Research Area (English page)

🦄 UNIST 금융공학연구실에서는 개인 또는 기관의 재무설계(financial planning)를 위한 데이터 기반의 정량적인 기법들을 연구하고 개발합니다. 연구 분야는 크게 다음 세 가지로 구분될 수 있습니다.

• 👨‍👧‍👦 투자자(고객) 분석
  • 재무설계를 위해서는 투자자(고객)의 상황 및 니즈를 정확하게 이해하는 것이 중요합니다. 투자자와 관련된 금융 데이터(예: 급여 기록, 은행 계좌 입출금내역, 신용카드 사용내역)와 비금융 데이터(예: 직업, 가족관계, 건강검진 기록)를 분석하여 맞춤형 재무설계를 위한 주요 요소들을 파악합니다.(예: 재무목표, 위험회피성향, 제약조건
  • 관련 기법: 통계; 기계학습/인공지능
• 📈 시장 분석
  • 주식, 채권 등 금융자산을 포함해 상품, 데이터 등 비금융자산의 동적 특성을 분석하고 연구합니다.
  • 관련 기법: 계량경제학; 확률과정; 기계학습/인공지능
• 🎛️ 의사결정 최적화
  • 고객 정보와 시장 분석을 바탕으로 최적의 맞춤형 재무설계를 찾습니다. 특히 불확실성 하에서 다기간에 걸친 의사결정 문제를 주로 다룹니다.
  • 관련 기법: 최적화; 기계학습/인공지능

개인의 금융 데이터 분석 연구 관련 소개 영상 (2022년 10월 19일):

금융 마이데이터를 활용한 고객 맞춤형 투자 설계 / 이용재 UNIST 교수 (한국퀀트투자 컨퍼런스 2022)

💡 주요 연구 주제

위와 같이 세 가지로 분류된 연구 분야 안에서 🦄UNIST 금융공학연구실이 진행하고있는 세부적인 연구 주제 몇 가지를 소개합니다.

• 🏡 가계 금융건강측정 및 개인 금융데이터 분석을 통한 유형 분류

  • 개인의 금융활동은 사람마다 천차만별이나, 이러한 다양성에 대한 연구는 아직 많지 않습니다.
  • 우리 연구실에서는 개인의 다양한 금융 활동과 관련된 데이터를 분석하여 유형을 분류하고 이를 분석하는 연구를 수행 중입니다.
  • 적게는 수만명에서 많게는 수십만 명에 달하는 개인에 대해 각각 수십여개의 항목을 담은 데이터를 분석하기 위해 기계학습/인공지능 기법을 활용합니다.
  • 이러한 연구를 통해 개인의 다양한 금융 활동 안에서 어떻게 서로 다른 유형을 가지고 있으며, 어떻게 분포되어있고, 어떻게 변해가는지를 분석하고 각 상황에 맞는 적절한 조언을 해주는 것이 목표입니다.
  • 현재 분석 중인 데이터는 아래와 같습니다.
    • 자산, 부채, 소득, 지출 데이터 (통계청)
    • 증권거래 데이터 (신한투자증권)
    • 주택담보대출 데이터 (주택금융공사)
    • 의료비 데이터 (국민건강보험공단)
  • 관련 논문
    • Kim, Kyeongbin†; Hwang, Yoontae†; Lim, Dongcheol; Kim, Suhyeon; Lee, Junghye*; Lee, Yongjae** (2023) "Household Financial Health: A Machine Learning Approach for Data-Driven Diagnosis and Prescription," Quantitative Finance, 23(11), 1565-1595
    • Hwang, Yoontae; Lee, Yongjae**; Fabozzi, Frank J.* (2023) "Identifying Household Finance Heterogeneity via Deep Clustering," Annals of Operations Research, 325, 1255-1289
    • Hwang, Yoontae; Park, Junpyo; Kim, Jang Ho*; Lee, Yongjae**; Fabozzi, Frank J. (2023) “Heterogeneous Trading Behaviors of Individual Investors: A Deep Clustering Approach,” R&R (2nd round), Finance Research Letters

• 💡 금융상품 추천시스템 연구

  • 비디오 및 음악 스트리밍, e-commerce 등 대부분의 온라인 서비스의 성공에 있어 추천시스템은 빼놓을 수 없는 필수 요소입니다. 성공적인 추천시스템의 원리는 수많은 고객들의 선호도를 분석하고 이를 기반으로 개개인이 좋아할만한 아이템을 추천하는 것입니다.
  • 최근 GameStop 사태, 동학개미운동 등을 보면 개인투자자들이 자본시장에 매우 적극적으로 나서고 있는 것을 볼 수 있습니다. 특히 이제는 유투브 등의 매체를 통해 반도체, 2차전지 등 다양한 산업분야에 대한 지식을 습득하기가 쉬워졌고, 개인투자자도 이를 바탕으로 본인만의 ‘선호도’를 나타내는 경우가 많아졌습니다.
  • 하지만 금융상품은 단순히 ‘선호도’만을 기반으로 추천을 할 수는 없습니다. 자칫 잘못하면 특정 분야에만 집중된 포트폴리오가 구성될 수 있기 때문입니다.
  • 따라서 우리는 개인투자자들의 선호도를 고려하면서도 금융상품의 다양한 특성과 포트폴리오 이론을 기반으로 조금 더 올바른 투자를 할 수 있는 추천시스템을 개발하기 위해 다양한 연구를 하고 있습니다.
  • 관련 논문
    • Lee, Youngbin; Kim, Yejin; Hong, Joohwan; Lee, Yongjae*** (2023) “Stock Recommendations for Individual Investors: A Temporal Graph Network Approach with Diversification-Enhancing Contrastive Learning,” ICAIF’23 Workshop on Machine Learning for Investor Modelling and Recommender Systems
    • Kim, Seonmi†; Lee, Youngbin†; Kim, Yejin†; Hong, Joohwan;* Lee, Yongjae** (2023) “NFTs to MARS: Multi-Attention Recommender System for NFTs,” submitted
    • Choi, Minjoo†; Kim, Seonmi†; Kim, Yejin†; Lee, Youngbin†; Hong, Joohwan; Lee, Yongjae*** (2023) “An NFT Collectibles Recommender System with Content Features,” AI in Finance Bridge Program at AAAI-23
    • Chung, Munki; Lee, Yongjae*; Kim, Woo Chang* (2023) “Mean-Variance Efficient Collaborative Filtering for Stock Recommendation,” submitted

• 🕰️ 기계학습을 통한 주식 데이터(시계열, 텍스트) 분석 및 투자

  • 활용 가능한 데이터가 많아지고 컴퓨터의 계산 능력도 늘어나면서 이전과 같이 시계열이나 텍스트 분석에서도 모든 것을 미리 가정한 모델에 끼워 맞춰가며 분석 할 이유가 줄어들고 있습니다.
    • 기계학습/인공지능 모델의 활용은 많은 부분을 선형 관계에 의존해온 기존 모델의 한계를 뛰어넘을 수 있을 것으로 보입니다.
  • 세부 주제
    • 주식 데이터(시계열, 재무제표, 텍스트)에 대한 representation learning
    • Generative Adversarial Network (GAN)을 활용한 금융시계열 모델링 및 이상탐지
    • LLM을 활용한 텍스트 분석 및 이를 활용한 투자
  • 관련 논문
    • Hwang, Yoontae; Lee, Junhyeong; Kim, Daham; Noh, Seunghwan; Hong, Joohwan; Lee, Yongjae*** (2023) “SimStock: Representation Model for Stock Similarities,” 4th ACM International Conference on AI in Finance (ICAIF’23), oral presentation (top 27%)
    • Kim, Seyoung; Hong, Joohwan;* Lee, Yongjae** (2023) “A GANs-based Approach for Stock Price Anomaly Detection and Investment Risk Management,” 4th ACM International Conference on AI in Finance (ICAIF’23), oral presentation (top 27%)
    • Kim, Seonmi†; Kim, Seyoung†; Kim, Yejin†; Park, Junpyo; Kim, Seongjin; Kim, Moolkyeol; Sung, Chang Hwan**; Hong, Joohwan*; Lee, Yongjae**** (2023) “LLMs Analyzing Analysts: Do BERT and GPT Extract More Value from Financial Analyst Reports?,” 4th ACM International Conference on AI in Finance (ICAIF’23), poster presentation (acceptance rate 40%)
    • Hwang, Yoontae; Park, Junpyo; Lim, Dong-Young*; Lee, Yongjae** (2023) “Stop-loss Adjusted Labels for Machine Learning-based Trading of Risky Assets,” Finance Research Letters, 58, 104285
    • Kwon, Sohyeon; Park, Heehwan; Ahn, Dohyun; Lee, Yongjae* (2023) “Can GANs Properly Generate Financial Time Series?,” working paper