이제 머신러닝을 활용하는 것은 금융투자업의 영역에서도 필수적인 사항이 됐다. 왜냐하면 머신러닝은 빅데이터상에서 우리 인간이 쉽사리 탐지하기 어려운 복잡한 비선형 패턴을 발견해 새로운 투자 인사이트나 전략에 대한 힌트를 제공할 수 있기 때문이다. 물론 한편으로 이는 새로운 위험 요인으로 작용한다. 특히 신호 대 잡음비가 낮으며 동시에 비정상성을 지닌 금융 시계열 데이터의 영역에서 머신러닝을 맹목적으로 사용한다면 표본 외에서 실질적인 금전적 손실을 입을 확률이 매우 높다. 즉, 이를 부주의하게 잘못 사용한다면 그 대가는 매우 클 수 있다.
이런 맥락에서 이 책은 처음부터 금융 머신러닝은 절대로 만능이 아님을 주장하며 동시에 그 사용에 있어 굉장한 주의가 필요함을 설파한다. 금융 머신러닝을 이야기하는 책들 중에서 금융 머신러닝의 위험성부터 먼저 제시하는 책은 거의 유일하다고 할 수 있다. 사실 이러한 식견은 금융 머신러닝이라는 분야를 굉장히 깊게 다뤄보지 않았다면 나올 수가 없는 생각이다. 그만큼 두 저자는 금융시장과 퀀트 그리고 머신러닝 영역에서의 전문성을 바탕으로 금융 머신러닝을 ‘올바르게’ 활용하는 방법을 알려준다.
또한, 데이터 처리에서 시작해 알파 신호 생성, 포트폴리오 최적화 및 백테스팅, 나아가서는 인과성과 해석성에 이르기까지 머신러닝에 기반한 팩터 투자를 하기 위해 필요한 모든 재료를 다루며, 이것들을 보다 거시적인 관점에서 조망한다. 다시 말해, 금융 머신러닝을 배우고자 하는 이들에게 어떤 단계에서 어떤 적절한 절차를 따라야 하는가를 일목요연하게 정리해놓은 한 권의 실무 매뉴얼이다.
더불어 각 장별로 각각의 모델을 실제로 구현해볼 수 있는 파이썬 코드들이 수록돼 있으며 이를 바탕으로 한 연습 문제들이 있다. 이러한 파이썬 실습은 독자들이 파이썬 코드를 직접 구현해보면서 머릿속으로만 이해했던 추상적인 모델들을 보다 직관적으로 이해하고 받아들일 수 있도록 돕는다. 이처럼 이론적 지식과 실무적 응용 사이의 갭을 효과적으로 메우고 있으며, 독자들이 머신러닝 기법을 팩터 투자에 적용할 때 필요한 견고한 사고 체계의 틀을 제시한다.