ECONOMICS FOUNDATIONS경제 기본편
루틴 개 · 가장 짧은 루틴 일 · MOVE 개
경제적 인간(호모 이코노미쿠스)은 계산이 본능인 사람입니다. 이익을 좇고 손해를 피하는 본능을 평생 흔들림 없이 따릅니다. 그런 사람의 60년이 계좌 넷에 로그로 남았습니다. 그 로그로 그가 정말 경제적 인간인지 네 루틴으로 검정합니다. 데이터를 구하거나 전처리할 일이 없습니다. 네 루틴이 같은 파일을 쓰고 루틴마다 계좌 하나를 보며, 각 MOVE에서 가설을 검정하거나 모형을 판정·추정합니다.
생애로그 데이터로 푸는 경제적 인간의 비밀
2가지 가설
7 days · 3 Moves
- 내 생애로그가 경제적 인간 모집단에서 뽑힌 표본인지 판단할 수 있다
- 모집단 모수와 내 표본통계량의 차이를 검정으로 확인할 수 있다
경제적 인간의 생애로그 · 입출금계좌20세–80세 월별 720행 · 월급 입금 · 소비 출금 · 소비율 · 모집단의 소비율 모평균·모분산 제공
모평균과 모분산을 아는 경우표준정규분포 · z내 월 소비율의 표본평균은 경제적 인간 모집단의 모평균과 같은가 모분산을 모르는 경우t분포 · df = n−1모분산을 내 로그에서 추정해도 같은 결론인가 모분산을 아는 경우카이제곱분포 · χ²내 소비율의 표본분산은 경제적 인간 모집단의 모분산과 같은가 (소비 평탄화)
생애로그 데이터로 푸는 금리의 비밀
7가지 가설
21 days · 7 Moves
- 자료 구조에 맞는 검정을 골라 금리의 전달 경로에 적용할 수 있다
- 일곱 가설을 각각의 검정통계량으로 판정할 수 있다
경제적 인간의 생애로그 · 예금·대출계좌기준금리 · 국고채 3년/10년 · 예금금리 · 시장 주택담보대출 금리 · 예금·대출 잔액 · 월 이체액·상환액 · 금리 국면(인상·동결·인하)
대응표본 t검정차이평균기준금리 인상 전보다 인상 후 내 예금금리가 올랐는가 독립표본 t검정평균차이고금리기는 저금리기보다 월 저축액이 큰가 일원분산분석 F검정집단간 / 집단내 분산비인상기·동결기·인하기의 월 대출 상환액은 서로 다른가 상관분석 t검정상관계수국고채 10년 금리와 주택담보대출 금리는 서로 상관이 있는가 단순선형회귀분석 F검정회귀 / 잔차 분산비국고채 10년 금리는 주택담보대출 금리를 설명하는가 단순선형회귀분석 t검정기울기와 절편국고채 금리의 회귀계수(전가율)는 유의한가, 1과 같은가 일원공분산분석 F검정공변량 보정 후 분산비나이를 통제해도 금리 국면이 저축액에 효과가 있는가
생애로그 데이터로 푸는 보험의 비밀
4가지 선형모형
14 days · 4 Moves
- 보험료를 기본요율과 경험요율로 나눠 볼 수 있다
- 연도 효과의 축소(BLUP)로 내 보험료의 적정성을 설명할 수 있다
경제적 인간의 생애로그 · 자동차보험계좌20세–80세 월별 720행 · 연령등급 · 할인할증등급 · 보험료 출금 · 사고 건수 · 보험금 입금 · 손해율
분석을 위한 선형모형연령 등급요율 · ANOVA vs 회귀분석사고는 연령 등급(5세 구간)으로 설명되는가, 나이의 연속 함수로 설명되는가 고정효과 선형모형기본요율 · BLUE · 최량선형불편추정량연령 등급마다 손해율(보험금÷보험료)이 다른가. 기본요율은 등급을 제대로 반영하는가 임의효과 선형모형경험요율 · 신뢰도 · BLUP · 연도 임의효과해마다의 사고 경험을 다음 해 보험료에 얼마나 반영해야 하는가 (연도 효과의 축소) 혼합 선형모형할인할증 · BLUE + BLUP기본요율 × 할인할증으로 낸 60년 보험료는 적정했는가
생애로그 데이터로 푸는 주식의 비밀
6가지 머신러닝 모델
21 days · 6 Moves
- 수익률과 변동성 중 무엇이 예측되는지 판단할 수 있다
- 여섯 모델의 파라미터 수와 성능을 수익률·변동성 각각 한 표로 비교할 수 있다
경제적 인간의 생애로그 · 증권계좌입력 10변수(금리 3 · KOSPI 수익률 · 전월 수익률 · 나이 · 소득 · 저축률 · 대출잔액 · 자동차보험료) · 출력 4(월 수익률, 변동성 / 매수·매도, 손실 발생)
선형회귀시장모형 · CAPM · 베타 · 가중치 1×2 + 절편 2내 수익률은 KOSPI를 따라가는가, 베타는 1인가 다중선형회귀다요인 모형 · 가중치 10×2 + 절편 2금리·전월 수익률·생애 변수를 더하면 설명력이 늘어나는가 (전월 수익률의 계수가 0이면 랜덤워크) 순환신경망 회귀시계열 딥러닝 · LSTM파라미터를 늘려도 수익률은 못 맞추고 변동성만 맞추는가 로지스틱 회귀매매 판정 · 가중치 10×2 + 절편 2매수·매도와 손실 발생을 판정한다. 금리·나이가 매매를 설명하는가 트리 계열변수 중요도 · 의사결정나무 · 랜덤포레스트 · 부스팅매매를 가장 잘 가르는 변수가 전월 수익률이면 오르면 사고 내리면 파는 사람이다 딥러닝 분류동일 구조 · 출력층 변경회귀와 같은 구조로 매매를 판정해 성능을 비교한다