주요 구성
· 환 헤지/ 환전 태스크에 관한 소개
· Qraft FX Management 모델의 컨셉
· 금융 데이터와 딥러닝 기법들(Bayesian prediction, Multi-Task learning 등)의 결합
발표 구성
발표자 소개 및 ice breaking(2~3분)
· 간단히 발표자 본인을 소개합니다
회사 소개 (3~5분)
· 크래프트테크놀로지스의 간단한 연혁과 최근 성과들을 소개합니다.
발표(15~20분)
· 메인 발표를 진행합니다.
질의응답(5~10분)
· 간단한 질의응답 시간을 갖고 발표를 마무리합니다.
○ 개요
* Frequency별 금융 상품 소개 (크래프트 프로젝트 소개)
- Ultra low frequency : 자산배분문제 (3달 ~ 6달)
- low frequency : 로보어드바이저 (2달~3달)
- median frequency : 펀드, ETF (1달~2달)
- high frequency : 주문집행, 마켓메이킹 (일단위 밑)
○ 문제점 정의
- 금융데이터로 딥러닝을 할 경우 왜 학습이 안 되는가?
> 문제점 1 : Feature 종류 대비 짧은 Sequence 길이
> 문제점 2 : Feature 자체의 노이즈
> 문제점 3 : 문제점 1, 2로 인한 오버피팅 문제
- 레몬마켓
> 위 문제점들로 인해, 1) 퀀트 only 2) 퀀트 + 딥러닝 3) 잘못된 딥러닝이 대부분임.
> 이런 문제로 기존 로보어드바이저는 AI라는 이름을 달고 나오지만 실제로는 AI가 아닌 경우도 있고, 딥러닝을 쓰지만 성과가 나쁜 경우가 대다수임. 이런 문제로 금융 + 딥러닝 업체들에 대한 레몬마켓 현상이 발생.
○ 크래프트 해결책 (직관에 대한 최적화)
- (문제점1) Feature 종류 대비 짧은 Sequence를 어떻게 해결할 것인가?
> GAN등의 방법으로 Sequence를 연장할 수도 있지만 GAN 데이터가 시계열 데이터의 패턴을 완벽하게 반영하지 않으면 데이터 생성의 의미가 없으면, 금융데이터는 시계열 간의 관계도 매우 중요함. 따라서 부적절
> 직관적으로 퀀트들은 이런 문제를 해결하기 위해 경제적 함의점을 가지는 퀀트모델들을 만듦. (간단한 팩터모델들 소개)
> 우리는 퀀트모델들에 대한 직관적 사고 방식을 모사하는 딥러닝 모형을 설계. (팩터 모델, 자산배분모델 등에서 매우 잘 작동함을 확인)
- (문제점2) Feature 자체의 노이즈를 어떻게 해결할 것인가?
> stacked CNN AutoEncoder 기반의 노이즈 제거기술. 모듈로 확장가능성 존재
> (노이즈 제거가 잘 되는 자료 첨부, 이로 인한 학습 효과 증대)
- (문제점3) 그럼에도 발생하는 오버피팅 문제를 어떻게 해결할 것인가?
> Asynchronous Multi Network Learning Framework 소개.
> Beam search와 유사하게 각 프로세서 개별적으로 초기화된 네트워크를 가지고 학습을 진행. validation data로 검증 후 적자생존 방식으로 오버피팅 발생가능성 최소화
주요 구성
· 환 헤지/ 환전 태스크에 관한 소개
· Qraft FX Management 모델의 컨셉
· 금융 데이터와 딥러닝 기법들(Bayesian prediction, Multi-Task learning 등)의 결합
발표 구성
발표자 소개 및 ice breaking(2~3분)
· 간단히 발표자 본인을 소개합니다
회사 소개 (3~5분)
· 크래프트테크놀로지스의 간단한 연혁과 최근 성과들을 소개합니다.
발표(15~20분)
· 메인 발표를 진행합니다.
질의응답(5~10분)
· 간단한 질의응답 시간을 갖고 발표를 마무리합니다.
○ 개요
* Frequency별 금융 상품 소개 (크래프트 프로젝트 소개)
- Ultra low frequency : 자산배분문제 (3달 ~ 6달)
- low frequency : 로보어드바이저 (2달~3달)
- median frequency : 펀드, ETF (1달~2달)
- high frequency : 주문집행, 마켓메이킹 (일단위 밑)
○ 문제점 정의
- 금융데이터로 딥러닝을 할 경우 왜 학습이 안 되는가?
> 문제점 1 : Feature 종류 대비 짧은 Sequence 길이
> 문제점 2 : Feature 자체의 노이즈
> 문제점 3 : 문제점 1, 2로 인한 오버피팅 문제
- 레몬마켓
> 위 문제점들로 인해, 1) 퀀트 only 2) 퀀트 + 딥러닝 3) 잘못된 딥러닝이 대부분임.
> 이런 문제로 기존 로보어드바이저는 AI라는 이름을 달고 나오지만 실제로는 AI가 아닌 경우도 있고, 딥러닝을 쓰지만 성과가 나쁜 경우가 대다수임. 이런 문제로 금융 + 딥러닝 업체들에 대한 레몬마켓 현상이 발생.
○ 크래프트 해결책 (직관에 대한 최적화)
- (문제점1) Feature 종류 대비 짧은 Sequence를 어떻게 해결할 것인가?
> GAN등의 방법으로 Sequence를 연장할 수도 있지만 GAN 데이터가 시계열 데이터의 패턴을 완벽하게 반영하지 않으면 데이터 생성의 의미가 없으면, 금융데이터는 시계열 간의 관계도 매우 중요함. 따라서 부적절
> 직관적으로 퀀트들은 이런 문제를 해결하기 위해 경제적 함의점을 가지는 퀀트모델들을 만듦. (간단한 팩터모델들 소개)
> 우리는 퀀트모델들에 대한 직관적 사고 방식을 모사하는 딥러닝 모형을 설계. (팩터 모델, 자산배분모델 등에서 매우 잘 작동함을 확인)
- (문제점2) Feature 자체의 노이즈를 어떻게 해결할 것인가?
> stacked CNN AutoEncoder 기반의 노이즈 제거기술. 모듈로 확장가능성 존재
> (노이즈 제거가 잘 되는 자료 첨부, 이로 인한 학습 효과 증대)
- (문제점3) 그럼에도 발생하는 오버피팅 문제를 어떻게 해결할 것인가?
> Asynchronous Multi Network Learning Framework 소개.
> Beam search와 유사하게 각 프로세서 개별적으로 초기화된 네트워크를 가지고 학습을 진행. validation data로 검증 후 적자생존 방식으로 오버피팅 발생가능성 최소화
***9/11 전북연구개발특구 강의
스타트업 R&D 강의안 시리즈
1부 : 투자없이 죽음의 계곡을 넘기는 스타트업 생존경영
2부 : 성공적인 R&D 지원사업 준비
3부 : R&D 사업성 분석 및 관리체계
◎ R&D 사업성 분석과 관리체계
1. 스타트업의 단계별 캐즘 극복방법
2. R&D 사업성 분석
3. R&D 사업계획서 작성법
4. 체계적인 사업비 관리 방안
5. R&D용 연구노트 작성법
- page : 73P
- 강의대상 : 스타트업 창업자, R&D지원사업 참여를 고려중인 창업자, 중소기업 연구원, 관련 유관기관 담당자 등
- 강의시간 : 3시간
◎ 강의 특징
1. 스타트업 생존을 위한 캐즘 극복 단계를 이해할 수 있다.
2. R&D 준비를 위한 체계적인 계획 수립이 가능하다.
3. R&D 사업성 분석 및 기획이 가능하다.
4. R&D 사업계획서 작성법을 이해한다.
5. 체계적인 사업비 작성법을 이해한다.
6. R&D지원사업용 연구노트 작성법을 이해한다.
고명환의 스타트업 생존경영 : http://www.lunch-alone.com
고명환의 카카오브런치 : https://brunch.co.kr/@maru7091
고명환의 스타트업 팟캐스트 : http://www.podbbang.com/ch/17003
◎ 스타트업 생존을 위한 R&D지원사업 기획 1부
1. 스타트업 생존을 위한 R&D지원사업 중요성
2. 성공적인 사업참여를 위한 R&D 지원사업 준비
3. R&D 지원사업 신청용 사업계획서 작성법
4. R&D 지원사업 신청용 연구비 작성법
5. 현장평가 & 대면평가
- page : 48P
- 강의대상 : 창업 3년 미만 스타트업 창업자
- 강의시간 : 2시간
◎ 강의 특징
1. 스타트업 생존을 위한 R&D 지원사업의 중요성을 이해할 수 있다.
2. R&D 지원사업 참여 전 선행연구 조사를 할 수 있다.
3. R&D 지원사업 참여 전 필요인증을 준비할 수 있다.
4. R&D 지원사업 참여 전 고용계획을 수립할 수 있다.
5. 체계적인 사업계획서 작성이 가능하다.
6. R&D 지원사업을 위한 체계적인 연구비 계상이 가능하다.
7. 현장평가 및 대면평가 대비가 가능하다.
고명환의 스타트업 생존경영 : http://www.lunch-alone.com
고명환의 카카오브런치 : https://brunch.co.kr/@maru7091
**스타트업 재무관리
1-1. 재무관리
1-2. 재무비율
2-1. 기업부실징후
2-2. 손익분기점
3-1. Case Study
3-2. 투자방식
스타트업에 필요한 재무관련 기본 지식을 전달해드립니다. 창업초기에 관리하지 못한다면 창업 3년 초과되는 시점에 큰 어려움에 처할 수도 있습니다.
- page : 49P
- 강의대상 : 예비창업자, 스타트업 창업자,유관기관 담당자 등
- 강의시간 : 2시간
고명환의 스타트업 생존경영 Blog http://blog.naver.com/maru7091
고명환의 스타트업 생존경영 브런치 https://brunch.co.kr/@maru7091
스테이쿨 생존경영 Podcast http://www.podbbang.com/ch/17003
HP : 010-7900-7091
E-mail : maru7091@gmali.com
추천, 개인화 그리고 물류 예측 - 어떻게 시작하고 무엇을 준비해야 하는가? - 김민성 솔루션즈 아키텍트, AWS / 경희정 부장, CJ대...Amazon Web Services Korea
추천, 개인화 그리고 물류 예측 - 어떻게 시작하고 무엇을 준비해야 하는가?
김민성 솔루션즈 아키텍트, AWS
경희정 부장, CJ대한통운
AI 기술을 활용한 서비스 혁신은 모든 기업 고객의 관심사입니다. 하지만, 혁신을 위한 충분한 내제화된 역량을 갖춘 기업은 그리 많지 않지 않고, 그 성공 확률 또한 낮습니다. 우리에게 AI는 단지 도구일 뿐이고 혁신의 대상은 아닙니다. AWS에서는 고객사의 내제화된 AI 역량과 고객사의 니즈에 맞추어 빠르게 혁신을 시도해 볼 수 있도록 다양한 AI 기반의 도구들을 제공해 드리고 있습니다. "사진 및 동영상 분석"을 비롯하여 "고객의 감정 분석" 분석 하고 "챗봇"을 통해 고객과의 접점을 넓혀 나갈 수 있습니다. 그리고 이제는 "매출 추이 분석", "인벤토리 분석" 뿐 아니라 "개인화 및 추천"까지 그 영역을 넓혀가고 있습니다. 본 세션에서는 다양한 요구 사항에 맞는 다양한 AI 도구들을 살펴보고, 이를 바탕으로한 서비스 혁신 사례를 소개해 드리고자 합니다.
제9회 보아즈(BOAZ) 빅데이터 컨퍼런스 - 강화학습을 이용한 주식 트레이딩 알고리즘BOAZ Bigdata
강화학습을 이용한 주식 트레이딩 알고리즘 선배, 교수님, 친구들 모두가 컨퍼런스 주제로 주식만은 피하라고 말했다. 하지만 우리 팀은 청개구리다. 하지말라는 건 더 해보고 싶다. 실제 투자 회사에서 쓰이는 블랙박스 트레이딩 시스템은 정확히 어떻게 동작되는지는 모르지만 강화학습을 이용해 우리만의 수익이 나는 알고리즘을 만들어보았다.
[Qraft] optimized order execution with reinforcement learning seongminkim형식 김
The document discusses optimized order execution using reinforcement learning. It describes how order execution is an implied part of every investment process that incurs costs. It then discusses how reinforcement learning is needed for order execution due to its infinite state space, deferred rewards, and path dependency. The document outlines AXE's specific reinforcement learning solution for order execution, including how it models states, uses imitation learning as a guide, and has dedicated structured modeling for order placement. It notes that a previous version of AXE took first place in an order execution challenge. Finally, it lists some work in progress and to-do items for AXE, including developing a cloud-based distributed learning system and using NLP for media analysis.
[Qraft] factor investing and optimization with deep learning taeheecho형식 김
This document discusses improving factor investing strategies with deep learning. It proposes using deep learning models to preselect securities based on factors, forecast returns, and select the top performing securities. This aims to avoid downsides, provide more stable returns, and make factor investing more robust. Two experiments are described applying this approach to quality and value factors, showing the deep learning models outperform traditional factor strategies in most periods with higher returns and less drawdowns. Some open questions are discussed around preselection pool size and handling periods when factors perform poorly.
More Related Content
Similar to [Qraft] ai enhanced high dividend yield strategy eunchongkim
***9/11 전북연구개발특구 강의
스타트업 R&D 강의안 시리즈
1부 : 투자없이 죽음의 계곡을 넘기는 스타트업 생존경영
2부 : 성공적인 R&D 지원사업 준비
3부 : R&D 사업성 분석 및 관리체계
◎ R&D 사업성 분석과 관리체계
1. 스타트업의 단계별 캐즘 극복방법
2. R&D 사업성 분석
3. R&D 사업계획서 작성법
4. 체계적인 사업비 관리 방안
5. R&D용 연구노트 작성법
- page : 73P
- 강의대상 : 스타트업 창업자, R&D지원사업 참여를 고려중인 창업자, 중소기업 연구원, 관련 유관기관 담당자 등
- 강의시간 : 3시간
◎ 강의 특징
1. 스타트업 생존을 위한 캐즘 극복 단계를 이해할 수 있다.
2. R&D 준비를 위한 체계적인 계획 수립이 가능하다.
3. R&D 사업성 분석 및 기획이 가능하다.
4. R&D 사업계획서 작성법을 이해한다.
5. 체계적인 사업비 작성법을 이해한다.
6. R&D지원사업용 연구노트 작성법을 이해한다.
고명환의 스타트업 생존경영 : http://www.lunch-alone.com
고명환의 카카오브런치 : https://brunch.co.kr/@maru7091
고명환의 스타트업 팟캐스트 : http://www.podbbang.com/ch/17003
◎ 스타트업 생존을 위한 R&D지원사업 기획 1부
1. 스타트업 생존을 위한 R&D지원사업 중요성
2. 성공적인 사업참여를 위한 R&D 지원사업 준비
3. R&D 지원사업 신청용 사업계획서 작성법
4. R&D 지원사업 신청용 연구비 작성법
5. 현장평가 & 대면평가
- page : 48P
- 강의대상 : 창업 3년 미만 스타트업 창업자
- 강의시간 : 2시간
◎ 강의 특징
1. 스타트업 생존을 위한 R&D 지원사업의 중요성을 이해할 수 있다.
2. R&D 지원사업 참여 전 선행연구 조사를 할 수 있다.
3. R&D 지원사업 참여 전 필요인증을 준비할 수 있다.
4. R&D 지원사업 참여 전 고용계획을 수립할 수 있다.
5. 체계적인 사업계획서 작성이 가능하다.
6. R&D 지원사업을 위한 체계적인 연구비 계상이 가능하다.
7. 현장평가 및 대면평가 대비가 가능하다.
고명환의 스타트업 생존경영 : http://www.lunch-alone.com
고명환의 카카오브런치 : https://brunch.co.kr/@maru7091
**스타트업 재무관리
1-1. 재무관리
1-2. 재무비율
2-1. 기업부실징후
2-2. 손익분기점
3-1. Case Study
3-2. 투자방식
스타트업에 필요한 재무관련 기본 지식을 전달해드립니다. 창업초기에 관리하지 못한다면 창업 3년 초과되는 시점에 큰 어려움에 처할 수도 있습니다.
- page : 49P
- 강의대상 : 예비창업자, 스타트업 창업자,유관기관 담당자 등
- 강의시간 : 2시간
고명환의 스타트업 생존경영 Blog http://blog.naver.com/maru7091
고명환의 스타트업 생존경영 브런치 https://brunch.co.kr/@maru7091
스테이쿨 생존경영 Podcast http://www.podbbang.com/ch/17003
HP : 010-7900-7091
E-mail : maru7091@gmali.com
추천, 개인화 그리고 물류 예측 - 어떻게 시작하고 무엇을 준비해야 하는가? - 김민성 솔루션즈 아키텍트, AWS / 경희정 부장, CJ대...Amazon Web Services Korea
추천, 개인화 그리고 물류 예측 - 어떻게 시작하고 무엇을 준비해야 하는가?
김민성 솔루션즈 아키텍트, AWS
경희정 부장, CJ대한통운
AI 기술을 활용한 서비스 혁신은 모든 기업 고객의 관심사입니다. 하지만, 혁신을 위한 충분한 내제화된 역량을 갖춘 기업은 그리 많지 않지 않고, 그 성공 확률 또한 낮습니다. 우리에게 AI는 단지 도구일 뿐이고 혁신의 대상은 아닙니다. AWS에서는 고객사의 내제화된 AI 역량과 고객사의 니즈에 맞추어 빠르게 혁신을 시도해 볼 수 있도록 다양한 AI 기반의 도구들을 제공해 드리고 있습니다. "사진 및 동영상 분석"을 비롯하여 "고객의 감정 분석" 분석 하고 "챗봇"을 통해 고객과의 접점을 넓혀 나갈 수 있습니다. 그리고 이제는 "매출 추이 분석", "인벤토리 분석" 뿐 아니라 "개인화 및 추천"까지 그 영역을 넓혀가고 있습니다. 본 세션에서는 다양한 요구 사항에 맞는 다양한 AI 도구들을 살펴보고, 이를 바탕으로한 서비스 혁신 사례를 소개해 드리고자 합니다.
제9회 보아즈(BOAZ) 빅데이터 컨퍼런스 - 강화학습을 이용한 주식 트레이딩 알고리즘BOAZ Bigdata
강화학습을 이용한 주식 트레이딩 알고리즘 선배, 교수님, 친구들 모두가 컨퍼런스 주제로 주식만은 피하라고 말했다. 하지만 우리 팀은 청개구리다. 하지말라는 건 더 해보고 싶다. 실제 투자 회사에서 쓰이는 블랙박스 트레이딩 시스템은 정확히 어떻게 동작되는지는 모르지만 강화학습을 이용해 우리만의 수익이 나는 알고리즘을 만들어보았다.
[Qraft] optimized order execution with reinforcement learning seongminkim형식 김
The document discusses optimized order execution using reinforcement learning. It describes how order execution is an implied part of every investment process that incurs costs. It then discusses how reinforcement learning is needed for order execution due to its infinite state space, deferred rewards, and path dependency. The document outlines AXE's specific reinforcement learning solution for order execution, including how it models states, uses imitation learning as a guide, and has dedicated structured modeling for order placement. It notes that a previous version of AXE took first place in an order execution challenge. Finally, it lists some work in progress and to-do items for AXE, including developing a cloud-based distributed learning system and using NLP for media analysis.
[Qraft] factor investing and optimization with deep learning taeheecho형식 김
This document discusses improving factor investing strategies with deep learning. It proposes using deep learning models to preselect securities based on factors, forecast returns, and select the top performing securities. This aims to avoid downsides, provide more stable returns, and make factor investing more robust. Two experiments are described applying this approach to quality and value factors, showing the deep learning models outperform traditional factor strategies in most periods with higher returns and less drawdowns. Some open questions are discussed around preselection pool size and handling periods when factors perform poorly.
[Qraft] efficient fx hedge with bayesian deep learning joohyunjo형식 김
This document discusses using Bayesian deep learning techniques for efficient foreign exchange hedging strategies. It notes that firms with international business face risks from both their main business and foreign exchange fluctuations. Stochastic prediction models that calculate prediction uncertainties can be used to develop hedging strategies that take risks in low uncertainty areas and follow benchmarks in high uncertainty areas. These Bayesian deep learning methods show advantages over deterministic models in backtests, with higher returns, lower maximum drawdowns, and more effective hedging. The document suggests various applications of these techniques such as multi-currency management, risk-averse hedging solutions, and accessible deep learning services for foreign exchange.
[Qraft] asset allocation with deep learning hyojunmoon형식 김
This document summarizes Qraft's Deep Asset Allocation engine, which uses deep learning to perform tactical asset allocation. It trains on macroeconomic and market data to extract features and learn an optimal allocation strategy. It aims to improve on traditional approaches by continuously learning from new data. The document outlines problems with deep learning like small data and presents Qraft's solutions, such as pretraining and uncertainty quantification. It validates the strategy's performance against benchmarks on test data, demonstrating higher returns with lower drawdowns.
This document provides an overview of Qraft Technologies, Inc. It introduces the company's leadership team and describes their areas of focus, including developing artificial intelligence systems for asset management, listing AI ETFs on the NYSE, and creating an AI-driven trading execution system called AXE. The document also discusses trends in the asset management industry, such as the emergence of active index funds and smart beta ETFs, and outlines Qraft's vision for transitioning the industry to more AI-driven processes.
3. Qraft Technologies, Inc.
✓ 낮은 국채 금리로 인한 배당투자 수요 증가
- 국채 금리가 하락하면서 배당 투자 수요 증가
✓ 배당수익률이 국채 수익률을 역전하며 배당투자 매력도 증가
제안배경
3
국채 10년물 금리와 KOSPI 배당수익률 추이 비교 미국채 10년물 금리와 S&P500 배당수익률 추이 비교
주: 국채 10년물 금리와 KOSPI 배당수익률 추이 비교
자료: Data Guide
주: 미국채 10년물 금리와 S&P500 배당수익률 추이 비교
자료: Data Guide
4. Qraft Technologies, Inc.
제안배경
4
2016년 주요 글로벌 기업 현금보유액 미국 주요기업 현금 보유액 증가 추이
주: 2016년 주요 글로벌 기업 현금보유액
자료: 니혼게이자이신문
주: 애플, 마이크로소프트, 구글, 시스코, 오라클의 현금 보유액 합산
자료: Market Watch
✓ 현금 보유액 증가에 따른 배당 확대 가능성
- 글로벌 기업의 현금 보유액이 꾸준하게 증가
✓ FANG 기업의 미래 현금 배당 가능성
- FANG으로 불리는 미국의 대형 IT 기술주의 경우, 꾸준히 매출 성장과 함께 배당금 확대 가능성 존재
5. Qraft Technologies, Inc.
✓ 높은 배당수익률을 추구하다 발생하는 역선택: 고배당 함정
✓ 배당수익률은 DPS / P로 정의됨에 따라, 높은 배당 수익률은 아래의 케이스 발생
1) DPS가 높아지는 경우
- 기업의 펀더맨탈 개선으로 이한 배당금 확대
- 기업의 실적 악화에도 불구하고, 투자자 이탈을 막기 위해 배당금 확대
2) P가 떨어지는 경우
- 해당 기업 펀더맨탈 악화로 주가 하락
- 시장 전반적인 Downside로 인해 주가 하락
제안배경
5
일반 포트폴리오와 고배당 포트폴리오 비교
주: 일반 포트폴리오와 고배당 주식으로 구성된 포트폴리오 비교
자료: 자체제작
7. Qraft Technologies, Inc.
HDIV 투자 방법 및 성과
7
NYSE+NASDAQ 전종목 중
시가총액 xx%
기존 Quant 기반의 배당 투자 전략
자료: 자체 제작
배당수익률, DPS 등 Factor의 Z-score 계산
Z-score 기준 상위 100종목
AI Enhanced 배당 투자 전략
자료: 자체 제작
NYSE+NASDAQ 전종목 중
시가총액 xx%
배당수익률, DPS 등 Factor의 Z-score 계산
DNN 기준 상위 100종목
DNN
✓ 기존 퀀트 방식에 DNN을 접목하여 성과 개선
- 고배당 함정을 피하기 위해, 결국 고배당 기업 중에 펀더멘탈이 좋은 기업을 분류해내야하는 Task로 변경
✓ DNN의 경우 다음 사항을 고려
- Stochastic
- Modified latent Embedding
- Stable Weight Initialization
- Data Augmentation and Normalization
8. Qraft Technologies, Inc.
HDIV 투자 방법 및 성과
8
✓ Target 변수와 Input 변수로 설계
- Target 변수의 경우, 유니버스에서 선택된 기업들의 평균 Return대비 Up/Down을 기준
- Input 변수의 경우, 기업의 펀더멘탈의 우월성을 살펴봐야하기에 재무 데이터와 매크로 변수를 고려
✓ Sliding window method
- 일반적으로 학습 시킨 하나의 모델을 이용하여 리밸런싱 시점마다 예측값을 내게 됨
- Sliding window method의 경우, 매번 일정 기간 마다 반복 학습하게 됨으로써 변화되는 데이터 분포를 반영시킬 수 있는 장점
Train data
RebalancingRebalancing
Train data
Rebalancing
DNN Classifier
Learning Prediction
· · ·
Train data
DNN Classifier
Learning Prediction
DNN Classifier
Learning Prediction
every X month
9. Qraft Technologies, Inc.
9
Ann Return(Arith) Dividend yield Total Return Ann Sharpe Ann Std Dev MDD Win/Loss Ration
DNN Strategy 0.14336 0.0356 0.17896 0.90856 0.15782 0.46614 0.6495
Quant Strategy 0.0965 0.0363 0.1328 0.5643 0.1710 0.5997 0.5893
SPY ETF 0.0748 0.0238 0.0952 0.5248 0.1426 0.5220 0.6195
1993-01-01
1993-09-01
1994-05-01
1995-01-01
1995-09-01
1996-05-01
1997-01-01
1997-09-01
1998-05-01
1999-01-01
1999-09-01
2000-05-01
2001-01-01
2001-09-01
2002-05-01
2003-01-01
2003-09-01
2004-05-01
2005-01-01
2005-09-01
2006-05-01
2007-01-01
2007-09-01
2008-05-01
2009-01-01
2009-09-01
2010-05-01
2011-01-01
2011-09-01
2012-05-01
2013-01-01
2013-09-01
2014-05-01
2015-01-01
2015-09-01
2016-05-01
2017-01-01
2017-09-01
2018-05-01
2019-01-01
DNN Price return DNN Total return
Quant Price return Quant Total return
HDIV 투자 방법 및 성과 ✓ 크래프트의 AI-Enhanced High Dividend Yield Strategy의 성과는 우수함을 알 수 있음
- Period: 1993-01-01 ~ 2019-03-31
- Target market: NYSE, NASDAQ
- Security type: COMMON
- Market Value Condition: Top 20%
- Rebalancing Period: 3 months
10. Qraft Technologies, Inc.
10
✓ 전략의 강건성 확보
- SPY ETF를 상회하는 경우는 전체 구간 중에 54.9%에 이름
- 2000년도에 있었던 IT버블과 2008년 금융위기 시기를 제외한 상당 구간에서 수익을 얻을 수 있었음
✓ 높은 배당 수익률 확보
- Back-test 전 구간에서 SPY ETF 대비 평균 2% 가량 높은 배당수익률을 얻는 것을 확인
12month rolling return and spread Dividend yield spread
주: 12M rolling return and spread
자료: Thomson Reuters Datastream, Data Guide, 자체 제작
주: US 배당투자 전략과 S&P500의 배당수익률 spread
자료: Thomson Reuters Datastream, Data Guide, 자체 제작
HDIV 투자 방법 및 성과
12. Qraft Technologies, Inc.
12
활용방안 1)
Hedge strategy
✓ Qraft AI-Enhanced High Dividend ETF (가칭)을 활용한 Income-Enhanced 전략을 통해 늘어나는 인컴형 상품 수요에 대응
가능할 것으로 기대
✓ 마켓헤징은 시장모멘텀과 평균회귀를 고려하여 일정 헤지비율로 on/off 하는 헷지 방식
-1
-0.9
-0.8
-0.7
-0.6
-0.5
-0.4
-0.3
-0.2
-0.1
0
0.5
5
50
Dynamic Hedge strategy
drawdown cumulative return S&P 500 no_hedge_QRFT
13. Qraft Technologies, Inc.
13
• Total cumulative return
활용방안 1)
Hedge strategy
✓ 크래프트의 AI-Enhanced High Dividend Yield ETF(가칭) 와 S&P 500 선물 매도를 결합한 동적 베타 헤지 전략을 통해 효
율적으로 시장 리스크를 제어함과 동시에 ETF를 통해 창출되는 시장대비 성과의 극대화
✓ 시장 위험을 동적으로 헷지시, 안정적인 수익을 가져다 줌을 확인 할 수 있음 (Total return기준).
14. Qraft Technologies, Inc.
14
미국채 10년물 시그널을 활용한 EMP 전략
✓ 고배당과 채권은 서로 대체제
- 고배당 ETF의 경우 안정적인 배당수익률을 기대할 수 있어 채권을 대체할 수 있는 투자처
✓ 미국채 10년물의 금리를 이용한 투자 시그널
- 미국채 금리가 S&P 배당수익률을 하회한다면 고배당 투자에 대한 매력도가 증가하므로 고배당 ETF 비중 확대
- 미국채 금리가 상회한다면 Capital Gain의 매력도가 높아지므로 모멘텀 ETF(AMOM) 비중 증가
활용방안 2)
EMP strategy
국고채 수익률과 S&P500 배당 수익률을 이용한 Signal
-3.00
-2.00
-1.00
0.00
1.00
2.00
3.00
0.00
0.50
1.00
1.50
2.00
2.50
3.00
3.50
4.00
4.50
2009-01-01
2009-06-01
2009-11-01
2010-04-01
2010-09-01
2011-02-01
2011-07-01
2011-12-01
2012-05-01
2012-10-01
2013-03-01
2013-08-01
2014-01-01
2014-06-01
2014-11-01
2015-04-01
2015-09-01
2016-02-01
2016-07-01
2016-12-01
2017-05-01
2017-10-01
2018-03-01
2018-08-01
2019-01-01
Signal(우) 미국채(좌) S&P500 배당수익률
15. Qraft Technologies, Inc.
✓ 채권 수익률과 배당수익률의 시그널로 ETF 비중을 변화하며 투자하는 EMP strategy 제안
- 미국채 금리 < S&P 배당수익률 → 고배당 ETF 80% / 모멘텀 ETF 20%
- 미국채 금리 < S&P 배당수익률 → 고배당 ETF 20% / 모멘텀 ETF 80%
✓ 단일 ETF를 투자하는 것 대비 비교적 우수한 성과를 기록
15
활용방안 2)
EMP strategy
0
1
2
3
4
5
6
7
2008-12-01
2009-04-01
2009-08-01
2009-12-01
2010-04-01
2010-08-01
2010-12-01
2011-04-01
2011-08-01
2011-12-01
2012-04-01
2012-08-01
2012-12-01
2013-04-01
2013-08-01
2013-12-01
2014-04-01
2014-08-01
2014-12-01
2015-04-01
2015-08-01
2015-12-01
2016-04-01
2016-08-01
2016-12-01
2017-04-01
2017-08-01
2017-12-01
2018-04-01
HDVI ETF (고배당) AMOM ETF (모멘텀) EMP 전략
단일 ETF의 성과와 EMP전략의 성과 Chart
고배당전략 모멘텀전략