금융의 모든 영역에 Deep Learning을 사용하기 위해선 일단 데이터의 연관관계들을 규정할 수 있어야 한다.

예를 들면 주식 종목들의 업종별 상위 10여 군을 조합하여 뽑은 뒤

업종별 현황을 하기와 같이 분석해 보았다고 생각해 보자!

솔직히 위 내용들은 과거의 지표를 통한 현재의 추세이지 이것이 미래에 예측으로 사용된다면 위험한 일이 벌어질 수도 있다.

딥러닝은 선별된 데이터의 특성들로 부터 다양한 연관 관계를 통해 가중치를 산정하고 이를 통해 추세를 분석하고 예측을 수행해야 하지만 현실의 데이터는 어쩌면 편향성을 배제하고 분석할 만큼 검증되지 못하였다.

그래서 다양한 알고리즘으로 실험을 해 보지만 결과는 좋지 못하다.

하물며 이런 분석 결과치를 적용해 투자를 하는 개인 고객들에게 서비스를 제공한다면 너무 위험한 일이 아닐까?

이에 가장 중요한 건 개인이 선택한 것에 대한 개인이 스스로의 책임적 범위를 한정하는 일이다.

역설적이게도 그렇기 때문에 Customer Profiling이 가장 중요한 것이라 생각된다.

그리고 Portfolio Selection에 다양한 알고리즘을 수용할 수 있는 다차원 Factor Calculation이 중요하다고 생각한다.

근데 이 모든 것은 Dependency가 있다.

Customer Profiling -> Portfolio Selection -> Asset Allocation(Marker Analysis) -> Rebalance

학습을 하며 내가 느낀 것은 지금까지 나와있는 알고리즘과 모든 메커니즘들은 investment bank에 초점을 두었고, 이는 주식 시장이나 증권 시장에 적용될 수는 있으나. 개인의 자산 관리적인 보수적인 입장에서 이 간극을 어떻게 줄일 수 있을까?

그리고 이는 바로 수동성과 보수성인데 그런 Mechanism을 녹이면서도 고객의 수익을 극대화시킬 수 있는 방안은 무엇이 있을까? 고민하게 되었다.

바로 이런 고민에서 출몰한 것이 역사적으로 다양한 전통적인 고전 모델들이 있다.

Markowitz와 Black-Litterman Model인데 이는 Risk-Return Profile방법론으로서 위험을 분산 시켜 즉 투자자산을 분산 시켜 손실율을 최소화하는 방법론이다.

하지만 X 인자인 Input값들을 보면 한계를 발견할 수 있다.

https://github.com/tylee33/DLforFinance/blob/master/FINANCE_MODEL_REPOSITORY/General%20Model/Black-Litterman.ipynb

그리고 또한 포트폴리오 생성과 포트폴리오 최적화는 전통적인 모형의 Dependency를 벗어날 수 없게 밀접하게 연관되어 있다.

https://github.com/tylee33/DLforFinance/blob/master/FINANCE_MODEL_REPOSITORY/General%20Model/Markowitz%2BOptimzation.ipynb

이는 바로 자산의 배분과 맞물려 포트폴리오를 중간에 변경할 수 없고 자산군에 맞게 분류되어 있는 한도내에서 제약적으로 자산군을 변경할 수 있는 의존성을 만들게 된다.

하지만 고객이 원하는 것은 그런것이 아니다.