본문 바로가기

추천 검색어

실시간 인기 검색어

퀀트 투자를 위한 머신러닝·딥러닝 알고리듬 트레이딩 2/e

파이썬, Pandas, 텐서플로 2.0, Scikit-learn을 활용한 효과적인 트레이딩 | Paperback
스테판 젠슨 저자(글) · 홍창수 , 이기홍 번역
에이콘출판 · 2021년 09월 30일 출시
가장 최근에 출시된 개정판입니다. 구판보기
6.3 (2개의 리뷰)
쉬웠어요 (100%의 구매자)
  • 퀀트 투자를 위한 머신러닝·딥러닝 알고리듬 트레이딩 2/e 대표 이미지
    퀀트 투자를 위한 머신러닝·딥러닝 알고리듬 트레이딩 2/e 대표 이미지
  • A4
    사이즈 비교
    210x297
    189x235
    단위 : mm
MD의 선택 무료배송 사은품 이벤트 소득공제
10% 45,000 50,000
적립/혜택
2,500P

기본적립

5% 적립 2,500P

추가적립

  • 5만원 이상 구매 시 추가 2,000P
  • 3만원 이상 구매 시, 등급별 2~4% 추가 최대 2,500P
  • 리뷰 작성 시, e교환권 추가 최대 300원
배송안내
무료배송
배송비 안내
국내도서 / 외국도서
도서만 1만 원 이상 구매 시 무료배송
도서 + 잡지 / 만화 / :K컬렉션을 함께 1만 원 이상 구매 시 무료배송

1만원 미만 시 2,000원 배송비 부과

잡지 / 만화 / :K컬렉션 (교보배송)
각각 구매하거나 함께 2만 원 이상 구매 시 무료배송

2만원 미만 시 2,000원 배송비 부과

해외주문 서양도서 / 해외주문 일본도서 (교보배송)
각각 구매하거나 함께 1만 원 이상 구매 시 무료배송

1만원 미만 시 2,000원 배송비 부과

업체배송 상품 (전집, GIFT, 음반 / DVD 등)
중고장터 상품
해당 상품 상세페이지 "배송비" 참고 (업체 별/판매자 별 무료배송 기준 다름)
바로드림 오늘배송
업체에서 별도 배송하여 1Box당 배송비 2,500원 부과

1Box 기준 : 도서 10권

그 외 무료배송 기준
바로드림, eBook 상품을 주문한 경우, 플래티넘/골드/실버회원 무료배송쿠폰 이용하여 주문한 경우, 무료배송 등록 상품을 주문한 경우
주문정보를 불러오는 중입니다.
서울시 종로구 종로 1

알림 신청하시면 원하시는 정보를
받아 보실 수 있습니다.

해외주문/바로드림/제휴사주문/업체배송건의 경우 1+1 증정상품이 발송되지 않습니다.

패키지

북카드

키워드 Pick

키워드 Pick 안내

관심 키워드를 주제로 다른 연관 도서를 다양하게 찾아 볼 수 있는 서비스로, 클릭 시 관심 키워드를 주제로 한 다양한 책으로 이동할 수 있습니다.
키워드는 최근 많이 찾는 순으로 정렬됩니다.

퀀트 투자를 위한 머신러닝·딥러닝 알고리듬 트레이딩 2/e 상세 이미지

책 소개

이 책이 속한 분야

머신러닝과 딥러닝 기술을 이용해 알고리듬 트레이딩의 아이디어에서 실행까지 전반적인 프로세스를 서술하는 좋은 안내서다. 2판에서는 전략 백테스팅, 오토인코더, 적대적 생성 신경망(GAN), 이미지 형식으로 변환된 시계열에 합성곱 신경망(CNN) 적용과 같은 최신 내용을 추가했다. 또한 금융 시장 분석으로 100개 이상의 알파 팩터를 설명하고 있으며, 부록으로 기술적 분석에 관한 모든 것을 수록했다. 세계적으로 저명한 AI 콘퍼런스인 NeurIPS에서 발표된 최신 금융 딥러닝 연구를 소개하고 구현한다.

작가정보

저자(글) 스테판 젠슨

Stefan Jansen
어플라이드 에이아이(Applied AI)의 창립자이자 CEO다. 포춘지 선정 500대 기업, 투자 기업 및 업계 전반에서 데이터와 AI 전략에 대해 조언하고, 데이터 과학 팀을 구성하고, 광범위한 비즈니스 문제에 대한 엔드투엔드 머신 학습 솔루션을 개발하고 있다.
이전에는 국제 투자회사의 파트너이자 상무이사를 역임하며 예측 분석 및 투자 연구 업무를 구축했다. 15개 시장에서 영업을 하는 글로벌 핀테크 기업의 고위 임원으로 신흥국 중앙은행에 자문, 세계은행과 상담하기도 했다.
조지아 공대에서 컴퓨터 공학 석사 학위를, 하버드 및 자유 대학교 베를린에서 경제학 석사 학위를 취득했고 CFA 자격증을 보유하고 있다. 유럽, 아시아, 미주 지역에서 6개 언어로 근무했으며 제너럴 어셈블리(General Assembly)와 데이터캠프(Datacamp)에서 데이터 과학을 가르쳤다.

번역 홍창수

경북대학교에서 재무 전공으로 경영학 석사 학위를 받고, 한국외국어대학교에서 「장외 개별주식옵션의 내재변동성에 관한 실증분석」으로 경영학 박사 학위를 받았다. 2000년 외환선물㈜ 투자공학 팀 애널리스트로 첫 직장 생활을 시작한 이후로 리딩투자증권 파생상품운용 팀 옵션 딜러, 한국투자증권 리스크관리부 리스크퀀트로 근무했다. 한화투자증권에서 장외 파생상품겸영인가 취득에 참여한 이후 금융공학 팀, OTC파생 팀에서 장외파생상품 마케팅 담당 차장으로 근무했다. 이후 금융자산 평가회사인 NICE P&I㈜ 금융공학연구소 실장으로 근무했으며, 현재 정보사업본부에서 장외 파생상품 및 리스크 관련 금융공학 컨설팅 업무를 수행하고 있다. 지은 책으로는 『장외 파생상품 실무입문』(서울경제경영, 2014)이 있다. SCI급 저널인 PLOS ONE을 비롯해 국내 유수의 재무금융 및 경영 학술지인 증권학회지, 재무관리연구, 금융공학연구, 경영연구 등에 재무 및 파생상품 관련 논문을 게재했다. 중앙대학교에서 금융공학 융합전공 강사로 ‘금융공학 실습’ 과목을 강의했으며, 한국금융공학회 산학협력위원으로 활동하고 있다.

번역 이기홍

카네기멜론 대학교에서 석사 학위를 받았고, 피츠버그 대학교 Finance Ph.D, CFA,FRM이며, 금융, 투자, 경제분석 전문가다. 삼성생명, HSBC, 새마을금고 중앙회, 한국투자공사 등과 같은 국내 유수의 금융 기관, 금융 공기업에서 자산운용 포트폴리오 매니저로 근무했으며, 현재 딥러닝과 강화학습을 금융에 접목시켜 이를 전파하고 저변을 확대하는 것을 보람으로 삼고 있다. 저서로는 『엑셀 VBA로 쉽게 배우는 금융공학 프로그래밍』(한빛미디어, 2009)이 있으며, 번역서로는 『포트폴리오 성공 운용』(미래에셋투자교육연구소, 2010), 『딥러닝 부트캠프 with 케라스』(길벗, 2017), 『프로그래머를 위한 기초 해석학』(길벗, 2018)과 『실용 최적화 알고리즘』(에이콘, 2020), 『초과 수익을 찾아서 2/e』(에이콘, 2020), 『자산운용을 위한 금융 머신러닝』(에이콘, 2020), 『실전 알고리즘 트레이딩 배우기』(에이콘, 2021), 『존 헐의 비즈니스 금융 머신러닝 2/e』(에이콘, 2021) 등이 있다. 누구나 자유롭게 머신러닝과 딥러닝을 자신의 연구나 업무에 적용해 활용하는 그날이 오기를 바라며 매진하고 있다.

작가의 말

이 글을 읽고 있다면, 여러분은 아마 투자 산업을 포함한 많은 산업에서 머신러닝(ML)이 전략적인 역량이 됐다는 것을 알고 있을 것이다. ML의 부상과 밀접한 관련이 있는 디지털 데이터의 폭발은 특히 투자에 강력한 영향을 미치고 있으며, 이미 정교한 모델을 사용해 정보를 처리해 온 오랜 역사를 갖고 있다. 이러한 추세는 계량 투자를 새로운 방식으로 접근할 수 있게 만들었으며, 재량적 거래 전략과 알고리즘 거래 전략 모두에 대한 데이터 과학의 수요를 증가시키고 있다. 자산클래스 간 거래 범위는 주식과 국채에서 상품과 부동산에 이르기까지 광범위하다. 이는 매우 광범위한 새로운 대체 데이터 소스가 시장 위와 그 밖의 데이터, 과거에 대부분의 분석 노력의 중심에 있었던 기초 데이터와 관련될 수 있음을 시사한다. 머신러닝이나 데이터 과학을 성공적으로 적용하려면 개인 또는 팀 차원의 통계 지식, 컴퓨터 기술과 도메인 전문 지식이 통합돼야 한다. 다시 말해 올바른 질문을 하고, 답을 제공할 수 있는 데이터를 식별하고 이해하며, 결과를 얻기 위한 광범위한 도구를 배포하고, 올바른 결정을 내리는 방식으로 이를 해석하는 것이 필수다. 따라서 이 책은 머신러닝의 투자 및 트레이딩 영역에 대한 통합적 관점을 제공한다.

목차

  • 1부. 데이터, 알파 팩터, 포트폴리오

    1장. 트레이딩용 머신러닝: 아이디어에서 주문 집행까지
    __투자업계에서 머신러닝의 부상
    ____전자 거래에서 고빈도 매매(HFT)까지
    ____팩터 투자와 스마트 베타 펀드
    ____알고리듬 개척자는 인간보다 우위에 있다
    ____머신러닝과 대체 데이터
    ____크라우드 소싱 거래 알고리듬
    __머신러닝 기반 전략의 설계와 실행
    ____데이터의 소싱과 관리
    ____알파 팩터 리서치에서 포트폴리오 관리까지
    ____전략 백테스팅
    __트레이딩을 위한 머신러닝: 전략과 사용 사례
    ____알고리듬 트레이딩의 진화
    ____거래를 위한 머신러닝 사용 사례
    __요약

    2장. 시장 데이터와 기본 데이터: 소스와 기법
    __시장 데이터는 시장 환경을 반영한다
    ____시장 미시 구조: 기본 지식
    ____트레이딩 방법: 여러 종류의 주문
    ____트레이딩 장소: 거래소에서 다크풀까지
    __고빈도 데이터로 작업
    ____나스닥 주문 호가창으로 작업
    ____FIX 프로토콜을 활용한 거래의 통신
    ____나스닥 토탈뷰-잇치 데이터 피드
    ____틱에서 바로: 시장 데이터 정규화 방법
    ____AlgoSeek 분 바: 주식 호가와 거래 데이터
    __시장 데이터에 대한 API 접근
    ____판다스를 이용한 원거리 데이터 접근
    ____yfinance: 데이터를 야후! 파이낸스로부터 스크레이핑
    ____퀀토피안
    ____집라인
    ____퀀들
    ____기타 시장 데이터 공급자
    __기본 데이터 작업 방법
    ____재무제표 데이터
    ____기타 기본 데이터 소스
    __판다스를 이용한 효율적 데이터 저장
    __요약

    3장. 금융을 위한 대체 데이터: 범주와 사용 사례
    __대체 데이터 혁명
    __대체 데이터의 원천
    ____개인
    ____비즈니스 프로세스
    ____센서
    __대체 데이터 평가를 위한 기준
    ____신호 내용의 질
    ____데이터의 질
    ____기술적 측면
    __대체 데이터 시장
    ____데이터 제공업체와 사용 사례
    __대체 데이터로 작업
    ____오픈테이블 데이터 스크래핑
    ____어닝 콜 트랜스크립트 스크래핑과 파싱
    __요약

    4장. 알파 팩터 리서치
    __알파 팩터 실무: 데이터부터 시그널까지
    __알파 팩터 공학
    ____수십 년간의 팩터 연구를 바탕으로 구축
    ____모멘텀과 심리: 추세는 당신의 친구다
    ____가치 팩터
    ____변동성과 규모 이례 현상
    __우량주 팩터
    ____수익률을 예측하는 알파 팩터 공학
    ____판다스와 넘파이를 사용한 팩터 공학
    ____칼만 필터를 사용한 알파 팩터의 잡음 제거
    ____웨이블릿을 이용한 잡음 데이터의 전처리 방법
    __시그널에서 트레이딩으로: 백테스트를 위한 집라인
    ____단일 팩터 전략을 백테스트하는 방법
    ____다양한 데이터 소스의 팩터 결합
    __알파렌즈를 사용한 시그널과 잡음의 분리
    ____미래 수익률과 팩터 분위수의 생성
    ____팩터 5분위수에 의한 예측 성과
    ____정보 계수
    ____팩터 회전율
    __알파 팩터 리소스
    ____기타 알고리듬 트레이딩 라이브러리
    __요약

    5장. 포트폴리오 최적화와 성과 평가
    __포트폴리오 성과를 측정하는 방법
    ____단일 숫자로 위험 수익 트레이드오프 포착
    ____적극적 운용의 근본 법칙
    __포트폴리오 위험과 수익률 관리하는 방법
    ____현대 포트폴리오 관리의 진화
    ____평균 분산 최적화
    ____평균 분산 최적화의 대안
    ____리스크 패리티
    ____리스크 팩터 투자
    ____계층적 리스크 패리티
    __집라인으로 트레이딩과 포트폴리오 관리
    ____신호 생성과 거래 실행 계획 수립
    ____평균 분산 포트폴리오 최적화 구현
    __파이폴리오를 이용한 백테스팅 성과 측정
    ____수익률과 벤치마크 입력 생성
    ____표본 외 수익률로 전진 분석
    __요약

    2부. 트레이딩을 위한 ML: 기본

    6장. 머신러닝 프로세스
    __데이터로부터 머신러닝이 작동하는 방법
    ____도전 과제: 알고리듬을 작업에 매칭
    ____지도학습: 예제에 의한 학습
    ____비지도학습: 유용한 패턴의 발견
    ____강화학습
    __머신러닝 워크플로
    ____기본 설명: k-최근접 이웃
    ____문제의 구성: 목적과 성과 측정
    ____데이터의 수집과 준비
    ____특성 탐험, 추출, 특성 공학
    ____ML 알고리듬 선택
    ____모델 설계와 조정
    ____모델 선택을 위한 교차 검증의 활용
    ____파이썬으로 교차 검증을 구현하는 방법
    ____금융에서 교차 검증의 문제
    ____사이킷런을 이용한 파라미터 조정과 옐로우브릭
    __요약

    7장. 선형 모델: 리스크 팩터에서 수익률 예측까지
    __추론에서 예측까지
    __베이스라인 모델: 다중 선형 회귀 모델
    ____모델을 만드는 방법
    ____모델을 훈련하는 방법
    ____가우스-마르코프 정리
    ____통계적 추론을 수행하는 방법
    ____문제를 진단하고 해결하는 방법
    __실제로 선형 회귀를 실행하는 방법
    ____statsmodels를 활용한 최소 자승법
    ____sklearn을 활용한 확률적 경사 하강법(SGD)
    __선형 요인 모델을 구축하는 방법
    ____CAPM에서 파마-프렌치 5 요인 모델까지
    ____위험 요인 입수
    ____파마-맥베스 회귀 분석
    __수축 방법을 사용한 선형 회귀 규제화
    ____과적합을 방지하는 방법
    ____리지 회귀 분석의 작동 방식
    ____라쏘 회귀 분석의 작동 방식
    __선형 회귀로 수익률을 예측하는 방법
    ____모델 특성과 선도 수익률 준비
    ____statsmodels를 사용한 선형 OLS 회귀 분석
    ____사이킷런을 이용한 선형 OLS 회귀
    ____사이킷런을 이용한 리지 회귀 분석
    ____sklearn을 이용한 라쏘 회귀 분석
    ____예측 신호의 품질 비교
    __선형 분류
    ____로지스틱 회귀 모델
    ____statsmodels로 추론을 수행하는 방법
    ____가격 움직임을 로지스틱 회귀 분석으로 예측
    __요약

    8장. ML4T 작업 흐름: 모델에서 전략 백테스트까지
    __ML 기반 전략의 백테스트 방법
    __백테스트의 단점과 이를 회피하는 방법
    ____데이터를 올바르게 얻기
    ____시뮬레이션을 올바르게 수행
    ____통계량을 올바르게 얻기
    __백테스트 엔진 작동법
    ____벡터화 대 이벤트 기반 백테스트
    ____주요 구현 측면
    __백트레이더: 로컬 백테스트용 유연한 도구
    ____백트레이더의 세레브로 구조의 주요 개념
    ____실제에서 백트레이더를 사용하는 방법
    ____백트레이더 요약과 다음 단계
    __집라인: 퀀토피안이 만든 확장 가능한 백테스트
    ____강건한 시뮬레이션을 위한 캘린더와 파이프라인
    ____분 데이터를 사용해 자체 번들 인제스트
    ____파이프라인 API: ML 시그널 백테스트
    ____백테스트 중 모델을 훈련하는 방법
    ____노트북 사용법
    __요약

    9장. 시계열 모델
    __진단과 특성 추출을 위한 분석 도구
    ____시계열 패턴의 분해
    ____롤링 윈도우 통계량과 이동 평균
    ____자기 상관계수의 측정
    __정상성 진단과 회복
    ____정상성을 얻기 위한 시계열 변환
    ____단위근의 처리 방법
    ____시계열 변환의 실제 적용
    __일변량 시계열 모델
    ____자기 회귀 모델의 구축
    ____이동 평균 모델의 구축
    ____ARIMA 모델 구축과 확장
    ____매크로 펀더멘털 예측
    ____시계열 모델을 활용한 변동성 예측
    __다변량 시계열 모델
    ____방정식 체계
    ____벡터 자기 회귀(VAR) 모델
    ____VAR 모델을 활용한 매크로 펀더멘털 예측
    __공적분: 공통 추세를 가진 시계열
    ____엥글-그레인저 2단계 방법
    ____요한센 우도 비율 테스트
    __공적분을 활용한 통계적 차익 거래
    ____같이 움직이는 자산 쌍을 선택하는 방법
    ____페어 트레이딩 실제 구현
    ____전략 백테스트 준비
    ____백트레이더를 이용한 전략 백테스트
    ____확장: 개선 방법
    __요약

    10장. 베이지안 머신러닝: 동적 샤프 비율과 페어 트레이딩
    __베이지안 머신러닝 학습법
    ____경험적 증거에서 가정을 업데이트하는 방법
    ____정확한 추론: 최대 사후 확률 추정
    ____결정론적 및 확률론적 근사 추론
    __PyMC3를 사용한 확률 프로그래밍
    ____테아노를 이용한 베이지안 머신러닝
    ____PyMC3 워크플로: 경기 침체 예측
    __트레이딩을 위한 베이지안 머신러닝
    ____성과 비교를 위한 베이지안 샤프 비율
    ____페어 트레이딩을 위한 베이지안 롤링 회귀 분석
    ____확률 변동성 모델
    __요약

    11장. 랜덤 포레스트: 일본 주식 롱/숏 전략
    __결정 트리: 데이터로부터의 규칙 학습
    ____트리의 결정 규칙 학습과 적용
    ____결정 트리의 실용적 사용법
    ____과대적합과 규제화
    ____하이퍼파라미터의 조정
    __랜덤 포레스트: 트리의 신뢰성을 높인다
    ____앙상블 모델의 성과가 더 좋은 이유
    ____배깅
    ____랜덤 포레스트를 구축하는 방법
    ____랜덤 포레스트의 학습과 조정
    ____랜덤 포레스트를 위한 특성 중요도
    ____아웃오브백 테스트
    ____랜덤 포레스트의 장점과 단점
    __일본 주식에 대한 롱/숏 시그널
    ____데이터: 일본 주식
    ____LightGBM을 사용한 ML4T
    ____전략: 집라인을 이용한 백테스트
    __요약

    12장. 거래 전략 강화
    __시작하기: 적응형 부스팅
    ____에이다부스트 알고리듬
    ____에이다부스트를 사용해 월별 가격 변동 예측
    __그래디언트 부스팅: 대부분의 작업을 위한 앙상블
    ____GBM 모델을 훈련하고 조정하는 방법
    ____사이킷런으로 그래디언트 부스팅을 사용하는 방법
    __XGBoost, LightGBM, CatBoost 사용
    ____알고리듬 혁신이 성능을 향상시키는 방법
    __부스팅을 사용한 롱/숏 거래 전략
    ____LightGBM과 CatBoost로 시그널 생성
    ____블랙박스의 내부: GBM 결과를 해석하는 방법
    ____부스팅 앙상블에 기반을 둔 전략 백테스팅
    ____학습한 교훈과 다음 단계
    __일중 전략을 위한 부스팅
    ____고빈도 데이터를 위한 특성 공학
    ____LightGBM으로 분 단위 빈도 시그널
    ____거래 시그널 품질 평가
    __요약

    13장. 비지도학습을 활용한 데이터 기반 리스크 팩터와 자산 배분
    __차원 축소
    ____차원의 저주
    ____선형 차원 축소
    ____매니폴드 학습: 선형 차원 축소
    __트레이딩을 위한 PCA
    ____데이터 주도형 리스크 팩터
    ____고유 포트폴리오
    __군집화
    ____k-평균 군집화
    ____계층적 군집화
    ____밀도 기반 군집화
    ____가우시안 혼합 모델
    __최적 포트폴리오를 위한 계층적 군집화
    ____계층적 리스크 패리티의 작동 원리
    ____ML 트레이딩 전략을 사용한 HRP 백테스트
    __요약

    3부. 자연어 처리

    14장. 트레이딩을 위한 텍스트 데이터: 감성 분석
    __텍스트를 이용한 머신러닝: 언어에서부터 특성까지
    ____텍스트 데이터 작업의 주요 과제
    ____자연어 처리 워크플로
    ____응용 사례
    __텍스트에서 토큰으로: NLP 파이프라인
    ____spaCy와 textacy를 이용한 NLP 파이프라인
    ____TextBlob을 사용한 자연어 처리
    __토큰 계산: 문서 단어 행렬
    ____단어 주머니 모델
    ____sklearn을 사용한 문서 단어 행렬(DTM)
    ____핵심적인 교훈
    __트레이딩을 위한 자연어 처리
    ____나이브 베이즈 분류기
    ____뉴스 기사 분류
    ____트위터와 옐프 데이터를 사용한 감성 분석
    __요약

    15장. 토픽 모델링
    __잠재 토픽 학습: 목적과 접근법
    ____잠재 의미 인덱싱
    ____sklearn을 이용한 LSI의 구현 방법
    ____장점과 제약점
    __pLSA
    ____sklearn을 이용한 pLSA의 구현 방법
    ____장점과 제한점
    __LDA
    ____LDA의 원리
    ____LDA 토픽 평가
    ____sklearn을 이용한 LDA의 구현 방법
    ____pyLDAvis를 이용한 LDA 결과의 시각화
    ____Gensim을 사용한 LDA의 구현 방법
    __실적 발표 콜을 위한 토픽 모델링
    ____데이터 전처리
    ____모델 훈련과 평가
    ____실험 실행
    __금융 뉴스를 위한 토픽 모델링
    __요약

    16장. 어닝 콜과 SEC 공시 보고서를 위한 단어 임베딩
    __단어 임베딩이 의미를 인코딩하는 방법
    ____신경 언어 모델이 문맥에서 사용법을 배우는 방법
    ____word2vec: 확장 가능한 단어와 구분 임베딩
    ____의미론적 산술을 활용한 임베딩 평가
    __사전 훈련된 단어 벡터를 사용하는 방법
    ____GloVe: 단어 표현을 위한 글로벌 벡터
    __금융 뉴스를 위한 사용자정의 임베딩
    ____전처리: 문장 인식과 앤그램
    ____텐서플로 2를 이용한 스킵그램 아키텍처
    ____텐서보드를 사용해 임베딩 시각화
    ____Gensim으로 임베딩을 더 빠르게 훈련하는 방법
    __SEC 공시 문서를 이용한 트레이딩을 위한 word2vec
    ____전처리: 문장 인식과 앤그램
    ____모델 훈련
    __doc2vec 임베딩을 사용한 감성 분석
    ____옐프 감성 데이터에서 doc2vec 입력 생성
    ____doc2vec 모델 훈련
    ____문서 벡터로 분류기 훈련
    ____학습한 교훈과 다음 단계
    __새로운 개척자: 사전 훈련된 트랜스포머 모델
    ____어텐션은 당신이 필요한 모든 것
    ____BERT: 좀 더 보편적인 언어 모델을 지향
    ____텍스트 데이터에 대한 트레이딩: 교훈과 다음 단계
    __요약

    4부. 딥러닝과 강화학습

    17장. 딥러닝
    __딥러닝: 무엇이 새롭고 왜 중요한가
    ____계층적 구조가 고차원 데이터의 문제을 완화한다
    ____표현 학습으로서의 DL
    ____DL의 ML과 AL와의 연관성
    __신경망의 설계
    ____단순 순전파 신경망 구조
    ____주요 설계 선택
    ____심층 신경망의 규제화
    ____더 빠른 훈련: DL을 위한 최적화
    ____요약: 주요 하이퍼파라미터를 조정하는 방법
    __파이썬을 이용해 처음부터 신경망을 구축하는 방법
    ____입력층
    ____은닉층
    ____출력층
    ____순전파
    ____교차 엔트로피 비용 함수
    ____파이썬을 사용해 역전파를 구현하는 방법
    __인기 있는 딥러닝 라이브러리
    ____GPU 가속화의 활용
    ____텐서플로 2를 사용하는 방법
    ____텐서보드 사용법
    ____파이토치 1.4 사용법
    ____다른 옵션
    __롱/숏 전략을 위한 NN의 최적화
    ____일 수익률을 예측하기 위한 특성 공학
    ____NN 구조 프레임워크 정의
    ____NN을 조정하한 설계 옵션 교차 검증
    ____예측 성능 평가
    ____앙상블 시그널을 기반으로 하는 전략의 백테스트
    ____결과를 더욱 개선하는 방법
    __요약

    18장. 금융 시계열과 인공위성 이미지를 위한 CNN
    __CNN이 그리드 같은 데이터를 모델링하는 방법
    ____수작업 코딩부터 데이터의 학습 필터까지
    ____합성곱층의 요소 연산 방법
    ____CNN 아키텍처의 진화: 주요 혁신
    __인공위성 이미지와 물체 인식을 위한 CNN
    ____LeNet5: 산업용 애플리케이션을 갖춘 최초의 CNN
    ____알렉스넷: 딥러닝 연구의 재점화
    ____전이학습: 적은 데이터로 더 빠른 훈련
    ____객체 탐지와 분할
    ____실제 객체 탐지
    __시계열 데이터용 CNN: 수익률 예측
    ____1차원 합성곱이 있는 자기 회귀 CNN
    ____CNN-TA-2D 형식의 시계열 군집화
    __요약

    19장. 순환 신경망
    __RNN의 작동 원리
    ____순환 주기로 계산 그래프 펼치기
    ____시간을 통한 역전파
    ____대안적 순환 신경망 구조
    ____심층 RNN의 설계
    ____장기 의존성 학습 시 문제점
    ____GRU
    __텐서플로 2를 이용한 시계열을 위한 RNN
    ____일변량 회귀: S&P 500 예측
    ____시계열 데이터를 RNN용 형태로 변환
    ____적층 LSTM: 주가 움직임과 수익률 예측
    ____매크로 데이터에 대한 다변량 시계열 회귀
    __텍스트 데이터를 위한 RNN
    ____감성 분류를 위한 LSTM과 단어 임베딩
    ____사전 학습된 단어 벡터를 이용한 감성 분석
    ____SEC 보고서 임베딩으로부터 수익률 예측
    __요약

    20장. 조건부 위험 요인과 자산 가격 결정을 위한 오토인코더
    __비선형 특성 추출을 위한 오토인코더
    ____선형 차원 축소 일반화
    ____이미지 압축을 위한 합성곱 오토인코더
    ____규제화된 오토인코더로 과적합 관리
    ____노이즈 제거 오토인코더로 손상된 데이터 수정
    ____시계열 특성을 위한 Seq2seq 오토인코더
    ____변분 오토인코더로 생성 모델링
    __텐서플로 2로 오토인코더 구현
    ____데이터를 준비하는 방법
    ____단층 순전파 오토인코더
    ____희소성 제약 조건이 있는 순전파 오토인코더
    ____심층 순전파 오토인코더
    ____합성곱 오토인코더
    ____오토인코더 노이즈 제거
    __거래를 위한 조건부 오토인코더
    ____주식 가격과 메타데이터 정보 습득
    ____예측 자산 특징 계산
    ____조건부 오토인코더 아키텍처 만들기
    ____교훈과 다음 단계
    __요약

    21장. 합성 시계열 데이터를 위한 적대적 생성 네트워크
    __GAN으로 합성 데이터 생성
    ____생성 모델과 판별 모델 비교
    ____적대적 훈련: 사기의 제로섬 계임
    ____GAN 아키텍처 ZOO의 급속한 진화
    ____이미지를 위한 GAN 애플리케이션과 시계열 데이터
    __텐서플로 2를 사용해 GAN을 빌드하는 방법
    ____생성자 네트워크 빌드
    ____판별자 네트워크 생성
    ____적대적 훈련 프로세스 설정
    ____평가 결과
    __합성 금융 데이터를 위한 TimeGAN
    ____특성과 시간에 걸쳐 데이터를 생성하는 방법 학습
    ____텐서플로 2를 사용한 TimeGAN 구현
    ____합성 시계열 데이터의 품질 평가
    ____교훈과 다음 단계
    __요약


    22장. 심층 강화학습: 트레이딩 에이전트의 구축
    __RL 시스템의 구성 요소
    ____정책: 상태에서 행동으로 전이
    ____보상: 행동으로부터 학습
    ____가치 함수: 장기적으로 최적 선택
    ____모델 기반 대 모델 프리: 도약 전에 보기?
    __RL 문제의 해법
    ____RL 문제 풀이의 주요 문제점
    ____RL 문제를 푸는 근본적인 방법
    __동적 계획 문제 풀기
    ____유한 MDP
    ____정책 반복
    ____가치 반복
    ____일반화된 정책 반복
    ____파이썬을 이용한 동적 계획
    __Q-러닝: 바둑에서 최적 정책 찾기
    ____탐험 대 활용 트레이드오프: ε-탐욕 정책
    ____Q-러닝 알고리듬
    ____파이썬을 이용한 Q-러닝 에이전트 훈련법
    __OpenAI Gym을 사용한 심층 강화학습
    ____신경망을 이용한 가치 함수의 근사
    ____딥 Q-러닝 알고리듬과 확장
    ____OpenAI GYM 소개
    ____텐서플로2를 이용한 DDQN의 구현
    ____간단한 트레이딩 에이전트 작성
    ____사용자 정의 OpenAI 트레이딩 환경을 설계하는 방법
    ____Deep Q-learning on the stock market
    ____얻은 교훈
    __요약

    23장. 결론과 다음 단계
    __학습에서 얻은 주요 요점과 교훈
    ____데이터는 가장 중요한 단일 재료
    ____도메인 전문 지식: 잡음으로부터 시그널의 구별
    ____ML은 데이터로 문제를 풀기 위한 도구 모음이다
    ____백테스트의 과적합을 주의하라
    ____블랙박스 모델에서 통찰력을 얻는 방법
    __실전 트레이딩을 위한 ML
    ____데이터 관리 테크놀로지
    ____ML 도구
    ____온라인 트레이딩 플랫폼
    __결론

    부록. 알파 팩터 라이브러리
    __TA-Lib에서 구현된 공통 요인 알파
    ____핵심 구성 요소: 이동 평균
    ____중첩 연구: 가격과 변동성 추세
    ____모멘텀 지표
    ____거래량과 유동성 지표
    ____변동성 지표
    ____기본 위험 요인
    __정형화된 알파에 대한 월드퀀트의 탐구
    ____횡단면 및 시계열 함수
    ____정형화된 알파 표현식
    __이변량 및 다변량 요인 평가
    ____정보 계수와 상호 정보량
    ____특성 중요도와 SHAP 값
    ____비교: 각 지표에 대한 Top 25 특성
    ____금융 성과: 알파렌즈

출판사 서평

◈ 이 책에서 다루는 내용 ◈

◆ 투자와 트레이딩 문제를 푸는 머신러닝 기법 구현
◆ 시장, 기본, 대체 데이터를 활용한 알파 팩터 연구
◆ 지도학습, 비지도학습, 강화학습 모델 설계
◆ 판다스, 넘파이와 Scikit-learn을 이용한 포트폴리오 위험과 성과 최적화
◆ 머신러닝 모델을 Quantopian 플랫폼 위에서 실전 트레이딩 전략으로 통합
◆ 신뢰성 있는 시계열 백테스트 방법으로 전략 평가
◆ 케라스, 파이토치와 텐서플로를 사용한 딥신경망 설계와 평가
◆ 강화학습을 이용한 OpenAI Gym에서의 트레이딩 전략 개발

◈ 이 책의 대상 독자 ◈

금융시장에 대한 이해와 트레이딩 전략에 관심이 있는 애널리스트, 데이터 과학자, ML 엔지니어라면 이 책이 도움이 될 것이다. 또한 ML을 활용해 더 나은 의사결정을 내리고자 하는 투자 전문가로서 가치도 찾을 수 있다.
소프트웨어와 ML에 대한 배경지식이 있는 경우 이 영역에 대한 소개자료를 생략할 수 있다. 마찬가지로 전문 지식이 투자에 관한 것이라면 이 책이 제공하는 다양한 배경의 금융 맥락 일부 또는 전부를 잘 알고 있을 것이다.
이 책은 독자가 매우 역동적인 이 영역을 계속 배우고 싶어 한다고 가정한다. 이를 위해 깃허브(GitHub) 저장소 내의 각 장에 대해 README 파일에 연결된 수많은 학술 참고 자료와 추가 자료를 책의 끝에 제공한다.
파이썬(Python) 3과 넘파이, 판다스, SciPy와 같은 과학 컴퓨팅 라이브러리를 사용하는 것이 편할 것이며, 계속해서 다른 많은 자료를 얻을 수 있을 것을 기대한다. ML과 사이킷런에 대한 경험이 도움이 되겠지만 기본 워크플로를 간략하게 다루고 격차를 메꾸거나 더 깊이 파고들려면 다양한 리소스를 참조하길 바란다. 마찬가지로 금융과 투자에 기본 지식이 있다면 용어를 더 쉽게 사용할 수 있을 것이다.

◈ 이 책의 구성 ◈

ML이 트레이딩 전략의 설계와 실행에 가치를 더할 수 있는 방법을 종합적으로 소개한다. 데이터 소싱과 전략 개발 프로세스의 다양한 측면과 ML 과제에 대한 다양한 솔루션을 다루는 4개의 부로 구성돼 있다.

1부에서는 머신러닝을 활용하는 트레이딩 전략 전반에 걸쳐 관련된 기본적인 측면을 다룬다.
1장, ‘트레이딩용 머신러닝: 아이디어에서 주문 집행까지’에서는 ML이 거래에서 중요한 이유와 방법을 요약하고 투자 프로세스를 설명하며, ML이 가치를 높일 수 있는 방법을 간략히 설명한다.
2장, ‘시장 데이터와 기본 데이터: 소스와 기법’에서는 거래소 제공 틱 데이터와 보고된 재무 정보를 포함해 시장 데이터를 소싱하고 활용하는 방법을 다룬다.
3장, ‘금융을 위한 대체 데이터: 범주와 사용 사례’에서는 폭발적으로 증가하는 수의 출처와 공급자를 평가하기 위한 범주와 기준을 설명한다.
4장, ‘금융 특성 공학: 알파 팩터 리서치’에서는 예측 시그널을 포착하는 데이터 변환을 생성하고 평가 프로세스와 팩터 성과를 측정하는 방법을 설명한다.
5장, ‘포트폴리오 최적화와 성과 평가’에서는 전략의 실행에 따른 포트폴리오를 관리, 최적화, 평가하는 방법을 소개한다.

2부에서는 근본적인 지도학습과 비지도학습 알고리듬이 엔드투엔드 워크플로의 맥락에서 트레이딩 전략에 어떻게 정보를 제공할 수 있는지 설명한다.
6장, ‘머신러닝 프로세스’에서는 ML 모델의 예측 성과를 체계적으로 수립, 훈련, 튜닝, 평가하는 방법을 개략적으로 설명함으로써 단계를 설정한다.
7장, ‘선형 모델: 리스크 팩터에서 수익률 예측까지’에서는 선형 회귀와 로지스틱 회귀를 추론과 예측에 사용하는 방법과 규제화를 사용해 과적합 위험을 관리하는 방법을 설명한다.
8장, ‘ML4T 작업 흐름: 모델에서 전략 백테스팅까지’에서는 지금까지 별도로 다룬 ML4T 워크플로의 다양한 구성 요소를 통합한다.
9장, ‘시계열 모델’에서는 벡터 자기 회귀 모델뿐 아니라 변동성 예측에 대한 ARCH/GARCH 모델을 비롯한 일변량 및 다변량 시계열 진단과 모델을 다룬다.
10장, ‘베이지안 머신러닝: 동적 샤프 비율과 페어 트레이딩’에서는 확률적 모델과 마르코프 체인 몬테카를로(MCMC) 샘플링 및 변분 베이즈 방법이 대략적인 추론을 어떻게 용이하게 하는지 제시한다.
11장, ‘랜덤 포레스트: 일본 주식 롱/숏 전략’에서는 통찰력과 예측을 위한 비선형 트리 기반 모델을 구축, 훈련, 조정하는 방법을 설명한다.
12장, ‘거래 전략 강화’에서는 그래디언트 부스트(Gradient Boost)를 소개하고 고성능 훈련과 예측을 위해 XGBoost, LightBGM, CatBoost 라이브러리를 사용하는 방법을 보여준다.
13장, ‘비지도학습을 활용한 데이터 기반 리스크 팩터와 자산 배분’에서는 알고리듬 거래를 위해 차원 축소와 군집화를 사용하는 방법을 설명한다.

3부는 텍스트 데이터에 초점을 맞추고 대체 데이터의 핵심 출처에서 고품질 시그널을 추출하기 위한 최첨단 비지도학습 기법을 도입한다.
14장, ‘트레이딩을 위한 텍스트 데이터: 감성 분석’에서는 텍스트 데이터를 수치형으로 변환하는 방법을 보여주고 감성 분석을 위한 2부의 분류 알고리듬을 대규모 데이터 세트에 적용한다.
15장, ‘토픽 모델링’에서는 비지도학습을 사용해 많은 문서를 요약한 주제를 추출하고 분류 모델의 특성으로 텍스트 데이터를 탐색하거나 주제를 사용하는 좀 더 효과적인 방법을 제공한다.
16장, ‘어닝 콜과 SEC 공시 보고서를 위한 단어 임베딩’에서는 신경망을 사용해 기존 텍스트 특성보다 의미론적 콘텍스트를 훨씬 더 잘 포착하고 텍스트 데이터에서 거래 시그널을 추출하는 매우 유망한 방법을 나타내는 단어 벡터 형태의 최신 언어 특성을 학습한다.

4부에서는 딥러닝과 강화학습을 소개한다.
17장, ‘딥러닝’에서는 4부에서 사용할 가장 인기 있는 딥러닝 프레임워크인 텐서플로 2와 파이토치(PyTorch)를 소개한다.
18장, ‘금융 시계열과 인공위성 이미지를 위한 CNN’에서는 대규모의 비정형 데이터를 활용하는 분류 작업을 위해 매우 강력한 합성곱 신경망(CNN)을 다룬다.
19장, ‘순환 신경망’에서는 순환 신경망(RNN)이 어떻게 시퀀스 대 시퀀스 모델링에 유용한지 보여준다. 이는 예측할 일변량 시계열과 다변량 시계열을 포함한다.
20장, ‘조건부 위험 요인과 자산 가격 결정을 위한 오토인코더’에서는 고차원 데이터의 비선형 압축을 위한 오토인코더를 다룬다.
21장, ‘합성 시계열 데이터를 위한 적대적 생성 네트워크’에서는 딥러닝에서 흥미로운 발전 중 하나를 소개한다.
22장, ‘심층 강화학습: 트레이딩 에이전트의 구축’에서는 강화학습이 환경에 대응해 의사결정을 최적화하는 방법을 배우는 에이전트의 설계와 훈련을 어떻게 허용하는지 설명한다.
23장, ‘결론과 다음 단계’에서는 학습한 교훈을 요약하고, 계속해서 학습하고 트레이딩 전략을 수립하고자 취할 수 있는 몇 가지 단계를 개략적으로 설명한다.
부록, ‘알파 팩터 라이브러리’에서는 거의 200개의 인기 있는 금융 특성을 나열하고 근거를 설명하며, 이러한 특성을 계산하는 방법을 보여준다.

◈ 옮긴이의 말 ◈

금융시장의 흐름을 이해하려면 시장 데이터, 공시, 뉴스, SNS 등 수많은 요인을 분석해야 합니다. 데이터를 효율적으로 관리하기 위해 금융시장에서도 점차 머신러닝과 딥러닝 기술이 사용되고 있으며, 트레이딩 분야에도 활용도가 높아진 상황입니다. 이 책은 머신러닝과 딥러닝 기술을 이용해 알고리즘 트레이딩의 아이디어에서 실행까지 전반적인 프로세스에 초점을 맞춰 서술하고 있는 이 분야의 바이블이 될 수 있는 좋은 안내서입니다. 2판의 새로운 내용은 저자가 말했듯 더 많은 알파 팩터 사례를 소개하고 있으며, 최신 금융 딥러닝 논문에서 발표된 중요한 내용을 꼼꼼히 구현했다는 점이 특징입니다. 실제로 각 장의 내용을 상당 부분 고쳐가며 개정판 수준으로 설명해 초기에 생각했던 번역 기간보다 8개월 정도가 더 소요됐습니다. 1판보다 번역 품질을 높이려고 했고, 의역으로도 이해가 쉽지 않은 부분은 각주를 많이 달아 독자의 이해를 높이려고 노력했습니다.
- 홍창수

최근에 일부 계량 금융학자들이 서클을 이루면서 AI와 금융을 융합하려고 노력하고 있다. 이 책의 저자 스테판 젠슨도 이러한 노력에 상당한 공헌을 하고 있으며, 새로운 AI의 흐름을 적극 반영하고자 1판을 개정한 2판을 출간했다. 이 책은 머신러닝의 전통 이론에서 최신 이론뿐 아니라 최신 딥러닝을 금융에 응용하는 부분도 다루고 있어 계량 금융과 머신러닝의 금융 응용에 관심 있는 사람들에게 특히 도움이 될 것이다. 1판에서의 실험적인 내용들이 2판에서는 많이 정립돼 독자들이 더욱 체계적으로 접근할 수 있을 것이다. 특히 2020년, 일각에서 상당한 공헌을 하던 퀀토피안(Quantopian)이 문을 닫으면서 계량 금융 커뮤니티에 커다란 충격을 줬는데, 많은 학자와 실무 경험자가 모여 혁신적이면서도 실전적인 연구와 작품들을 만들어내고 있던 상황이라 충격은 더욱 컸다. 특히 이들이 만든 라이브러리인 집라인(zipline)과 파이폴리오(pyfolio)는 실제 선진 대형 자산운용사에서 사용하는 수준을 과시하고 있었으므로 이들이 사장되는가 하는 아쉬움이 많았다. 심지어 이 책의 초판도 이들을 광범위하게 사용하고 있어 개정판에서는 어떻게 전개할지 궁금하기도 했다. 놀랍게도 저자는 자체적으로 집라인을 개선한 집라인 리로디드(zipline reloaded)를 만들어내 모든 내용을 살렸을 뿐 아니라 최신 파이썬 버전에서도 잘 작동하게 만들어 다시금 계량 금융 커뮤니티에 집라인 열풍을 일으키는 큰 공헌을 했다(참고로 요즘 핫한 인터넷 증권사인 알파카(Alpaca)와 인터랙티브 브로커(InteractiveBroker)와 같은 증권사가 거래 API에 최근 집라인을 사용할 수 있도록 하고 있다). 저자의 이런 노력에 찬사를 보내며, 지속적인 개발이 이뤄지기를 바란다. 마지막으로 저자도 언급하듯이 방대한 내용인 만큼 모든 내용을 자세히 다루기는 힘들어 핵심 요점 위주로 서술돼 있으며 오히려 저자의 깃허브에 있는 노트북에 많은 내용을 실었다는 것을 다시 한번 상기시키고 싶다. 이 책을 통해 이론과 실전이 통합된 최첨단의 고급 계량 금융의 여정을 즐기기를 바란다.
- 이기홍

기본정보

상품정보
ISBN 9791161755694 ( 1161755691 )
쪽수 1164쪽
크기
189 * 235 * 59 mm / 2091 g
총권수 1권
원서명/저자명 Machine Learning for Algorithmic Trading - Second Edition/Jansen, Stefan
이 책의 개정정보
가장 최근에 출시된 개정판입니다. 구판보기

Klover

Klover 리뷰 안내
교보를 애용해 주시는 고객님들이 남겨주신 평점과 감상을 바탕으로, 다양한 정보를 전달하는 교보문고의 리뷰 서비스입니다.
리워드 안내
구매 후 90일 이내에 평점과 10자 이상의 리뷰 작성 시 e교환권 200원을 적립해 드립니다.
e교환권은 적립 일로부터 180일 동안 사용 가능합니다.
리워드는 작성 후 다음 날 제공되며, 발송 전 작성 시 발송 완료 후 익일 제공됩니다.
리워드는 리뷰 종류별로 구매한 아이디당 한 상품에 최초 1회 작성 건들에 대해서만 제공됩니다.
한달 후 리뷰
구매 후 30일~ 120일 이내에 작성된 두 번째 구매리뷰에 대해 한 달 후 리뷰로 인지하고 e교환권 100원을 추가 제공합니다.
운영 원칙 안내
Klover 리뷰를 통한 리뷰를 작성해 주셔서 감사합니다. 자유로운 의사 표현의 공간인 만큼 타인에 대한 배려를 부탁합니다.
일부 타인의 권리를 침해하거나 불편을 끼치는 것을 방지하기 위해 아래에 해당하는 Klover 리뷰는 별도의 통보 없이 삭제될 수 있습니다.
  • 도서나 타인에 대해 근거 없이 비방을 하거나 타인의 명예를 훼손할 수 있는 리뷰
  • 도서와 무관한 내용의 리뷰
  • 인신공격이나 욕설, 비속어, 혐오발언이 개재된 리뷰
  • 의성어나 의태어 등 내용의 의미가 없는 리뷰
신고하기
다른 고객이 작성리뷰에 대해 불쾌함을 느끼는 경우 신고를 할 수 있으며, 신고 자가 일정수준 이상 누적되면 작성하신 리뷰가 노출되지 않을 수 있습니다.

구매 후 리뷰 작성 시, e교환권 200원 적립

문장수집

문장수집 안내
문장수집은 고객님들이 직접 선정한 책의 좋은 문장을 보여주는 교보문고의 새로운 서비스입니다. 마음을 두드린 문장들을 기록하고 좋은 글귀들은 "좋아요“ 하여 모아보세요. 도서 문장과 무관한 내용 등록 시 별도 통보 없이 삭제될 수 있습니다.
리워드 안내
구매 후 90일 이내에 문장수집 작성 시 e교환권 100원을 적립해드립니다.
e교환권은 적립 일로부터 180일 동안 사용 가능합니다. 리워드는 작성 후 다음 날 제공되며, 발송 전 작성 시 발송 완료 후 익일 제공됩니다.
리워드는 한 상품에 최초 1회만 제공됩니다.
주문취소/반품/절판/품절 시 리워드 대상에서 제외됩니다.

구매 후 리뷰 작성 시, e교환권 100원 적립

이 책의 첫 기록을 남겨주세요

교환/반품/품절 안내

상품 설명에 반품/교환 관련한 안내가 있는 경우 그 내용을 우선으로 합니다. (업체 사정에 따라 달라질 수 있습니다.)

이벤트
TOP

저자 모두보기

매장별 재고 및 위치

할인쿠폰 다운로드

  • 쿠폰은 주문결제화면에서 사용 가능합니다.
  • 다운로드한 쿠폰은 마이 > 혜택/포인트 에서 확인 가능합니다.
  • 도서정가제 적용 대상 상품에 대해서는 정가의 10%까지 쿠폰 할인이 가능합니다.
  • 도서정가제 적용 대상 상품에 10% 할인이 되었다면, 해당 상품에는 사용하실 수
    없습니다.

적립예정포인트 안내

  • 통합포인트 안내

    • 통합포인트는 교보문고(인터넷, 매장), 핫트랙스(인터넷, 매장), 모바일 교보문고 등 다양한 곳에서 사용하실 수 있습니다.
    • 상품 주문 시, 해당 상품의 적립률에 따라 적립 예정 포인트가 자동 합산되고 주문하신 상품이 발송완료 된 후에 자동으로 적립됩니다.
    • 단, 쿠폰 및 마일리지, 통합포인트, e교환권 사용 시 적립 예정 통합포인트가 변동될 수 있으며 주문취소나 반품시에는 적립된 통합포인트가 다시 차감됩니다.
  • 통합포인트 적립 안내

    • 통합포인트는 도서정가제 범위 내에서 적용됩니다.
    • 추가적립 및 회원 혜택은 도서정가제 대상상품(국내도서, eBook등)으로만 주문시는 해당되지 않습니다.
  • 기본적립) 상품별 적립금액

    • 온라인교보문고에서 상품 구매시 상품의 적립률에 따라 적립됩니다.
    • 단 도서정가제 적용 대상인 국내도서,eBook은 15%내에서 할인율을 제외한 금액내로 적립됩니다.
  • 추가적립) 5만원 이상 구매시 통합포인트 2천원 추가적립

    • 5만원 이상 구매시 통합포인트 2천원 적립됩니다.
    • 도서정가제 예외상품(외서,음반,DVD,잡지(일부),기프트) 2천원 이상 포함시 적립 가능합니다.
    • 주문하신 상품이 전체 품절인 경우 적립되지 않습니다.
  • 회원혜택) 3만원이상 구매시 회원등급별 2~4% 추가적립

    • 회원등급이 플래티넘, 골드, 실버 등급의 경우 추가적립 됩니다.
    • 추가적립은 실결제액 기준(쿠폰 및 마일리지, 통합포인트, e교환권 사용액 제외) 3만원 이상일 경우 적립됩니다.
    • 주문 후 취소,반품분의 통합포인트는 단품별로 회수되며, 반품으로 인해 결제잔액이 3만원 미만으로 변경될 경우 추가 통합포인트는 전액 회수될 수 있습니다.

제휴 포인트 안내

제휴 포인트 사용

  • OK CASHBAG 10원 단위사용 (사용금액 제한없음)
  • GS&POINT 최대 10만 원 사용
더보기

구매방법 별 배송안내

배송 일정 안내

  • 출고 예정일은 주문상품의 결제(입금)가 확인되는 날 기준으로 상품을 준비하여 상품 포장 후 교보문고 물류센터에서 택배사로 전달하게 되는 예상 일자입니다.
  • 도착 예정일은 출고 예정일에서 택배사의 배송일 (약1~2일)이 더해진 날이며 연휴 및 토, 일, 공휴일을 제외한 근무일 기준입니다.
배송 일정 안내
출고예정일 도착예정일
1일이내 상품주문 후 2~3일 이내
2일이내 상품주문 후 3~4일 이내
3일이내 상품주문 후 4~5일 이내
4일이내 상품주문 후 5~6일 이내

연휴 및 토, 일, 공휴일은 제외됩니다.

당일배송 유의사항

  • 수도권 외 지역에서 선물포장하기 또는 사은품을 포함하여 주문할 경우 당일배송 불가
  • 회사에서 수령할 경우 당일배송 불가 (퇴근시간 이후 도착 또는 익일 배송 될 수 있음)
  • 무통장입금 주문 후 당일 배송 가능 시간 이후 입금된 경우 당일 배송 불가
  • 주문 후 배송지 변경 시 변경된 배송지에 따라 익일 배송될 수 있습니다.
  • 수도권 외 지역의 경우 효율적인 배송을 위해 각 지역 매장에서 택배를 발송하므로, 주문 시의 부록과 상이할 수 있습니다.
  • 각 지역 매장에서 재고 부족 시 재고 확보를 위해 당일 배송이 불가할 수 있습니다.

일반배송 시 유의사항

  • 날씨나 택배사의 사정에 따라 배송이 지연될 수 있습니다.
  • 수도권 외 지역 바로배송 서비스의 경우 경품 수령 선택 여부에 따라 도착 예정일이 변경됩니다.
  • 출고 예정일이 5일 이상인 상품의 경우(결제일로부터 7일 동안 미입고), 출판사 / 유통사 사정으로 품/절판 되어 구입이 어려울 수 있습니다. 이 경우 SMS, 메일로 알려드립니다.
  • 선물포장 주문 시 합배송 처리되며, 일부상품 품절 시 도착 예정일이 늦어질 수 있습니다.
  • 분철상품 주문 시 분철 작업으로 인해 기존 도착 예정일에 2일 정도 추가되며, 당일 배송, 해외 배송이 불가합니다.

해외주문 시 유의사항

  • 해외주문도서는 해외 거래처 사정에 의해 품절/지연될 수 있습니다.

Special order 주문 시 유의사항

  • 스페셜오더 도서나 일서 해외 주문 도서와 함께 주문 시 배송일이 이에 맞추어 지연되오니, 이점 유의해 주시기 바랍니다.

바로드림존에서 받기

  1. STEP 01
    매장 선택 후 바로드림 주문
  2. STEP 02
    준비완료 알림 시 매장 방문하기
  3. STEP 03
    바로드림존에서 주문상품 받기
  • 바로드림은 전국 교보문고 매장 및 교내서점에서 이용 가능합니다.
  • 잡지 및 일부 도서는 바로드림 이용이 불가합니다.
  • 각 매장 운영시간에 따라 바로드림 이용 시간이 달라질 수 있습니다.

수령 안내

  • 안내되는 재고수량은 서비스 운영 목적에 따라 상이할 수 있으므로 해당 매장에 문의해주시기 바랍니다.
  • 바로드림 주문 후 재고가 실시간 변동되어, 수령 예상 시간에 수령이 어려울 수 있습니다.

취소/교환/반품 안내

  • 주문 후 7일간 찾아가지 않으시면, 자동으로 결제가 취소됩니다.
  • 취소된 금액은 결제수단의 승인취소 및 예치금으로 전환됩니다.
  • 교환/반품은 수령하신 매장에서만 가능합니다.

사은품 관련 안내

  • 바로드림 서비스는 일부 1+1 도서, 경품, 사은품 등이 포함 되지 않습니다.

음반/DVD 바로드림시 유의사항

  • 음반/DVD 상품은 바로드림 주문 후 수령점 변경이 불가합니다. 주문 전 수령점을 꼭 확인해 주세요.
  • 사은품(포스터,엽서 등)은 증정되지 않습니다.
  • 커버이미지 랜덤발매 음반은 버전 선택이 불가합니다.
  • 광화문점,강남점,대구점,영등포점,잠실점은 [직접 찾아 바로드림존 가기], [바로드림존에서 받기] 로 주문시 음반 코너에서 수령확인이 가능합니다
  • 선물 받는 분의 휴대폰번호만 입력하신 후 결제하시면 받는 분 휴대폰으로 선물번호가 전달됩니다.
  • 문자를 받은 분께서는 마이 > 주문관리 > 모바일 선물내역 화면에서 선물번호와 배송지 정보를 입력하시면 선물주문이 완료되어 상품준비 및 배송이 진행됩니다.
  • 선물하기 결제하신 후 14일까지 받는 분이 선물번호를 등록하지 않으실 경우 주문은 자동취소 됩니다.
  • 또한 배송 전 상품이 품절 / 절판 될 경우 주문은 자동취소 됩니다.

바로드림 서비스 안내

  1. STEP 01
    매장 선택 후 바로드림 주문
  2. STEP 02
    준비완료 알림 시 매장 방문하기
  3. STEP 03
    바로드림존에서 주문상품 받기
  • 바로드림은 전국 교보문고 매장 및 교내서점에서 이용 가능합니다.
  • 잡지 및 일부 도서는 바로드림 이용이 불가합니다.
  • 각 매장 운영시간에 따라 바로드림 이용 시간이 달라질 수 있습니다.

수령 안내

  • 안내되는 재고수량은 서비스 운영 목적에 따라 상이할 수 있으므로 해당 매장에 문의해주시기 바랍니다.
  • 바로드림 주문 후 재고가 실시간 변동되어, 수령 예상시간에 수령이 어려울 수 있습니다.

취소/교환/반품 안내

  • 주문 후 7일간 찾아가지 않으시면, 자동으로 결제가 취소됩니다.
  • 취소된 금액은 결제수단의 승인취소 및 예치금으로 전환됩니다.
  • 교환/반품은 수령하신 매장에서만 가능합니다.

사은품 관련 안내

  • 바로드림 서비스는 일부 1+1 도서, 경품, 사은품 등이 포함되지 않습니다.

음반/DVD 바로드림시 유의사항

  • 음반/DVD 상품은 바로드림 주문 후 수령점 변경이 불가합니다. 주문 전 수령점을 꼭 확인해주세요.
  • 사은품(포스터,엽서 등)은 증정되지 않습니다.
  • 커버이미지 랜덤발매 음반은 버전 선택이 불가합니다.
  • 광화문점,강남점,대구점,영등포점,잠실점은 [직접 찾아 바로드림존 가기], [바로드림존에서 받기] 로 주문시 음반코너에서 수령확인이 가능합니다.
  1. STEP 01
    픽업박스에서 찾기 주문
  2. STEP 02
    도서준비완료 후 휴대폰으로 인증번호 전송
  3. STEP 03
    매장 방문하여 픽업박스에서 인증번호 입력 후 도서 픽업
  • 바로드림은 전국 교보문고 매장 및 교내서점에서 이용 가능합니다.
  • 잡지 및 일부 도서는 바로드림 이용이 불가합니다.
  • 각 매장 운영시간에 따라 바로드림 이용 시간이 달라질 수 있습니다.

수령 안내

  • 안내되는 재고수량은 서비스 운영 목적에 따라 상이할 수 있으므로 해당 매장에 문의해주시기 바랍니다.
  • 바로드림 주문 후 재고가 실시간 변동되어, 수령 예상시간에 수령이 어려울 수 있습니다.

취소/교환/반품 안내

  • 주문 후 7일간 찾아가지 않으시면, 자동으로 결제가 취소됩니다.
  • 취소된 금액은 결제수단의 승인취소 및 예치금으로 전환됩니다.
  • 교환/반품은 수령하신 매장에서만 가능합니다.

사은품 관련 안내

  • 바로드림 서비스는 일부 1+1 도서, 경품, 사은품 등이 포함되지 않습니다.

음반/DVD 바로드림시 유의사항

  • 음반/DVD 상품은 바로드림 주문 후 수령점 변경이 불가합니다. 주문 전 수령점을 꼭 확인해주세요.
  • 사은품(포스터,엽서 등)은 증정되지 않습니다.
  • 커버이미지 랜덤발매 음반은 버전 선택이 불가합니다.
  • 광화문점,강남점,대구점,영등포점,잠실점은 [직접 찾아 바로드림존 가기], [바로드림존에서 받기] 로 주문시 음반코너에서 수령확인이 가능합니다.

도서 소득공제 안내

  • 도서소득공제란?

    • 2018년 7월 1일 부터 근로소득자가 신용카드 등으로 도서구입 및 공연을 관람하기 위해 사용한 금액이 추가 공제됩니다. (추가 공제한도 100만원까지 인정)
      • 총 급여 7,000만 원 이하 근로소득자 중 신용카드, 직불카드 등 사용액이 총급여의 25%가 넘는 사람에게 적용
      • 현재 ‘신용카드 등 사용금액’의 소득 공제한도는 300만 원이고 신용카드사용액의 공제율은 15%이지만, 도서·공연 사용분은 추가로 100만 원의 소득 공제한도가 인정되고 공제율은 30%로 적용
      • 시행시기 이후 도서·공연 사용액에 대해서는 “2018년 귀속 근로소득 연말 정산”시기(19.1.15~)에 국세청 홈택스 연말정산간소화 서비스 제공
  • 도서 소득공제 대상

    • 도서(내서,외서,해외주문도서), eBook(구매)
    • 도서 소득공제 대상 상품에 수반되는 국내 배송비 (해외 배송비 제외)
      • 제외상품 : 잡지 등 정기 간행물, 음반, DVD, 기프트, eBook(대여,학술논문), 사은품, 선물포장, 책 그리고 꽃
      • 상품정보의 “소득공제” 표기를 참고하시기 바랍니다.
  • 도서 소득공제 가능 결제수단

    • 카드결제 : 신용카드(개인카드에 한함)
    • 현금결제 : 예치금, 교보e캐시(충전에한함), 해피머니상품권, 컬쳐캐쉬, 기프트 카드, 실시간계좌이체, 온라인입금
    • 간편결제 : 교보페이, 네이버페이, 삼성페이, 카카오페이, PAYCO, 토스, CHAI
      • 현금결제는 현금영수증을 개인소득공제용으로 신청 시에만 도서 소득공제 됩니다.
      • 교보e캐시 도서 소득공제 금액은 교보eBook > e캐시 > 충전/사용내역에서 확인 가능합니다.
      • SKpay, 휴대폰 결제, 교보캐시는 도서 소득공제 불가
  • 부분 취소 안내

    • 대상상품+제외상품을 주문하여 신용카드 "2회 결제하기"를 선택 한 경우, 부분취소/반품 시 예치금으로 환원됩니다.

      신용카드 결제 후 예치금으로 환원 된 경우 승인취소 되지 않습니다.

  • 도서 소득공제 불가 안내

    • 법인카드로 결제 한 경우
    • 현금영수증을 사업자증빙용으로 신청 한 경우
    • 분철신청시 발생되는 분철비용

알림 신청

아래의 알림 신청 시 원하시는 소식을 받아 보실 수 있습니다.
알림신청 취소는 마이룸 > 알림신청내역에서 가능합니다.

퀀트 투자를 위한 머신러닝·딥러닝 알고리듬 트레이딩 2/e
파이썬, Pandas, 텐서플로 2.0, Scikit-learn을 활용한 효과적인 트레이딩
| Paperback
한달 후 리뷰
/ 좋았어요
작년까지만 해도 주식은 커녕 재테크에 관해 아무것도 모르다가 올해 주식 투자를 시작했다. 아무것도 모르고 초심자의 행운으로 분유값 정도를 벌고 나니, 조금 더 공부해보고 싶어져서 『초격차 투자법』을 구매했다.
작년까지만 해도 주식은 커녕 재테크에 관해 아무것도 모르다가 구매했어요! 저도 공부하고 싶어서 구매했어요~ 다같이 완독 도전해봐요! :)
기대가됩니다~
작년까지만 해도 주식은 커녕 재테크에 관해 아무것도 모르다가 구매했어요! 저도 공부하고 싶어서 구매했어요~ 다같이 완독 도전해봐요! :)
기대가됩니다~
작년까지만 해도 주식은 커녕 재테크에 관해 아무것도 모르다가 구매했어요! 저도 공부하고 싶어서 구매했어요~ 다같이 완독 도전해봐요! :)
작년까지만 해도 주식은 커녕 재테크에 관해 아무것도 모르다가 구매했어요! 저도 공부하고 싶어서 구매했어요~ 다같이 완독 도전해봐요! :)
기대가됩니다~
기대가됩니다~
기대가됩니다~
기대가됩니다~
이 구매자의 첫 리뷰 보기
/ 좋았어요
하루밤 사이 책한권을 읽은게 처음이듯 하다. 저녁나절 책을 집어든게 잘못이다. 마치 게임에 빠진 아이처럼 잠을 잘수없게 만든다. 결말이 어쩌면 당연해보이는 듯 하여도 헤어나올수 없는 긴박함이 있다. 조만간 영화화되어지지 않을까 예견해 본다. 책한권으로 등의 근육들이 오그라진 느낌에 아직도 느껴진다. 하루밤 사이 책한권을 읽은게 처음이듯 하다. 저녁나절 책을 집어든게 잘못이다. 마치 게임에 빠진 아이 처럼 잠을 잘수없게 만든다. 결말이 어쩌면 당연해보이는 듯 하여도 헤어나올수 없는 긴박함이 있다. 조만간 영화화되어지지 않을까..
작년까지만 해도 주식은 커녕 재테크에 관해 아무것도 모르다가 구매했어요! 저도 공부하고 싶어서 구매했어요~ 다같이 완독 도전해봐요! :)
기대가됩니다~
신고

신고 사유를 선택해주세요.
신고 내용은 이용약관 및 정책에 의해 처리됩니다.

허위 신고일 경우, 신고자의 서비스 활동이 제한될 수 있으니 유의하시어
신중하게 신고해주세요.

판형알림

  • A3 [297×420mm]
  • A4 [210×297mm]
  • A5 [148×210mm]
  • A6 [105×148mm]
  • B4 [257×364mm]
  • B5 [182×257mm]
  • B6 [128×182mm]
  • 8C [8절]
  • 기타 [가로×세로]