Earticle

최근 인공지능의 딥러닝과 머신러닝을 이용한 예측시스템에 관한 연구가 활발히 진행되고 있다. 인공지능의 발전으로 인해 투자관리자의 역할을 인공지능을 대신하고 있으며, 투자관리자보다 높은 수익률로 인해 점차 인공지능 으로 거래를 하는 알고리즘 거래가 보편화하고 있다. 알고리즘 매매는 인간의 감정을 배제하고 조건에 따라 기계적으로 매매를 진행하기 때문에 장기적으로 접근했을 때 인간의 매매 수익률보다 높게 나온다. 인공지능의 딥러닝 기법은 과거 의 시계열 데이터를 학습하고 미래를 예측하여 인간처럼 학습하게 되고, 변화하는 전략에 대응할 수 있어 활용도가 증가하고 있다. 특히 LSTM기법은 과거의 데이터 일부를 기억하거나 잊어버리는 형태로 최근의 데이터의 비중으로 높 여 미래 예측에 사용하고 있다. 최근 facebook에서 개발한 인공지능 알고리즘인 fbprophet은 높은 예측 정확도를 자랑하며 주가나 암호화폐 시세 예측에 사용되고 있다. 따라서 본 연구는 fbprophet을 활용하여 실제 값과 차이를 분석하고 정확한 예측을 위한 조건들을 제시하여 암호화폐 자동매매를 하기 위한 새로운 알고리즘을 제공하여 건전한 투자 문화를 정착시키는 데 이바지하고자 한다.

Recently, research on predictive systems using deep learning and machine learning of artificial intelligence is being actively conducted. Due to the development of artificial intelligence, the role of the investment manager is being replaced by artificial intelligence, and due to the higher rate of return than the investment manager, algorithmic trading using artificial intelligence is becoming more common. Algorithmic trading excludes human emotions and trades mechanically according to conditions, so it comes out higher than human trading yields when approached in the long term. The deep learning technique of artificial intelligence learns past time series data and predicts the future, so it learns like a human and can respond to changing strategies. In particular, the LSTM technique is used to predict the future by increasing the weight of recent data by remembering or forgetting part of past data. fbprophet, an artificial intelligence algorithm recently developed by Facebook, boasts high prediction accuracy and is used to predict stock prices and cryptocurrency prices. Therefore, this study intends to establish a sound investment culture by providing a new algorithm for automatic cryptocurrency trading by analyzing the actual value and difference using fbprophet and presenting conditions for accurate prediction.

기존의 알고리즘 트레이딩 시스템에서는 투자전략을 금융사가 제공하는 프로그램밍 언어와 API들을 사용하여 사용자가 직접 프로그래밍 하여야 했기에 일반 투자자들이 사용하기에는 많은 어려움이 있어왔다. 따라서 본 논문에서는 사용자가 프로그래밍에 대한 지식이 없어도 손쉽게 자신의 투자전략을 사용자 인터페이스를 통하여 제시하면 이를 통하여 알고리즘이 형성되어 시스템 트레이딩이 수행되도록 하는 사용자 친화적인 트레이딩 시스템을 개발하는 것을 목적으로 한다. 본 시스템은 금융회사의 서버와 주식 정보를 송수신하고 매매를 수행하는 서버 부분과 투자전략을 설정하기 위한 보조지표들로 이루어진 사용자 인터페이스, 이를 기반으로 알고리즘이 생성되는 부분 등으로 구성되어진 클라이언트로 구성되어진다. 제안된 시스템은 모의 투자 실행을 통하여 사용자가 설정한 투자전략에 따라 설정된 알고리즘에 의하여 자동으로 매매가 이루어짐을 통하여 성능을 검증하였다.

In current algorithm trading system, general users need to program their algorithms using programing language and APIs provided from financial companies. Therefore, such environment keeps general personal investors away from using algorithm trading. Therefore, this paper focuses on developing user-friendly algorithm trading system which enables general investors to make their own trading algorithms without knowledge on program language and APIs. In the system, investors input their investment criteria through user interface and this automatically creates their own trading algorithms. The proposed system is composed with two parts: server intercommunicating with financial company server to send and to receive financial informations for trading, and client including user convenience-based user interface representing secondary indexes and strategies, and a part generating algorithm. The proposed system performance is proven through simulated-investment in which user sets up his investment strategy, algorithm is generated, and trading is performed based on the algorithm

In the ever-changing landscape of finance, the fusion of artificial intelligence (AI)and pair trading strategies has captured the interest of investors and institutions alike. In the context of supervised machine learning, crafting precise and accurate labels is crucial, as it remains a top priority to empower AI models to surpass traditional pair trading methods. However, prevailing labeling techniques in the financial sector predominantly concentrate on individual assets, posing a challenge in aligning with pair trading strategies. To address this issue, we propose an inventive approach that melds the Triple Barrier Labeling technique with pair trading, optimizing the resultant labels through genetic algorithms. Rigorous backtesting on cryptocurrency datasets illustrates that our proposed labeling method excels over traditional pair trading methods and corresponding buy-and-hold strategies in both profitability and risk control. This pioneering method offers a novel perspective on trading strategies and risk management within the financial domain, laying a robust groundwork for further enhancing the precision and reliability of pair trading strategies utilizing AI models.

본 연구에서는 그래디언트 부스팅 기계학습과 유전 알고리즘을 이용하여 일별 주식 포트폴리오를 동적으로 구성하는 시스템을 구축하고 트레이딩 시뮬레이션을 통해 성능을 분석하였다. 이를 위해 유가증권시장과 코스닥시장에 상장된 종목들의 가격 데이터 및 투자자별 거래정보를 포함한 다양한 데이터를 수집하고, 전처리 과정과 변수가공을 통해 학습-예측에 이용될 변수들을 생성하였다. 첫 번째 실험에서는 예측정확도와 정밀도, 재현율 및 F1 점수 등 네 가지 지표를 활용하여 그래디언트 부스팅 기법들(XGBoost, LightGBM, CatBoost)의 성능을 비교 평가하였다. 두 번째 실험에서는 전 단계에서 선택된 LightGBM과 유전 알고리즘을 적용하여 상장 종목들의 일별 수익 여부를 학습-예측하였다. 그리고 예측된 수익 발생확률을 바탕으로 종목을 선별하여 트레이딩 시뮬레이션을 시행하고, CAGR, MDD, 사프지수 및 변동성 측면에서 코스피, 코스닥 지수와의 성능을 비교 평가하였다. 분석 결과, 제안된 전략들 모두 네 가지 성능평가 지표상에서 시장 평균을 넘어서는 것으로 나타났으며, 그래디언트 부스팅과 유전 알고리즘의 결합이 주식 가격 예측에 효과적으로 이용될 수 있음을 보여주었다.

In this study, we developed a system to dynamically balance a daily stock portfolio and performed trading simulations using gradient boosting and genetic algorithms. We collected various stock market data from stocks listed on the KOSPI and KOSDAQ markets, including investor-specific transaction data. Subsequently, we indexed the data as a preprocessing step, and used feature engineering to modify and generate variables for training. First, we experimentally compared the performance of three popular gradient boosting algorithms in terms of accuracy, precision, recall, and F1-score, including XGBoost, LightGBM, and CatBoost. Based on the results, in a second experiment, we used a LightGBM model trained on the collected data along with genetic algorithms to predict and select stocks with a high daily probability of profit. We also conducted simulations of trading during the period of the testing data to analyze the performance of the proposed approach compared with the KOSPI and KOSDAQ indices in terms of the CAGR (Compound Annual Growth Rate), MDD (Maximum Draw Down), Sharpe ratio, and volatility. The results showed that the proposed strategies outperformed those employed by the Korean stock market in terms of all performance metrics. Moreover, our proposed LightGBM model with a genetic algorithm exhibited competitive performance in predicting stock price movements.

주식 시장에서 안정적으로 높은 수익을 얻기 위하여 많은 트레이딩 알고리즘에 대한 연구들이 이루어졌다. 트레이딩 알고리즘들이 미국 주식시장의 거래량에서 차지하는 비율은 80 프로가 넘을 정도로 많이 사용된다. 많은 연구에도 불구하고 항상 좋은 성능을 나타내는 트레이딩 알고리즘은 존재하지 않는다. 즉, 과거에 좋은 성능을 보이는 알고리즘이 미래에도 좋은 성능을 보인다는 보장이 없다. 그 이유는 주가에 영향을 주는 요인은 매우 많고, 미래의 불확실성도 존재하기 때문이다. 따라서 본 논문에서는 알고리즘들의 수익률에 대한 과거 기록을 바탕으로 미래의 수익률을 잘 예측하고 수익률도 높을 것으로 추정되는 알고리즘을 선택하는 TimeGAN을 활용한 모델을 제안한다. LSTM기법은 미래 시계열 데이터의 예측이 결정론적임에 반하여 TimeGAN은 확률적이다. TimeGAN의 확률적인 예측의 이점은 미래에 대한 불확실성을 반영하여 줄 수 있다는 점이다. 실험 결과로써, 본 논문에서 제안한 방법은 적은 변동성으로 높은 수익률을 달성하고, 여러 다수의 비교 알고리즘에 비해 우수한 결과를 보인다.

A lot of research is being going until this day in order to obtain stable profit in the stock market. Trading algorithms are widely used, accounting for over 80% of the trading volume of the US stock market. Despite a lot of research, there is no trading algorithm that always shows good performance. In other words, there is no guarantee that an algorithm that performed well in the past will perform well in the future. The reason is that there are many factors that affect the stock price and there are uncertainties about the future. Therefore, in this paper, we propose a model using TimeGAN that predicts future returns well and selects algorithms that are expected to have high returns based on past records of the returns of algorithms. We use TimeGAN becasue it is probabilistic, whereas LSTM method predicts future time series data is deterministic. The advantage of TimeGAN probabilistic prediction is that it can reflect uncertainty about the future. As an experimental result, the method proposed in this paper achieves a high return with little volatility and shows superior results compared to many comparison algorithms.

알고리즘을 이용하여 금융 상품을 거래하는 알고리즘 트레이딩은 시장의 많은 요인들로 인해 그 결과가 안정적이지 못한 문제가 있다. 이 문제를 완화시키기 위해 트레이딩 알고리즘들을 조합한 앙상블 기법들이 제안되었다. 하지만 이 앙상블 방법에도 여러 문제가 존재한다. 첫째, 앙상블의 필요 요건인 앙상블에 포함된 알고리즘의 최소 성능 요건(랜덤 이상)을 만족시키도록, 트레이딩 알고리즘을 선택하지 못할 수 있다는 점이다. 둘째, 과거에 우수한 성능을 보인 앙상블 모델이 미래에도 우수한 성능을 보일 것이라는 보장이 없다는 점이다. 이 문제점들을 해결하기 위해 앙상블 모델에 포함되는 트레이딩 알고리즘들을 선택하는 방법을 다음과 같이 제안한다. 과거의 데이터를 기반으로 상위 성능의 앙상블 모델들에 포함된 트레이딩 알고리즘들의 기여도를 측정한다. 그러나 이 과거 데이터에만 기반 된 기여도들은 과거의 데이터가 충분히 많지 않고 과거 데이터의 불확실성이 반영되어 있지 않기 때문에 디리클레 분포를 사용하여 기여도 분포를 근사시키고, 기여도 분포에서 기여도 값들을 샘플하여 불확실성을 반영한다. 과거 데이터로부터 구한 트레이딩 알고리즘의 기여도 분포를 기반으로 Transformer을 훈련하여 미래의 기여도를 예측한다. 예측된 미래 기여도가 높은 트레이딩 알고리즘들을 앙상블 모델에 선택하여 포함시킨다. 실험을 통하여 제안된 앙상블 방법이 기존 앙상블 방법들과 비교하여 우수한 성능을 보임을 입증하였다.

Algorithmic trading, which uses algorithms to trade financial products, has a problem in that the results are not stable due to many factors in the market. To alleviate this problem, ensemble techniques that combine trading algorithms have been proposed. However, there are several problems with this ensemble method. First, the trading algorithm may not be selected so as to satisfy the minimum performance requirement (more than random) of the algorithm included in the ensemble, which is a necessary requirement of the ensemble. Second, there is no guarantee that an ensemble model that performed well in the past will perform well in the future. In order to solve these problems, a method for selecting trading algorithms included in the ensemble model is proposed as follows. Based on past data, we measure the contribution of the trading algorithms included in the ensemble models with high performance. However, for contributions based only on this historical data, since there are not enough past data and the uncertainty of the past data is not reflected, the contribution distribution is approximated using the Dirichlet distribution, and the contribution values are sampled from the contribution distribution to reflect the uncertainty. Based on the contribution distribution of the trading algorithm obtained from the past data, the Transformer is trained to predict the future contribution. Trading algorithms with high predicted future contribution are selected and included in the ensemble model. Through experiments, it was proved that the proposed ensemble method showed superior performance compared to the existing ensemble methods.

This paper aims to implement "structural changes detection procedure" in pairs trading algorithm and to show that the proposed approach outperforms the extant pair trading algorithm. Structural changes in pairs trading are defined in terms of changes in cointegrating factors and broken cointegration relationship. These changes are designed to test extant structural changes and unit root test methodologies. The simulation finds that expanding the changes in structure, increasing the mean reverting process of spread, and extending the consecutive days of broken cointegration will increase the performances of the proposed algorithm. Empirical study results are also consistent those of the simulation studies. The proposed algorithm outperforms the extant algorithm relative to risk and return given that the cumulative profit/loss has a significant upward-slope with minimal variance.

본 연구는 국내 파생상품시장에서 고빈도 알고리즘 매매(이하, HFT)의 투자성과를분석하는데 목적이 있다. 이를 위해 2010년부터 2024년까지 KOSPI200 지수를 기초자산으로 한 지수옵션의 매매내역을 분석하였다. 주요 연구 결과는 다음과 같다. 첫째, 지수옵션에서 HFT의 데이트레이딩은 유용한 투자전략이었다. 둘째, HFT 계좌는 일반계좌에 비해 우월한 투자성과를 보였다. 셋째, HFT 투자성과는 매도 타이밍 능력에서기인하였다. 넷째, 기초자산 수익률이 높을수록, 거래금액이 많을수록, 옵션 유동성이낮을수록 HFT의 투자수익도 높았으며, 기초자산 변동성도 긍정적으로 작용하였다. 본 연구는 지수옵션을 대상으로 데이트레이딩 전략의 투자성과를 분석한 첫 번째 연구라는 점과 매도 타이밍 능력이 HFT 수익의 원천임을 증명했다는 점에서 기여도가있다.

The purpose of this study is to analyze the investment performance of high-frequency algorithmic trading (HFT) in the domestic derivatives market. To this end, the trading details of index options using the KOSPI200 index as an underlying asset were analyzed from 2010 to 2024. The main research results are as follows. First, HFT day trading in the index option market was a useful investment strategy. Second, HFT accounts showed superior investment performance compared to general accounts. Third, HFT investment performance was due to the ability to sell timing. Fourth, the higher the underlying asset return, the higher the transaction amount, and the lower the option liquidity, the higher the HFT investment return. In addition, the underlying asset volatility was positive in the HFT return This study has contributions and implications in that it is the first study to analyze the investment performance of the day trading strategy in the Korean option market and that it proved that the selling timing ability is the source of HFT.

비록 주요 선진국의 자본시장을 중심으로 존재감이 크게 높아진 HFT 등 알고리즘거래의 실체가 여전히 분명하지 않은 것은 사실이다. 하지만, 알고리즘을 이용한 HFT거래기법이 불공정할 가능성이 있다는 이유만으로 활용을 주저하는 것은 옳지 않다. 이들 알고리즘을 이용한 거래를 둘러싼 불공정성 논란이 앞으로도 끊이지 않는다면 결국 자본시장의 발전을 저해할 수 있으므로, 이러한 의혹을 해소하고 해결방안을 모색하는 것이 한국 자본시장의 발전을 위해서도 반드시 필요한 검토라고 본다. 시장거래의 투명성을 높여서 다양한 투자자가 안심하고 참가할 수 있는 건전한 시장을 실현하기 위해서는 이러한 불신감을 극복해야 하기에, 본고에서는 투자자에게 신뢰받는 시장이 구축되는데 필요한 규제개선의 방향성에 대하여 생각해보았다. 한국에서도 착오주문의 방지를 위한 제도를 도입하는 등 규제가 강화되었지만, 여전히 HFT와 관련된 효과적인 통제가 이루어진다고는 할 수 없으며, HFT와 관련된 연구도 충분하지 않은 상황이다. IT인프라 정비로 인하여 HFT를 이용한 매매환경이 조성되어 있는데, 미국, 유럽에 비하여 HFT에 대한 규제수준이 낮은 상황이다. 따라서 HFT의 비중이 높아지고 있는 현실을 고려할 때, HFT에 관한 연구가 보다 활발하게 이루어질 필요가 있다. 미국, 유럽 등에서 HFT에 대해 규제를 정비하고 있는 배경에는 그에 관련된 실증연구가 있었다. HFT와 관련된 실증연구가 있었기에 제도정비가 가능하고 개선의 당위성이 확보되었을 것이다. HFT와 관련된 주요 국가들의 규제상황을 보면, 어느 곳에도 고빈도에 초점을 둔 고속거래화를 제어하려는 움직임은 없고, 고속화의 시대흐름에 역행하는 규제방향은 바람직하지 않다는 것이 공통인식으로 보인다. 그리고 각국의 규제의 공통된 내용은 HFT업자에 대한 규제로서의 등록제도의 정비와 거래정보에 대한 보고제도의 충실화를 도모하고 있다는 점이다. HFT와 관련하여 금융당국이 취해야 할 태도로서는 시장에 해악을 끼칠 수 있는 사악한 존재를 배제한다는 접근보다는 시장이 안고 있는 문제점을 해결한다는 인식하에 관련규제의 강화 내지는 보완에 중점을 두려는 자세가 바람직하지 않을까 생각한다.

It is true that the reality of algorithmic transactions such as HFT, whose presence has greatly increased mainly in the capital markets of major developed countries, is still unclear. However, it is not appropriate to hesitate to use the HFT method because it is likely that the algorithm is unfair. If the controversy over the unfairness surrounding the transaction using these algorithms is not stopped in the future, it will hinder the development of the capital market. Therefore, it is necessary for the development of the Korean capital market to resolve these doubts and seek solutions. In order to realize a sound market where various investors can participate safely by enhancing the transparency of market transactions, it is necessary to overcome such disbelief. In this article, we have considered the direction of regulation improvement necessary for establishing a trustworthy market for investors. In Korea, regulations have been strengthened, for example, by introducing a system to prevent misunderstandings. However, there is still no effective control related to HFT, and studies related to HFT are not enough. Due to the improvement of the IT infrastructure, the trading environment using HFT is being created, and the regulation level of HFT is lower than the US and Europe. Therefore, considering the fact that the proportion of HFT is increasing, research on HFT needs to be done more actively. In the United States, Europe, etc., there is an empirical study related to the regulation of HFT. Since there were some empirical studies related to HFT, the system could be improved and the justification for improvement was secured. Regarding the regulatory situation of major countries related to HFT, there is no movement to control high-speed transactions focused on high frequencies anywhere, and it seems common sense that regulation direction against the current trend of speeding up is not desirable. The common content of the regulations of each country is to improve the registration system as a regulation for HFT supplier and to improve the reporting system of transaction information. The attitude that financial authorities should take with regard to HFT is to focus on strengthening or supplementing related regulations with the recognition that it solves the problem that the market is facing rather than approaching to eliminate the evil existence that might harm the market.

증권거래소는 거래가 이루어지는 시장을 감시하는 동시에 거래가 보다 효율적으로 이루어질 수 있도록 기술과 환경을 제공한다. 증권거래소의 공적인 감시를 위한 필수적인 기능은 유지되고 있지만, 거래소의 역할과 구조는 시대의 흐름과 함께 변화하고 있다. 증권거래소의 주식회사화가 가장 대표적인 사례이다. 거래소가 정부로부터 위임받은 공적기능을 수행함과 동시에 주식회사로서 주주들을 위한 이익을 창출하는 사적기능이 강조되면서 알고리즘 거래를 뒷받침하는 이익 구조에도 깊숙이 관련되어 있다. 우리나라 한국거래소도 이미 주식회사화가 되었다. 현재 실질적인 단일 거래소이기 때문에 미국의 경우처럼 거래소들간의 극심한 경쟁이 거세지고 있는 상황은 아니지만, 거래소의 이중적인 역할로 인한 본질적인 이해상충 문제는 미국의 거래소들과 동일하다. 고빈도거래를 중심으로 알고리즘 거래가 증가할수록 이러한 문제는 더 커질 수밖에 없다. 거래소의 감독업무 수행에 영향을 미치는 이러한 이해상충 문제는 시장에 막대한 비용을 수반하게 만든다. 거래소는 이중적인 기능을 수행하는 과정에서 발생할 수 있는 이해상충 문제를 제어하면서 동시에 시장 감독을 위해서 적극적인 역할을 하여야만 한다. 하지만 공공성이 강조되는 업무를 적극적으로 수행하는 과정에서 혹여 발생할 수 있는 책임에 대한 면책규정은 마련되어 있지 않은 상황이다. 따라서 우리나라도 한국거래소가 정부로부터 위임받은 시장감독기능을 수행하는 경우에는 경과실로 인한 손해배상책임 면책 근거를 제도화하는 것이 필요하다고 판단된다. 알고리즘 거래와 복잡한 기술 기반의 거래가 확대되는 현 상황에서 거래소는 자본시장 위험의 확산을 통제할 수 있는 독보적이고, 가장 가성비 좋은 자율규제기관이다. 한국거래소가 그 장점을 살려서 적극적 업무수행을 통해서 건전한 자본시장 질서를 유지하기 위해서는 그에 상응하는 안전장치가 반드시 필요하다. 이러한 제도적 장치를 통해서 오히려 거래소가 시장 활동에 인위적으로 영향을 미치는 상품과 서비스를 제공하여 투자자들을 오도한 경우에 거래소의 책임을 보다 명확히 할 수 있을 것이다.

Exchanges are frontline regulators in the algorithmic trading. From the logistical standpoint, exchanges stand in closest physical proximity with the sharpest view of mistakes, mishaps, and manipulation. This closeness means that they should see information first and ahead of any public regulators. Exchanges also have deep reserves of information on the traders admitted to the venue. They should possess a historical reserve of past trading and patterns of infractions. This perspective makes exchanges uniquely placed to control the spread of risks in the market through tools like trading halts and circuit breakers. However, as much as exchanges are essential private supervisors, they are also deeply embedded within the profit structure underpinning algorithmic trading. Now that nearly all exchanges have transformed from being non-profit, member-owned organizations to for-profit, shareholder-owned, demutualized entities that outsource most of their governmental duties, an overhaul of the self regulatory organization system and the immunity that comes with it may be in order. The exchange must play an active role in market supervision while controlling the issues of conflict of interest that may arise in performing dual functions. However, there is no provision for exemption from liability that may arise in the process of actively carrying out tasks that emphasize public regulators. Korea stock exchanges should enjoy immunity from liability for their regulatory activities as self regulatory organization. This would serve to better incentivize stock exchanges to take proper precautionary measures with respect to technological systems used to facilitate transactions, which in turn would protect investors from undue losses.

본 연구는 한국 주식 시장인 KRX 데이터에 중점을 둔 투자 전략의 최적화를 목표로 하였다. 전통적인 기술 분석 방법은 투자자들의 경험에 의존하여 파라미터를 선택하였다. 하지만 이 연구에서는 기존의 경험에 기반한 파라미터 선택 대신 유전 알고리즘을 사용하여 파라미터를 최적화했다. 결과적으로, 이 전략은 상승장과 하락장 모두에서 buy-and-hold 전략보다 더 나은 성과를 보였다. 이는 기술 분석의 파라미터 최적화의 중요성을 강조하며, 더 효과적인 투자 전략 개발의 가능성을 보여준다.

본 연구는 금융시장에서 최근 확대되고 있는 투자판단에 있어서의 알고리즘AI(artificial intelligence)의 이용을 둘러싼 법적책임과 그 해결책에 대해 고찰했다. 개별적인 투자판단에 알고리즘·AI를 이용하는 경우에는 사람의 판단이 개재되지 않을 수 있고 투자판단에 대한 예측 가능성과 설명 가능성이 낮아질 가능성이 있다. 특히 딥러닝(Deep Learning)을 이용하는 경우에는 이러한 판단근거의 블랙박스화가 발생하기 쉽다. 이 경우 알고리즘 AI를 이용한 거래로 의해 투자자에게 손실이 발생하거나 시장의 공정성을 해치는 거래가 이루어지는 경우 누가 어떠한 책임을 부담할 것인지가 불명확해지는 상황도 고려할 수 있다. 나아가 법 규정의 불확실성이 초래하는 법적 리스크가 금융산업 혁신에 위축효과를 초래하는 결과를 낳을 수도 있다. 이러한 문제의식을 바탕으로 본 연구에서는 알고리즘 AI를 통해 투자판단을 제공하는 경우 자본시장법상의 규제대상의 주체가 누구인지 또한 투자자에게 손실이 발생한 경우의 손실분담 문제를 명확히 함과 동시에 알고리즘 AI를 통해 자동으로 거래하는 경우의 불공정거래규제의 한계성과 입법론적 개선방안을 제시했다.

This study examines legal liability and solutions in regards to the use of algorithms and artificial intelligence (AI) in making investment decisions, which is a growing trend in the financial market. Algorithms and AI may not take into account human judgment in making investment decisions and may make investment decisions less predictable and explainable. In particular, the ambiguity of grounds for investment decisions may increase when using Deep Learning. In this case, it is also possible to consider a situation in which it is unclear who will be responsible for any loss incurred by algorithm-based trading or trading that impairs market fairness. Furthermore, legal risks caused by regulatory uncertainties could hamper innovation in the financial industry. Recognizing this issue, this study seeks to look at whether investment decisions made by algorithms and AI are subject to regulations under the Financial Investment Services and Capital Markets Act. In addition, the study aims to clearly identify the issue of loss sharing in the event of losses incurred by investors, and suggests limitations of unfair trade regulations and thus seeks ways to improve legislation.

The aim of this study is to design an intelligent pattern-based real-time trading system (PRTS) using rough set analysis of technical indicators, dynamic time warping (DTW), and genetic algorithm in stock futures market. Rough set is well known as a data-mining tool for extracting trading rules from huge data sets such as real-time data sets, and a technical indicator is used for the construction of the data sets. To measure similarity of patterns, DTW is used over a given period. Through an empirical study, we identify the ideal performances that were profitable in various market conditions.

최근 컴퓨터를 이용하여 효과적인 트레이드를 하려는 투자자들이 늘고 있다. 본 논문에서는 많은 인공지능 방법론 중에서 강화학습(reinforcement learning)을 이용하여 효과적으로 트레이딩하는 방법에 대해서 다루려한다. 특히 강화학습 중에서 natural policy gradient를 이용하여 actor의 파라미터를 업데이트하고, value function을 효과적으로 추정하기 위해 RLS(recursive least-squares) 기법으로 critic 부분을 업데이트하는 RLS 기반 natural actor-critic 알고리즘을 이용하여 트레이딩을 수행하는 전략에 대한 가능성을 살펴 보기로 한다.

최근 전자 상거래 인프라의 발전으로 인해, 온라인 상에서 주식의 매매가 이루어지는 전자 주식 매매 시스템(Electronic Stock Trading Systems: 약칭 ESTS)의 사용이 확산되고 있다. ESTS 상에서는 다양한 기밀 등급을 가진 정보가 서로 다른 신뢰 등급을 갖는 사용자에 의해 공유된다. 특정 정보가 허가된 사용자에 의해서만 접근되도록 보장하기 위해서는, 트랜잭션의 동시성 제어 과정에서의 다등급 보안 데이타베이스 시스템의 사용이 반드시 필요하다. 한편 ESTS 상에서는 분석적인 성향의 트랜잭션과, 매매 체결을 목적으로 하는 실시간 트랜잭션이 동시에 수행되므로, 기존에 고안된 여러 보안 동시성 제어 기법들이 적용되는 데 어려움이 있다. 본 논문에서는 ESTS 환경에서의 보안 동시성 제어를 위한 프로토콜인 보안 단일 스냅샷(Secure One Snapshot: 약칭 SOS) 프로토콜을 제안한다. SOS는 운용 데이터베이스 외에 하나의 스냅샷을 추가로 유지하여 비밀 경로의 생성 가능성을 차단함과 동시에 실시간 동시성 제어 알고리즘이 용이하게 적용될 수 있는 유열성을 제공한다. 또한 SOS는 완화된 정확성 기준을 사용함으로써 데이타의 신선도를 유지하기 위해 관리되는 큐의 길이를 감소시킬 수 있는 방법도 제시한다. 본 논문에서는, SOS의 동작 과정을 예를 통해 소개하고, 프로토콜의 정확성에 대한 분석을 제공한다.

Recent development of electronic commerce enables the use of Electronic Stock Trading Systems(ESTS) to be expanded. In ESTS, information with various sensitivity levels is shared by multiple users with mutually different clearance levels. Therefore, it is necessary to use Multilevel Secure Database Management Systems(MLS/DBMSs) in controlling concurrent execution among multiple transactions. In ESTS, not only analytical OLAP transactions, but also mission critical OLTP transactions are executed concurrently, which causes it difficult to adapt traditional secure transaction management schemes to ESTS environments. In this paper, we propose Secure One Snapshot(SOS) protocol that is devised for Secure Transaction Management in ESTS. By maintaining additional one snapshot as well as working database SOS blocks covert-channel efficiently, enables various real-time transaction management schemes to be adapted with ease, and reduces the length of waiting queue being managed to maintain freshness of data by utilizing the characteristics of less strict correctness criteria. In this paper, we introduce the process of SOS protocol with some examples, and then analyze correctness of devised protocol.