( 원문 출처 : https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2324930 ) Reducing Retirement Risk with a Rising Equity Glidepath (상승 주식 글라이드 경로로 퇴직 위험 감소) Abstract 이 연구는 고객 포트폴리오의 적절한 기본 주식 글라이드 경로가 무엇인지에 대한 문제를 탐구합니다. 라이프 사이클의 퇴직 단계. 놀랍게도, 은퇴 후에 주식 주식이 상승하는 것을 볼 수 있습니다. 포트폴리오는 보수적으로 시작하여 퇴직 시간을 통해 공격적으로 […]
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 […]
#install.packages(“drat”, repos=”https://cran.rstudio.com”) #drat:::addRepo(“dmlc”) #install.packages(“xgboost”, repos=”http://dmlc.ml/drat/”, type = “source”) #install.packages(“xgboost”) #install.packages(c(“dplyr”, “hflights”)) #install.packages(“dummies”) #install.packages(“MASS”) require(xgboost) library(dplyr) library(hflights) library(dummies) library(MASS) setwd(“C:/Users/POSCOUSER/Desktop/”) train = read.csv(“train.csv”) test = read.csv(“test.csv”) col_names = colnames(test) # 트레인 데이터 준비 train_x = subset(train, select=col_names[col_names != “TARGET”]) train_y = subset(train, select=col_names[col_names == “TARGET”]) cate_list_x = c(“CH_pass_fac_flag”, “SM_STEEL_GRD”, “CH_SEQ_IN_CAST”, “SAME_TUND_TR_CAST_SEQ”, “FAC_OP_CD”, “FCE_NUM”, “SM_LD_BLW_METH_TP”, “LD_FCE_AC_UBLW_PTRN_NUM”, “LD_FCE_LW_BW_PTRN_NUM”, […]
Deep Learning Project에서 Deep Insight를 얻기 까지는 많은 시간이 소요된다. 주어진 과제에 급급하여 Project를 하다보면, 우리가 얻는 것은 신기루 뿐이다. Data를 바라보고 수집하고 Parameter들을 Estimation하면서 그들의 Tendency를 유추해 나가고 그들의 표면적인 모습들이 아닌 Deep Relation의 Attribute까지 밝혀낼 수 있으려면 우리는 우리의 목표와 기준 잣대로 평가하기 보다는 Hyper Parameter들의 수많은 궤적들을 Business측면의 Reassign된 Vector평면 속에서 의미를 […]