chapter 1 머신러닝 1.1 머신러닝이란 무엇인가 1.2 머신러닝의 장단점 1.3 머신러닝의 종류 1.3.1 지도학습 1.3.2 비지도학습 1.4 머신러닝이 할 수 있는 것 1.4.1 회귀 1.4.2 분류 1.4.3 군집화 1.5 머신러닝 알고리즘 1.6 머신러닝 프로세스 1.7 No free Lunch Theorem chapter 2 통계 2.1 통계란 2.2 통계가 머신러닝에서 중요한 이유 2.3 통계의 기본 개념과 용어 2.3.1 모집단과 표본 2.3.2 파라미터와 통계량 2.3.3 표집 오차 2.3.4 종속변수와 독립변수 2.3.5 연속변수와 이산변수 2.3.6 모델 2.4 준비사항 2.5 데이터 다운로드 2.6 데이터 로드 2.7 기초통계 2.7.1 표준편차 2.7.2 사분위수 2.7.3 히스토그램 2.7.4 정규분포 2.7.5 산점도 2.7.6 상자그림 chapter 3 시계열 데이터 3.1 시계열 데이터 3.2 시계열 데이터 분석 3.3 주요 시계열 데이터의 특성 3.4 랜덤과정 3.5 정상 시계열 데이터 3.5.1 약한 정상성 3.6 랜덤과정에서의 기대값, 분산, 공분산 3.6.1 공분산 3.7 상관 3.8 자기공분산 3.9 자기상관 3.10 랜덤워크 3.10.1 기하적 브라운 운동 chapter 4 알고리즘 트레이딩 4.1 알고리즘 트레이딩 소개 4.2 인물로 살펴보는 알고리즘 트레이딩의 역사 4.2.1 에드워드 소프 4.2.2 제임스 해리스 사이먼스 4.2.3 케네스 그리핀 4.3 알고리즘 트레이딩 모델 4.4 평균회귀 모델 4.4.1 평균회귀 테스트 4.4.2 평균회귀 모델 구현 4.5 머신러닝 모델 4.5.1 특징 선택 4.5.2 가격이냐 뱡향이냐 4.6 분류 모델 4.6.1 로지스틱 회귀 4.6.2 의사결정 트리와 랜덤 포레스트 4.6.3 SVM 4.7 머신러닝 모델 구현 4.7.1 데이터셋 4.7.2 데이터셋 나누기 4.7.3 주가방향 예측변수 작성 4.7.4 주가방향 예측변수 실행 및 평가 4.8 시간가치 감소 효과 chapter 5 알고리즘 트레이딩 시스템 구현 5.1 일반적인 알고리즘 트레이딩 시스템 구성 5.2 구현 시스템 개요 5.3 개발 환경 5.4 데이터 크롤러 구현 5.4.1 주식 종목코드 수집 5.4.2 주가 데이터 수집 5.5 알파 모델 구현 5.5.1 평균회귀 모델 5.5.2 머신러닝 모델 5.6 포트폴리오 빌더 구현 5.6.1 평균회귀 모델 종목 선정 5.6.2 머신러닝 모델 종목 선정 5.7 트레이더 구현 chapter 6 성능 평가와 최적화 6.1 알고리즘 트레이딩 시스템의 성능 측정 6.2 백테스팅 6.2.1 Profit/Loss 테스트 6.2.2 Hit Ratio 6.2.3 Drawdown 6.2.4 Sharpe Ratio 6.3 머신러닝 모델 성능 측정 6.3.1 혼동 행렬 6.3.2 Classification Report 6.3.3 ROC 곡선 6.4 라이브 트레이딩 모니터링 6.5 파라미터 최적화 6.6 하이퍼파라미터 최적화 6.6.1 격자 탐색 6.6.2 랜덤 탐색 6.7 블랙 스완 chapter 7 마치며