분류 전체보기
-
알파(α)와 베타(β)는 주식 투자에서 중요한 개념으로, 특정 주가와 주식 시장 간의 관계를 설명하는 지표다. 알파(α): 알파는 특정 주식의 초과 수익률을 나타내는 지표다. 주식의 초과 수익률은 해당 주식의 수익률에서 시장 전반의 평균 수익률을 뺀 값으로 정의된다. 알파는 투자자가 특정 주식을 보유함으로써 얻은 추가적인 수익을 측정하는데 사용된다. 양수의 알파 값은 주식의 초과 수익을 나타내며, 음수의 알파 값은 주식의 시장 평균 수익에 비해 부족한 수익을 나타낸다. 알파는 주식 선택이나 포트폴리오 조정의 효과를 평가하는 데 사용된다. 베타(β): 베타는 주식의 시장 대비 상대적인 변동성을 나타내는 지표다. 베타 값은 주식의 수익률과 시장 전반의 평균 수익률 간의 상관관계를 측정한다. 베타 값이 1보다..
알파(α)와 베타(β)알파(α)와 베타(β)는 주식 투자에서 중요한 개념으로, 특정 주가와 주식 시장 간의 관계를 설명하는 지표다. 알파(α): 알파는 특정 주식의 초과 수익률을 나타내는 지표다. 주식의 초과 수익률은 해당 주식의 수익률에서 시장 전반의 평균 수익률을 뺀 값으로 정의된다. 알파는 투자자가 특정 주식을 보유함으로써 얻은 추가적인 수익을 측정하는데 사용된다. 양수의 알파 값은 주식의 초과 수익을 나타내며, 음수의 알파 값은 주식의 시장 평균 수익에 비해 부족한 수익을 나타낸다. 알파는 주식 선택이나 포트폴리오 조정의 효과를 평가하는 데 사용된다. 베타(β): 베타는 주식의 시장 대비 상대적인 변동성을 나타내는 지표다. 베타 값은 주식의 수익률과 시장 전반의 평균 수익률 간의 상관관계를 측정한다. 베타 값이 1보다..
2023.05.24 -
변수 선택법 (Variable Selection)은 머신러닝 모델을 구축할 때 사용되는 변수(특성)를 선택하는 방법이다. 이는 모델의 성능을 향상시키고, 과적합(overfitting)을 줄이며, 모델의 복잡성을 낮추고, 계산 시간을 줄이는 데 도움이 된다. 변수 선택법에는 여러 가지 방법이 있다. 필터 기반(Filter-based) 방법: 이 방법은 각 변수의 통계적 속성을 기준으로 변수를 선택한다. 변수 간 상관관계, 카이제곱 검정, 정보 이득 등을 사용하여 변수를 평가하고, 가장 중요한 변수만 선택한다. 이 방법은 계산 효율성이 높으나, 모델과 독립적이기 때문에 선택된 변수가 항상 최적의 모델 성능을 보장하지는 않는다. 래퍼 기반(Wrapper-based) 방법: 래퍼 기반 방법은 모델 성능을 직접 ..
변수 선택법(Variable Selection)변수 선택법 (Variable Selection)은 머신러닝 모델을 구축할 때 사용되는 변수(특성)를 선택하는 방법이다. 이는 모델의 성능을 향상시키고, 과적합(overfitting)을 줄이며, 모델의 복잡성을 낮추고, 계산 시간을 줄이는 데 도움이 된다. 변수 선택법에는 여러 가지 방법이 있다. 필터 기반(Filter-based) 방법: 이 방법은 각 변수의 통계적 속성을 기준으로 변수를 선택한다. 변수 간 상관관계, 카이제곱 검정, 정보 이득 등을 사용하여 변수를 평가하고, 가장 중요한 변수만 선택한다. 이 방법은 계산 효율성이 높으나, 모델과 독립적이기 때문에 선택된 변수가 항상 최적의 모델 성능을 보장하지는 않는다. 래퍼 기반(Wrapper-based) 방법: 래퍼 기반 방법은 모델 성능을 직접 ..
2023.05.07 -
nn.Sequential을 사용하는 방법 nn.Sequential을 사용하여 간단한 신경망 구조를 구성할 수 있다. 이 방식은 각 층을 순차적으로 쌓아올린다. import torch import torch.nn as nn model = nn.Sequential( nn.Linear(784, 128), nn.ReLU(), nn.Linear(128, 64), nn.ReLU(), nn.Linear(64, 10), nn.Softmax(dim=1) ) nn.Module을 사용하는 방법 nn.Module을 사용하여 사용자 정의 신경망 구조를 구성할 수 있다. 이 방식은 객체 지향 프로그래밍을 사용하여 모델을 정의한다. import torch import torch.nn as nn class MyModel(nn.Mod..
[PyTorch] 신경망 모델 구축 방식nn.Sequential을 사용하는 방법 nn.Sequential을 사용하여 간단한 신경망 구조를 구성할 수 있다. 이 방식은 각 층을 순차적으로 쌓아올린다. import torch import torch.nn as nn model = nn.Sequential( nn.Linear(784, 128), nn.ReLU(), nn.Linear(128, 64), nn.ReLU(), nn.Linear(64, 10), nn.Softmax(dim=1) ) nn.Module을 사용하는 방법 nn.Module을 사용하여 사용자 정의 신경망 구조를 구성할 수 있다. 이 방식은 객체 지향 프로그래밍을 사용하여 모델을 정의한다. import torch import torch.nn as nn class MyModel(nn.Mod..
2023.05.06 -
순차형 (Sequential) 모델 순차형 모델은 간단한 신경망 구조를 구성하는 데 사용되며, 층을 순차적으로 쌓아올린다. 이 방식은 각 층에 대한 복잡한 연결이 없을 때 적합하다. TensorFlow의 Keras API를 사용하여 순차형 모델을 구성하는 방법은 다음과 같다. from tensorflow.keras import models from tensorflow.keras import layers model = models.Sequential() model.add(layers.Dense(128, activation='relu', input_shape=(784,))) model.add(layers.Dense(64, activation='relu')) model.add(layers.Dense(10, a..
[Tensorflow] 신경망 모델 구축 방식순차형 (Sequential) 모델 순차형 모델은 간단한 신경망 구조를 구성하는 데 사용되며, 층을 순차적으로 쌓아올린다. 이 방식은 각 층에 대한 복잡한 연결이 없을 때 적합하다. TensorFlow의 Keras API를 사용하여 순차형 모델을 구성하는 방법은 다음과 같다. from tensorflow.keras import models from tensorflow.keras import layers model = models.Sequential() model.add(layers.Dense(128, activation='relu', input_shape=(784,))) model.add(layers.Dense(64, activation='relu')) model.add(layers.Dense(10, a..
2023.05.06 -
다중공선성(multicollinearity)은 회귀 분석에 사용되는 독립 변수들 간에 높은 상관관계가 존재할 때 발생하는 문제다. 조금 더 구체적으로 말하자면, 독립 변수의 일부가 다른 독립 변수의 조합으로 표현될 수 있는 경우다. 독립 변수들이 서로 독립이 아니라 상호상관관계가 강한 경우에 발생한다. 이 문제는 회귀 계수의 추정치가 불안정하게 되어, 모델의 해석과 예측 성능에 영향을 미치게 된다. 다중공선성을 이해하기 위해서는 몇 가지 주요 개념들을 알아야 한다. 회귀 분석(Regression Analysis): 종속 변수와 하나 이상의 독립 변수 사이의 관계를 모델링하는 통계 기법이다. 회귀 분석은 독립 변수의 변화가 종속 변수에 어떤 영향을 미치는지 파악하는 데 도움이 된다. 상관계수(Correla..
다중공선성(Multicollinearity)다중공선성(multicollinearity)은 회귀 분석에 사용되는 독립 변수들 간에 높은 상관관계가 존재할 때 발생하는 문제다. 조금 더 구체적으로 말하자면, 독립 변수의 일부가 다른 독립 변수의 조합으로 표현될 수 있는 경우다. 독립 변수들이 서로 독립이 아니라 상호상관관계가 강한 경우에 발생한다. 이 문제는 회귀 계수의 추정치가 불안정하게 되어, 모델의 해석과 예측 성능에 영향을 미치게 된다. 다중공선성을 이해하기 위해서는 몇 가지 주요 개념들을 알아야 한다. 회귀 분석(Regression Analysis): 종속 변수와 하나 이상의 독립 변수 사이의 관계를 모델링하는 통계 기법이다. 회귀 분석은 독립 변수의 변화가 종속 변수에 어떤 영향을 미치는지 파악하는 데 도움이 된다. 상관계수(Correla..
2023.04.30 -
교차 상관(Cross Correlation)은 두 시계열 데이터의 상관 관계를 시간 지연(lag)에 따라 분석하는 통계적 방법이다. 교차 상관은 한 시계열 데이터가 다른 시계열 데이터에 얼마나 밀접하게 관련되어 있는지를 측정한다. 이는 두 시계열 데이터 사이의 상관 관계를 찾고, 한 시계열 데이터의 패턴이 다른 시계열 데이터에 어떻게 영향을 미치는지 이해하는 데 도움이 된다. 교차 상관의 계산은 다음과 같다. 두 시계열 데이터 $X$와 $Y$가 있고, 각각의 길이가 $n$이라고 가정해보자. 교차 상관 $r_{xy}(k)$를 시간 지연 $k$에 대해 다음과 같이 정의한다. $r_{xy}(k) = \frac{\sum_{i=1}^{n-k} (x_{i+k} - \bar{x})(y_i - \bar{y})}{\sq..
교차 상관(Cross Correlation)교차 상관(Cross Correlation)은 두 시계열 데이터의 상관 관계를 시간 지연(lag)에 따라 분석하는 통계적 방법이다. 교차 상관은 한 시계열 데이터가 다른 시계열 데이터에 얼마나 밀접하게 관련되어 있는지를 측정한다. 이는 두 시계열 데이터 사이의 상관 관계를 찾고, 한 시계열 데이터의 패턴이 다른 시계열 데이터에 어떻게 영향을 미치는지 이해하는 데 도움이 된다. 교차 상관의 계산은 다음과 같다. 두 시계열 데이터 $X$와 $Y$가 있고, 각각의 길이가 $n$이라고 가정해보자. 교차 상관 $r_{xy}(k)$를 시간 지연 $k$에 대해 다음과 같이 정의한다. $r_{xy}(k) = \frac{\sum_{i=1}^{n-k} (x_{i+k} - \bar{x})(y_i - \bar{y})}{\sq..
2023.04.29 -
전송 엔트로피(Transfer Entropy, TE)는 두 시계열 변수 간의 방향성 있는 정보 전달을 측정하는 비선형 방법이다. 전송 엔트로피는 정보 이론의 개념을 기반으로 하며, 한 시계열에서 다른 시계열로의 정보 전달을 정량화한다. 이를 통해 두 변수 간의 인과 관계를 추론할 수 있다. 전송 엔트로피는 선형 및 비선형 관계를 모두 측정할 수 있으며, 시차(lag)를 고려하여 방향성 있는 정보 전달을 계산한다. 전송 엔트로피를 계산하는 공식은 다음과 같다. $TE(X \to Y) = \sum_{x_{t-1}, y_{t}, y_{t-1}} p(x_{t-1}, y_{t}, y_{t-1}) \log \frac{p(y_{t} | x_{t-1}, y_{t-1})}{p(y_{t} | y_{t-1})}$ 여기서, ..
전송 엔트로피(Transfer Entropy, TE)전송 엔트로피(Transfer Entropy, TE)는 두 시계열 변수 간의 방향성 있는 정보 전달을 측정하는 비선형 방법이다. 전송 엔트로피는 정보 이론의 개념을 기반으로 하며, 한 시계열에서 다른 시계열로의 정보 전달을 정량화한다. 이를 통해 두 변수 간의 인과 관계를 추론할 수 있다. 전송 엔트로피는 선형 및 비선형 관계를 모두 측정할 수 있으며, 시차(lag)를 고려하여 방향성 있는 정보 전달을 계산한다. 전송 엔트로피를 계산하는 공식은 다음과 같다. $TE(X \to Y) = \sum_{x_{t-1}, y_{t}, y_{t-1}} p(x_{t-1}, y_{t}, y_{t-1}) \log \frac{p(y_{t} | x_{t-1}, y_{t-1})}{p(y_{t} | y_{t-1})}$ 여기서, ..
2023.04.29 -
그레인저 인과관계 검정(Granger causality test)은 두 시계열 변수 간의 인과 관계를 추론하는 통계적 방법이다. 그레인저 인과성 검정은 한 변수가 다른 변수의 과거 정보를 통해 예측할 수 있는지를 확인하여 인과 관계를 결정한다. 이 방법은 두 변수의 시간 지연(lag) 값을 고려하여 회귀 모델을 사용하여 검정한다. 그레인저 인과성 검정은 다음과 같은 과정으로 수행된다. 두 시계열 변수 X와 Y를 준비한다. 시간 지연(lag) 값을 선택한다. 일반적으로 AIC(Akaike Information Criterion) 또는 BIC(Bayesian Information Criterion) 같은 정보 기준을 사용하여 최적의 지연 값을 선택한다. 선택한 시간 지연 값을 사용하여 두 변수의 벡터 자기회..
그레인저 인과관계 검정(Granger causality test)그레인저 인과관계 검정(Granger causality test)은 두 시계열 변수 간의 인과 관계를 추론하는 통계적 방법이다. 그레인저 인과성 검정은 한 변수가 다른 변수의 과거 정보를 통해 예측할 수 있는지를 확인하여 인과 관계를 결정한다. 이 방법은 두 변수의 시간 지연(lag) 값을 고려하여 회귀 모델을 사용하여 검정한다. 그레인저 인과성 검정은 다음과 같은 과정으로 수행된다. 두 시계열 변수 X와 Y를 준비한다. 시간 지연(lag) 값을 선택한다. 일반적으로 AIC(Akaike Information Criterion) 또는 BIC(Bayesian Information Criterion) 같은 정보 기준을 사용하여 최적의 지연 값을 선택한다. 선택한 시간 지연 값을 사용하여 두 변수의 벡터 자기회..
2023.04.29