 역할을 합니다. 여기에는 포트폴리오 성과를 지속적으로 평가하고 미리 결정된 목표 및 벤치마크와 비교하고 주요 위험 지표를 추적하고 위험 보고서 및 대시보드를 검토하는 작업이 포함됩니다. 위험을 부지런히 모니터링함으로써 실무자는 모든 편차 또는 새로운 위험을 즉시 식별하고 해결할 수 있으므로 포트폴리오가 위험 예산 및 목표와 일치하도록 할 수 있습니다.
헤지 펀드(FRM 2023년 2부 – 5권 – 9장)
헤지 펀드(FRM 2023년 2부 – 5권 – 9장)
리스크 관리 및 투자 관리 핸드북 2부 5권에는 헤지펀드에 관한 한 챕터가 금융 리서치 전문가로 꼽히는 세 명의 저명한 학자들이 저술했습니다. 이 학자들은 최고 수준의 저널에 강력한 출판 기록을 보유하고 있으며 저널 편집자로 일했으며 뛰어난 작업으로 권위 있는 상을 받았습니다. 이 장은 복잡한 수학적 개념을 탐구하지 않고 광범위한 독자가 접근할 수 있는 방식으로 헤지펀드에 대한 포괄적인 정보를 제공하는 것을 목표로 합니다.
이 장은 적극적으로 관리되는 대체 투자로 헤지 펀드를 소개하는 것으로 시작합니다. 헤지펀드는 비전통적인 자산에 투자한다는 점에서 현금, 채권, 주식과 같은 전통적인 자산군과 다르다는 점을 강조합니다. 이 장에서는 신생 기업, 기술주, 금, 기금 모금 및 외국 국채를 포함한 잠재적인 투자 옵션을 제시합니다.
헤지 펀드와 뮤추얼 펀드 사이의 주목할만한 차이점 중 하나는 헤지 펀드가 참여하려면 일반적으로 수백만 달러 범위의 상당한 자본을 가진 공인 투자자가 필요하다는 것입니다. 이 엄선된 투자자 그룹은 종종 일반 대중과 다른 위험 태도와 기대 수익률을 가지고 있습니다. 헤지 펀드 매니저는 전통적인 뮤추얼 펀드 매니저가 사용할 수 없는 광범위한 전략에 접근할 수 있어 투자 결정에 더 큰 유연성을 제공합니다.
투명성은 단점이자 장점이 될 수 있는 헤지펀드의 특성으로 부각된다. 전통적인 투자 수단과 달리 헤지 펀드는 전략 공개를 제한적으로 제공합니다. 이러한 투명성 부족은 단점으로 보일 수 있지만 헤지 펀드 매니저는 투자 전략을 기밀로 유지하여 다른 매니저가 자신의 접근 방식을 복제하고 잠재적으로 수익성을 감소시키는 것을 방지할 수 있습니다.
이 장에서는 주로 차익 거래 기회를 위한 차입 자본 및 파생 증권의 사용을 통해 헤지 펀드에서 높은 레버리지를 사용하는 방법에 대해 설명합니다. 이러한 고위험 접근 방식은 장기간에 걸쳐 상당한 손실을 초래할 수 있으므로 헤지 펀드 산업에서 위험 관리의 중요성이 강조됩니다.
"2 및 20"으로 알려진 헤지 펀드 매니저가 일반적으로 사용하는 수수료 구조도 이 장에서 다룹니다. 이 구조는 펀드 규모에 따라 2%의 관리 수수료와 발생한 수익에 대해 계산된 20%의 성과 수수료를 수반합니다. 수수료 약정은 실적에 관계없이 헤지 펀드 매니저에게 상당한 수입을 제공할 가능성이 있습니다.
뮤추얼 펀드 매니저에 비해 헤지 펀드 매니저는 훨씬 더 넓은 투자 범위를 가집니다. 뮤추얼 펀드 매니저는 종종 자산 선택, 공매도, 마진 거래, 파생 증권 사용을 포함한 레버리지에 대한 제약에 직면합니다. 대조적으로 헤지 펀드 매니저는 이러한 측면에서 더 많은 자유를 가지므로 더 넓은 범위의 투자 기회를 탐색할 수 있습니다.
이 장에서는 헤지 펀드 및 데이터베이스와 관련된 몇 가지 편견을 강조합니다. 성공적인 헤지펀드만 데이터베이스에 포함되어 산업 성과를 과대평가하는 경우 생존 편향이 발생합니다. 즉각적인 이력 편향은 실적 보고 시점과 달성한 실제 실적 사이의 불일치를 나타냅니다. 보고 및 자체 선택 편향은 펀드가 상업적 데이터베이스에 성과를 자발적으로 보고할 때 발생하여 데이터에 잠재적인 불일치가 발생할 수 있습니다. 평활 편향은 비유동 자산에 대한 수익을 정확하게 추정하기 어렵기 때문에 발생하며 결과적으로 평활화된 성과 수치가 나타납니다.
1994년 상업 데이터베이스 구축과 함께 발생한 중요한 변화에 주목하면서 헤지 펀드 데이터베이스의 진화에 대해 논의합니다. 이 기간에는 고위험 전략을 추구하고 결국 붕괴되기 전에 상당한 성장을 경험한 장기 자본 관리와 같은 저명한 헤지 펀드가 부상했습니다. 2000년대 초반 헤지펀드가 S&P 500지수를 상회하면서 현금유입이 급증했고 이에 따라 헤지펀드와 운용자산이 늘어났다. 기관 투자자들은 더 높은 수익 가능성에 매료되어 포트폴리오를 헤지 펀드에 할당하기 시작했습니다.
알파와 베타의 개념은 이 장에서 소개됩니다. 베타는 체계적 위험을 나타내며 시장 움직임에 대한 투자의 민감도를 측정하며 베타 1.0은 전체 시장과 동일한 수준의 위험을 나타냅니다. 알파는 베타를 기반으로 예상되는 것 이상으로 포트폴리오 또는 투자 전략에 의해 생성된 초과 수익을 나타냅니다. 알파는 종종 수익을 창출하는 관리자의 능력을 측정하는 척도로 간주됩니다.
헤지펀드 매니저는 롱/숏 에퀴티, 이벤트 중심, 글로벌 매크로, 상대 가치 등 다양한 투자 전략을 사용하여 긍정적인 알파를 창출하는 것을 목표로 합니다. 각 전략에는 고유한 특성이 있으며 위험 관리에 대한 다른 접근 방식이 필요합니다. 예를 들어, 롱/숏 에쿼티 전략은 주식의 롱 포지션과 숏 포지션을 모두 취하여 가격 상승과 하락 모두에서 이익을 얻는 것을 포함합니다. 이벤트 중심 전략은 특정 기업 이벤트에 초점을 맞추는 반면, 글로벌 거시 전략은 거시 경제 동향 및 지정학적 발전에 따라 입장을 취하는 것을 포함합니다. 상대 가치 전략은 관련 증권 간의 가격 불일치를 이용하려고 합니다.
이 장에서는 헤지 펀드 성과 평가와 관련된 문제와 제한 사항에 대해서도 설명합니다. 헤지 펀드의 투명성 부족으로 성과를 정확하게 측정하기 어렵고 샤프 비율 및 정보 비율과 같은 전통적인 성과 지표는 전체 그림을 포착하지 못할 수 있습니다. 연구원들은 헤지 펀드 성과 및 위험을 더 잘 평가하기 위해 오메가 비율 및 드로다운 기반 지표와 같은 대체 측정법을 개발했습니다.
또한 이 장에서는 헤지 펀드를 선택할 때 실사의 중요성을 강조합니다. 투자자는 펀드의 투자 전략, 위험 관리 관행, 과거 실적, 펀드 매니저의 경험과 실적을 철저히 평가해야 합니다. 적절한 실사는 투자자가 위험 선호도 및 투자 목표에 부합하는 펀드를 식별하는 데 도움이 됩니다.
이 장은 정부, 중앙 은행 및 정치인과 같은 다양한 주체가 각자 자신의 생각과 의제를 정책에 반영하는 금융 세계의 역학 관계에 대해 논의하면서 결론을 내립니다. 이러한 역동적인 성격은 글로벌 거시 전략가가 거시경제뿐만 아니라 중앙은행가의 변화하는 패러다임을 예측할 수 있는 정치에 대한 전문성을 요구합니다. 관리형 선물 전략과 부실 채권은 헤지 펀드 산업 내에서 두 가지 구체적인 접근 방식으로 제시되며, 각각은 기회를 효과적으로 식별하고 활용하기 위해 전문 지식, 연구 및 분석이 필요합니다.
전반적으로 이 장에서는 헤지 펀드의 특성, 투자 전략, 수수료 구조, 성과 평가 및 과제를 다루는 포괄적인 개요를 제공합니다. 헤지 펀드와 관련된 고유한 기능과 위험을 강조하고 이러한 대체 투자 수단을 고려하는 투자자를 위한 위험 관리 및 실사의 중요성을 강조합니다.