1장. 분석적 사고

1.1 금융 분석의 개요
1.2 데이터 과학자를 위한 금융 분석
1.3 R을 활용한 고급 분석
1.4 연습 문제


2장. 금융 분석 전문 언어, R

2.1 R 시작하기
2.2 언어 특성: 함수, 할당, 인수, 타입
2.3 언어 특성: 바인딩과 배열
2.4 에러 처리
2.5 숫자, 통계, 문자 함수
2.6 데이터프레임과 입출력
2.7 리스트
2.8 연습 문제


3장. 금융 통계

3.1 확률
__베이즈 규칙
__베이즈 규칙의 확장
3.2 조합론
__순열
__조합
3.3 수학적 기댓값
3.4 표본평균, 표준편차, 분산
3.5 표본 왜도와 첨도
3.6 표본분산과 상관관계
3.7 금융 수익
3.8 자본자산가격결정모형
3.9 연습 문제


4장. 금융 증권

4.1 채권 투자
4.2 주식 투자
4.3 서브프라임 모기지 사태
4.4 유럽 경제위기
4.5 증권 데이터집합과 시각화
4.6 주식분할 조정
4.7 인수합병 조정
4.8 여러 시계열의 그래프 비교
4.9 증권 데이터 획득
4.10 증권 데이터 정제
4.11 증권 시세 검색
4.12 연습 문제


5장. 데이터집합 분석과 리스크 측정

5.1 로그 수익률로부터 가격 생성
5.2 가격 변동의 정규 혼합모형
5.3 스위스, 최저환율제 포기 선언
5.4 연습 문제


6장. 시계열 분석

6.1 시계열 조사
6.2 정상 시계열
6.3 자기회귀이동평균 과정
6.4 멱변환
6.5 TSA 패키지
6.6 자기회귀누적이동평균 과정
6.7 사례 연구: 존슨앤존슨의 순이익
6.8 사례 연구: 월간 항공기 탑승 승객 수
6.9 사례 연구: 전력 생산량
6.10 일반화된 자기회귀 조건부 이분산성
6.11 사례 연구: 구글 주식 수익률의 변동성
6.12 연습 문제


7장. 샤프 비율

7.1 샤프 비율 공식
7.2 기간과 연율화
7.3 투자 후보 순위 결정
7.4 quantmod 패키지
7.5 손익계산서 증가율 측정
7.6 손익계산서 증가율의 샤프 비율
7.7 연습 문제


8장. 마코위츠 평균-분산 최적화

8.1 두 위험자산의 최적 포트폴리오
8.2 이차계획법
8.3 포트폴리오 최적화를 이용한 데이터 마이닝
8.4 제약, 페널티 부여, 라쏘
8.5 고차원으로의 확장
8.6 사례 분석: 2003년부터 2008년까지 S&P 500 지수에 생존한 주식
8.7 사례 분석: 2008년부터 2014년까지의 수천 개 후보 주식
8.8 사례 분석: ETF
8.9 연습 문제


9장. 군집 분석

9.1 K-평균 군집 분석
9.2 K-평균 알고리즘 분석
9.3 무방향 그래프의 희소성과 연결성
9.4 공분산과 정밀 행렬
9.5 공분산 시각화
9.6 위샤트분포
9.7 그래프 라쏘: 무방향 그래프의 페널티 부여
9.8 그래프 라쏘 알고리즘 실행
9.9 수년간의 가치주 추적
9.10 연도별 희소성의 회귀분석
9.11 분기별 희소성의 회귀분석
9.12 월별 희소성의 회귀분석
9.13 아키텍처와 확장
9.14 연습 문제


10장. 시장 심리 측정

10.1 마르코프 국면전환 모형
10.2 시장 데이터 확인
10.3 베이지안 추론
10.4 베타분포
10.5 사전분포와 사후분포
10.6 로그 수익률의 상관관계 검사
10.7 모멘텀 그래프
10.8 연습 문제


11장. 거래 전략 시뮬레이션

11.1 외환시장
11.2 차트 분석
11.3 초기화와 마무리
11.4 모멘텀 지표
11.5 포지션 내의 베이지안 추론
11.6 진입
11.7 청산
11.8 수익성
11.9 단기 변동성
11.10 상태 기계
11.11 시뮬레이션 요약
11.12 연습 문제


12장. 펀더멘털을 이용한 데이터 탐색

12.1 RSQLite
12.2 시가-장부가 비율 계산
12.3 reshape2 패키지
12.4 사례 연구: 구글
12.5 사례 연구: 월마트
12.6 가치 투자
12.7 연구 과제: 주식시장을 이겨라
12.8 연구 과제: 재무 건전성
12.9 연습 문제


13장. 펀더멘털을 이용한 예측

13.1 최상의 손익계산서 포트폴리오
13.2 손익계산서 증가율 수치 재설정
13.3 가격 통계 획득
13.4 손익계산서와 가격 통계의 결합
13.5 분류 트리와 재귀 분할을 이용한 예측
13.6 분류기 간의 예측률 비교
13.7 연습 문제


14장. 옵션의 이항모형

14.1 금융공학에서의 적용
14.2 위험중립 가격결정과 무차익
14.3 높은 무위험 수익률 환경
14.4 이항 데이터의 이항모형 수렴
14.5 풋-콜 패리티
14.6 이항에서 로그 정규로
14.7 연습 문제


15장. 블랙-숄즈 모형과 옵션의 내재 변동성

15.1 기하 브라운 운동
15.2 기하 브라운 운동의 몬테카를로 시뮬레이션
15.3 블랙-숄즈 유도
15.4 내재 변동성 알고리즘
15.5 내재 변동성 구현
15.6 Rcpp 패키지
15.7 연습 문제


부록. 확률분포와 통계 분석

A.1 분포
A.2 베르누이분포
A.3 이항분포
A.4 기하분포
A.5 포아송분포
A.6 연속분포함수
A.7 균등분포
A.8 지수분포
A.9 정규분포
A.10 로그 정규분포
A.11 tv 분포
A.12 다변량 정규분포
A.13 감마분포
A.14 최대우도추정
A.15 중심극한정리
A.16 신뢰구간
A.17 가설검정
A.18 회귀분석
A.19 모형 선택 기준
A.20 필수 패키지

★ 지은이의 말 ★

스프레드시트(spreadsheet) 소프트웨어의 출현으로 분석가는 새로운 수준의 분석적 사고를 하게 됐다. 인간의 계산은 더 이상 단일 차원에 국한되지 않는다. 각 행이나 열은 시간 차 원, 생산 범주, 비즈니스 시나리오를 나타낼 수 있다. 그리고 자동화된 의존성 기능 덕분에 행과 열을 매우 쉽게 수정할 수 있다. 이제 스프레드시트는 더 정교하고 영구적인 분석 제 품인 대용량 분석 컴퓨터 프로그램을 위한 프로토타입으로 사용할 수 있다.
숙련된 분석가가 R과 파이썬P(ython) 같은 최신 프로그램 언어를 사용하면, 역사적 시세를 무료로 제공하는 서비스나 야후 같은 리소스를 이용해 이전보다 훨씬 적은 노력으로 분석 로직을 설계할 수 있다. 파이썬과 R의 간결한 구문 덕분에 자바와 유사한 기능을 탑재한 프로그램을 네 배 더 작게 만들 수 있다. 이제 원한다면 다양한 시장 변수를 시뮬레이션해 몇 주 안에 200달러 미만의 비용으로 소규모의 금융 연구소를 구축할 수 있다. 혹은 더 큰 저장 용량을 갖춘 고성능의 컴퓨터를 구입해 과거에는 불가능했던 전체 시장의 10년에서 20년치 역사적 데이터를 로드할 수도 있다.
연구실이 구축됐다면 통찰력(insights)을 얻을 수 있다. 지식 발견(knowledge discovery)은 한때 인간의 행위를 나타내는 용어였지만 이제는 컴퓨터 자동화를 설명하는 용어가 됐다. 지식 발견은 컴퓨터 프로그램이 생성할 수 있는 것을 다소 과대평가해 거창한 단어처럼 보인다. 예컨대 컴퓨터 학회인 ACM(Association for Computing Machinery)에는 KDD(Knowledge Discovery and Data Mining)라는 특화분과(special interest group)가 있다. 이 분과에서 다루는 ‘데이터 마이닝’은 누구도 나서서 도전하려 하지 않는 분야다. 결국 데이터 마이닝은 통계학자와 컴퓨터 과학자들의 몫이 됐다. 하지만 ‘정말, 자동으로, 기계를 이용해 지식을 발견할 수 있을까?’ 이는 너무 과장돼 사실처럼 느껴지지 않을 것이다. 하지만 이 책에 기술된 알고리즘을 직접 경험해보면, 데이터 과학 기술을 사용하는 프로그램이 매우 지루한 계산을 자동화할 수 있을 뿐만 아니라 과거 인간 사고 수준으로는 발견하지 못했던 통찰력을 제공할 수 있다는 사실을 곧 깨닫게 될 것이다.

 

★ 옮긴이의 말 ★

“곤경에 빠지는 건 뭔가를 몰라서가 아니다. 뭔가를 확실히 안다는 착각 때문이다.”
(It ain’t what you don’t know that gets you into trouble. It’s what you know for sure that just ain’t so.)
- 마크 트웨인(Mark Twain)

데이터 분석은 더 이상 전문가만의 영역이 아니다. 누구나 관심만 있다면 데이터 과학자가 될 수 있다. 디지털 시대를 맞아 데이터는 폭발적으로 증가했으며, IT 성능은 강력해졌다. 따라서 더 많은 데이터를 검증하고 시뮬레이션해 정확한 알고리즘과 모형을 개발할 수 있게 됐다. 이 책은 이러한 시대적 배경 속에서 탄생했다. 원하는 데이터는 언제든지 인터넷에서 수집할 수 있으며, R과 같은 전문 분석 소프트웨어의 등장으로 개인용 PC에서도 다양한 분석 작업을 할 수 있다. 원서의 부제목이 ‘데이터 과학을 위한 랩톱 연구소 구축(Building a Laptop Laboratory for Data Science)’인 이유도 이 책의 내용을 학습하면 데이터 과학자가 되어 개인용 PC 환경에서도 자신만의 금융 분석 플랫폼을 구축할 수 있기 때문이다.
이 책의 목차는 금융 분석에 필요한 주제로 체계적으로 구성돼 있다. 본문에는 이론 설명과 수학적 증명도 포함돼 있으며, 이를 R로 구현했다. 금융 분석에 필요한 이론과 실제가 모두 포함된 총론이라 해도 손색이 없다. 물론 이 책이 금융 분석을 마스터하는 충분조건이라 할 수는 없지만 금융 분석의 전반적인 이해를 돕는 필요조건임은 분명하다.
또한 이 책은 시카고대학교(University of Chicago)와 아이오와대학교(University of Iowa)의 수업 교재를 바탕으로 작성됐다. 따라서 이 책의 구성을 살펴보면 해외 명문 대학교의 금융 분석 과정의 커리큘럼을 엿볼 수 있다. 국내 대학교의 금융 분석 과정에서도 이 책을 교재로 사용하면 수업에 도움이 될 것이라 기대한다. 다만 이 책의 예제 코드들이 학습에 초점이 맞춰 있어 상업용 분석 프로그램에 비해 성능이나 튜닝 측면이 부족할 수 있다. 그리고 예제 코드에서 다양한 기업을 다루므로 이 책의 출간 이후에 인수합병된 기업은 티커 심볼(ticker symbol)이 변할 수도 있다. 그리고 R 패키지가 업데이트되거나 인터넷 사이트의 데이터 제공 서비스 등에 변화가 있을 수도 있다. 이러한 부분까지 코드를 수정하고 개선할 수 있다면, 데이터 과학자로서 자신만의 금융 분석 플랫폼을 구축해 발전시켜 나갈 수 있는 충분한 능력을 겸비하게 될 것이다.
금융 분석을 올바로 이해해서 금융 시장에서 벌어지는 다양한 현상의 착각에 빠지지 말고, 사건의 본질에 한 걸음 다가가는 데 이 책이 도움이 되길 바란다.