2020년에 열린 한국투자증권 리서치챌린지에서 "AI를 활용한 팩터투자" 를 주제로 동상을 수상하였습니다. 가격과 재무데이터 그리고 매크로 정보를 활용해 팩터를 생성하고 XGBoost 모델을 활용해 매월 초 포트폴리오 리밸런싱을 진행하였습니다. 포트폴리오 리밸런싱 시점과 유사한 매크로 상황을 지닌 과거 데이터에 가중치를 주었으며, 종목 선정 이후에 LIME을 활용하여 모델이 어떤 근거 하에 해당 종목을 선정했는지 확인해 이후 종목 스크리닝에 도움이 되도록 하였습니다.

올해 처음 열린 삼성 SDS Brigtics 공모전에 참가하였습니다. 공장 데이터 불량률 예측이 과제였습니다. 공장 데이터의 경우 불량률이 높은 case는 드물었기에 이러한 case를 예측하기 위한 모델링이 필요했으며 예측 성능을 높이기 위해 다양한 모델을 앙상블하는 스태킹 기법을 사용하였습니다(obs가 비교적 적어 딥러닝을 사용하지 않았습니다). 최종 면접에는 진출했지만 수상을 하진 못했습니다.

2019 네이버 DSC에 참가하여 예선 통과 및 본선 과제를 수행했습니다. 주어진 데이터는 금융 데이터였고 이를 활용한 인사이트 도출이 과제였습니다. 예선 때는 dynamic wrapping distance를 이용한 시계열 데이터 클러스터링 이후 각 클러스터 내에 우량주의 급등, 급락이 미치는 영향을 카이제곱검정을 이용하여 탐색했습니다. 본선 과제에서는 수익률 상관관계를 기반으로 한 네트워크 분석을 통해 종목을 묶고 네트워크 내 우량주의 움직임, 업계 전망, 시장 분위기(인터넷 기사 감성분석)를 사용해 등락을 예측했습니다.

2018년도 2학기부터 활동했던 교내 통계분석학회에서 진행한 데이터 분석입니다. kaggle에 올라온 PUBG 게임 데이터를 활용하여 기존 유저들의 이탈을 막고 신규 유저들의 흥미를 빠르게 불러오는 것이 분석의 목적이었습니다. 이를 위해 먼저 클러스터링을 통해 유저의 등급을 구분하고, 각 등급에 맞는 전략을 세워주었습니다. 초보에게는 선호하는 총기에 맞게 낙하 지점을 추천해주고, 중수에게는 생존 시간을 더욱 늘리기 위한 전략 추천, 그리고 고수에게는 마지막 자기장 위치를 예측해주는 분석이 있었습니다.

저 스스로 처음으로 진행해 본 데이터 분석입니다. Kaggle 에 있는 Home Credit의 data를 활용한 competition 이었는데 기본적으로 고객들의 과거 신용 기록을 바탕으로 연체를 할지 또는 하지 않을지를 예측하는 binary classification 문제였습니다. 제가 캐글에 올린 부분은 모델링 전의 EDA, 기본적인 feature engineering이 담겨 있습니다. 이후 모델링 부분은 캐글 커널에 싣지는 못했지만 unbalanced한 target 예측을 위해 다양한 sampling기법을 사용했습니다.