핍 이해하기

마지막 업데이트: 2022년 5월 4일 | 0개 댓글
  • 네이버 블로그 공유하기
  • 네이버 밴드에 공유하기
  • 페이스북 공유하기
  • 트위터 공유하기
  • 카카오스토리 공유하기

핍 이해하기

우선 Pips는 이라고 부릅니다.
Pip은"Percentage In Point"의 약자입니다.

이 Pips는 FX트레이드를 할 때 사용되는 통화 단위가 됩니다.

FX에서 가장많이 거래되고있는 달러엔의 경우

일본 엔 0.01엔=1전이라고 하며 이 1전을1핍이라고 합니다.

왜 pips로 나타내나?

그럼 왜 "pips"으로 표현할까요?

그건FX시장에 여러가지 통화 페어가 있고,다른 통화 페어를 엔의경우처럼 "전"으로 표시하기가 어렵기때문입니다.
그래서"pips"로 나타내는 것이 손익을 얼마나 내고있는지 손실은 얼마나 내고 있는지 알기 쉽기 때문에 "pips"로 표시하는것이 통례로 되어 있습니다.

-크로스엔의 경우의 pips는 소수 둘째자리입니다.

-크로스엔이란 ◯ ◯엔으로 표기되는 통화 페어를 말합니다.
예를 들어, 달러엔(USDJPY),유로 엔(EURJPY), 파운드 엔(GBPJPY) 같이 통화페어에 엔이 들어있는 통화쌍을 크로스엔이라고 부릅니다.

-크로스엔의 pips는 소수 2위로 기억하면 알기가 쉽습니다.

달러 엔(USDJPY)을 약 110.00엔에 매수 주문(롱 포지션)을 넣고 110.08엔에 결제를하면 수익이 8pips라는 것입니다.

추가로 거래단위에 다른 수익금도 함께 설명드리도록하겠습니다.

(간단한설명을 위해 스프레드 제외, 1달러=100엔이라고 가정)

8 pips수익의 경우 0.1랏으로 매수주문넣었을때 수익금은 8천원

8 pips수익의 경우 1랏으로 매수주문넣었을때 수익금은 8만원

8 pips수익의 경우 10랏으로 매수주문넣었을때 수익금은 80만원

(거래단위인 랏(lot)에 대한 설명은 아래에서 다시 하도록 하겠습니다. )

FX시장은 주식시장과 달리 양방향 시장이므로 매수해서 환율이 올라야만 수익이 되는것이 아니라

환율이 떨어져도 물론 수익을 낼수가있습니다.

위의 예를 거꾸로 해보겠습니다.

달러 엔(USDJPY)을 약 110.08엔에 매도 주문(쇼트 포지션)을 넣고 110.00엔에 결제를하면 수익이 8pips이 됩니다.

쇼트포지션을 갖고 환율이 하락하였으니 8핍 이익이 되는것입니다.

그외 통화쌍의 Pips는 소수 네째자리!

기타 통화는 소수 네째자리로 기억 하시면됩니다.

예를 들어, 유로 달러(EURUSD)를 약 1.170 0 달러에 사겠다는 주문(롱 포지션)을 넣었다고 하고, 조금 가격이 오른 1.170 9 달러로 결제했다면 9 pips 딴것이 됩니다.

003# FX 마진거래에서 PIP과 LOT이란? 1

어제 Meta Trader 4 설치와 데모계좌 개설, 주문을 해보는 방법에 대해 알아보았습니다.

거래를 위해 플랫폼의 설치와 계좌 개설 등의 이론이 아닌 방법에 대해 알아본 만큼 오늘은 약간 머리 아픈 이론을 다루어 볼까 합니다.

그렇다고 무지 어렵고, 이해하기 힘든 이론은 아니구요. 몰라도 된다라고 생각할 수 있지만, 그래도 FX 마진거래 하는 사람으로서 기본은 알아야 하니까요.

오늘 말씀드릴 내용은 PIP과 LOT입니다.

앞서 어제 주문을 할때 LOT에 대해서는 간단히 말씀드렸는데 PIP에 대해서 오늘 처음 말씀드리는것 같습니다.

PIP(Percentage In Point)은 FX 마진거래에서 환율이 변화하는 단위 즉, 호가의 최소 단위로써 주식에서의 포인트(지수), 선물에서의 틱(Tick) 과 같은 개념입니다.

쉽게 설명해서 EURUSD 통화쌍의 환율이 1.0928에서 1.0929로 움직이면 1 PIP이 변동성이 생겼다고 말합니다.

대부분의 통화쌍들은 소수점 넷째짜리를 기본적으로 1 PIP으로 계산하고, 일본 엔화(JPY) 통화쌍만 소수점 두번째자리의 변동성을 PIP으로 계산합니다.

다음은 1 PIP이 가지고 있는 가치에 대해 한번 알아보겠습니다.

기본적으로 FX마진거래는 USD 통화가 거의 기준으로 사용되기때문에 USD 통화쌍을 이용해서 1 PIP의 가치를 알아보겠습니다.

우선, USD가 기준통화(USD가 앞에 자리하고 있는)인 통화쌍으로 계산해 보겠습니다.

작성하는 지금의 환율을 기준으로

즉, USDJPY 1 PIP의 가치는 약 0.0000945입니다.

USDCAD 1 PIP의 가치는 0.0000745입니다.

여기서 USDJPY는 0.01로 계산을 하였는데, USDCAD를 0.0001로 계산한 이유는 앞서 말씀드린 것처럼 JPY를 포함한 통화는 소수점 두번째 자리를 1 PIP으로 계산하고 그외의 대부분의 통화는 소수점 넷째짜리를 1 PIP으로 계산하기 때문입니다.

이번엔 반대로 USD가 비교통화(USD가 뒤에 자리하고 있는)인 통화쌍으로 계산해 보겠습니다.

여기서 USD가 비교통화 이기때문에 한번 더 계산이 필요합니다.

0.0000915가 EUR기준이기 때문입니다.

EURUSD 1 PIP의 가치는 0.0001입니다.

GBPUSD 1 PIP의 가치는 0.0001입니다.

계산과정은 초등학생 수준인 덧셈, 뺄셈, 곱셈, 나누기로 계산이 가능하지만 아무리 그래도 이러한것까지 알아야 하는지 궁금증이 생기실 겁니다.

저역시도 처음엔 어짜피 내가 계산을 할 줄 몰라도 거래만 잘하고 수익만 나면 되니까.. 라는 생각에 처음엔 알고싶어 하지않았습니다.

하지만 조금씩 시간이 지나면서 그래도 FX 마진거래를 핍 이해하기 하고 있는데 기왕이면 알면 좋지 않을까? 라는 생각에 알아보게 되었고, 그리 어렵지 않은 것이였습니다.

지금 시작하는 또는 FX 마진거래를 하고는 있지만 모르셨던 분들에게 꼭 알아야 한다기 보다 한번쯤은 보고 이런 계산식을 통해 PIP의 가치를 알수 있구나.. 라는 생각만 하셔도 좋을것 같습니다.

다음은 LOT에 대해서 설명을 해야하는데..

제가 오늘은 시간이 조금 모자라서 내일 다시 업데이트를 하겠습니다.

코멘트 (0)

종목명 가격 변동률
EURUSD - -
GBPUSD - -
USDJPY - -
AUDUSD - -
NZDUSD - -
USDCHF - -
USDCAD - -

pipkeeper 는 해외선물에도 메치가 가능한가요?

아..TraderHaru님이 블루아이님 인가요~?

오래전에 짜 주신 개인적인 EA와 관련해서 연락 드릴수 있을까 해서요

안녕하세요~ 블루아이님과 연락 할수 있을까요?

네ㅎㅎ 저는 화성시로 이사와서 애기키우며 그럭저럭 살고있어요 ㅎㅎ

다들 즐거운 월요일 보내세요

즐거운 하루 되세요~ 모두 성투 합시당

캐나다 전월대비 핵심 소매판매 발표.발표치: 0.2% / 예상치: 0.5% / 이전치: -0.5%

캐나다 전월대비 핵심 소매판매 (발표일: 2019년 8월 23일 | 발표: 0.9% | 이전: -0.3% | 예상: -0.1%)

캐나다자국내 자동차 부문을 제외한 소매 판매액의 총 변화율을 나타낸 지표이다.일반적으로 발.

영국 서비스업 구매관리자 지수 잠정치 발표.발표치: 52.9 / 예상치: 51.1 / 이전치: 50.0

영국 (발표일: 1970년 1월 1일 | 발표: | 이전: | 예상: )

의 상세설명은 아직 준비중입니다.

영국 제조업 구매관리자 지수 잠정치 발표.발표치: 49.8 / 예상치: 48.8 / 이전치: 47.5

영국 (발표일: 1970년 1월 1일 | 발표: | 이전: | 예상: )

의 상세설명은 아직 준비중입니다.

유럽 독일 서비스업 구매관리자 지수 발표.발표치: 54.2 / 예상치: 53.0 / 이전치: 52.9

유럽 독일 서비스업 구매관리자 지수 (발표일: 2019년 8월 22일 | 발표: 54.4 | 이전: 54.5 | 예상: 54.1)

서비스업에 종사하는 구매관리자를 대상으로 조사한 확산지수를 나타낸 지표이다.일반적으로 발표.

유럽 독일 제조업 구매관리자 지수 발표.발표치: 45.2 / 예상치: 44.5 / 이전치: 43.7

유럽 독일 제조업 구매관리자 지수 (발표일: 2019년 8월 22일 | 발표: 43.6 | 이전: 43.2 | 예상: 43.1)

제조업에 종사하는 구매관리자를 대상으로 조사한 확산지수를 나타낸 지표이다.일반적으로 발표치.

유럽 프랑스 서비스업 구매관리자 지수 발표.발표치: 51.7 / 예상치: 52.2 / 이전치: 52.4

유럽 프랑스 서비스업 구매관리자 지수 (발표일: 2019년 8월 22일 | 발표: 53.3 | 이전: 52.6 | 예상: 52.5)

서비스업에 종사하는 구매관리자를 대상으로 조사한 확산지수를 나타낸 지표이다.일반적으로 발표.

은행 금리
연방준비은행(FED) 2.50%
유럽중앙은행(ECB) 2.50%
일본은행(BOJ) 2.50%
영국은행(BOE) 2.50%
스위스국립은행(SNB) 2.50%
호주준비은행(RBA) 2.50%
캐나다은행(BOC) 2.50%
뉴질랜드은행(RBNZ) 2.50%

Risk Disclosure: ForexLiga will not accept any liability for loss or damage 핍 이해하기 as a result of reliance on the information contained within this website including data, quotes, charts and buy/sell signals. Please be fully informed regarding the risks and costs associated with trading the financial markets, it is one of the riskiest investment forms possible. Currency trading on margin involves high risk, and is not suitable for all investors. Before deciding to trade foreign exchange or any other financial instrument you should carefully consider your investment objectives, level of experience, and risk appetite. ForexLiga would like to remind you that the data contained in this website is not necessarily real-time nor accurate. All CFDs (stocks, indexes, futures) and Forex prices are not provided by exchanges but rather by market makers, and so prices may not be accurate and may differ from the actual market price, meaning prices are indicative and not appropriate for trading purposes. Therefore ForexLiga doesn’t bear any responsibility for any trading losses you might incur as a result of using this data.

TFX 사용자 가이드

TFX는 TensorFlow를 기반으로 하는 Google의 프로덕션 규모 머신러닝(ML) 플랫폼입니다. 머신러닝 시스템을 정의, 시작, 모니터링하는 데 공통으로 필요한 구성요소를 통합할 수 있는 구성 프레임워크 및 공유 라이브러리를 제공합니다.

TFX 1.0

이제 TFX 1.0.0을 사용할 수 있습니다. 이는 TFX 베타 버전 이후의 초기 버전이며 안정적인 공개 API 및 아티팩트를 제공합니다. 향후 TFX 파이프라인은 이 RFC에 정의된 호환성 범위 내에서 업그레이드된 후에도 계속 작동합니다.

나이틀리 패키지

TFX는 Google Cloud에서 나이틀리 패키지(https://pypi-nightly.tensorflow.org)도 호스팅합니다. 최신 나이틀리 패키지를 설치하려면 다음 명령어를 사용하세요.

그러면 TFMA(TensorFlow Model Analysis), TFDV(TensorFlow Data Validation), TFT(TensorFlow Transform), TFX-BSL(TFX Basic Shared Libraries), MLMD(ML Metadata) 같은 주요 TFX 종속 항목을 지원하는 나이틀리 패키지가 설치됩니다.

TFX 정보

TFX는 프로덕션 환경에서 ML 워크플로를 빌드하고 관리하기 위한 플랫폼입니다. TFX는 다음을 제공합니다.

ML 파이프라인 빌드를 위한 툴킷. TFX 파이프라인을 사용하면 Apache Airflow, Apache Beam, Kubeflow 파이프라인 등 여러 플랫폼에서 ML 워크플로를 조정할 수 있습니다.

파이프라인의 일부로 또는 ML 학습 스크립트의 일부로 사용할 수 있는 표준 구성요소 집합. TFX 표준 핍 이해하기 핍 이해하기 구성요소는 ML 프로세스 빌드를 쉽게 시작할 수 있도록 검증된 기능을 제공합니다.

많은 표준 구성요소에 기본 기능을 제공하는 라이브러리. TFX 라이브러리를 사용하여 이 기능을 자체 맞춤 구성요소에 추가하거나 별도로 사용할 수 있습니다.

TFX는 TensorFlow를 기반으로 하는 Google의 프로덕션 규모 머신러닝 툴킷입니다. 머신러닝 시스템을 정의, 시작, 모니터링하는 데 공통으로 필요한 구성요소를 통합할 수 있는 구성 프레임워크 및 공유 라이브러리를 제공합니다.

TFX 표준 구성요소

TFX 파이프라인은 확장 가능한 고성능 머신러닝 작업을 위해 특별히 설계된 ML 파이프라인을 구현하는 일련의 구성요소입니다. 여기에는 온라인, 기본 모바일 및 자바스크립트 타겟을 대상으로 한 모델링, 학습, 추론 제공 및 배포 관리가 포함됩니다.

TFX 파이프라인에는 일반적으로 다음 구성요소가 포함됩니다.

ExampleGen은 입력 데이터 세트를 수집하고 선택적으로 분할하는 파이프라인의 초기 입력 구성요소입니다.

Evaluator는 학습 결과를 심도 있게 분석하고 내보낸 모델을 검증하여 프로덕션에 푸시할 수 있을 정도로 '좋은' 상태인지 확인하는 데 도움이 됩니다.

InfraValidator는 모델이 인프라에서 실제로 제공 가능한지 확인하고 잘못된 모델이 푸시되지 않도록 핍 이해하기 합니다.

BulkInferrer는 라벨이 지정되지 않은 추론 요청이 있는 모델에서 일괄 처리를 실행합니다.

다음 다이어그램은 이러한 구성요소 간의 데이터 흐름을 보여줍니다.

구성요소 흐름

TFX 라이브러리

TFX에는 라이브러리와 파이프라인 구성요소가 모두 포함됩니다. 다음 다이어그램은 TFX 라이브러리와 파이프라인 구성요소 간의 관계를 보여줍니다.

라이브러리 및 구성요소

TFX는 파이프라인 구성요소를 생성하는 데 사용되는 라이브러리인 Python 패키지를 여러 개 제공합니다. 이러한 라이브러리를 사용하면 코드가 파이프라인의 고유한 측면에 집중할 수 있도록 파이프라인의 구성요소를 생성할 수 있습니다.

TFX 라이브러리에는 다음이 포함됩니다.

TensorFlow Data Validation(TFDV)은 머신러닝 데이터를 분석하고 검증하기 위한 라이브러리입니다. TensorFlow Data Validation은 확장성이 뛰어나고 TensorFlow 및 TFX와 원활하게 연동되도록 설계되었습니다. TFDV에는 다음이 포함됩니다.

    학습 및 테스트 데이터에 관한 요약 통계의 확장 가능한 계산

데이터 분포 및 통계를 위한 뷰어와의 통합 및 데이터세트 쌍(패싯)의 패싯 구조 비교

필수 값, 범위 및 어휘와 같은 데이터에 관한 기대치를 설명하는 자동화된 데이터 스키마 생성

스키마를 검사하는 데 도움이 되는 스키마 뷰어

누락된 특성, 범위를 벗어난 값 또는 잘못된 특성 유형 등과 같은 이상치를 식별하기 위한 이상 감지

이상치가 있는 특성을 확인하고 문제를 수정하기 위해 자세히 알아볼 수 있는 이상치 뷰어

TensorFlow Transform(TFT)은 TensorFlow를 사용하여 데이터를 사전 처리하기 위한 라이브러리입니다. TensorFlow Transform은 다음과 같이 전체 전달이 필요한 데이터에 유용합니다.

  • 평균 및 핍 이해하기 표준 편차로 입력 값을 정규화합니다.
  • 모든 입력 값에 걸쳐 어휘를 생성하여 문자열을 정수로 변환합니다.
  • 관찰된 데이터 분포를 기반으로 부동 소수점 수를 버킷에 할당하여 부동 소수점 수를 정수로 변환합니다.

TensorFlow는 TFX를 통한 모델 학습에 사용됩니다. 학습 데이터 및 모델링 코드를 수집하며 SavedModel 결과를 생성합니다. 또한 입력 데이터 사전 처리를 위해 TensorFlow Transform에서 생성한 특성 추출 파이프라인을 통합합니다.

KerasTuner는 모델의 초매개변수를 조정하는 데 사용됩니다.

TensorFlow Model Analysis(TFMA)는 TensorFlow 모델을 평가하기 위한 라이브러리입니다. TFMA는 TensorFlow와 함께 사용되어 EvalSavedModel을 생성하며, EvalSavedModel은 분석의 기초가 됩니다. TFMA를 통해 사용자는 트레이너에 정의된 것과 동일한 측정항목을 사용하여 분산된 방식으로 대량의 데이터에서 모델을 평가할 수 있습니다. 이러한 측정항목은 다양한 데이터 슬라이스에 걸쳐 계산되어 Jupyter 메모장에서 시각화될 수 있습니다.

TensorFlow Metadata(TFMD)는 TensorFlow를 사용하여 머신러닝 모델을 학습시킬 때 유용한 메타데이터의 표준 표현을 제공합니다. 메타데이터는 입력 데이터 분석 중에 수동으로 또는 자동으로 생성될 수 있으며, 데이터 유효성 검사, 탐색 분석 및 변환에 사용될 수 있습니다. 메타데이터 직렬화 형식에는 다음이 포함됩니다.

  • 테이블 형식 데이터를 설명하는 스키마(예: tf.Examples)
  • 이러한 데이터 세트에 걸친 요약 통계 컬렉션

ML Metadata(MLMD)는 ML 개발자 및 데이터 과학자 워크플로와 관련된 메타데이터를 기록하고 검색하기 위한 라이브러리입니다. 대체로 메타데이터는 TFMD 표현을 사용합니다. MLMD는 SQL-Lite, MySQL 및 기타 유사한 데이터 저장소를 사용하여 지속성을 관리합니다.

지원 기술

    은 일괄 및 스트리밍 데이터 병렬 처리 파이프라인을 모두 정의할 수 있는 오픈소스 통합 모델입니다. TFX는 Apache Beam을 사용하여 데이터 병렬 파이프라인을 구현합니다. 그러면 파이프라인은 Beam에서 지원하는 분산 처리 백엔드 중 핍 이해하기 하나에 의해 실행되며, 이러한 백엔드에는 Apache Flink, Apache Spark, Google Cloud Dataflow 등이 포함됩니다.

Apache Airflow 및 Kubeflow와 같은 조정자 도구를 사용하면 ML 파이프라인을 더욱 쉽게 구성, 운영, 모니터링 및 유지관리할 수 있습니다.

Apache Airflow는 워크플로를 프로그래매틱 방식으로 작성, 예약 및 모니터링하는 플랫폼입니다. TFX는 Airflow를 사용하여 워크플로를 작업 DAG(Directed Acyclic Graph)로 작성합니다. Airflow 스케줄러는 지정된 종속성을 따르면서 작업자 배열에서 작업을 실행합니다. 풍부한 명령줄 유틸리티를 통해 DAG에서 복잡한 수술을 간편하게 실행할 수 있습니다. 풍부한 사용자 인터페이스를 사용하면 프로덕션에서 실행 중인 파이프라인을 쉽게 시각화하고 진행 상황을 모니터링하며 필요할 때 문제를 해결할 수 있습니다. 워크플로를 코드로 정의하면 유지 관리, 버전 관리, 테스트 및 공동작업이 가능해집니다.

Kubeflow는 Kubernetes에서 머신러닝(ML) 워크플로 배포를 간단하고 이동 가능하며 확장 가능하도록 지원하는 데 전념하고 있습니다. Kubeflow의 목표는 다른 서비스를 재현하는 것이 아니라 ML을 위한 최상의 오픈소스 시스템을 다양한 인프라에 배포할 수 있는 간단한 방법을 제공하는 것입니다. Kubeflow 핍 이해하기 Pipelines를 사용하면 실험 및 메모장 기반 환경과 통합된, Kubeflow에서 재현 가능한 워크플로를 구성하고 실행할 수 있습니다. Kubernetes의 Kubeflow Pipelines 서비스에는 호스팅된 메타데이터 저장소, 컨테이너 기반 조정 엔진, 메모장 서버 및 UI가 포함되어 있어 사용자가 복잡한 ML 파이프라인을 대규모로 개발, 실행 및 관리할 수 있습니다. Kubeflow 핍 이해하기 Pipelines SDK를 사용하면 프로그래매틱 방식으로 파이프라인의 구성요소 및 구성을 만들고 공유할 수 있습니다.

이동성 및 상호운용성

TFX는 Apache Airflow, Apache Beam 및 Kubeflow를 포함한 여러 환경 및 조정 프레임워크로 이동할 수 있도록 설계되었습니다. 또한 온프레미스를 포함하는 다양한 컴퓨팅 플랫폼 및 Google Cloud Platform(GCP)과 같은 클라우드 플랫폼으로 이식할 수 있습니다. 특히, TFX는 학습 및 예측을 위한 Cloud AI Platform 및 여러 다른 ML 수명 주기 측면의 분산 데이터 처리를 위한 Cloud Dataflow와 같은 여러 관리형 GCP 서비스와 상호운용됩니다.

모델과 SavedModel 비교

모델은 학습 프로세스의 결과입니다. 학습 프로세스 과정에서 학습된 가중치의 직렬화된 기록입니다. 이러한 가중치는 나중에 새로운 입력 예시의 예측을 계산하는 데 사용될 수 있습니다. TFX 및 TensorFlow에서 '모델'은 해당하는 지점까지 학습된 가중치가 포함된 체크포인트를 나타냅니다.

또한 '모델'은 예측이 계산되는 방식을 표현하는 TensorFlow 계산 그래프(Python 파일)의 정의를 나타낼 수도 있습니다. 두 의미가 컨텍스트에 따라 서로 바뀌어 사용될 수 있습니다.

SavedModel

  • SavedModel의 정의: TensorFlow 모델의 언어 중립적이며 복구 가능한 밀폐식 범용 직렬화입니다.
  • 중요한 이유: 상위 수준 시스템에서 단일 추상화를 사용하여 TensorFlow 모델을 생성, 변환 및 사용할 수 있게 합니다.

SavedModel은 프로덕션에서 TensorFlow 모델을 제공하거나 기본 모바일 또는 자바스크립트 애플리케이션을 위해 학습된 모델을 내보내는 데 권장되는 직렬화 형식입니다. 예를 들어 예측을 위해 모델을 REST 서비스로 변환하려면 모델을 SavedModel로 직렬화하고 TensorFlow Serving을 사용하여 모델을 제공하는 방법이 있습니다. 자세한 내용은 TensorFlow 모델 제공을 참조하세요.

일부 TFX 구성요소는 스키마라고 하는 입력 데이터의 설명을 사용합니다. 스키마는 schema.proto의 인스턴스입니다. 스키마는 프로토콜 버퍼의 한 유형인데, 'protobuf'으로 더 잘 알려져 있습니다. 스키마는 특성 값의 데이터 유형, 즉 해당 특성이 모든 예시, 허용되는 값의 범위, 기타 속성에 모두 나타나야 하는지에 있어야 하는지 여부, 허용되는 값의 범위 및 기타 속성을 지정할 수 있습니다. TensorFlow Data Validation(TFDV)을 사용하면 학습 데이터에서 유형, 카테고리 및 범위를 추론하여 자동으로 스키마를 생성할 수 있다는 이점이 있습니다.

다음은 스키마 protobuf에서 발췌한 내용입니다.

다음 구성요소는 스키마를 사용합니다.

  • TensorFlow Data Validation
  • TensorFlow Transform

일반적인 TFX 파이프라인에서 TensorFlow Data Validation은 다른 구성요소에 의해 사용되는 스키마를 생성합니다.

TFX를 사용한 개발

TFX는 로컬 머신의 연구, 실험 및 개발에서 배포에 이르기까지 머신러닝 프로젝트의 모든 단계를 위한 강력한 플랫폼을 제공합니다. 코드 중복을 피하고 학습-제공 편향의 가능성을 제거하려면 모델 학습과 학습된 모델 배포에 모두 TFX 파이프라인을 구현하고 교육과 추론에 모두 TensorFlow Transform 라이브러리를 활용하는 Transform 구성요소를 사용하는 것을 적극 권장합니다. 이렇게 하면 동일한 사전 처리 및 분석 코드를 일관되게 사용하고 학습에 사용되는 핍 이해하기 데이터와 프로덕션의 학습된 모델에 공급되는 데이터 간의 차이를 방지할 수 있으며, 이러한 코드를 한 번만 작성하면 된다는 이점도 있습니다.

데이터 탐색, 시각화 및 정리

데이터 탐색, 시각화 및 정리

TFX 파이프라인은 일반적으로 ExampleGen 구성요소로 시작하며 이 구성요소는 입력 데이터를 받아 tf.Examples로 형식을 지정합니다. 이러한 작업은 데이터가 학습 및 평가 데이터세트로 분할된 후에 이루어지는 경우가 많습니다. ExampleGen 구성요소가 학습 및 평가를 위해 하나씩, 총 2개 존재하도록 하기 위해서입니다. 일반적으로 이 다음에는 StatisticsGen 구성요소 및 SchemaGen 구성요소가 나오며 이러한 구성요소는 데이터를 검사하고 데이터 스키마 및 통계를 추론합니다. 스키마 및 통계는 ExampleValidator 구성요소에 의해 사용되며 이 구성요소는 데이터에서 이상치, 누락된 값 및 잘못된 데이터 유형을 찾습니다. 이러한 모든 구성요소는 TensorFlow Data Validation 라이브러리의 기능을 활용합니다.

TensorFlow Data Validation(TFDV)은 데이터 세트의 초기 탐색 분석, 시각화 및 정리에 매우 유용한 도구입니다. TFDV는 데이터를 검사하고 데이터 유형, 카테고리 및 범위를 추론한 후 이상치 및 누락된 값을 자동으로 식별할 수 핍 이해하기 있습니다. 또한 데이터세트를 검사하고 이해하는 데 도움이 되는 시각화 도구도 제공합니다. 파이프라인이 완료되면 MLMD에서 메타데이터를 읽고 Jupyter 메모장의 TFDV 시각화 도구를 사용하여 데이터를 분석할 수 있습니다.

초기 모델 학습 및 배포 이후에 TFDV를 사용하여 추론 요청에서 배포된 모델에 이르기까지 새 데이터를 모니터링하고 이상치 또는 드리프트를 찾을 수 있습니다. 이 기능은 트렌드 또는 계절성으로 인해 시간이 지남에 따라 변하는 시계열 데이터에 특히 유용하며, 데이터 문제가 있거나 새 데이터로 모델을 다시 교육해야 할 때를 알아내는 데 도움이 됩니다.

데이터 시각화

TFDV(일반적으로 StatisticsGen, SchemaGen 및 ExampleValidator)를 사용하는 파이프라인 섹션을 통해 데이터의 첫 번째 실행을 완료한 이후 Jupyter 스타일 메모장에서 결과를 시각화할 수 있습니다. 추가 실행에서는 데이터가 모델 및 애플리케이션에 최적화될 때까지 조정하면서 이러한 결과를 비교할 수 있습니다.

먼저 ML Metadata(MLMD)를 쿼리하여 이러한 구성요소의 실행 결과를 찾은 후 TFDV의 시각화 지원 API를 사용하여 메모장에서 시각화를 생성합니다. 여기에는 tfdv.load_statistics() 및 tfdv.visualize_statistics()가 포함됩니다. 이 시각화를 사용하면 데이터세트의 특성을 더 잘 이해하고 필요에 따라 수정할 수 있습니다.

모델 개발 및 학습

특성 추출

일반적인 TFX 파이프라인에는 TensorFlow Transform(TFT) 라이브러리의 기능을 활용하여 특성 추출을 수행하는 Transform 구성요소가 포함됩니다. Transform 구성요소는 SchemaGen 구성요소에 의해 생성된 스키마를 사용하고 데이터 변환을 적용하여 모델 학습에 사용될 특성을 생성, 결합 및 변환합니다. 또한 누락된 값의 정리 및 유형 변환이 추론 요청을 위해 전송된 데이터에도 존재할 가능성이 있다면 이러한 정리 및 변환을 Transform 구성요소에서도 완료해야 합니다. TFX의 학습을 위해 TensorFlow 코드를 설계할 때 고려해야 할 몇 가지 중요한 사항이 있습니다.

모델링 및 학습

Transform 구성요소의 결과는 Trainer 구성요소 중에 TensorFlow의 모델링 코드에서 가져와 사용할 SavedModel입니다. SavedModel에는 Transform 구성요소에서 생성된 모든 데이터 엔지니어링 변환이 포함되므로 동일한 변환이 학습 및 추론 중에 모두 정확히 동일한 코드를 사용하여 실행됩니다. Transform 구성요소의 SavedModel을 비롯한 모델링 코드를 이용하면 학습 및 평가 데이터를 사용하고 모델을 학습시킬 수 있습니다.

Estimator 기반 모델로 작업하는 경우 모델링 코드의 마지막 섹션에서 모델을 SavedModel과 EvalSavedModel로 저장해야 합니다. EvalSavedModel로 저장하면 학습 시간에 사용된 측정항목을 평가 중에도 사용할 수 있습니다(Keras 기반 모델에는 필요하지 않음). EvalSavedModel을 저장하려면 Trainer 구성요소에 TensorFlow Model Analysis(TFMA) 라이브러리를 가져와야 합니다.

선택사항인 Tuner 구성요소를 Trainer 전에 추가하여 모델의 초매개변수(예: 레이어 수)를 조정할 수 있습니다. 주어진 모델 및 초매개변수의 검색 공간을 사용하면 조정 알고리즘이 목표에 기반하여 최적의 초매개변수를 찾습니다.

모델 성능 분석 및 이해

모델 분석

초기 모델 개발 및 학습 이후에는 모델의 성능을 분석하고 실제로 이해하는 것이 중요합니다. 일반적인 TFX 파이프라인에는 TensorFlow Model Analysis(TFMA) 라이브러리의 기능을 활용하는 Evaluator 구성요소가 포함되며 TFMA 라이브러리는 이 개발 단계를 위한 강력한 도구 세트를 제공합니다. Evaluator 구성요소는 앞서 내보낸 모델을 사용하며, 모델의 성능을 시각화하고 분석할 때 사용할 수 있는 tfma.SlicingSpec 목록을 지정할 수 있게 합니다. 각 SlicingSpec 은 범주형 특성의 특정 카테고리 또는 숫자 특성의 특정 범위와 같이 검사하려는 학습 데이터의 슬라이스를 정의합니다.

예를 들어 이 SlicingSpec은 연간 구매, 지리적 데이터, 연령대 또는 성별로 분류할 수 있는 다양한 고객 세그먼트를 대상으로 모델의 성능을 이해하려는 경우에 중요합니다. 이는 롱테일을 포함하고 있는 데이터세트, 즉 중요하지만 크기가 작은 그룹이 허용할 수 없는 수준의 성능을 보이는데도 불구하고 주요 그룹의 성능으로 이런 사실을 알 수 없게 되는 데이터세트의 경우에 특히 중요합니다. 예를 들어, 모델이 일반 직원을 대상으로는 좋은 성능을 보일 수 있지만 임원을 대상으로는 형편없는 결과를 낼 수도 있으므로 이러한 점을 염두에 두어야 합니다.

모델 분석 및 시각화

모델을 학습시키고 학습 결과에서 (TFMA를 활용하는) Evaluator 구성요소를 실행하여 데이터의 첫 번째 실행을 완료한 이후 Jupyter 스타일 메모장에서 결과를 시각화할 수 있습니다. 추가 실행에서는 결과가 모델 및 애플리케이션에 최적화될 때까지 조정하면서 이러한 결과를 비교할 수 있습니다.

먼저 ML Metadata(MLMD)를 쿼리하여 이러한 구성요소의 실행 결과를 찾은 후 TFMA의 시각화 지원 API를 사용하여 메모장에서 시각화를 생성합니다. 여기에는 tfma.load_eval_results 및 tfma.view.render_slicing_metrics가 포함됩니다. 이 시각화를 사용하면 모델의 특성을 더 잘 이해하고 필요에 따라 수정할 수 있습니다.

모델 성능 검증

모델 성능 분석의 일환으로, 현재 사용 중인 모델과 같은 기준과 비교하여 성능을 검증할 수도 있습니다. 후보 모델과 기준 모델을 모두 Evaluator 구성요소에 전달하면 모델 검증이 처리됩니다. Evaluator는 후보 모델과 기준 모델 모두에 관해 AUC, 손실 등의 측정항목과 해당하는 차이 측정항목 세트를 계산합니다. 기준점을 적용하여 프로덕션을 대상으로 한 모델 푸시를 제어할 수도 있습니다.

모델을 제공할 수 있는지 검증

인프라 검증

학습된 모델을 배포하기 전에 서비스 제공 인프라에서 모델이 실제로 제공 가능한지 검증하는 것이 좋습니다. 이는 새로 게시된 모델로 인해 시스템이 예측을 제공하지 못하는 것을 방지하기 위해 프로덕션 환경에서 특히 중요합니다. InfraValidator 구성요소는 샌드박스 환경에서 모델의 카나리아 배포를 실행하고 선택적으로 실제 요청을 전송하여 모델이 올바르게 작동하는지 확인합니다.

배포 대상

만족스러운 모델을 개발하고 학습시켰다면 이제 추론 요청을 받을 하나 이상의 배포 대상에 모델을 배포할 차례입니다. TFX는 세 가지 클래스 배포 대상으로의 배포를 지원합니다. SavedModel로 내보낸 학습 모델을 이러한 배포 대상 중 일부 또는 전체에 배포할 수 있습니다.

구성요소 흐름

추론: TensorFlow Serving

TensorFlow Serving(TFS)은 프로덕션 환경을 위해 설계된 머신러닝 모델을 위한 유연한 고성능 제공 시스템입니다. TFS는 SavedModel을 사용하며 REST 핍 이해하기 또는 gRPC 인터페이스를 통한 추론 요청을 수락합니다. 또한 하나 이상의 네트워크 서버에서 일련의 프로세스로 실행되며 여러 고급 아키텍처 중 하나를 사용하여 동기화 및 분산 계산을 처리합니다. TFS 솔루션 개발 및 배포에 관한 자세한 내용은 TFS 문서를 참고하세요.

일반적인 파이프라인에서는 Trainer 구성요소에서 학습된 SavedModel이 먼저 InfraValidator 구성요소에서 인프라 검증됩니다. InfraValidator는 카나리아 TFS 모델 서버를 실행하여 실제로 SavedModel을 제공합니다. 검증이 통과되면 Pusher 구성요소가 최종적으로 SavedModel을 TFS 인프라에 배포합니다. 여기에는 여러 버전 및 모델 업데이트의 처리가 포함됩니다.

기본 모바일 및 IoT 애플리케이션의 추론: TensorFlow Lite

TensorFlow Lite는 개발자가 기본 모바일 및 IoT 애플리케이션에서 학습된 TensorFlow 모델을 사용할 수 있도록 도와주는 전용 도구 모음입니다. TensorFlow Lite는 TensorFlow Serving과 동일한 SavedModel을 사용하며 양자화 및 프루닝과 같은 최적화를 적용하여 휴대기기 및 IoT 기기에서 실행하는 문제와 관련된 결과 모델의 크기 및 성능을 최적화합니다. TensorFlow Lite 사용에 관한 자세한 내용은 TensorFlow Lite 문서를 참조하세요.

자바스크립트의 추론: TensorFlow JS

TensorFlow JS는 브라우저 및 Node.js에서 ML 모델을 학습시키고 배포하기 위한 자바스크립트 라이브러리입니다. TensorFlow JS는 TensorFlow Serving 및 TensorFlow Lite와 동일한 SavedModel을 사용하며, 이 SavedModel을 TensorFlow.js 웹 형식으로 변환합니다. TensorFlow JS 사용에 관한 자세한 내용은 TensorFlow JS 문서를 참조하세요.

Airflow를 사용하여 TFX 파이프라인 생성

자세한 내용은 Airflow 워크숍을 확인하세요.

Kubeflow를 사용하여 TFX 파이프라인 생성

Kubeflow에서 파이프라인을 대규모로 실행하려면 Kubernetes 클러스터가 필요합니다. Kubeflow 클러스터를 배포하기 위한 옵션을 안내하는 Kubeflow 배포 가이드라인을 참조하세요.

TFX 파이프라인 구성 및 실행

Kubeflow에서 TFX 예시 파이프라인을 실행하려면 Cloud AI Platform 파이프라인의 TFX 튜토리얼을 따르세요. Kubeflow 파이프라인을 구성하기 위해 TFX 구성요소가 컨테이너화되었으며 샘플은 대규모 공개 데이터세트를 읽고 클라우드에서 대규모로 학습 및 데이터 처리 단계를 실행하도록 파이프라인을 구성하는 기능을 보여줍니다.

파이프라인 작업을 위한 명령줄 인터페이스

TFX는 Apache Airflow, Apache Beam 및 Kubeflow를 포함하는 다양한 조정자 도구에서 파이프라인 생성, 업데이트, 실행, 나열 및 삭제와 같은 전체 파이프라인 작업을 실행하는 데 도움이 되는 통합 CLI를 제공합니다. 자세한 내용은 이 안내를 따르세요.

Except as otherwise noted, the content of this page is licensed under the Creative Commons Attribution 4.0 License, and code samples are licensed under the Apache 2.0 License. For details, see the Google Developers Site Policies. Java is a 핍 이해하기 registered trademark of Oracle and/or its affiliates.

핍 이해하기

'FX' 단위 pips(핍) | 읽는 방법

pips(핍)은 FX 거래에서 두 통화 사이의 가치 변화를 비교할 때 사용하는 편리한 단위입니다. 일반적으로 핍은 거래가의 마지막 소수 자릿수 입니다. 대부분 통화쌍의 소수는 4자리로, 일본은 2자리로 표시됩니다.

2. 엔화 소수점 2자리, 미화 소수점 4자리가 1pips

FX에서는 pips라는 단위가 사용되고 있습니다. 왜 친숙한 원(₩) 을 사용하지 않는 걸까요?

FX(외환 거래)는 다른 나라끼리의 통화를 교환하는 거래이며, 엔과 달러, 파운드 등 다양한 통화 단위가 사용되고 있다는 점을 알아야 합니다. 그 다양한 통화 단위의 혼동을 막아주는 것이 pips입니다.

다음 A와 B 어느 쪽이 효율적 일까요?

A 씨 : 4000만원의 자금을 최대한 사용하여 10만원 이익

B 씨 : 400만원의 자금을 최대한 사용하여 10만원 이익

수익률을 계산하면 A는 0.25 % (10만원 ÷ 4000만원 × 100), B는 2.5 % (10만원 ÷ 400만원 × 100) 입니다. B가 A보다 적은 자금으로 이익을 올린 것입니다.

이를 pips으로 표현하면 A는 1000만 통화를 통해 1pips의 가격 범위, B는 100만 통화를 통해 10pips의 가격 범위를 가지고 있다는 것이 됩니다. (※ 달러 / 엔의 증거금이 1만 통화 = 40,000엔 가정)

덧붙여서, 달러 / 엔의 경우는 1pips = 0.01엔 = 1핍 입니다. pips는 이처럼 효율을 비교하는 통일 단위 로 사용됩니다.

다음 차트는 달러 / 엔(USD / JPY)으로, 25pips의 가격 차이가 잡혔다고 가정합시다.

110.710엔에서 10,000 통화 구입, 110.960엔으로 판매 한 경우 획득 pips 폭 및 손익 금액은 다음과 같이 계산할 수 있습니다.

획득 pips 폭 : 110.960 엔 -110.710 엔 = 0.25 엔 = 25 pips

손익 금액 : 10,000 통화 × 25 pips (0.25 엔) = 2,500 엔

이를 수식으로 표현하면 다음과 같이됩니다.

거래 수량 × 차액 (획득 pips 폭) = 이익

이와 같이 획득 pips 폭으로 쉽게 이익 계산이 가능합니다.

여기에서 FX 초보자에게 친숙한 달러 / 엔으로, 거래 통화량과 pips의 관계를 표로 정리하겠습니다. 무슨 통화 거래를 하여 무슨 pips 가격 범위로 얼마의 이익이되는지 파악하는 기준으로 사용하세요.

방학을 맞이해 옛 고전을 한번 읽어보고 싶었다. 그래서 선택한 책의 제목은 바로 찰스 디킨스의 ‘위대한 유산’. 분명 초등학생 때인가 청소년용 축약본으로 읽었던 것 같았다. 당시의 나에게는 조금 어렵다 느껴졌었지만, 읽고 나서는 꽤 만족스러운 독서를 했던 기억이다. 내용이 가물가물해 다시 읽어보고 싶었고, 이번에는 꼭 축약본이 아닌 원문에 가까운 것으로 읽어보리라 다짐하며 책을 집어 들었다. 생각보다 긴 분량에 당황한 것도 잠시, 곧 이야기에 빠져들어 800쪽 정도를 금세 읽어버렸다.

소설은 주인공 핍이 직접 자신이 살아온 이야기를 들려주며 이어진다. 어려서부터 부모님을 잃어 고아인 핍은 누나와 매형의 집에 얹혀사는 처지이다. 누나는 핍에게 매일 폭언을 일삼고, 폭력을 휘두르고 갖은 학대를 행하지만, 매형만은 그런 핍의 마음을 이해해주고 감싸주며 서로를 ‘진정한 친구’ 라 한다. 어느 날 핍은 감옥에서 탈출한 죄수를 만나고, 협박을 받아 죄수가 요구한 줄칼과 음식을 집에서 훔쳐 갖다주게 된다. 그러다 핍은 읍내에 사는 부자 하비셤 아씨의 새티스 저택에서 놀아달라는 요청을 받고, 저택에 드나들며 ‘에스텔라’를 만나 사랑의 감정을 알게 된다. 동시에 자신이 천하다는 것을 인식한 핍은 자신도 에스텔라에 걸맞는 신분을 갖고싶어하며 신분 상승의 꿈을 꾼다. 시간이 조금 더 흘러 매형의 밑에서 도제 계약을 맺고 일하던 핍에게 갑자기 런던에서 변호사가 찾아와 막대한 유산을 상속받게 되었다는 사실을 전한다. 그래서 핍은 신사가 되기 위한 교육을 받기 위해 고향을 떠나 런던으로 향한다. 핍은 하비셤 아씨가 유산을 물려주었다고 생각하며 감사해하지만, 나중에는 착각이라는 것이 밝혀진다. 런던에 도착한 핍은 허버트와 어울리며 다른 부유한 청년들과 교류하고, 빚을 지기도 하는 등 사치스러운 생활을 한다. 하비셤 아씨와 에스텔라를 만나러 고향을 찾아가기도 하지만, 매형을 부끄럽게 생각해 집에 들르지 않을 때가 많았다. 그러던 중 핍에게 엄청난 유산을 물려준 사람의 정체가 밝혀지는데, 그의 정체는 앞장에서 핍이 도왔던 죄수 매그위치였다. 매그위치는 콤피슨이라는 사기꾼의 꾀에 넘어가 죄를 뒤집어쓰게 되고, 종신유형을 받고 일하다 핍을 만나기 위해 탈출해 런던으로 오게 된 것이다.

“당시에 나는 맹세했어, 내가 돈을 번다면 너에게 모두 보내겠다고. 내가 열심히 일해서 부자가 된다면 너를 부자로 만들겠다고. 내가 이런 말을 하는 건 비참하게 쫒기던 사람들 네가 살려주었단 사실을, 그래서 커다랗게 성공해 너를 신사로 만들었단 사실을, 그 신사가 바로 너라는 사실을 알리고 싶어서야, 핍!”(2권 143p)

핍은 이 사실을 알고 엄청난 충격에 빠지는데, 급기야 유산을 물려받는 일이 없었더라면… 이라는 생각까지 한다.

아, 차라리 재거스 변호사가 찾아오지 않았더라면! 나를 대장간에서 그래도 일하도록 놔뒀더라면 만족스럽진 않아도 훨씬 행복하게 살았을 텐데!’ (2권 145p)

핍과 허버트는 매그위치를 탈출시키기 위해 노력하지만, 결국 탈출 시도에 실패해 재판에서 사형선고를 받게 된다. 결국 매그위치는 사형당하기 전 병으로 사망하고, “아 하느님, 죄 많은 저에게 자비를 베푸소서!”라는 말로 아저씨를 보낸다. 매그위치가 사망하며 빈털터리가 된 핍은 열병에 걸려 몸져눕고, 그런 핍을 매형이 찾아와 극진히 간호하며 빚까지 갚아 준다. 핍은 매형의 사랑에 진심으로 감동하며 그간의 잘못을 뉘우치고 고향을 찾아간 뒤, 허버트와 동업자가 되어 영국을 떠난다. 십여 년 후, 다시 고향을 찾은 핍은 그곳에서 에스텔라와 재회하며 “우리는 여전히 친구야.”라고 말하며 이야기는 끝이 난다.

‘위대한 유산’ 은 1860년에 발표된 찰스 디킨스의 소설이다. 자그마치 161년이나 지났지만, 그 속에 담긴 교훈과 시대상은 우리에게 재미와 감동을 넘어 큰 깨달음을 전달하기에 충분하다. 책을 읽으며 ‘위대한 유산’이라는 제목의 의미에 대해서 다시 생각해 보게 되었다. 단순히 주인공 핍이 많은 유산을 물려받는다는 뜻이기도 하지만 진정한 위대한 유산에 대해서 핍 이해하기 고민해보라는 뜻인 것 같았다. 나는 진정한 위대한 유산은 바로 사랑이라고 생각했다. 매그위치가 자신이 어려울 때 도와준 꼬마 핍을 위해 죄수의 신분임에도 열심히 일해 전 재산을 핍에게 주고, 핍이 행복해질 수만 있다면 어떤 일이든 마다치 않았다. 신사가 된 핍의 모습을 보고 싶어 몇 달 동안이나 배를 타고 몰래 탈출하기도 하는 등 결국 핍은 매그위치가 죽기 전 그와 함께한 마지막 시간을 통해 그가 자신에게 보여준 진정한 사랑과 그에 대한 존경심을 느끼게 된다.

소설의 마지막에서 핍이 열병으로 몸져눕고, 빈털터리가 되었을 때 매형이 핍에게 보여준 헌신과 사랑도 그것이다. 평생을 대장장이로 일하며 성실히 살아가며 조카를 ‘영원한 친구’로 대해 주고, 진심으로 이해하고 용서한다. 작가가 우리에게 진정으로 알려 주고자 하는 것은 매그위치와 매형 조의 핍을 향한 헌신과 사랑, 그리고 성실성이지 않을까? 제목은 단지 많은 재물을 뜻하는 것이 아니었다. 당시의 사회상이나 정서는 우리와 다를 수 있겠지만, 그 본질은 결국 사랑이라는 것으로 맺어진 것이라 생각하였다.

이렇게 찰스 디킨스가 남긴 희대의 명작과 함께 긴 여름밤을 보내보는 것은 어떨까? 딱딱한 고전이라고 생각할 수도 있겠지만, 긴 시간 동안 많은 사람에게 꾸준히 사랑받는 이유가 있었다. 세월을 넘어선 교훈과 가치를 담은 소설, 160여 년이 지난 이야기이지만, 진정한 신사로 거듭나기 위한 핍의 성장담은 오늘날을 살아가는 우리에게 ‘위대한 유산’ 이 되어줄 것이라 확신한다.


0 개 댓글

답장을 남겨주세요