개별 자료의 예측력이 약해도 서로 다른 정보를 함께 보면 도움이 될 수 있다. Man AHL의 공개 설명은 숫자뿐 아니라 텍스트와 날씨 등 형태가 다른 금융자료를 다룬다. 기계학습으로 다양한 약한 정보원을 하나의 투자시스템으로 결합한다는 접근이다.
책임자는 2014년 초부터 고객의 다중 전략 포트폴리오에서 기계학습 기반 시스템을 실제 운용했다고 밝혔다. 또한 천문학의 초신성 연구에 쓰던 베이지안 방법을 브로커 추천에서 신호를 추출하는 문제에 적용한 사례가 제시된다. 다른 분야의 방법을 금융의 자료 처리에 가져온 구체적 운영 이야기다.
실거래 도입 시점은 사용 사실을 보여주지만 어떤 입력이나 방법이 얼마나 수익에 기여했는지 분해하지는 않는다. 서로 다른 정보가 실제로 중복되지 않는지도 확인해야 한다. 국내에서는 추천·뉴스·거래 자료를 단계적으로 추가하고 같은 검증조건에서 결합의 추가 가치를 측정할 수 있다.
SCOPE책임자의 역사적 운영 설명이다. 방법 이전과 사용 사실을 해당 기술의 독립적인 수익 기여로 확대하지 않는다.
Evidence & verification ↓Sources & evidence
Original passages appear only when checked against the publication. Earlier briefing records are identified separately.
Man AHL — Chief Scientist가 직접 밝힌 “약한 정보들을 ML로 결합해 거래 시스템으로 만드는 방식”0 primary · 4 archived +
These 4 records come from the earlier briefing, not a newly verified original publication. They are retained in the original briefing below; no primary-source quotation is shown.
Read the earlier record ↓Show the original briefing text
구분: Man AHL Chief Scientist 공식 기술글
발표일: 2016년 11월 17일
선정: 최신성보다 기술적 가치 때문에 선정
오래된 자료지만 사용자 요청에 정확히 맞는다. Chief Scientist Anthony Ledford가 Man AHL에서 실제로 ML을 어떻게 받아들였고, 어떤 연구를 trading system으로 옮겼는지 직접 설명한다. 현재도 Man Group 공식 사이트에서 제공한다. Man AHL 공식 원문
확인 가능한 사실 ① — 실제 운용에 ML을 넣은 시점
Man AHL은 ML을 단순 연구한 것이 아니라 2014년 초부터 multi-strategy client portfolio에서 ML 기반 시스템을 실거래했다고 Chief Scientist가 밝힌다.
당시 AHL은 하루 약 15억 개의 data tick을 수신하고 있었으며, 금융 데이터가 숫자뿐 아니라 text나 weather information까지 매우 heterogeneous하다고 설명했다.
확인 가능한 사실 ② — 핵심은 강한 Signal 하나가 아니다
Anthony Ledford의 표현에서 가장 중요한 부분은:
ML이 수많은 다양한 weak information source를 하나의 investment system으로 결합할 수 있다는 것이다.
즉:
Feature A IC 0.01
Feature B IC 0.015
Feature C IC -0.005
라고 개별적으로 약해 보여도,
nonlinear interaction과 conditional dependence를 이용하면:
combined signal
은 유의미해질 수 있다.
이게 financial ML이 image recognition과 다른 중요한 포인트다.
금융에서는 대개 매우 약하고 noisy한 signal 여러 개를 결합해야 한다.
확인 가능한 사실 ③ — 타 분야 알고리즘을 그대로 가져온다
흥미로운 실제 사례도 공개돼 있다.
Oxford-Man Institute가 천문학의 Galaxy Zoo Supernovae 프로젝트에서 사용하던 Bayesian ML 방법론을 broker recommendation signal 추출 문제에 적용했다.
두 문제 모두:
여러 관측자
→ 서로 상충하는 의견
→ 관측자별 신뢰도를 학습
→ 최종 classification
구조가 동일했기 때문이다.
즉 Man AHL은:
“finance용으로 만들어진 알고리즘만 찾는다”
가 아니라
문제구조가 같다면 다른 분야의 알고리즘을 이식한다.
한국 채권시장에 복제 아이디어
이 방식은 broker view를 합칠 때 굉장히 재미있다.
예를 들어 10명의 브로커·리서치 의견이:
- 강세
- 약세
- 중립
으로 들어온다고 하자.
단순 voting 대신 각 브로커에 대해 과거:
Accuracy by tenor
Accuracy by regime
Accuracy by event
를 학습한다.
그 다음:
Bayesian/ML weighted consensus
를 만든다.
예를 들어:
브로커 A는 금통위에서 잘 맞고
브로커 B는 입찰에서 잘 맞고
브로커 C는 30년에서 잘 맞는다면,
현재 상황에 따라 weight를 바꾼다.
이는 Man AHL이 천문학의 “관측자 reliability” 문제를 broker recommendation으로 가져온 것과 거의 같은 구조다.
공개자료 기반 수익 메커니즘
Many Weak Signals
→ credibility / interaction 학습
→ combined prediction
→ diversified strategy
→ portfolio
이다.
이런 구조에서는 최신 Transformer 하나보다 수십 개 weak alpha의 결합과 신뢰도 weighting이 훨씬 중요할 수 있다.
복제 가치: ★★★★★