'파이썬을 이용한 알고리즘 트레이딩'이라는 주제와 관련해서 말하자면, 이 정도로 넓고 깊게 다루는 책은 이 책이 유일하다! 한때 기관 투자자가 독점하던 알고리즘 트레이딩이 이제는 온라인 플랫폼을 사용하는 소규모 조직과 개별 트레이더에게도 열려 있습니다. 파이썬과 이와 관련된 강력한 패키지 생태계는 오늘날 수많은 트레이더가 선택하는 필수 도구가 되었고, 저자인 이브스 힐피쉬는 실용적인 이 책을 통해 학생, 학자, 실무자에게 알고리즘 트레이딩이라는 매혹적인 분야에서 파이썬을 활용하는 방법을 보여줍니다. 또한, 이 책은 자동화한 알고리즘 트레이딩 전략을 체계적으로 구축하고 배포할 수 있게 하는 선택지를 제공하여, 기울어진 운동장을 여러분의 힘으로 평평하게 하는 일에 큰 도움을 줄 수 있습니다. 이 책의 주요 내용 ■ 알고리즘 트레이딩에 적합한 파이썬 환경 구성하기 ■ 공공 데이터나 사설 데이터 공급원에서 금융 데이터를 가져오는 방법 배우기 ■ 넘파이와 판다스로 금융 분석을 하기 위한 벡터화 방법 모색하기 ■ 다양한 알고리즘 트레이딩 전략을 대상으로 벡터화 백테스트에 숙달하기 ■ 머신러닝과 딥러닝을 활용해 시장 예측하기 ■ 소켓 프로그래밍 도구를 사용해 스트리밍 데이터의 실시간 처리 문제 해결하기 ■ Oanda와 FXCM이라는 트레이딩 플랫폼을 기반으로 자동화된 알고리즘 트레이딩 전략 구현하기 이 책의 대상 독자 파이썬 프로그래밍과 금융 거래에 대한 배경 지식을 갖고 알고리즘 트레이딩 분야에 파이썬을 적용해 보려고 하는 학생이나 학자 및 실무자

저자 : 이브스 힐피쉬 (Yves Hilpisch) 금융 데이터 과학, 인공지능, 알고리즘 트레이딩, 계산 금융을 위한 오픈소스 기술 사용에 중점을 둔 회사 에이아이머신(AI Machine)과 파이썬퀀츠(Python Quants)의 설립자이자 최고경영자다. 또한 《Artificial Intelligence in Finance》(O’Reilly, 2020), 《Python for Finance》(2nd ed., O’Reilly, 2018), 《Derivatives Analytics with Python》 (Wiley, 2015), 《Listed Volatility and Variance Derivatives》(Wiley, 2017)를 저술했다. 또한 CQF(Certifi cate in Quantitative Finance, https://www.cqf.com)에서 컴퓨터 금융에 대해, 그리고 htw saar 대학(https://www.htwsaar.de)에서 데이터 과학에 대해 강의하고, 금융을 위한 파이썬 자격증 취득으로 이어지는 온라인 교육 프로그램의 책임자로 있다.

CHAPTER 1 파이썬과 알고리즘 트레이딩 1 금융을 위한 파이썬? 1 알고리즘 트레이딩 8 알고리즘 트레이딩을 위한 파이썬 12 초점을 맞출 부분과 선행요건 14 거래 전략 15 결론 16 참조할 것들과 그 밖의 자료원 17 CHAPTER 2 파이썬 기반 구조 19 패키지 관리자 역할을 맡는 콘다 21 가상 환경 관리자 역할을 맡는 콘다 29 도커 컨테이너 사용 33 클라우드 인스턴스 사용 39 결론 47 참조할 것들과 그 밖의 자료원 48 CHAPTER 3 금융 데이터 활용 49 서로 다른 공급원에서 금융 데이터를 읽어오기 50 오픈데이터 공급원을 사용해 일하기 56 아이컨 데이터 API 60 금융 데이터의 효율적 저장 69 결론 81 참조할 것들과 그 밖의 자료원 82 파이썬 스크립트 83 CHAPTER 4 벡터화 백테스트 숙달 85 벡터화 활용 87 단순이동평균 기반 전략 93 모멘텀 기반 전략 102 평균회귀 기반 전략 110 데이터 스누핑 및 과적합 114 결론 116 참조할 것들과 그 밖의 자료원 116 파이썬 스크립트 118 CHAPTER 5 시장 이동 예측을 위한 머신러닝 기술 125 선형회귀 기반 시장 이동 예측 126 머신러닝 기반 시장 이동 예측 140 딥러닝 기반 시장 이동 예측 154 결론 165 참조할 것들과 그 밖의 자료원 166 파이썬 스크립트 167 CHAPTER 6 이벤트 기반 백테스트용 클래스 구축 173 백테스트 기저 클래스 175 롱 전용 백테스트 클래스 181 롱-숏 백테스트 클래스 184 결론 187 참조할 것들과 그 밖의 자료원 188 파이썬 스크립트 188 CHAPTER 7 실시간 데이터와 소켓 사용 197 모의 틱 데이터 서버 실행 199 모의 틱 데이터 클라이언트 연결 202 실시간 신호 생성 203 Plotly 기반 스트리밍 데이터 시각화 206 결론 212 참조할 것들과 그 밖의 자료원 213 파이썬 스크립트 213 CHAPTER 8 Oanda를 활용한 CFD 거래 217 계정 구성 221 Oanda API 222 과거 데이터 검색 224 스트리밍 데이터 작업 230 시장가로 주문을 넣기 231 실시간 거래 전략 구현 233 계정 정보 검색 238 결론 240 참조할 것들과 그 밖의 자료원 241 파이썬 스크립트 241 CHAPTER 9 FXCM을 활용한 FX 거래 243 시작하기 245 데이터 검색 246 API 작업 251 결론 257 참조할 것들과 그 밖의 자료원 258 CHAPTER 10 거래 운영 자동화 259 자본관리 260 머신러닝 기반 거래 전략 271 온라인 알고리즘 283 인프라 및 배포 288 로깅과 모니터링 289 결론 296 참조할 것들과 그 밖의 자료원 297 파이썬 스크립트 297 APPENDIX A 파이썬ㆍ넘파이ㆍ맷플롯립ㆍ판다스 301 파이썬 기초 302 넘파이 311 맷플롯립 318 판다스 323 결론 339 참조할 것들과 그 밖의 자료원 339 찾아보기 341

어떤 알고리즘 트레이더가 시가 총액이 가장 큰 암호화폐인 비트코인을 거래하는 일에 관심을 두고 있다고 해 보자. 그는 제일 먼저 달러(USD)의 과거 환율(historical exchange rate)을 나타내는 데이터를 찾는 일부터 해야 할 것으로 보인다. 퀀들 데이터와 판다스를 사용하면 이러한 일을 1분 만에 마칠 수 있다. 그림 1-1에는(그림 모양을 꾸미는 데 필요한 파라미터를 일부 생략함), 다음에 나오는 파이썬 코드를 실행했을 때 그 결과로 나온 그림이 나타나 있다. 판다스가 명시적으로 가져오기(import)를 하지는 않았지만, 기본적으로 퀀들이라고 부르는 파이썬 래퍼 패키지가 100일 단순이동평균(simple moving average, SMA)을 추가하고, SMA를 사용해 원시 데이터를 시각화하는 데 쓸 DataFrame 객체를 반환한다. _6p

파이썬을 이용해 아이컨 API를 가지고 일할 때는 비정형 데이터를 쉽게 검색할 수 있다는 핵심 강점을 누릴 수 있으며, 검색을 한 다음에 파이썬 패키지들을 사용해 데이터를 파싱하고 분석함으로써 자연어 처리(natural language processing, NLP)를 할 수 있다. 이러한 절차는 금융 시계열 데이터만큼 간단하며 수월하다.
다음에 나오는 코드는 애플 주식회사(Apple Inc.)를 회사로 포함하고 ‘Macbook’이라는 단어를 포함하는, 고정된 시간간격(즉, 범위) 안에 있는 뉴스 제목을 검색한다. 조건에 일치하는 뉴스들이 최근 뉴스부터 시작해서 최대 다섯 개까지 표시된다. _67p

DataFrame 객체에 있는 금융 시계열 데이터를 SQLite3 같은 관계형 데이터베이스로 직접 써넣을 수도 있다. 관계형 데이터베이스를 사용하게 되면, 더 정교하게 분석할 수 있게 SQL 쿼리 언어를 적용해야 하는 시나리오에서 유용할 수 있다. 속도 및 디스크 사용량과 관련하여 말하자면, 관계형 데이터베이스는 HDF5 같은 바이너리 스토리지 형식에 의존하는 다른 접근 방식과 비교할 수 없다. _79p

이번 장에서는 선형회귀(linear regression) 같은 통계 기술과 로지스틱 회귀(logistic regression) 같은 머신러닝 기술을 도입하여 과거 수익을 기반으로 미래 가격의 움직임을 예측해 보겠다. 또한, 신경망(neural networks)을 사용해 주식 시장의 움직임을 예측하는 방법을 보여준다. 물론 이번 장만으로 머신러닝을 철저하게 소개할 수는 없지만, 실무자의 관점에서 특정 기술을 사용해 가격 예측 문제를 구체적으로 푸는 방법 정도는 보여줄 수 있다. _125p

알고리즘 트레이딩과 관련해서는 ‘총 가용 자본을 고려할 때 주어진 알고리즘 트레이딩 전략에 얼마나 많은 자본을 배치해야 하는가?’가 핵심 질문 사항이다. 이 질문에 대한 답은 알고리즘 트레이딩을 통해 달성하려는 주요 목표가 무엇인가에 따라 달라진다. 대부분의 개인과 금융 기관은 장기적인 부의 극대화(maximization of long-term wealth)가 좋은 목표 후보라는 데 동의할 것이다. 이것이 에드워드 소프(Edward Thorp)가 Rotando 및 Thorp(1992)에서 설명한 대로 투자에 대한 켈리기준(Kelly criterion)을 유도해 낼 때 고려했던 점이다. 간단히 말해서 켈리기준은 통계적 수익 특성들을 고려할 때 트레이더가 전략에 배치해야 하는 가용 자본 비율을 명시적으로 계산할 수 있게 하는 기준인 것이다. _260p