딥러닝 서비스에 쓰이는 GPU 인스턴스 비용 효율을 위한 스팟(Spot) 활용기 - 손은주, 매스프레소 :: AWS DevDay 2018Amazon Web Services Korea
딥러닝 서비스에 쓰이는 GPU 인스턴스 비용 효율을 위한 스팟(Spot) 활용기 (손은주, 매스프레소) :: AWS DevDay 2018
매스프레소는 딥러닝 기반 OCR 검색 엔진을 자체 개발하여, 수학 문제 이미지 속 텍스트와 수식을 인식하여 풀이를 제공해주는 ‘콴다’앱를 운영 중입니다. 스타트업이 딥러닝 기반 서비스를 만들기 위해 AWS가 제공하는 GPU 인스턴스를 활용하는 방법과 에이전트 기반 지표 수집, 그리고 비용 절감을 위해 스팟 인스턴스를 활용하여 안정된 서비스 운영 방법 등을 공유합니다.
딥러닝 서비스에 쓰이는 GPU 인스턴스 비용 효율을 위한 스팟(Spot) 활용기 - 손은주, 매스프레소 :: AWS DevDay 2018Amazon Web Services Korea
딥러닝 서비스에 쓰이는 GPU 인스턴스 비용 효율을 위한 스팟(Spot) 활용기 (손은주, 매스프레소) :: AWS DevDay 2018
매스프레소는 딥러닝 기반 OCR 검색 엔진을 자체 개발하여, 수학 문제 이미지 속 텍스트와 수식을 인식하여 풀이를 제공해주는 ‘콴다’앱를 운영 중입니다. 스타트업이 딥러닝 기반 서비스를 만들기 위해 AWS가 제공하는 GPU 인스턴스를 활용하는 방법과 에이전트 기반 지표 수집, 그리고 비용 절감을 위해 스팟 인스턴스를 활용하여 안정된 서비스 운영 방법 등을 공유합니다.
블록체인 제품 생태계를 구성해보자
Ground X가 블록체인을 통해 세상에 기여하고 싶은 메세지가 있습니다. 그것을 이뤄내기 위해 어떤 제품들을 기획했고, 1년반동안 제품을 만들면서 PM/Designer/Data scientist/Engineer 들과 어떻게 협업을 하였는지 공유하고자 합니다. 그리고 메인넷을 출시한 다음에 어떤 제품로드맵과 방향을 가지고 있는지 공유할 예정입니다.
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.
클라우드는 제품 및 비즈니스 모델 혁신에 어떤 도움을 줄 수 있는가? - 김상필 솔루션즈 아키텍트 매니저, AWS / 김재우 프로, 삼성중...Amazon Web Services Korea
클라우드는 제품 및 비즈니스 모델 혁신에 어떤 도움을 줄 수 있는가?
김상필 솔루션즈 아키텍트 매니저, AWS
김재우 프로, 삼성중공업
최계현 팀장, 현대건설기계
AWS 클라우드를 활용한 제조/하이테크 업계 전반의 스마트 프로덕트, 스마트 비즈니스 모델과 그 대표적인 혁신 사례를 소개 합니다. AWS와 AWS의 주요 고객들이 스마트 프로덕트를 기획하는 단계부터 생산에 이르기까지 다양한 과정을 거치면서 어떻게 AWS 클라우드를 활용하여 혁신을 이루어 내었는지 소개 합니다.
Arm 기반의 AWS Graviton 프로세서로 구동되는 AWS 인스턴스 살펴보기 - 김종선, AWS솔루션즈 아키텍트:: AWS Summi...Amazon Web Services Korea
발표영상 다시보기: https://youtu.be/qLWJ6-Hyj_0
AWS Graviton 프로세서는 다양한 클라우드 워크로드에 대해 최고의 가격 대비 성능을 제공하기 위해 64비트 Arm Neoverse 코어를 사용한 맞춤형 제품입니다. 애플리케이션 서버, 마이크로서비스, 고성능 컴퓨팅, 게임, 오픈 소스 데이터베이스 및 인 메모리 캐시를 포함하여 다양한 워크로드에 적용 가능한 Graviton 프로세서 기반 EC2를 자세하게 소개합니다.
Cloud-Native Architecture
MSA(Micro Service Architecture)
MDA(Micro Data Architecture)
MIA(MIcro Inference Architecture)
MSA-Service Mesh
MDA-Data Mesh
MIA-AI Inference Mesh
Kubernetes
Container
Kubeflow
Volcano
Apache Ynikorn
ChatGPT
AGI(Artificial General Intelligence)
ASI(Artificial Specialized Intelligence)
초-전환시대
초-연결시대
SQream GPU DBMS
Cloud와 Cloud Native의 목표는.. 왜? 어떻게? 뭐가 좋아지나...
1. (왜) 가속화된 초-전환, 초-연결 IT 환경변화에 대비하기 위해서
2. (어떻게-H/W) IT H/W 부분은 IaaS 서비스화하여
점유된, Over Subscription된 H/W(Server, Network, Storage)들 모아서 Pool화하고, 가상화기술을 통해 Tenant로 자원들을 분리해 서비스화해 제공하고
필요시 적시에 Pool의 가상H/W를 제공하고, 상황에 따라 확장・축소(Scale in/out, up/down)하면서, 축소된 자원을 다른 요청들을 위해 빠르게 재-할당하는 유연성을 제공하고
3. (어떻게-S/W) S/W 부문도
PaaS, SaaS 적극 활용으로 App.개발 시간을 단축하고
App.분야인 기존 MACRO Service Architecture형 Monolith Architecture(Web-WAS-DB)를 작게 쪼개서 변화에 빠르게 적응할 수 있는 MSA(Micro Service Architecture)로 변경하여 Service Mesh형으로 관리하고
Data분야도 Data Warehouse, DataLake(Bigdata), LakeHouse등 기존 MACRO Data Architecture를 MSA형식으로 MDA(Micro Data Architecture)로 전환 후 Data Mesh형태로 관리하고,
AI로 동적프로그램 생성하여 App.개발시간 단축하고, AI분야도 초-거대 AI구현(MACRO)보다는 작은|특화된 Deep Learning Network(Model)들로 작게 쪼개서 MIA(Micro Inference Architecture)로 비지니스 환경에 적용하고 Inference Mesh형태로 관리하는 시스템으로 전환하고
4. (어떻게-조직) 조직구조도 CI/CD형 DevOps환경, 데이타,트랜잭션중심업무중심, 기술중심 문제해결중심, 직능중심조직직무중심조직으로 전환하면
5. (좋아지는 것) 초-전환, 초-연결 환경에 빠르고, 지속적으로 적응할 수 IT as a Product 환경을 구현하는 것
클라우드가 보편화되면서 대부분의 서비스는 AWS Region에서 운영되고 있지만, 기업 내에서 Latency 또는 Data Residnecy가 중요한 일부 서비스 및 AWS Region이 없는 지역에서 다양한 규정을 준수해야 하는 산업 군에서는 AWS Hybrid Cloud Services를 고려할 수 있습니다. 주요 AWS 인프라 및 서비스를 고객의 On-Premise, AWS Region이 없는 국가, 그리고 통신 사업자의 Edge에서 AWS Region과 동일한 일관성 있는 경험으로 서비스를 제공할 수 있는 AWS Outposts, Local Zones 및 Wavelength 서비스에 대한 개요와 아키텍처, 그리고 다양한 적용 사례를 알려드립니다.
[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] database api design for financial deep learning experiment hyukhwankwon
블록체인 제품 생태계를 구성해보자
Ground X가 블록체인을 통해 세상에 기여하고 싶은 메세지가 있습니다. 그것을 이뤄내기 위해 어떤 제품들을 기획했고, 1년반동안 제품을 만들면서 PM/Designer/Data scientist/Engineer 들과 어떻게 협업을 하였는지 공유하고자 합니다. 그리고 메인넷을 출시한 다음에 어떤 제품로드맵과 방향을 가지고 있는지 공유할 예정입니다.
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.
클라우드는 제품 및 비즈니스 모델 혁신에 어떤 도움을 줄 수 있는가? - 김상필 솔루션즈 아키텍트 매니저, AWS / 김재우 프로, 삼성중...Amazon Web Services Korea
클라우드는 제품 및 비즈니스 모델 혁신에 어떤 도움을 줄 수 있는가?
김상필 솔루션즈 아키텍트 매니저, AWS
김재우 프로, 삼성중공업
최계현 팀장, 현대건설기계
AWS 클라우드를 활용한 제조/하이테크 업계 전반의 스마트 프로덕트, 스마트 비즈니스 모델과 그 대표적인 혁신 사례를 소개 합니다. AWS와 AWS의 주요 고객들이 스마트 프로덕트를 기획하는 단계부터 생산에 이르기까지 다양한 과정을 거치면서 어떻게 AWS 클라우드를 활용하여 혁신을 이루어 내었는지 소개 합니다.
Arm 기반의 AWS Graviton 프로세서로 구동되는 AWS 인스턴스 살펴보기 - 김종선, AWS솔루션즈 아키텍트:: AWS Summi...Amazon Web Services Korea
발표영상 다시보기: https://youtu.be/qLWJ6-Hyj_0
AWS Graviton 프로세서는 다양한 클라우드 워크로드에 대해 최고의 가격 대비 성능을 제공하기 위해 64비트 Arm Neoverse 코어를 사용한 맞춤형 제품입니다. 애플리케이션 서버, 마이크로서비스, 고성능 컴퓨팅, 게임, 오픈 소스 데이터베이스 및 인 메모리 캐시를 포함하여 다양한 워크로드에 적용 가능한 Graviton 프로세서 기반 EC2를 자세하게 소개합니다.
Cloud-Native Architecture
MSA(Micro Service Architecture)
MDA(Micro Data Architecture)
MIA(MIcro Inference Architecture)
MSA-Service Mesh
MDA-Data Mesh
MIA-AI Inference Mesh
Kubernetes
Container
Kubeflow
Volcano
Apache Ynikorn
ChatGPT
AGI(Artificial General Intelligence)
ASI(Artificial Specialized Intelligence)
초-전환시대
초-연결시대
SQream GPU DBMS
Cloud와 Cloud Native의 목표는.. 왜? 어떻게? 뭐가 좋아지나...
1. (왜) 가속화된 초-전환, 초-연결 IT 환경변화에 대비하기 위해서
2. (어떻게-H/W) IT H/W 부분은 IaaS 서비스화하여
점유된, Over Subscription된 H/W(Server, Network, Storage)들 모아서 Pool화하고, 가상화기술을 통해 Tenant로 자원들을 분리해 서비스화해 제공하고
필요시 적시에 Pool의 가상H/W를 제공하고, 상황에 따라 확장・축소(Scale in/out, up/down)하면서, 축소된 자원을 다른 요청들을 위해 빠르게 재-할당하는 유연성을 제공하고
3. (어떻게-S/W) S/W 부문도
PaaS, SaaS 적극 활용으로 App.개발 시간을 단축하고
App.분야인 기존 MACRO Service Architecture형 Monolith Architecture(Web-WAS-DB)를 작게 쪼개서 변화에 빠르게 적응할 수 있는 MSA(Micro Service Architecture)로 변경하여 Service Mesh형으로 관리하고
Data분야도 Data Warehouse, DataLake(Bigdata), LakeHouse등 기존 MACRO Data Architecture를 MSA형식으로 MDA(Micro Data Architecture)로 전환 후 Data Mesh형태로 관리하고,
AI로 동적프로그램 생성하여 App.개발시간 단축하고, AI분야도 초-거대 AI구현(MACRO)보다는 작은|특화된 Deep Learning Network(Model)들로 작게 쪼개서 MIA(Micro Inference Architecture)로 비지니스 환경에 적용하고 Inference Mesh형태로 관리하는 시스템으로 전환하고
4. (어떻게-조직) 조직구조도 CI/CD형 DevOps환경, 데이타,트랜잭션중심업무중심, 기술중심 문제해결중심, 직능중심조직직무중심조직으로 전환하면
5. (좋아지는 것) 초-전환, 초-연결 환경에 빠르고, 지속적으로 적응할 수 IT as a Product 환경을 구현하는 것
클라우드가 보편화되면서 대부분의 서비스는 AWS Region에서 운영되고 있지만, 기업 내에서 Latency 또는 Data Residnecy가 중요한 일부 서비스 및 AWS Region이 없는 지역에서 다양한 규정을 준수해야 하는 산업 군에서는 AWS Hybrid Cloud Services를 고려할 수 있습니다. 주요 AWS 인프라 및 서비스를 고객의 On-Premise, AWS Region이 없는 국가, 그리고 통신 사업자의 Edge에서 AWS Region과 동일한 일관성 있는 경험으로 서비스를 제공할 수 있는 AWS Outposts, Local Zones 및 Wavelength 서비스에 대한 개요와 아키텍처, 그리고 다양한 적용 사례를 알려드립니다.
Similar to [Qraft] database api design for financial deep learning experiment hyukhwankwon (20)
[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.
[Qraft] database api design for financial deep learning experiment hyukhwankwon
1. Copyrightⓒ. Saebyeol Yu. All Rights Reserved.
DATABASE API DESIGN FOR
FINANCIAL DEEP LEARNING EXPERIMENT
금융딥러닝 실험환경 구성을 위한 API 설계
권 혁환
QRAFT TECHNOLOGIES, INC.
SEP 09 2019
2. Copyrightⓒ. Saebyeol Yu. All Rights Reserved.
Qraft Technologies, Inc.
INTRODUCTION
Speaker
권혁환
現 Qraft Technologies
前 Naver
前 Smilegate
AI Product Team
금융딥러닝 실험환경 구성을 위한 API 설계
3. Copyrightⓒ. Saebyeol Yu. All Rights Reserved.
QRAFT DATA FLOW0
로데이터 적재 QRAFT API 딥러닝/연산
RAW API 활용
5. Copyrightⓒ. Saebyeol Yu. All Rights Reserved.
2 DATA IN QRAFT
EQUITY MACRO ASSET
▪ US 전 종목 (상폐포함)
▪ KR 전 종목 (상폐 포함)
▪ 기타 국가 종목 (상폐 포함)
▪ 재무/시세 데이터
▪ FRED
▪ CPI/PMI
▪ GDP
▪ M1/M2
▪ INDEX
▪ 국내/외 채권
▪ Forex
▪ 기타 자산군
COMMODITY ETC
▪ METAL
▪ OIL
▪ PTA/MEG
▪ NEWS
▪ SENTIMENT
6. Copyrightⓒ. Saebyeol Yu. All Rights Reserved.
3 API의 필요성
RAW
각자 다른 전처리
데이터 결측치 처리
다양한 종류의 쿼리 숙지
속도 문제
..
…
.
9. Copyrightⓒ. Saebyeol Yu. All Rights Reserved.
5 QRAFT API 특징
속도정확도 확장성 재활용성
EASE
MASKING
NEW TYPE MEMORY RECORD
VERSION
CACHE
SOCKET
JIT
FITTING
REUSE
접근성
23. Copyrightⓒ. Saebyeol Yu. All Rights Reserved.
QRAFT API 특징
1.103 CRM : 1 DATA
TABLEAU merged INFO changed
PORTFPLIO 반영
MASKING
첫째, 정확하고 엄밀한 UNVERSE 마스킹
둘째, 생존편향 오버피팅에서 오는 +알파 방지
셋째, 정확한 데이터 기반 백테스팅 가능
19
정확성
26. Copyrightⓒ. Saebyeol Yu. All Rights Reserved.
QRAFT API 특징
def get_news_data(self, item: str, filing_type='annual’, domestic_new=True, name=None,
date_from='1980-12-31', date_to='9999-12-31')
NEW TYPE
API 내 간단한 메소드 추가로 해결
22
확장성
28. Copyrightⓒ. Saebyeol Yu. All Rights Reserved.
QRAFT API 특징
FILE
SYSTEM
25
좀 더 빠른 FILESYSTEM 확장자 사용
속도
29. Copyrightⓒ. Saebyeol Yu. All Rights Reserved.
QRAFT API 특징
FILE
SYSTEM
좀 더 빠른 FILESYSTEM 확장자 사용
26
속도
30. Copyrightⓒ. Saebyeol Yu. All Rights Reserved.
QRAFT API 특징
MEMORY
SERVER MEMORY / SOCKET 통신 활용
27
속도
31. Copyrightⓒ. Saebyeol Yu. All Rights Reserved.
QRAFT API 특징
CACHE
메소드 + 파라미터 > Key-base Hashing + Cache 활용
28
속도
32. Copyrightⓒ. Saebyeol Yu. All Rights Reserved.
QRAFT API 특징
JIT
인터프리터 언어의 한계를 극복하기 위한 Just-in-time compilation
29
속도
33. Copyrightⓒ. Saebyeol Yu. All Rights Reserved.
QRAFT API 특징
JIT
일반 Python vs QRAFT API Numba JIT 속도 비교
Numba JIT
CPython
x8
x39
(단위: 초)
30
속도
34. Copyrightⓒ. Saebyeol Yu. All Rights Reserved.
QRAFT API 특징
JIT
인터프리터 언어의 한계를 극복하기 위한 Just-in-time compilation
첫째, 빠른 확장자 + Memory + Socket 통신
셋째, Cache 활용하여 불필요한 로딩 제거
둘째, Numba JIT, Vectorization 연산 활용
31
속도
38. Copyrightⓒ. Saebyeol Yu. All Rights Reserved.
QRAFT API 특징
SACRED
속도
첫째, 실험에 사용한 설정, 데이터 파일 전부 기록
셋째, 과거 기록된 결과를 언제든지 재사용 가능
둘째, 실험 도중 발생한 결과/내용/에러 전부 기록
35
재활용성
39. Copyrightⓒ. Saebyeol Yu. All Rights Reserved.
QRAFT API 특징
쉽고 엄격하고 확장용이하고 빠르게 재활용가능
36
속도정확도 확장성 재활용성접근성
40. Copyrightⓒ. Saebyeol Yu. All Rights Reserved.
QRAFT DATA FLOW37
로데이터 적재 QRAFT API 딥러닝/연산
RAW API 활용
41. Copyrightⓒ. Saebyeol Yu. All Rights Reserved.
38
QRAFT SMB
Fama/French SMB
QRAFT HML
Fama/French HML
Corr. 99% Corr. 97%
QRAFT API 활용 – Fama/French Stock Pricing Model SMB, HML
42. Copyrightⓒ. Saebyeol Yu. All Rights Reserved.
39
4.1
6.5
7.8
12.3
6.3
7.2
8.43
11.5
4.5
5.5
12
10
3
8
4.9
8.9
2008 2011 2015 2019
Tangible Asset Intangible Asset TA-3MR IA-3MR
Quant Back-Test
① 무형자산이 일정수준 이상 증가한 Equity
② 유형자산이 일정수준 이상 증가한 Equity
① 3개월 동안 하락한 Equity
② 3개월 동안 하락한 Equity
단위: %
QRAFT API 활용 – Quant Backtesting
43. Copyrightⓒ. Saebyeol Yu. All Rights Reserved.
40
Macroeconomic Data
(CHINA PMI, CPI, PPI)
Raw Material Price
(Brent Oil, PTA, MEG)
Global Industry Data
(SINOPEC,
PETROCHINA)
Market/Customer Data
(Fibers, Film, Customer)
AXE for Industry Engine
(Deep Learning Model)
ENGINE
Predict Future
Raw Material Price
Predict Foreign
Currency Price
Demand Forecasting
Predict Future
Cashflow turnover
INPUT DATA OUTPUT ADVICE
Reduce
Raw Material Purchase Cost
Lower
FX exposure Risk
Inventory Risk Management
Cashflow / Liquidity
Management
QRAFT API 활용 – DeepLearning 모델 적용
44. Copyrightⓒ. Saebyeol Yu. All Rights Reserved.
41 QRAFT API 활용 – DeepLearning 모델 적용
시계열 정보 및 불확실성 예측 모델링
QRAFT INDUSTRY PROJECT