Project & Algorithm

2025년 2월 15일 토요일

기업 분석과 월가 투자자들의 자금 흐름 관찰

미국 주식 시장에서 살아남기 위해서는 단순한 차트 분석을 넘어, 월가 거물들의 자금 흐름과 거시경제 환경을 종합적으로 읽어내는 능력이 필수적입니다.

하지만 개인 투자자가 수많은 경제 지표와 기업 데이터, 기관의 13F 공시를 일일이 추적하고 분석하기란 쉽지 않죠.

최근 이런 정보 탐색의 수고를 획기적으로 덜어주는 웹사이트 ShowYourPortfolio.com 을 발견하여 직접 활용해 본 후기를 남깁니다.

핵심 기능 및 활용 포인트

월가 투자자 포트폴리오 관찰

시장을 주도하는 메이저 기관 투자자들과 대가들의 포트폴리오 구성 및 변경 내역을 직관적으로 확인할 수 있습니다. 큰 자금이 어떤 섹터와 기업으로 이동하는지 추적하여, 투자 아이디어를 얻거나 내 포트폴리오를 점검하는 데 훌륭한 레퍼런스가 됩니다.

거시경제 시그널 및 매크로 지표 트래킹

복잡한 시장 환경 속에서 방향성을 잃지 않도록, 주요 거시경제 신호들을 검출해 보여줍니다. 금리 동향, 정책 변화 등 주식 시장 전반에 영향을 미치는 매크로 변수들을 한곳에서 체크하고 대응 전략을 세우기에 매우 유용합니다.

데이터 기반 심층 기업 분석

매크로 환경 분석에서 그치지 않고 개별 기업의 펀더멘털 분석까지 매끄럽게 이어집니다. 투자 결정을 내리기 전, 정량적이고 객관적인 데이터를 바탕으로 기업의 가치를 다각도에서 검증해 볼 수 있습니다.

파편화된 금융 데이터들을 모아 투자자에게 유의미한 신호로 바꿔주는 강력한 툴입니다. 감에 의존하는 투자가 아닌, 철저한 데이터 기반의 퀀트적 접근이나 탑다운 방식의 투자를 지향하는 분들이라면 반드시 활용해 보시길 추천합니다.

2024년 9월 7일 토요일

PIDNet: A Real-time Semantic Segmentation Network Inspired from PID Controller

Github: https://github.com/XuJiacong/PIDNet

Paper: https://arxiv.org/pdf/2206.02066

PIDNet은 실시간 도로 장면 이해를 위한 고정밀 실시간 Semantic segmentation 모델입니다
주로 도로 환경에서 freespaces, lane, pedestrian 등을 빠르고 정확하게 분리할 때 사용합니다.

PIDNet은 PID 컨트롤러의 개념을 차용해 네트워크를 설계했습니다. PID 컨트롤러는 시스템의 오차를 줄이기 위해 비례(P), 적분(I), 미분(D) 요소를 조합하는데, PIDNet은 이를 딥러닝에 적용해 다음과 같은 문제를 해결합니다:

1. 오버슈트 문제: 기존 2분기 네트워크에서 세부 정보가 문맥에 묻히는 현상을 경계 정보를 추가해 완화
2. 실시간성: 계산 효율성을 높여 빠른 추론 속도를 유지

Cityspaces 태스크에대해서 SOTA를 달성했고 2023년도 CVPR에 accept되었습니다.

[Architecture]

크게 3가지 Branch로 나누어집니다.

1. P-branch (Parsing)

의미 있는 high-level 정보 추출
큰 물체나 장면 전반의 컨텍스트를 파악

2. I-branch (Intermediate)

P-branch와 D-branch 사이를 연결하는 브리지 역할
정보 균형 맞추기 위해 사용

3. D-branch (Detail)

edge나 fine-grained boundary 등 정밀한 경계 추출

D-branch로 sharp한 경계 유지, P-branch로 전반적인 구조 이해, I-branch로 둘 사이의 정보를 보완 및 연결이 주된 branch들의 기능입니다.

흥미로운 점은 Ground truth에 사용되는 데이터들이 cany edge로 전처리하여 추가적인 학습에 사용되는데 그 이유는 다음과 같습니다.

1. Detail branch가 "경계 중심"으로 학습되게 하기 위함

일반적인 segmentation GT는 object 내부 픽셀도 모두 포함하는데 하지만 D-branch는 전체 object 영역이 아니라, "어디서 object가 끝나고 배경이 시작되는지"를 알아야 합니다. 그래서 GT에서 edge만 추출(Canny) → D-branch의 학습 target으로 사용
즉, D-branch는 object의 윤곽선(edge)을 학습하고, P-branch는 object의 의미(class)를 학습하는 역할 분담이 됩니다.

2. 정보 분산 구조 (Progressive Information Distillation)를 위한 명확한 역할 부여

각 branch가 역할 혼란 없이 자신이 봐야 할 정보에 집중할 수 있도록 도와주는 게 Canny edge 사용의 핵심 목적입니다.

[Latency]

세 branch를 분리된 경로로 처리함으로써 효율적 연산 병렬화가 가능해졌고, 기존 BiSeNet 등에서 사용하던 heavy한 feature fusion 모듈 대신, PIDNet은 더 단순한 PID block으로 정보를 주고받으면서 latency 줄이는 데 큰 역할을 하였습니다.

뿐만아니라 마지막 stage에서 segmentation map 생성 시, 복잡한 attention이나 global context 모듈 없이 단순한 concatenation과 conv로 처리하여 속도에 이점을 가져왔습니다.