1 of 31

Presented by: 노승갑, 전성희

인공지능과 추천시스템

AI With 자산운용

2 of 31

2

Steps

자산운용 With AI

1

AI 자산운용

2

운용 Process

2-1

AI 운용의 한계점

3

해당 발표에 대한 주제 선정이유 및 개괄

운용 모델 (with AI)

2-2

3 of 31

3

자산운용 With AI

과거에는 부유한 사람들만 투자에 접근할 수 있었으나, 기술은 그 접근성을 극대화

AI와 ML 도구, Digital Advisor는 개인화된 투자 조언을 저렴한 비용으로 제공하며, 시장 접근성 향상

Digital Advisor 는 전통적인 조언자를 대체하지 않고, 투자 과정을 자동화하며 대규모로 조언을 제공

Use of AI/ML�in user experiences and interfaces

AI/ML은 금융 데이터의 품질 점검 및 예외 처리에 활용되며, 기술은 거래 확인과 후거래 과정을 효율화

데이터 품질과 기계 학습은 운영 위험 감소와 이상치 식별에 중요

자산 관리자는 AI와 ML을 활용하여 투자자에게 더 효과적인 서비스를 제공

Use of AI/ML�for operational efficiency

AI/ML은 Investment process와 데이터의 품질 점검에 활용되며, Data research와 alpha signals 생성에서 중요한 역할

Mathematical models로 investment decision에 필요한 패턴 및 통찰력 식별

Index investing과 ETFs는 기술의 도움으로 index를 효과적으로 복제( = Direct Indexing )

Use of AI/ML�in the investment process

자산운용 With AI

3

우선 자산운용 with AI에 대해서 말씀드리겠습니다.

정의를 확실히 말씀드리고 갈 필요가 있습니다.

보통 AI 자산운용이라고 하면 단순한 룰 베이스의 알고리즘이 아닌 AI 를 활용한 알고리즘이 자동으로 운용해주는 것을 떠올리실 겁니다.

하지만 전체적인 개념을 살펴보면 그것은 자산운용이라는 큰 개념에 접목되는 AI의 큰 개념 중에 일부입니다.

우선 자산운용 업이라는게 간단하게 말씀드리면 돈을 모아서, 종목을 선별해서 투자를 하는 것인데요.

블랙락에서 정의하고 정리한 자료를 기준으로 말씀을 드리면 자산운용사가 사용하는 AI는 각각에 크게 3가지 분야로 나눌 수 있습니다.

�우선 투자자 모집 단계를 수월하게 해주는 곳에 AI를 사용합니다.

이 분야도 사람이 비싼 곳이기도 해서 Tail쪽 투자자를 모으는 일이 큰 하나의 비즈니스입니다.

투자자가 운용사 펀드나 투자일임의 접근성을 높혀주거나 투자자 성향을 체크하는 일을 해주는 곳들에서 AI 기술이 사용됩니다.

두번째는 내부 효율성 상승입니다.

보통 운용사/증권사의 구조를 크게 백 미들 프론트로 나눕니다. 그 중 미들 백의 업무 효율성을 높혀주는 곳에 AI 기술이 접목됩니다.

그 중 미들은 보통 리스크관리부서를 말하는데, 모니터링쪽에서 AI 기술이 접목됩니다. 백 쪽에서는 컴플 쪽에서 접목됩니다.

4 of 31

자산운용 With AI

4

과거에는 부유한 사람들만 투자에 접근할 수 있었으나, 기술은 그 접근성을 극대화

AI와 ML 도구, Digital Advisor는 개인화된 투자 조언을 저렴한 비용으로 제공하며, 시장 접근성 향상

Digital Advisor 는 전통적인 조언자를 대체하지 않고, 투자 과정을 자동화하며 대규모로 조언을 제공

Use of AI/ML�in user experiences and interfaces

AI/ML은 금융 데이터의 품질 점검 및 예외 처리에 활용되며, 기술은 거래 확인과 후거래 과정을 효율화

데이터 품질과 기계 학습은 운영 위험 감소와 이상치 식별에 중요

자산 관리자는 AI와 ML을 활용하여 투자자에게 더 효과적인 서비스를 제공

Use of AI/ML�for operational efficiency

AI/ML은 Investment process와 데이터의 품질 점검에 활용되며, Data research와 alpha signals 생성에서 중요한 역할

Mathematical models로 investment decision에 필요한 패턴 및 통찰력 식별

Index investing과 ETFs는 기술의 도움으로 index를 효과적으로 복제( = Direct Indexing )

Use of AI/ML�in the investment process

5 of 31

5

자산운용 With AI - 현황

5

국내,�KB자산운용, AI 솔루션으로 운용자산 연내 1조원 돌파한다�https://www.aitimes.kr/news/articleView.html?idxno=28252

BlackRock, Fidelity Investment 등 글로벌 자산운용사들은 다이렉트 인덱싱 시장에 속속 진출하고 있으며 시장 규모는 2025년까지 연평균 30% 이상 늘어나 2020년말 기준 3,500억달러에서 1.5조달러로 성장 예상 … (우리금융연구소 자료 중 발췌)

Lorem ipsum dolor sit amet, consectetur adipiscing elit

[ 관련 자료 스크랩 ]

6 of 31

6

AI 자산운용 – 전통적인 운용 Process

6

전통적인 운용 Process

전통적인 운용 프로세스는 고객의 필요와 예상을 바탕으로 전략적 방향을 설정하는 '상향식'과 '하향식' 접근법을 중심으로 포트폴리오 재조정이 이루어집니다.

이 과정에서 다양한 자산 및 리스크 분석, 보호 전략 등이 적용되며, 팀 접근법을 통해 전체 프로세스가 진행됩니다. 또한, 피드백 메커니즘이 있어 지속적인 개선과 조정이 가능하게 됩니다.

앞선 이야기를 세부적으로 이어가려고 합니다.

세세한 운용프로세스를 소개해 드린 후 그 과정에서 AI 자산운용이 부분별로 어떻게 접목되는지를 보여드리고자 합니다.

전체적인 그림을 만씀드리고 세부적인 사항은 전성희 학우가 설명드릴 예정입니다.

전통적인 운용프로세스는 다음과 같습니다. 규모에 따라 차이가 있긴 하지만 대부분의 운용사가 비슷한 프로세스를 같습니다.

정석대로 설명을 드리면, 투자자의 니즈를 확인하고, 탑타운 방식으로 매크로등을 분석하고 바텀업형식으로 개별 종목들을 분석해서 그 둘을 조합하여 포트폴리오를 구성합니다. 이때의 펀드매니저의 재량이 중요합니다.

간단한 설명으로 드리자면, 모든 운용사는 운용사 고유의 미리 선별해 놓은 종목 풀이 있습니다. 그것이 투자 유니버스입니다. 이 안에서의 종목들을 조합하여 포트폴리오를 구성하는데, 그 때 메크로 환경이나 시장환경을 고려하고, 무엇보다 투자자(보통은 펀드)의 리스크 수준을 고려해서 투자를 진행하게 됩니다.

7 of 31

7

AI 자산운용 – 전통적인 운용 Process

7

이제 대표적인 AI 자산운용인 QRAFT의 투자프로세스를 말씀드리려고 합니다. 정리가 잘되어 있어서 가져왔습니다.

세부적인 방법에 대해서는 전성희 학우가 설명할 예정이도 큰 틀에서만 예시를 들어서 설명을 드리려고 합니다.

데이터를 넣고 알고리즘을 돌려서 매매까지 실행합니다.

자세히 보시면 Market Data를 넣는 것이 전통적인 투자 프로세스에서 개별종목 선정과 같은 기능을 합니다.

Macro Data는 탑다운 분석과 같은 기능을 하고

Unstructured Data는 그 밖에 고려해야하는 요소들이죠. 지정학적, 정치적 변수들이나 시장의 외부충격같은 데이터들이 됩니다.

이 데이터를 내부적인 방식으로 데이터 처리를 한 후에 AI에 넣고 돌립니다.

이 과정이 펀드매니저들이 분석하고 판단하는 과정이 됩니다.

그리고 매매 실행까지 가져갑니다.

8 of 31

8

AI 자산운용 – 전통적인 운용 Process

8

9 of 31

9

AI 자산운용 – 전통적인 운용 Process

9

더 가벼운 이해를 위해서 실제 AI로 운용하는 ETF의 제안서 내용을 발췌해서 보여드립니다. (미래에셋 Tiger AI코리아그로스액티브 ETF입니다.)

이처럼 주식의 수익률을 설명하는 데이터를 선별하여 Input으로 넣습니다. 운용사마다 이런 데이터Set을 어떻게 구성하는지부터가 경쟁력이라고 할 수 있습니다.

여기에서 AI가 도입되면서 달라진 점이라고 하면 질적/ 양적인 수준 자체가 달라진 점을 들 수 있습니다.

가령 거래량 데이터를 볼 때 기존의 사람은 보통 분봉으로 최대 하루치를 보면서 ‘생각’을 했다면 AI는 틱으로 데이터를 보면서 10년치를 보고 패턴을 찾아내는 수준입니다.

이 ETF에서는 alpha 창출을 위해서 기술적 분석 지표들을 많이 사용한 것을 볼 수 있습니다.

10 of 31

10

AI 자산운용 – 전통적인 운용 Process

10

그리고 모델의 결과값으로 종목이 선별되고 그에 따른 매매도 자동으로 합니다.

결국 삼전, 네이버, 셀트, 엘화, 삼바, 카카오.. 등이 당시에 높은 비중으로 실려있는데… 너무 놀라지 않으셨으면 합니다.

해당 ETF는 2020년 9월에 설정되어서 저런 결과값이 나왔었습니다.

현재는 지속적으로 리밸런싱을 해서

삼전, 엔솔, 하이닉스, 삼바 등이 높은 비중을 가지고 있습니다. 네이버와 카카오가 탈랐했습니다.

궁금해 하실까봐 더 말씀을 드리면, 거의 3년동안 연율화 없이 9% 수익을 기록하고 있습니다. 너무 별로라고 생각하실 수는 있는데,

그동안 BM인 코스피 200 지수는 2%밖에 안올라서 선방하고 있는 ETF입니다.

이런 컨셉으로 돌아갑니다.

11 of 31

11

AI 자산운용 – 전통적인 운용 Process

11

[ 모델의 설명 가능성]

추가적으로 이 장표는 보여드리고 싶었는데, AI 자산운용을 이해하기에 필요한 장표로 보여서 발췌했습니다.

이 장표가 장의 앞쪽에 배치되는데, 잘 생각해보면 배치의 방식이 사람의 방식같아서요.

AI 알고리즘으로 모델을 짜면 데이터를 넣고 종목들이 쭉 나온 후에 왜 이런 종목들이 나왔는지 재해석을 하는 과정을 담아놓은 장표로 보이고 이것을 제일 앞단에 배치를 했습니다.

AI라는 기술을 금융권에 접목했을 때 늘 offset이 발생하는 부분이, 예측력과 설명력이지 않습니까?

금융권에서는 아무리 성과가 뛰어나도 설명할 수 없는 상품은 불완전판매가 되어서 판매할 수 없는 현실이기 때문에 해당 모델의 결과를 해석하는 장표를 맨 앞단에 배치한듯 합니다.

만약 모델이 정말 어려워서 설명할 수 없는 펀드의 경우에는 다른 방법을 택하거나 규제가 바뀌어야 하는 부분인듯 합니다.

12 of 31

12

AI 자산운용 – (Example) AI 운용 Process

12

AI/ML은 금융 상품 데이터의 품질 점검, 모니터링 및 Investment process에서 다양한 면에서 기술 활용.
Data와 research processes, alpha signals 생성 등에 기술 사용.
Mathematical models로 investment decision에 필요한 패턴 및 통찰력 식별.
Smart beta portfolios는 특정 특성(예: sustainable dividends)을 중점으로 index 내의 할당 결정.
Index investing과 ETFs는 index를 효과적으로 복제하며, 이는 기술의 지원을 받아 가능.

Use of AI/ML�in the investment process

13 of 31

13

AI 자산운용 – 운용모델(Quant 운용사)

What is Quant?

안녕하세요. 노승갑 학우에 이어서 발표를 맡게된 전성희 입니다.

앞서 노승갑 학우가 국내 운용사의 사례를 통해 AI를 접목한 자산운용의 투자 프로세스에 대해 설명했다면, 저는 AI 기술을 접목한 퀀트 운용사의 “운용모델”에 대해 설명해보고자 합니다.

금융권에 계신 학우들은 한번 씩 퀀트라는 표현을 들어보셨을 겁니다. 금융 및 통계학적 모델, 알고리즘, 수치 방법들을 사용하여 투자 결정을 내리는 자산 관리 방법을 의미합니다. 전통적인 투자 방식이 주로 경제적 통찰력, 재무제표 분석, 회사 방문 및 CEO 인터뷰와 같은 주관적이고 직관적인 방법을 중심으로 하였다면, 퀀트 자산운용은 데이터와 수학적 방법에 의존하여 시스템화된 투자 전략을 세우는 것을 말합니다.

14 of 31

14

AI 자산운용 – 운용모델(Quant 운용사)

1. AI 활용 선도주자 : 퀀트 전략에서 AI와 Machine Learning 기술을 성공적으로 통합

2. 다양한 전략 개발 : 기존 스타일 팩터 전략에 없던 새로운 알파를 창출함으로써 차별화된 성과

15 of 31

15

AI 자산운용 – 운용모델(Quant 운용사)

Ingredient

Cuisine

여러분 퀀트가 어떤 것인지 아실까요? 퀀트 운용은 요리과정에 비유해서 설명해보겠습니다.

여러분은 맛있는 요리를 위해서는 어떤 것이 중요하다고 생각하시나요?

댓글에 달아주신 것처럼 신선한 재료, 요리사, 조리방법이 중요하겠죠?

말씀해주신 말들이 모두 중요하지만, 훌륭한 요리사, 훌륭한 조리방법이 있더라도 재료가 신선하지 않다면 맛있는 음식이 나오기는 어렵습니다. 그다음으로 중요한 것은 훌륭한 요리방법(recipe)입니다.

그렇다면 퀀트에서는 신선한 재료, 요리방법, 맛있는 음식은 어떻게 비유될 수 있을까요?

퀀트에서 사용되는 style factor가 다소 생소하실 수 있는 분들이 있어서 음식에 비유해서 간단하게 설명해드리도록 하겠습니다.

요리를 만들때 가장 중요한 것은 무엇일까요? 가장 중요한 건 좋은 품질의 재료를 선택하고 훌륭한 요리방법(recipe)이 중요합니다.

16 of 31

16

AI 자산운용 – 운용모델(Quant 운용사)

Ingredient – Style Factor

Cuisine - Portfolio

17 of 31

영상 자료

18 of 31

18

AI 자산운용 – 운용모델(Quant 운용사)

Traditional Quant Model	AI/Machine Learning Model
Few Predictors	Numerous Predictors
Traditional data (Prices, Fundamentals, etc)	Alternative data (News, Transactions, etc)
Intuitive, easy to replicate	Unintuitive, very different models
Linear	Nonlinear
Harder to overfit	Easy to overfit
Hard to generate multiple backtests for statistical assessment	Easy to generate multiple backtests for statistical assessment

19 of 31

19

운용모델(with AI) – News or Noise?

앞서 말씀드린 ‘Alternative Data’를 AI 기술을 통해 어떻게 구체화해서 모델에 반영하는지를 설명해보고자 합니다.

여러분 뉴스에 나오는 정보는 정말 중요한 정보일까요? 노이즈에 불과할까요?

금융 뉴스에 대한 사용자들의 편의성이 증가하면서 주가움직임에도 큰 영향을 미치게 되었고, sentimental 요소에도 영향을 미치게 되었습니다.

뉴스 이벤트는 투자자들의 반응을 과도하게 만들 수 있고, 투자자들의 비효율적 행동을 포착하여 알파기회를 낼 수 있습니다.

퀀트 운용사들은 이러한 특성을 포착하고, NLP(자연어처리) 알고리즘을 사용하여 뉴스를 카테고리나 주제로 분류하여, 알파요인을 찾고자 합니다.

20 of 31

20

운용모델(with AI) – IR자료 분석(Traditional vs AI approach)

Positive? Negative?

여러분들도 관심있는 기업의 분기실적이 나오면, 종종 IR 자료를 찾아보곤 하시죠? 그런데 IR 자료 스크립트를 읽다보면, 이 얘기가 호재인지 악재인지 판단하기가 쉽지 않습니다.

애널리스트들도 IR 발표를 보고 자료를 분석하고, 좋은 시그널인지 나쁜 시그널인지 분석을 하여 Portfolio Manager에게 이를 전달하고 전략을 구축하는 방식이 과거 방식이었다면,

AI 기술이 도입된 퀀트 모델의 경우, 방대한 데이터들을 아주 빠르게 분석해내고 data에서 시그널을 포착하여 abnormal return, 즉 알파 소스를 찾아내곤 합니다.

기업들의 분기실적 발표에서도 비슷한 모습이 관찰됩니다. CEO, CFO의 특정 단어, 발언에 따라 AI 알고리즘이 해당 내용을 Positive, Negative 요인을 분류하고 이를 하나의 Sentiment signal로 제공하게 됩니다.

21 of 31

21

운용모델(with AI) – IR자료 분석(Traditional vs AI approach)

22 of 31

22

운용모델(with AI) – NLP를 활용한 모델링

23 of 31

23

운용모델(with AI) – Advanced

과거 퀀트 모델

AI 적용 퀀트 모델

24 of 31

24

운용모델(with AI) – Advanced

Company's region (회사의 지역): 여기서는 다양한 지역 또는 시장 (예: 미국, 유럽, 일본 등)에 따른 회사들을 분류하고 있습니다.
Region-specific contexts (지역 특정 컨텍스트): 지역마다 다르게 중요하게 여겨지는 투자 팩터들이 있을 수 있습니다. 예를 들어, 미국에서는 성장(Growth)이 중요한 팩터일 수 있고, 아시아 태평양 지역에서는 회사의 크기(Size)가 중요한 팩터일 수 있습니다.
High-low context alpha factor composite weight (높은-낮은 컨텍스트 알파 팩터 복합 가중치) :지역별로 그 중요도가 높은 팩터와 낮은 팩터를 가장하는 도표입니다. 예를 들어, 어떤 지역에서 '성장'이 높은 가중치를 가질 수 있는 반면, 다른 지역에서는 낮은 가중치를 가질 수 있습니다.
Company-specific universe rank within context (컨텍스트 내에서의 회사 특정 순위) : 각 회사가 해당 지역 내에서 어떠한 순위를 차지하는지 나타내는 백분위 도표입니다.
Alpha factor composite weights within company-specific model (회사 특정 모델 내의 알파 팩터 복합 가중치) : 해당 회사의 특정 모델 내에서 알파 팩터들의 복합 가중치를 나타내는 원형 그래프입니다. 이를 통해 어떤 팩터가 해당 회사에 큰 영향을 미치는지 한 눈에 파악할 수 있습니다.
Company's Final Alpha Score (회사의 최종 알파 점수) : 회사의 알파 팩터 점수와 알파 모델 팩터 가중치를 곱하여 나온 최종 점수입니다. 이 점수는 해당 회사의 투자 가치나 성능을 예측하는 데 사용됩니다.

해당 AI 퀀트 모델은 크게 국가별/지역별/스타일별에 대해 다양한 contect들이 존재하고, 이를 어떻게 효율적으로 구성하는지 보여주는 표입니다.

예를들면 미국에서의 Growth, Value, Size에 대한 특징, 중요도가 다르고, 유럽에서의 Growth, Value, Size에서 중요한 context가 다릅니다. 이러한 contex는 유동적으로 변경되고 이를 AI가 다방면으로 분석하여, Context별로 서로 다른 가중치를 갖는 알파팩터를 분석하고, 알파모델 가중치를 활용하여 모델을 구성합니다.

25 of 31

25

AI 운용사의 한계점

Historical Data를 기반으로 학습하기 때문에, 예상치 못한 Tail-risk가 발생(ex. Covid19)했을 경우 대응이 제한적

1. 데이터의 한계

Deep Learning과 같은 고급 AI모델들은 블랙박스로 불려지는 경우가 많음

투자자들은 어떻게 모델이 결정 내려졌는지 이해하기가 어렵고, 모델 결정에 대한 신뢰성을 의심할 수 있음

2. 모델의 투명성 문제

인간은 오랜 경험과 직관을 통해 복잡한 상황에 유연하게 대응하는 반면, AI가 인간의 직관과 경험 모방하는데 한계

3. 인간의 직관과 경험 결여

한계점

- 데이터의 한계 : Historical data를 기반으로 학습하기 때문에 예를들면 글로벌 팬데믹에 같이 예상치 못한 tail risk가 발생했을 경우

- 모델의 투명성 : 딥러닝과 같은 고급 AI 모델들을 블랙박스로 불리는 경우가 많음 : 어떻게 모델이 결정을 내렸는지 이해하기가 어려움. 투자자들이 모델의 결정에 대한 신뢰성을 의심할 수 있음

- 인간의 직관과 경험 : 앞서 말씀드린 것처럼 금융시장은 종종 투자자들의 시장에 대한 감성, 믿음, 그리고 불확실한 상황에서의 반응에 크게 영향을 받습니다. 인간 투자자들은 그들의 오랜 경험과 직관을 통해 시장의 복잡한 동향을 빠르게 파악하고 적절하게 대응할 수 있습니다. 반면, AI는 그러한 인간의 직관과 경험을 모방하기가 어려우며, 예기치 않은 상황에서의 대응 능력이 제한적일 수 있습니다.

26 of 31

Thank You

27 of 31

27

Q&A

27

QUESTION

ANSWER

네, 우선적으로 해당 예시는 ETF의 제안서를 가져온 것이기 때문에 상장 주식들에 대한 분석입니다.

기본적으로 상장주식들이 공시되고 인증된 Data가 존재하며 시장에서 거래가 가능하기 때문에 비상장 투자자산으로는 어려운 듯 합니다.

p9.의 데이터 Input은 상장 주식들에 대한 분석들인가요?

상장되어 있지 않은 것들은 이 Context에서는 제외되는 것일까요?

28 of 31

28

Q&A

28

QUESTION

ANSWER

상장사에 대한 정보 접근은 예전부터 가능했음

�AI 기술이 중요한 이유는 시장의 비효율성을�빠르게 포착하고 Abnormal Return(Alpha)를 창출 목적

Sentimental 지표는 투자자의 심리가 반영된 지표이기 때문에, 일시적이고 다시 Fundamental에 기반한 Valuation으로 회귀하는 모습을 띔�

퀀트 운용사들은 적정 밸류에이션으로 회귀하기 전에 빠르게 트레이딩 함으로써 작게는 2~3bp, 이머징 마켓같이 비효율적인 시장에서는 10bp까지 이익을 얻기도 함

상장사들에 대한 정보 열람들,�종목 선택하고 열람 가능한 자료들이나�뉴스를 접근하는 것은

�오래전부터 가능해 왔던 내용이지 않나요?

29 of 31

29

Q&A

29

QUESTION

상장사들에 대한 정보 열람들,�종목 선택하고 열람 가능한 자료들이나�뉴스를 접근하는 것은

�오래전부터 가능해 왔던 내용이지 않나요?

Q. AI 가 어디에 쓰이는 지, 앞으로 어디에 더 쓰일 것인지를 조금 더 정리해 주시면 합니다. 사람이 하는 것보다 월등히 잘 하는 것들을 기대하고 싶은데, 분기 보고서 뉘앙스 / 요약은 사람보다 더 잘 하기도 혹은 더 빨리 하기도 한계가 있어 보입니다.

PanAgora Alpha Source –evasiveness

- Management : Evasiveness를 하나의 부정적인 시그널로 포착하는 것인데, 회피성은 직접적인거나 명확하지 않게 대답을 하는 행위를 말합니다. 어닝콜에서 경영진이 질문을 회피하거나 주제를 바꾸는 경우 , 이는 중요한 사실이나 안좋은 소식을 숨기려는 시도로 분석될 수 있습니다.

밑에 그래프는 회피성 점수를 보여주고, 0.781로 다소 높은 회피성을 보여주며, 부정적인 시그널로 분석될 수 있고

이러한 어닝콜 또한 과거에도 계속 얻을 수 있는 퍼블릭한 정보였지만, AI 기술 도입을 통해 보다 빠르게 해당 시그널이 부정적인지 아닌지를 분석할 수 있습니다.

30 of 31

30

Q&A

30

QUESTION

ANSWER

AI가 AI가 믿을 만한 것들을 추천 해줄만큼,�스스로 학습할 수 있는 충분한 정보가 존재함.

오히려 방대한 정보에서 효과성을 빠르게 발견하고 적용하는기술이 중요함

→ AI 모델들은 시장 국면별로(Recession, 호황) 어떤 요소들이 잘 working 하는지 빠르게 분석

→ 데일리 업데이트 – Noise와 실제 News 판단 능력, 거래비용을 최소화 시키는 Trading

‘성장주를 찾으려는‘ 노력에 대해 AI가 믿을 만한 것들을 추천 해줄만큼 충분한 정보들이 있을까요?

특히 하루하루 업데이트가 필요하다면�어떤 고민들이 있어야 할까요?

31 of 31

31

참고자료

KB자산운용(현황, 프로세스)

- KB자산운용, AI 솔루션으로 운용자산 연내 1조원 돌파한다 < 기업 < FOCUS < 기사본문 - 인공지능신문 (aitimes.kr)

미래에셋자산운용(현황, 프로세스)

- Tiger AI 코리아 그로스 액티브 ETF

- AI 딥세미나 자료(2023.01.31)

PanAgora (Quant Model)

- Dynamic Contextual Alpha for Consistency and Diversification in Dynamically Changing World(2022.07)

Blackrock (Quant Model)

- Artificial Intelligence and machine learning in asset management(2019)

AGI AI Quant

- What is AI quantitative investment ((36) What is AI quantitative investment? - YouTube)

MDOTM-AI Driven Investment (Quant Model)

- Artificial Intelligence In asset Management-Improving Investment Outcomes(https://www.youtube.com/watch?v=igIn_9JHut0&t=1039s)

eVestment

- Database 활용