seungbeomdo

Hugging Face 사용법 (1) pipeline 함수 사용하기 및 모델 객체 로컬에 다운 받기 Hugging Face – The AI community building the future. The AI community building the future. Build, train and deploy state of the art models powered by the reference open source in machine learning. huggingface.co 0. Hugging Face 소개 허깅페이스는 seungbeomdo.tistory.com Fine tuning이란 pre-trained 모델을 구체적인 태스크에 맞게 추가적으로 훈련하는 과정을 말한다. 가령 주어진 직무 기술서를 보고..

Hugging Face – The AI community building the future. The AI community building the future. Build, train and deploy state of the art models powered by the reference open source in machine learning. huggingface.co 0. Hugging Face 소개 허깅페이스는 머신러닝 기술, 특히 딥러닝 모델의 손쉬운 공유 및 배포, 사용, 훈련을 가능하게 하는 생태계이다. 기존의 성능이 검증된 pre-trained 모델을 쉽게 (무료로) 다운 받아서 사용할 수 있고, 본인의 task에 맞게 모델을 fine-tuning하는 것도 가능하다. 스스로 제작/파인튜..

고정효과 모형의 가정 패널 회귀모형이 다음과 같이 주어졌다. $$Y_{i,t} = \mathsf{X}_{i,t}^{T}\beta + U_{i,t}$$ $$U_{i,t} = \mu_{i} + \epsilon_{i,t}$$ $$\epsilon_{i,t} \sim i.i.d. (0, \sigma_{\epsilon}^{2})$$ $$E(\mu_{i} \epsilon_{i,t}) = 0$$ $$E(X_{i,t}\epsilon_{i,t})=0$$ 이때, OLS 추정량이 모수를 일관적으로 추정하려면 $$E(U_{i,t}\mathsf{X}_{i,t}) = 0$$ 이 조건이 성립하기 위해서는 $$E(\mu_{i}\mathsf{X}_{i,t}) = 0$$ $$E(\epsilon_{i,t}\mathsf{X}_{i,t})=0..

임의효과 모형의 가정 패널 회귀모형이 다음과 같이 주어졌다. $$Y_{i,t} = \mathsf{X}_{i,t}^{T}\beta + U_{i,t}$$ $$U_{i,t} = \mu_{i} + \epsilon_{i,t}$$ $$\epsilon_{i,t} \sim i.i.d. (0, \sigma_{\epsilon}^{2})$$ $$E(\mu_{i} \epsilon_{i,t}) = 0$$ $$E(X_{i,t}\epsilon_{i,t})=0$$ 이때, OLS 추정량이 모수를 일관적으로 추정하려면 $$E(U_{i,t}\mathsf{X}_{i,t}) = 0$$ 이 조건이 성립하기 위해서는 $$E(\mu_{i}\mathsf{X}_{i,t}) = 0$$ $$E(\epsilon_{i,t}\mathsf{X}_{i,t})=0..

패널 데이터(Panel Data) 복수의 개체를 복수의 시점에서 관측한 데이터를 패널 데이터 횡단면 데이터(Cross-sectional): 복수의 개체를 하나의 시점에서 관측 시계열 데이터(Time-series): 하나의 개체를 복수의 시점에서 관측 패널회귀모델에서 변수는 2가지 차원의 변동이 가능하다. $$Y_{i,t} = \mathsf{X}_{i,t}^{T}\beta + U_{i,t}$$ $i$는 개체를, $t$는 시점을 나타내는 변수 반면 횡단면 혹은 시계열 데이터에서는 다음과 같은 회귀식 $$Y_{i} = \mathsf{X}_{i}^{T}\beta + U_{i}$$ Pooled OLS 패널데이터로 회귀분석을 실시하는 가장 단순한 방법은 패널의 구조를 무시하고 그냥 횡단면 데이터처럼 취급하여 OLS..

1. 가성 회귀 분석 Spurious Regression 종속변수 Y와 독립변수 X가 모두 Unit Root process인 경우를 생각하자. 이 경우에 다음과 같은 회귀모형을 상상할 수 있다. $$Y_{t} = \beta_{*} X_{t} + U_{t}$$ 그런데 $Y$와 $X$가 모두 Unit root process인 경우 $\beta_{*} = 0$이라는 귀무가설은 항상 기각된다. 즉 $X$가 실제로 $Y$에 통계적으로 유의한 영향력을 미치는지 여부와 무관하게, 항상 $X$가 유의한 독립변수로 나타난다. 이런 문제를 가성회귀 분석이라고 한다. 가짜 회귀분석이라는 뜻이다. 이런 회귀 모형을 세워서는 안 된다. 가성회귀 분석 문제에 대한 또다른 오해는 단지 $Y$와 $X$가 비정상 시계열일 때 가성회귀..

비정상 시계열의 두번째 유형은 Stochastic Time Trend이다. 시간에 대하여 일정한 추세를 가지지 않는 Random Walk 모델이다.1. Random Walk Model Random Walk Model은 다음과 같이 정의한다.$$Y_{t} = Y_{t-1} + U_{t}$$ where $$U_{t} \sim IID \; (0, \sigma_{*}^{2})$$ AR(1) model에서 $\beta$가 1인 경우와 동일하기 때문에, unit root process라고도 부른다. Random walk model을 따르는 경우, 특별히 추정해야 할 모수가 없다. 그냥 랜덤워크 모델이다. 인과검정이나 예측이 불가능한 모델이다.따라서 주요한 관심사는 주어진 process가 랜덤워크를 따르는 것이 맞는..

1. 자본비용과 요구수익률프로젝트에 대한 투자를 결정할 때, 투자로부터 발생하는 현금흐름의 현재가치를 평가하는 것이 일반적이다.그런데 현금흐름을 현재가치화할 때 어떤 할인율 혹은 요구수익률을 적용해야 할지 알 수 없다. 기업의 자본비용은 기업이 자본을 조달할 때 사용하는 비용을 말하는데, 이 값은 곧 기업의 사업에 적용해야 할 요구수익률과 같다.왜냐하면 기업에 대한 시장의 평가가 반영된 요구수익률로 기업이 자본을 조달하고, 발생한 현금흐름을 투자자들에게 다시 돌려주어야 하기 때문이다.2. 가중평균자본비용 WACC자본비용은 보통 가중평균자본비용 WACC을 의미한다. 일반적으로 자기자본과 타인자본 조달에 사용되는 비용이 다르므로, 기업의 재무구조에 따라 둘을 가중평균하여 사용한다.$$WACC = R_{E} ..

투자 의사결정에 참고할 수 있는 지표들 1. 순현재가치 NPV; Net Present Value 프로젝트의 결과로 발생하는 미래 수입의 현재가치에서 비용의 현재가치를 뺀 값 NPV가 양수이면, 비용보다 수입이 더 크므로 투자를 하는 것이 합리적 2. 자본회수기간 수입의 누적액 또는 수입 현재가치의 누적액이 초기 비용을 초과하는 데 걸리는 기간 자본회수기간이, 요구되는 회수기간보다 짧으면 투자 3. 내부수익률 IRR; Internal Rate of Return 프로젝트의 NPV를 0으로 만드는 할인율, 즉 다음을 만족시키는 r $$\Sigma_{t=1}^{N} \frac{Income_{t}}{(1+r)^{t}} = \Sigma_{t=1}^{N} \frac{Cost_{t}}{(1+r)^{t}}$$ 만약 내부..

기업의 재무상태를 측정하는 주요 지표들 1. 유동성 비율 단기 부채에 대한 지급 능력을 측정하는 지표 유동비율 = 유동자산 / 유동부채 : 유동부채를 감당하기에 유동자산이 충분한가? 당좌비율 = (유동자산 - 재고) / 유동부채 : 현금성이 떨어지는 재고자산을 제외하고 유동성 측정 현금비율 = 현금 / 유동부채 : 순수 현금만 가지고 유동성 측정 이자보상비율 = EBIT / 이자 : 이자지급 능력을 측정 현금보상비율 = EBITDA / 이자 : 실제 현금흐름을 가지고 이자지급 능력을 측정 2. 레버리지 비율 장기 부채에 대한 지급 능력을 측정하는 지표 총부채비율 = 부채 / 총자산 : 총자산 대비 부채가 얼마나 있는지 자기자본부채비율 = 부채 / 자기자본 : 자기자본 대비 부채가 얼마나 있는지 BIS 비..