Man AHL의 약한 신호를 다루는 방식

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: ★★★★★