KR102009309B1 - 금융상품 관리자동화 시스템 및 관리자동화 방법 - Google Patents

금융상품 관리자동화 시스템 및 관리자동화 방법 Download PDF

Info

Publication number
KR102009309B1
KR102009309B1 KR1020180070786A KR20180070786A KR102009309B1 KR 102009309 B1 KR102009309 B1 KR 102009309B1 KR 1020180070786 A KR1020180070786 A KR 1020180070786A KR 20180070786 A KR20180070786 A KR 20180070786A KR 102009309 B1 KR102009309 B1 KR 102009309B1
Authority
KR
South Korea
Prior art keywords
financial
data
quality
account
rate
Prior art date
Application number
KR1020180070786A
Other languages
English (en)
Inventor
강정석
Original Assignee
주식회사 에이젠글로벌
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 에이젠글로벌 filed Critical 주식회사 에이젠글로벌
Priority to HK18113217A priority Critical patent/HK1253499A2/zh
Application granted granted Critical
Publication of KR102009309B1 publication Critical patent/KR102009309B1/ko

Links

Images

Classifications

    • G06Q40/025—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Finance (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Technology Law (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

금융상품 관리자동화 시스템 및 이를 이용하는 관리자동화 방법이 개시된다. 본 발명에 따른 복수의 금융계좌별 금융데이터에 기초한 금융상품을 자동적으로 관리하는 금융상품 관리자동화 시스템은, 상기 복수의 금융계좌별 금융데이터를 기초로 기계학습(Machine Learning)을 통하여 금융학습모델을 생성하는 금융모델생성부, 새로운 금융상품의 품질을 측정하기 위해, 상기 금융상품에 포함되는 복수의 계좌를 관리하는 계좌관리부, 상기 금융상품에 속하는 복수의 금융계좌별 금융데이터를 입력하여 상기 금융학습모델을 통한 상기 금융상품의 품질을 산출하는 품질측정부 및 산출된 상기 금융상품의 품질에 영향을 미치는 상기 금융계좌의 주요요인을 분석하는 요인분석부를 포함한다.

Description

금융상품 관리자동화 시스템 및 관리자동화 방법{MANAGEMENT AUTOMATION SYSTEM FOR FINANCIAL PRODUCTS AND MANAGEMENT AUTOMATION METHOD USING THE SAME}
본 발명은 금융상품 관리자동화 시스템 및 관리자동화 방법에 관한 것이다. 보다 구체적으로, 금융에 관련된 데이터를 수집하고, 이를 기초로 기계학습을 이용한 예측모델을 생성하여 목표한 지표 값에 영향을 미치는 주요요인을 스스로 판단하고, 상기 주요요인의 기준을 만족하는 계좌를 추가하거나 제거하여 목표한 지표 값을 달성할 수 있도록 금융상품 전략을 제공하는 금융상품 관리자동화 시스템 및 관리자동화 방법이다.
전통적으로 금융기관에서는 상품개발, 대출, 계좌관리, 회수, 상각 등 업무분야에 대해서 업무 담당자의 판단이 중요했다. 목표시장을 겨냥하여 설계한 상품의 타당성 검토, 수익 목표에 부합하는 목표 고객군의 신용행동 평가, 계좌 유지관리를 위한 고객 행동 예측, 회수율 제고를 위한 접촉 채널 및 방법 도출, 포트폴리오 수익/비용을 고려한 상각 여부 판단 등 금융기관의 수익율을 높일 수 있는 의사결정은 사람에 의해 이루어졌다. 과거처럼 금융상품의 수가 적거나 수익에 영향을 줄 수 있는 요인이 적다면 문제가 없을 수도 있으나, 현재의 금융상품의 개수나 수익에 영향을 주는 요인들의 개수는 사람이 처리할 수 없는 수에 이르고 있다.
또한, 금융기관들은 신용평가에서 부실을 최소화하기 위해 보수적인 심사방식을 유지하고 있다. 예를 들어 신용등급 4등급을 받을 만한 고객도 5등급이나 6등급으로 등급을 낮춰 대출한도는 줄이고 금리는 올리는 경향이 있는데, 이는 몇 안 되는 데이터들만을 기반으로 돈을 빌려줘야 하는 금융사들의 한계가 주된 원인이었다.
따라서, 과거에는 불확실하거나 통계내기 어려웠던 사항들을 사람이 하나하나 예측해야 했던 한계 및 문제점을 해결하기 위한 기술이 필요로 한 시점이다.
KR 10-1799395 B1 (2017. 11. 14.)
본 발명은 위에서 언급한 문제점을 해결하기 위해 개발된 것으로, 금융상품 개발, 금융상품관리, 실행 및 계좌 관리 등의 의사결정과정에 있어서, 인공지능의 예측모델을 이용하여 보다 정확한 의사결정이 이루어지게 하는 것에 목적이 있다.
또한, 복잡한 인공지능 기술을 습득하지 않더라도 금융상품 담당자가 쉽게 인공지능 기술을 통해 분석하고 예측한 결과를 시뮬레이션하여 금융상품전략에 실시간으로 반영하는 것에 목적이 있다.
또한, 금융상품의 데이터 기반의 예측모델을 기초로 시스템 스스로 금융상품에 대한 의사결정 가능하게 하여 금융상품의 전체 사이클을 자동으로 관리하는 것에 그 목적이 있다.
본 발명의 해결 과제들은 이상에서 언급한 내용들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따른 복수의 금융계좌별 금융데이터에 기초한 금융상품을 자동적으로 관리하는 금융상품 관리자동화 시스템으로서, 상기 복수의 금융계좌별 금융데이터를 기초로 기계학습(Machine Learning)을 통하여 금융학습모델을 생성하는 금융모델생성부; 새로운 금융상품의 품질을 측정하기 위해, 상기 금융상품에 포함되는 복수의 계좌를 관리하는 계좌관리부; 상기 금융상품에 속하는 복수의 금융계좌별 금융데이터를 입력하여 상기 금융학습모델을 통한 상기 금융상품의 품질을 산출하는 품질측정부; 및 산출된 상기 금융상품의 품질에 영향을 미치는 상기 금융계좌의 주요요인을 분석하는 요인분석부;를 포함하고, 상기 요인분석부의 결과에 따라, 상기 계좌관리부는 상기 금융상품에 포함되는 계좌를 선별할 수 있다.
또한, 상기 금융데이터는, 금융기관의 내부 데이터 또는 외부 데이터를 포함하고, 상기 내부 데이터는, 상기 금융기관에 등록된 각 계좌에 따른 개인정보, 신용정보, 연체정보, 금리정보, 대출정보, 소득정보, 부채정보, 예금정보 및 금융거래정보 중 하나 이상을 포함하며, 상기 외부 데이터는, 금융기관 내부에서 생성되지 않고 제휴 또는 스크래핑으로 수집될 수 있다.
또한, 상기 요인분석부는, 산출된 상기 금융상품의 품질과 목표 품질 사이의 차이를 분석하고, 상기 차이에 영향을 미치는 상기 금융데이터의 주요요인의 영향도를 분석할 수 있다.
또한, 상기 금융모델생성부는, 상기 기계학습을 위해 상기 금융데이터를 변환하는 데이터변환부; 및 상기 데이터변환부가 변환한 데이터로 기계학습을 반복하면서 예측모델을 생성하는 데이터학습부;를 포함할 수 있다.
또한, 상기 데이터변환부는, 상기 금융데이터 중 실수(Real Number)정보는 Z변환(Z Transform)을 수행하고, 비실수정보는 원-핫-인코딩(One-hot-encoding) 또는 오토-인코더(Auto-encoder)를 이용할 수 있다.
또한, 상기 금융학습모델의 출력값은, 월별연체율 또는 월별이탈률 중 하나 이상을 포함하고, 상기 금융상품의 상기 품질은, 수익률, 부도율 또는 조기상환율 중 하나 이상을 포함할 수 있다.
또한, 상기 금융모델생성부의 출력값 또는 상기 품질측정부의 출력값을 빈티지 차트(Vintage Chart) 또는 넷플로우 차트(NetFlow Chart)로 시각화하는 데이터맵변환부;를 포함할 수 있다.
또한, 상기 기계학습은, 심층 신경망(DNN; Deep Neural Network), 합성곱 신경망(CNN; Convolution Neural Network), 순환 신경망(RNN; Recurrent Neural Network), 제한 볼츠만 머신(RBM; Restricted Boltzmann Machine) 및 심층 신뢰 신경망(DBN; Deep Brief Network) 중 하나 이상을 사용할 수 있다.
본 발명의 일 실시예에 따른 복수의 금융계좌별 금융데이터에 기초한 금융상품을 자동적으로 관리하는 금융상품 관리자동화 방법으로서, 복수의 금융계좌별 금융데이터를 기초로 기계학습(Machine Learning)을 통하여 금융학습모델을 생성하는 금융모델생성단계; 새로운 금융상품에 속하는 복수의 금융계좌별 금융데이터를 입력하여 상기 금융학습모델을 통한 상기 금융상품의 품질을 산출하는 품질측정단계; 및 산출된 상기 금융상품의 품질에 영향을 미치는 상기 금융계좌의 주요요인을 분석하는 요인분석단계;를 포함하고, 상기 요인분석단계의 결과에 따라, 상기 금융상품에 포함되는 계좌를 선별할 수 있다.
또한, 상기 품질측정부는 정기적으로 상기 금융상품의 품질을 측정하고, 매월 대출 실행금액, 대출 전체의 연체금액, 월별 연체율 및 월별 조기상환률 중 하나 이상을 기초로 상기 금융상품의 품질을 측정할 수 있다.
본 발명의 일 실시예에 따른 복수의 금융계좌별 금융데이터를 기초로 기계학습으로 생성된 금융학습모델을 이용하는 금융상품 관리자동화 방법으로서, 새로운 금융상품에 속하는 복수의 금융계좌별 금융데이터를 금융학습모델에 입력하여 계좌단위별 예측되는 월별연체율 또는 월별이탈률을 출력하는 단계; 상기 월별연체율 또는 월별이탈률을 집계하여 상기 금융상품에 대한 누적 부도율 또는 누적 조기상환율을 산출하는 단계; 상기 누적 부도율 또는 누적 조기상환율과 목표 누적 부도율 또는 목표 누적 조기상환율과의 차이를 계산하는 단계; 부도 또는 상환이 예측되는 계좌별로 공통으로 포함하는 하나 이상의 범주를 추출하는 단계; 및 상기 하나 이상의 범주를 포함하는 계좌를 제외한 상기 복수의 금융계좌별 금융데이터를 금융학습모델에 재입력하는 단계;를 포함하고, 상기 범주는 또 다른 금융학습모델의 예측값을 기초로 추출할 수 있다.
또한, 상기 누적 부도율은 상기 금융상품에 속하는 전체 계좌 수 대비 해당 시점 이전에 3개월 이상 누적 연체된 계좌비율이고, 상기 누적 조기상환율은 상기 금융상품에 속하는 전체 계좌 수 대비 해당 시점 이전에 1번 이상 이탈한 계좌비율일 수 있다.
본 발명의 일 실시예에 따른 복수의 금융계좌별 금융데이터를 기초로 기계학습으로 생성된 기존의 고객군에서 금융상품 가상고객군을 추출하는 제1 금융학습모델 및 상기 금융상품의 수익률을 예측하는 제2 금융학습모델을 이용하는 금융상품 관리자동화 방법으로서, 새로운 금융상품을 위한 상품변수를 설정하는 상품변수 설정단계; 상기 설정한 상품변수를 기초로 복수의 금융계좌별 금융데이터에서 상기 제1 금융학습모델로 가상고객군을 추출하는 가상고객군 추출단계; 상기 가상고객군에 속하는 금융계좌별 금융데이터를 제2 금융학습모델로 수익률을 예측하는 수익률 예측단계; 및 상기 예측된 수익률과 목표 수익률과의 차이에 영향을 미치는 상기 금융계좌의 주요요인을 분석하는 요인분석단계;를 포함하고, 상기 요인분석단계의 결과에 따라, 상기 가상목표고객군에 포함되는 계좌를 선별할 수 있다.
본 발명에 따른 금융상품 관리자동화 시스템 및 관리자동화 방법은 상품 관리/실행/계좌 관리 등의 의사결정과정에 있어서, 인공지능의 예측모델을 이용하여 보다 정확한 의사결정이 이루어질 수 있다.
또한, 복잡한 인공지능 기술을 습득하지 않더라도 금융상품 담당자가 쉽게 인공지능 기술을 통해 분석하고 예측한 결과를 시뮬레이션하여 금융상품전략에 실시간으로 반영할 수 있다.
또한, 금융상품 데이터 기반에 예측모델을 기초로 시스템 스스로 금융 상품에 대한 의사결정이 가능하게 하여 금융상품의 전체 사이클을 자동으로 관리할 수 있다.
본 발명의 효과들은 이상에서 언급한 내용들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 금융상품 관리자동화 시스템의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 금융모델생성부의 금융학습모델을 생성하는 과정을 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 데이터맵변환부가 변환한 데이터맵을 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 금융상품 관리자동화 시스템이 주요요인을 판별하고, 재예측을 하는 것을 나타낸 도면이다.
도 5 내지 도 8은 본 발명의 일 실시예에 따른 금융상품 관리자동화 방법의 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예가 상세하게 설명된다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고, 도면에서 본 발명의 실시예를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략되었다.
본 명세서에서 사용된 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도로 사용된 것이 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.
본 명세서에서, "포함하다", "가지다" 또는 "구비하다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것으로서, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해될 수 있다.
또한, 본 발명의 실시예에 나타나는 구성부들은 서로 다른 특징적인 기능들을 나타내기 위해 독립적으로 도시되는 것으로, 각 구성부들이 분리된 하드웨어나 하나의 소프트웨어 구성단위로 이루어짐을 의미하지 않는다. 즉, 각 구성부는 설명의 편의상 각각의 구성부로 나열하여 기술되고, 각 구성부 중 적어도 두 개의 구성부가 합쳐져 하나의 구성부로 이루어지거나, 하나의 구성부가 복수 개의 구성부로 나뉘어져 기능을 수행할 수 있다. 이러한 각 구성부의 통합된 실시예 및 분리된 실시예도 본 발명의 본질에서 벗어나지 않는 한 본 발명의 권리 범위에 포함된다.
또한, 이하의 실시예들은 당 업계에서 평균적인 지식을 가진 자에게 보다 명확하게 설명하기 위해서 제공되는 것으로서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
이하, 첨부된 도면을 참조하여, 본 발명에 따른 바람직한 실시예에 대하여 설명한다.
도 1은 본 발명의 일 실시예에 따른 금융상품 관리자동화 시스템 구성도이다.
도 1을 참조하여 설명하면, 본 발명의 일 실시예에 따른 금융상품 관리자동화 시스템(10)은 금융모델생성부(100), 계좌관리부(300), 품질측정부(400) 및 요인분석부(500)를 포함할 수 있다. 또한, 금융상품 관리자동화 시스템(10)은 데이터맵변환부(600)를 포함할 수 있다.
금융상품 관리자동화 시스템(10)은 복수의 금융계좌별 금융데이터(200)에 기초한 금융상품을 자동적으로 관리할 수 있다. 여기서, 금융데이터(200)는 금융기관 내부에서 수집되는 내부 데이터(210) 또는 금융기관 외부에서 수집되는 외부 데이터(220)를 포함할 수 있다.
내부 데이터(210)는 금융기관에 등록된 각 계좌에 따른 개인정보, 신용정보, 연체정보, 금리정보, 대출정보, 소득정보, 부채정보, 예금정보, 금융거래정보 중 하나 이상을 포함할 수 있다. 개인정보는 이름, 나이, 연령, 거주지, 가족관계, 성별, 소득, 직장, 직장근무기간, 자산 현황 정보 등이 포함될 수 있고, 신용정보는 신용평가사등급, 내부신용등급, 상환의지에 대한 능력 등이 포함될 수 있다. 또한, 연체정보는 과거 금융기관에 대한 연체정보, 부도정보, 부채정보 등이 포함될 수 있으며, 대출상품, 대출실행금액, 가산금리, 이자납부금액, 잔액 등과 같은 상품정보도 포함될 수 있다.
외부 데이터(220)는 은행 내부에서 자체적으로 생성되지 않는 데이터를 말하며, 제휴 또는 스크래핑 같은 방식으로 수집될 수 있다. 예컨대, 통신사, 카드이용내역, 유통사의 소비패턴, 경제지표, SNS, 이자율, 기준금리, 금융상품의 행위가 일어나는 채널에 대한 정보일 수 있다. 또한, 각 증권사별로 관리하고 있는 등급, 주식의 과거 특정기간의 변동성 같은 정보들이 포함될 수 있다.
금융모델생성부(100)는 복수의 금융계좌별 금융데이터를 기초로 기계학습을 통하여 금융학습모델(410)을 생성할 수 있다.
여기서, 기계학습은, 심층 신경망(DNN; Deep Neural Network), 합성곱 신경망(CNN; Convolution Neural Network), 순환 신경망(RNN; Recurrent Neural Network), 제한 볼츠만 머신(RBM; Restricted Boltzmann Machine) 및 심층 신뢰 신경망(DBN; Deep Brief Network) 중 하나 이상을 사용할 수 있다.
이는 딥러닝 기술로서, 딥러닝(Deep Learning) 기술은, 컴퓨터가 사람처럼 생각하고 배울 수 있도록 하는 인공지능(AI) 기술로서, 인공신경망 이론을 기반으로 복잡한 비선형 문제를 기계가 스스로 학습해결을 할 수 있도록 한다. 딥러닝은 인간의 두뇌가 수많은 데이터 속에서 패턴을 발견한 뒤 사물을 구분하는 정보처리 방식을 모방해 컴퓨터가 사물을 분별하도록 기계를 학습시키는 기술이다.
딥러닝 기술을 적용하면 사람이 모든 판단 기준을 정해주지 않아도 컴퓨터가 스스로 인지·추론·판단할 수 있게 되고, 음성·이미지 인식과 사진 분석 등에 광범위하게 활용하는 것이 가능하다.
즉, 딥러닝은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(Abstractions, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는 기계학습 알고리즘의 집합으로 정의되며, 큰 틀에서 사람의 사고방식을 컴퓨터에게 가르치는 기계학습의 한 분야라고 이야기할 수 있다.
계좌관리부(300)는 새로운 금융상품 품질을 측정하기 위해, 생성된 금융학습모델(410)에 입력되는 복수의 금융계좌를 관리할 수 있다. 계좌관리부(300)는 금융학습모델(410)에 입력되는 금융데이터를 계좌단위로 관리하며, 입력되는 계좌를 조정할 수 있다. 금융학습모델(410)에 입력되는 금융데이터(200)는 계좌관리부(300)에 의해 계좌단위로 관리되어 품질측정부(400)에 의해 입력될 수 있다. 또한, 예측이 반복되는 과정에서 계좌관리부(300)는 금융학습모델(410)에 입력되는 계좌를 조정하여 입력범위를 제한하거나 확대할 수 있다. 계좌단위는 하나의 명의자에 대응되는 계좌일 수 있으며, 계좌에 포함되는 정보는 범주형 변수로 분류되어 세부정보를 가질 수 있다. 여기서 범주는 예컨대, 명의자, 주소, 성별, 상환방식, 주거형태, 잔액, 대출금리, 신용정보 등을 포함할 수 있다.
품질측정부(400)는 금융상품에 속하는 복수의 금융계좌별 금융데이터를 입력하여 금융학습모델(410)을 통한 금융상품의 품질을 산출할 수 있다.
요인분석부(500)는 품질측정부(400)에서 산출된 금융상품의 품질에 영향을 미치는 금융계좌의 주요요인을 분석할 수 있다. 일례로 신용대출 상품 금리 5% 상품에 대해 연체-부도율이 2% 이하로 리스크 관리를 한다면, 연체-부도율의 예측모델을 통한 향후 포트폴리오의 연체-부도율 예측결과치가 리스크 관리를 하지 않을 경우 3%까지 상승할 수 있다고 예상될 수 있다. 이때, 목표치인 2% 미만으로 도달하려면 어떤 주요요인을 조정해야 하는지 분석하는 것이다. 여기서 주요요인은 위에서 언급된 입력값으로 설정된 데이터일 수 있다. 그리고 요인분석부(500)의 결과에 따라, 계좌관리부(300)는 금융상품에 포함되는 계좌를 선별할 수 있다.
데이터맵변환부(600)는 금융모델생성부(100)의 출력값 또는 품질측정부(400)의 출력값을 빈티지 차트(Vintage Chart) 또는 넷플로우 차트(NetFlow Chart)로 시각화할 수 있다. 여기서 빈티지 차트 또는 넷플로우 차트는 데이터맵이라고 할 수 있다. 데이터맵은 데이터를 인간 또는 기계가 판독할 수 있는 그래프 또는 표와 같은 형태인 것일 수 있다. 데이터맵은 본 발명인 금융상품 관리자동화 시스템(10)이 적용되는 업종에 따라 변환되는 데이터맵의 형태가 달라질 수 있다. 리테일 뱅킹은 빈티지 차트, 넷플로우 차트 등으로 변환될 수 있고, 증권사 및 신용카드는 또 다른 형태의 데이터맵으로 변환될 수 있다.
도 2는 본 발명의 일 실시예에 따른 금융모델생성부(100)의 금융학습모델(410)을 생성하는 과정을 나타낸 도면이다.
도 2를 참조하면, 금융모델생성부(100)는 데이터변환부(110) 및 데이터학습부(120)를 포함할 수 있다. 데이터변환부(110)는 기계학습을 위해 금융데이터를 변환할 수 있다. 데이터변환부(110)는 금융데이터의 특성에 맞도록 변환할 수 있으며, 이는 학습성능을 높일 수 있다.
본 발명의 일 실시예에 따른 데이터변환부(110)의 변환방식은 금융데이터 중 학습을 위해 입력하는 금융데이터의 실수정보(금액, 금리 등)는 Z변환(Z-transform)을 수행하고, 비실수정보는 원-핫-인코딩(One-Hot-encoding) 또는 오토-인코더(Auto-encoder)를 이용할 수 있다.
원-핫-인코딩 또는 오토-인코딩은 범주형 변수를 기계학습 원활히 하기위해 사용될 수 있다. 범주형 변수는 명의자, 주소, 성별, 상환방식, 주거형태, 잔액, 대출금리, 신용정보 등일 수 있다.
원-핫-인코딩은 이러한 범주형 변수를 0 또는 1 값을 가진 하나 이상의 새로운 특성으로 변환하는 것일 수 있다. 0과 1로 표현되는 변수는 개수에 상관없이 범주마다 하나의 특성으로 표현할 수 있다. 예를 들어, 성별, 상환방식 등의 범주에서 성별이 '여자'이면 1, '남자'이면 0으로 변환할 수 있다.
오토-인코더는 신경망 알고리즘을 이용하여 입력이 신경망을 거쳐 나온 출력값이 그 입력값과 유사할 수 있도록 학습되는 것이다. 오토-인코더는 데이터 자체의 내부 구조와 특성을 학습할 수 있다. 일반적으로 히든 레이어의 개수는 입력, 출력 레이어의 개수보다 적으며, 이를 통해 중요한 특성들만 추출하고 차원축소를 수행할 수 있다. 오토-인코더는 데이터학습부(120)가 변환전의 데이터를 학습하면 오버피팅할 가능성이 크므로, 더 간단한 데이터로 인코딩하는 것이다.
데이터변환부(110)는 성별, 상환방식과 같은 범주는 원-핫-인코딩(One-Hot encoding)으로 주거형태, 신용정보, 우편번호와 같은 다량의 범주는 오토-인코딩(Auto-encoding)으로 변환할 수 있다. 데이터변환부(110) 가 데이터의 특성에 맞도록 변수를 변환하면 학습성능이 향상될 수 있다.
데이터학습부(120)는 데이터변환부(110)가 변환한 데이터로 기계학습을 반복하면서 예측모델을 생성할 수 있다. 일 실시예에서 따른 기계학습 과정에서 피팅의 타겟이 되는 변수는 월별연체여부와 월별이탈여부일 수 있다. 데이터학습부(120)는 타겟을 잘 맞추도록 피팅일 될 수 있으며 피팅 후 테스트 셋을 이용해 성능 및 신뢰도를 검증할 수 있다. 이 학습과정을 반복하며 학습률(Learning Rate), 학습반복횟수(Epoch Size), 레이어 구성, 뉴런(Neuron) 개수, 활성함수(Activate Function), 정규화(Regularization)rk 최적화된 예측모델을 생성할 수 있다.
도 2에 도시된 데이터학습부(120)는 데이터변환부(110)가 변환한 과거의 금융데이터(201, Xt-7~Xt-3)를 통해 최근의 크레딧 값(Ct-7~Ct)을 예측하는 학습 레이어를 구성하고, 하이퍼파라미터(Hyperparameter, 각 층의 뉴런수, 배치 크기, 매개변수 갱신 시의 학습률, 가중치 감소율)을 설정하고, 손실함수(학습과정에서 예측되는 출력값과 실제값과의 차이)의 값이 최소화되는 신경망의 가중치를 도출할 수 있다. 이 과정을 반복하면서 최적의 성능을 보이는 금융학습모델(410)을 생성할 수 있다.
품질측정부(400)는 새로운 금융상품에 대한 포트폴리오를 예측하기 위해 복수의 금융계좌별 금융데이터를 금융모델생성부(100)이 생성한 금융학습모델(410)에 입력할 수 있다. 품질측정부(400)는 금융상품모델(410)의 출력값을 기초하여 예측하고자 하는 금융상품의 포트폴리오 품질을 산출할 수 있다.
예를 들면, 본 발명의 일 실시예에 따른 금융상품모델(410)의 출력값은 입력되는 각 계좌에 따른 월별연체율 또는 월별이탈률 중 하나 이상일 수 있다. 출력되는 월별연체율 또는 월별이탈률으로 계좌별 또는 시점별로 각 계좌에 따른 수익률, 부도율 또는 조기상환률을 산출할 수 있다. 여기서 누적 부도율은 금융상품에 속하는 전체 계좌 수 대비 해당 시점 이전에 3개월 이상 누적 연체된 계좌비율이고, 누적 조기상환율은 금융상품에 속하는 전체 계좌 수 대비 해당 시점 이전에 1번 이상 이탈한 계좌비율일 수 있다.
도 3 본 발명의 일 실시예에 따른 데이터맵변환부(600)가 변환한 데이터맵을 나타낸 도면이다.
도 3을 참조하면, 품질측정부(400)의 출력값은 빈티지 차트 또는 넷플로우 차트로 시각화할 수 있다. 빈티지 차트는 특정 기간(2017년 1월, 2월 등)에 실행된 포트폴리오를 비교하기 위해서 만든 분석지표로서, 와인의 빈티지별 품질을 관리하는 지표와 유사하다. 도 3의 차트는 Ever 5+, 즉 단 한번이라도 5일 이상 연체할 것으로 예상되는 계좌를 누적적으로 보여주는 차트이다.
도 3을 참조하여 예를 들면 2017년 1월에 실행된 12,423건의 계좌 중, 대출 실행이후 25개월이 지나는 기간동안, 한번이라도 5일 이상 연체를 할 것으로 예측되는 계좌의 비율(L1)은 약 25%인 3,106건의 계좌이다. 이러한 예측 데이터를 시간의 흐름에 따라 누적적으로 표시하며, 각 실행된 월별 포트폴리오의 그래프를 그릴 수 있다. 이러한 월별 포트폴리오의 그래프를 품질이라고 한다면, 데이터맵변환부(600)가 변환한 차트에는 목표 품질(L0)을 포함할 수 있다. 동일한 시점에서 예측된 품질(L1)이 목표 품질(L0)의 값이 유사하다면 예측되는 대출 포트폴리오의 품질은 좋다라고 평가할 수 있다. 이러한 품질은 수익률, 부도율 또는 조기상환율 중 하나 이상을 포함할 수 있다.
본 발명에 따른 데이터맵변환부(600)가 생성할 수 데이터맵의 유형과 이를 예측모델과 결합하여 시각화한 그래프의 유형은 다양한 범주로 생성될 수 있고, 2차원 그래프만이 아닌 다수의 변수 축을 가지는 다차원의 그래프도 포함될 수 있다.
예를 들어 1000개의 계좌 중 50개의 계좌가 연체를 하고 있는데, 다음달에 추가로 2000개를 실행을 한다면, 신규로 실행된 계좌에서 연체는 발생하지 않았기 때문에 연체율은 50/3000로 낮아질 수 있다. 이처럼 연체율은 하나의 지표로만 판단할 수 있는 문제가 아니므로 다차원의 축을 이용하여 나타낼 수 있다.
요인분석부(500)는 예측되는 품질(L1)이 목표 품질(L0)에 비해 좋은지 나쁜지 판단한다. 품질이 좋은 기준은 동일한 시점에서 예측되는 품질(L1)과 목표 품질(L0)의 값의 차이(d1)을 산출하고, 그 차이(d1)가 일정 기준 이하면 품질이 좋다고 판단할 수 있다. 또한, 요인분석부(500)는 예측되는 품질(L1)이 좋지 않다고 판단되면, 목표 품질(L0)과의 차이(d1)을 줄일 수 있는 주요요인을 판단하고, 주요요인의 영향도를 분석할 수 있다.
여기서, 주요요인은 금융모델생성부(100)가 생성한 금융학습모델(410)의 입력 데이터인 계좌에 포함된 범주의 세부 정보 중 수치가 한정되거나 어느 범주 세부 정보를 포함하는 계좌를 대출 실행에 포함하거나 제한하면 차이(d1)의 변화를 가장 많이 가져올 수 있는 것일 수 있다.
예를 들어, 금융학습모델(410)에 입력되는 계좌가 제1 계좌, 제2 계좌 및 제3 계좌가 입력될 수 있다. 제1 계좌, 제2 계좌 및 제3 계좌는 'A'시점에 대출이 실행된 계좌이다. 각 계좌에 따른 범주는 '연체이력' 포함할 수 있다. 여기서 '연체이력' 해당 시점 이전에 5일 이상 연체하는 것이며, '연체이력'의 범위의 세부 정보는 각 계좌가 과거에 상기 기준에 따라 연체된 이력을 카운팅 하는 것일 수 있다. 그리고 실제로 제2 계좌의 '연체이력'의 범주의 세부 정보가 '3' 이상이라고 하면, 요인분석부(500)가 '연체이력'의 범주에서 '1'이상의 값을 가진 계좌를 제외한 계좌를 다시 금융학습모델(410)에 입력하여 차이(d1)이 줄어들면, '연체이력'을 주요요인으로 판단할 수 있다.
도 4는 본 발명의 일 실시예에 따른 금융상품 관리자동화 시스템(10)이 주요요인을 판별하고, 재예측을 하는 것을 나타내는 도면이다.
도 4를 참조하면, 요인분석부(500)는 방금 설명한 '연체이력'만이 아니라 매우 다양하고, 중복적으로 주요요인을 판단할 수 있다. 금융학습모델(410)은 하나의 모델이 생성되는 것이 아니라 각각의 목적에 따른 출력값을 가지는 다양한 모델이 생성될 수 있다. 또한, 하나의 금융학습모델(410)에서 예측한 값을 이용해 다양한 예측 그래프를 산출할 수도 있다. 도 4는 금융학습모델(410)에서 입력한 각 계좌에 따른 월별연체율이 예측되고, 품질측정부(400)는 예측된 월별연체율에 따라 누적부도율을 산출하고 3개월 이내에 부도하는 계좌의 비율을 산출하여 1등급에서 10등급으로 분류하는 모습이 나타나 있다.
도 3 및 도 4를 참조하면, 예측 품질(L1)과 목표 품질(L0)의 차이(d1)을 줄이는 주요요인을 '연체이력'이라고 판단하면, 계좌관리부(300)는 입력되는 계좌 데이터에서 '연체이력'을 가진 계좌를 제외할 수 있다. 품질측정부(400)는 '연체이력'이 제외된 계좌로 다시 입력된 금융학습모델(410)의 출력값으로 산출할 수 있고, 데이터맵변환부(600)는 산출값을 기초로 다시 누적부도율을 출력할 수 있다. 이때, 예측된 품질(L2)과 목표 품질(L0)과의 차이(d2)를 재분석할 수 있다. 품질이 좋은 것으로 판단되지 않으면 요인분석부(500)는 다시 주요요인을 분석할 수 있다. 이때, 요인분석부(500)가 3개월 이내 부도계좌의 비율에서 10등급을 받은 계좌를 주요요인으로 판단하면, 계좌관리부(300)가 입력되는 계좌 중 10등급으로 분류된 계좌를 다시 제외하고 금융학습모델(410)에 입력할 수 있다. 이 과정이 반복되어 품질이 좋은 것으로 판단되는 예측 품질(L3)이 산출될 수 있다.
계좌관리부(300)는 복수의 계좌정보 중 주요요인에 대한 기준을 만족하는 하나 이상의 계좌를 추출하고, 상기 계좌 명의자에게 취할 행동을 추천하는 사후액션부 및 주요요인에 대한 기준을 만족하는 또 다른 계좌에 대해 대출을 금지하는 사전액션부를 포함할 수 있다.
여기서 행동은 사용자가 취하는 행동으로 예를 들어 주요요인이 10등급이라고 판단될 경우, 10등급으로 분류되는 계좌의 명의자에 대해 전화 독촉, 메일 발송 또는 자산 압류 등의 행동이며, 사후액션부는 이러한 행동을 추천할 수 있다. 사전액션부는 주요요인이 미래에 대출을 실행할 대출 후보 계좌들 중에서 10등급으로 분류되는 계좌와 유사한 계좌를 제외할 수 있다.
도 5는 본 발명의 일 실시예에 따른 금융상품 관리자동화 방법의 순서도이다. 도 5를 참조하면, 복수의 금융계좌별 금융데이터에 기초한 금융상품을 자동적으로 관리하는 금융상품 관리자동화 방법은 금융모델생성단계(S500), 품질측정단계(S510) 및 요인분석단계(S520)을 포함할 수 있다. 금융모델생성단계(S500)은 복수의 금융계좌별 금융데이터를 기초로 기계학습을 통하여 금융학습모델을 생성하는 단계이다. 품질측정단계(S510)는 새로운 금융상품에 속하는 복수의 금융계좌별 금융데이터를 입력하여 금융학습모델을 통한 금융상품의 품질을 산출하는 단계이다. 요인분석단계(S520)은 산출된 금융상품의 품질에 영향을 미치는 금융계좌의 주요요인을 분석하는 단계이다. 요인분석단계(S520)의 결과, 즉 분석되는 주요요인에 따라 금융상품에 포함되는 계좌를 선별하여 금융학습모델을 통해 금융상품의 품질을 재산출할 수 있다. 각 단계의 상세한 설명은 상술한 금융상품 관리자동화 시스템과 동일하므로 생략한다.
품질측정단계(S510)는 정기적으로 금융상품의 품질을 측정하고, 매월 대출 실행금액, 대출 전체의 연체금액, 월별 연체율 및 월별 조기상환률 중 하나 이상을 기초로 금융상품의 품질을 측정할 수 있다.
예를 들면, 1월에 금융상품에 따른 대출을 실행한 금융계좌의 금융데이터로 금융상품의 품질을 측정할 수 있다. 1월 실행된 대출의 품질에 대해 요인분석단계(S520)에서 주요요인이 분석될 수 있다. 분석된 주요요인을 포함하는 금융계좌를 선별하여 제외하고, 제외된 금융계좌의 금융데이터를 이용해서 재산출한 금융상품의 품질을 측정하여 목표 품질과 비슷하다면 2월에 실행할 금융상품에 따른 대출을 실행한 금융계좌는 상기 주요요인을 제외한 금융계좌로 실행할 수 있다. 또한, 추가되는 다른 금융계좌들에 대해서 상기 분석된 주요요인이 포함되어 있다면 사전에 제외될 수 있다.
도 6은 본 발명의 일 실시예에 따른 금융상품 관리자동화 방법의 순서도이다. 도 6을 참조하면, 일 실시예에 따른 금융상품 관리자동화 방법은 복수의 금융계좌별 금융데이터를 기초로 기계학습으로 생성된 금융학습모델을 이용할 수 있다.
생성된 금융학습모델은 새로운 금융상품에 속하는 복수의 금융계좌별 금융데이터가 입력되어 계좌단위별 예측되는 월별연체율 또는 월별이탈률을 출력(S600)할 수 있다. 그리고 월별연체율 또는 월별이탈률을 집계하여 상기 금융상품에 대한 누적 부도율 또는 누적 조기상환율을 산출(S610)할 수 있다.
누적 부도율 또는 누적 조기상환율과 목표 누적 부도율 또는 목표 누적 조기상환율과의 차이를 계산(S620)하고, 부도 또는 상환이 예측되는 계좌별로 공통으로 포함하는 하나 이상의 범주를 추출(S630)할 수 있다. 여기서 범주는 또 다른 금융학습모델의 예측값을 기초로 추출할 수 있다.
범주가 추출되면 상기 하나 이상의 범주를 포함하는 계좌를 제외한 상기 복수의 금융계좌별 금융데이터를 금융학습모델에 재입력(S640)하여 금융상품의 누적 부도율 또는 누적 조기상환율의 품질을 산출할 수 있다.
상기 누적 부도율은 상기 금융상품에 속하는 전체 계좌 수 대비 해당 시점 이전에 3개월 이상 누적 연체된 계좌비율이고, 상기 누적 조기상환율은 상기 금융상품에 속하는 전체 계좌 수 대비 해당 시점 이전에 1번 이상 이탈한 계좌비율일 수 있다.
도 7은 본 발명의 일 실시예에 따른 금융상품 관리자동화 방법의 순서도이다. 도 7을 참조하면, 복수의 금융계좌별 금융데이터를 기초로 기계학습으로 생성된 기존의 고객군에서 금융상품 가상고객군을 추출하는 제1 금융학습모델 및 상기 금융상품의 수익률을 예측하는 제2 금융학습모델을 이용하는 금융상품 관리자동화 방법은 상품변수 설정단계(S700), 가상고객군 추출단계(S710), 수익률 예측단계(S720) 및 요인분석단계(S730)를 포함할 수 있다.
상품변수 설정단계(S700)는 새로운 금융상품을 위한 상품변수를 설정할 수 있다. 상품변수는 대출 금리, 대출 한도, 상환 기간 등을 포함할 수 있다.
가상고객군 추출단계(S710)는 설정한 상품변수를 기초로 복수의 금융계좌별 금융데이터에서 상기 제1 금융학습모델로 가상고객군을 추출하는 단계이다. 가상고객군은 기존의 고객 데이터베이스에서 상품변수로 설정한 대출 금리, 대출 한도, 상환 기간의 조건을 만족하는 금융 상품을 이용할 가능성이 높은 고객집단이며, 이러한 가상고객군은 기존의 대출을 이용한 고객의 금융계좌의 금융데이터로 미리 학습된 제1 금융학습모델에 의해 추출될 수 있다.
수익률 예측단계(S720)는 가상고객군에 속하는 금융계좌별 금융데이터로 제2 금융학습모델로 수익률을 예측하는 단계이다. 제2 금융학습모델은 기존에 실행된 금융상품의 데이터로 학습된 예측모델일 수 있다. 수익률 예측단계(S720)는 기계학습을 통한 예측모델을 이용해서 설계한 금융상품이 얼마나 수익을 낼 수 있는지 시뮬례이션이 가능하므로 신규 금융상품 출시에 발생되는 리스크를 줄일 수 있다.
요인분석단계(S730)는 예측된 수익률과 목표 수익률과의 차이에 영향을 미치는 상기 금융계좌의 주요요인을 분석할 수 있다. 요인분석단계의 결과에 따라, 상기 가상고객군에 포함되는 계좌를 선별할 수 있다. 예측된 수익률과 목표 수익률과의 괴리가 상당히 발생할 때, 목표 수익률을 달성하기 위해 주요요인을 분석하여, 주요요인이 포함된 계좌를 제외하거나 추가하여 목표 수익률과 유사할 때까지 반복하여 분석할 수 있다.
또한, 가상 목표 고객군 추출 단계(S710) 이후에는 추출된 가상 고객군을 기초로 목표 시장 크기만큼 모수를 증폭할 수 있다. 데이터의 양이 너무 작게 되면 예측을 근본적으로 잘 할 수 없는 한계를 갖게 되는데, 이를 데이터 오그멘테이션(Data Augmentation)기법을 통해서 데이터의 양을 늘리는 기법을 사용할 수 있다. 실제로 예측할 계좌와 가장 유사한 패턴을 보일 것으로 예상하는, 데이터 상으로 가장 유사하고, 근접한 거리에 있는 계좌를 추적해서 모델에 학습시킬 수 있다.
본 명세서에 기재된 다양한 실시예들은 하드웨어, 미들웨어, 마이크로코드, 소프트웨어 및/또는 이들의 조합에 의해 구현될 수 있다. 예를 들어, 다양한 실시예들은 하나 이상의 주문형 반도체(ASIC)들, 디지털 신호 프로세서(DSP)들, 디지털 신호 프로세싱 디바이스(DSPD)들, 프로그램어블 논리 디바이스(PLD)들, 필드 프로그램어블 게이트 어레이(FPGA)들, 프로세서들, 컨트롤러들, 마이크로컨트롤러들, 마이크로프로세서들, 여기서 제시되는 기능들을 수행하도록 설계되는 다른 전자 유닛들 또는 이들의 조합 내에서 구현될 수 있다.
또한, 예를 들어, 다양한 실시예들은 명령들을 포함하는 컴퓨터-판독가능한 매체에 수록되거나 인코딩될 수 있다. 컴퓨터-판독가능한 매체에 수록 또는 인코딩된 명령들은 프로그램 가능한 프로세서 또는 다른 프로세서로 하여금 예컨대, 명령들이 실행될 때 방법을 수행하게끔 할 수 있다. 컴퓨터-판독가능한 매체는 컴퓨터 저장 매체 및 하나의 장소로부터 다른 장소로 컴퓨터 프로그램의 이송을 용이하게 하는 임의의 매체를 포함하는 통신 매체 모두를 포함한다. 저장 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수도 있다. 예를 들어, 이러한 컴퓨터-판독가능한 매체는 RAM, ROM, EEPROM, CD-ROM　또는 기타 광학디스크 저장 매체, 자기 디스크 저장 매체 또는 기타 자기 저장 디바이스 또는 원하는 프로그램 코드를 컴퓨터에 의해 액세스가능한 명령들 또는 데이터 구조들의 형태로 반송하거나 저장하는데 이용될 수 있는 임의의 다른 매체를 포함할 수 있다.
이러한 하드웨어, 소프트웨어, 펌웨어 등은 본 명세서에 기술된 다양한 동작들 및 기능들을 지원하도록 동일한 디바이스 내에서 또는 개별 디바이스들 내에서 구현될 수 있다. 추가적으로, 본 발명에서 "~부"로 기재된 구성요소들, 유닛들, 모듈들, 컴포넌트들 등은 함께 또는 개별적이지만 상호 운용가능한 로직 디바이스들로서 개별적으로 구현될 수 있다. 모듈들, 유닛들 등에 대한 서로 다른 특징들의 묘사는 서로 다른 기능적 실시예들을 강조하기 위해 의도된 것이며, 이들이 개별 하드웨어 또는 소프트웨어 컴포넌트들에 의해 실현되어야만 함을 필수적으로 의미하지 않는다. 오히려, 하나 이상의 모듈들 또는 유닛들과 관련된 기능은 개별 하드웨어 또는 소프트웨어 컴포넌트들에 의해 수행되거나 또는 공통의 또는 개별의 하드웨어 또는 소프트웨어 컴포넌트들 내에 통합될 수 있다.
특정한 순서로 동작들이 도면에 도시되어 있지만, 이러한 동작들이 원하는 결과를 달성하기 위해 도시된 특정한 순서, 또는 순차적인 순서로 수행되거나, 또는 모든 도시된 동작이 수행되어야 할 필요가 있는 것으로 이해되지 말아야 한다. 임의의 환경에서는, 멀티태스킹 및 병렬 프로세싱이 유리할 수 있다. 더욱이, 상술한 실시예에서 다양한 구성요소들의 구분은 모든 실시예에서 이러한 구분을 필요로 하는 것으로 이해되어서는 안되며, 기술된 구성요소들이 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키징될 수 있다는 것이 이해되어야 한다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해서 정해져야 할 것이다.
100: 금융모델생성부
200: 금융데이터
210: 내부 데이터
220: 외부 데이터
300: 계좌관리부
400: 품질측정부
410: 금융학습모델
500: 요인분석부
600: 데이터맵변환부

Claims (12)

  1. 복수의 금융계좌별 금융데이터에 기초한 금융상품을 자동적으로 관리하는 금융상품 관리자동화 시스템으로서,
    상기 복수의 금융계좌별 금융데이터를 기초로 기계학습(Machine Learning)을 통하여 금융학습모델을 생성하는 금융모델생성부;
    새로운 금융상품의 품질을 측정하기 위해, 상기 금융상품에 포함되는 복수의 계좌를 관리하는 계좌관리부;
    상기 금융상품에 속하는 복수의 금융계좌별 금융데이터를 입력하여 상기 금융학습모델을 통한 상기 금융상품의 품질을 산출하는 품질측정부; 및
    산출된 상기 금융상품의 품질에 영향을 미치는 상기 금융계좌의 주요요인을 분석하고, 산출된 상기 금융상품의 품질과 목표 품질 사이의 차이를 분석하며, 상기 차이에 영향을 미치는 상기 금융데이터의 주요요인의 영향도를 분석하는 요인분석부;를 포함하고,
    상기 금융모델생성부는 상기 기계학습을 위해 상기 금융데이터를 변환하는 데이터변환부; 및
    상기 데이터변환부가 변환한 데이터로 상기 기계학습을 반복하면서 예측모델을 생성하는 데이터학습부;를 포함하며,
    상기 품질측정부는 누적 부도율 또는 누적 조기상환율을 산출하고,
    상기 누적 부도율은 상기 금융상품에 속하는 전체 계좌 수 대비 해당 시점 이전에 소정기간 동안 누적 연체된 계좌비율이며, 상기 누적 조기상환율은 상기 금융상품에 속하는 전체 계좌 수 대비 해당 시점 이전에 1번 이상 이탈한 계좌비율이고,
    상기 요인분석부의 결과에 따라, 상기 계좌관리부는 상기 금융상품의 품질과 상기 목표 품질 사이의 차이가　줄어들도록, 상기 금융상품에 포함되는 계좌를 선별하는 것인 금융상품 관리자동화 시스템
  2. 제1항에 있어서,
    상기 금융데이터는, 금융기관의 내부 데이터 또는 외부 데이터를 포함하고,
    상기 내부 데이터는, 상기 금융기관에 등록된 각 계좌에 따른 개인정보, 신용정보, 연체정보, 금리정보, 대출정보, 소득정보, 부채정보, 예금정보 및 금융거래정보 중 하나 이상을 포함하며,
    상기 외부 데이터는, 금융기관 내부에서 생성되지 않고 제휴 또는 스크래핑으로 수집되는 데이터인 것인 금융상품 관리자동화 시스템.
  3. 삭제
  4. 삭제
  5. 제1항에 있어서,
    상기 데이터변환부는, 상기 금융데이터 중 실수(Real Number)정보는 Z변환(Z Transform)을 수행하고, 비실수정보는 원-핫-인코딩(One-hot-encoding) 또는 오토-인코더(Auto-encoder)를 이용하는 것인 금융상품 관리자동화 시스템.
  6. 제1항에 있어서,
    상기 금융학습모델의 출력값은, 월별연체율 또는 월별이탈률 중 하나 이상을 포함하고,
    상기 금융상품의 상기 품질은, 수익률, 부도율 또는 조기상환율 중 하나 이상을 포함하는 것인 금융상품 관리자동화 시스템.
  7. 삭제
  8. 제1항에 있어서,
    상기 금융모델생성부의 출력값 또는 상기 품질측정부의 출력값을 빈티지 차트(Vintage Chart) 또는 넷플로우 차트(NetFlow Chart)로 시각화하는 데이터맵변환부;를 포함하는 것인 금융상품 관리자동화 시스템.
  9. 제1항에 있어서,
    상기 기계학습은, 심층 신경망(DNN; Deep Neural Network), 합성곱 신경망(CNN; Convolution Neural Network), 순환 신경망(RNN; Recurrent Neural Network), 제한 볼츠만 머신(RBM; Restricted Boltzmann Machine) 및 심층 신뢰 신경망(DBN; Deep Brief Network) 중 하나 이상을 사용하는 것인 금융상품 관리자동화 시스템.
  10. 복수의 금융계좌별 금융데이터에 기초한 금융상품을 자동적으로 관리하는 금융상품 관리자동화 방법으로서,
    복수의 금융계좌별 금융데이터를 기초로 기계학습(Machine Learning)을 통하여 금융학습모델을 생성하는 금융모델생성단계;
    새로운 금융상품에 속하는 복수의 금융계좌별 금융데이터를 입력하여 상기 금융학습모델을 통한 상기 금융상품의 품질을 산출하는 품질측정단계; 및
    산출된 상기 금융상품의 품질에 영향을 미치는 상기 금융계좌의 주요요인을 분석하고, 산출된 상기 금융상품의 품질과 목표 품질 사이의 차이를 분석하며, 상기 차이에 영향을 미치는 상기 금융데이터의 주요요인의 영향도를 분석하는 요인분석단계;를 포함하고,
    상기 금융모델생성단계는 상기 기계학습을 위해 상기 금융데이터를 변환하는 데이터변환단계; 및
    상기 데이터변환단계에서 변환한 데이터로 상기 기계학습을 반복하면서 예측모델을 생성하는 데이터학습단계;를 포함하며,
    상기 품질측정단계는 누적 부도율 또는 누적 조기상환율을 산출하고,
    상기 누적 부도율은 상기 금융상품에 속하는 전체 계좌 수 대비 해당 시점 이전에 소정기간 동안 누적 연체된 계좌비율이며, 상기 누적 조기상환율은 상기 금융상품에 속하는 전체 계좌 수 대비 해당 시점 이전에 1번 이상 이탈한 계좌비율이고,
    상기 요인분석단계의 결과에 따라, 상기 금융상품의 품질과 상기 목표 품질 사이의 차이가　줄어들도록, 상기 금융상품에 포함된 계좌를 선별하는 것인 금융상품 관리자동화 방법.
  11. 제10항에 있어서,
    상기 품질측정단계는 정기적으로 상기 금융상품의 품질을 측정하고,
    매월 대출 실행금액, 대출 전체의 연체금액, 월별 연체율 및 월별 조기상환률 중 하나 이상을 기초로 상기 금융상품의 품질을 측정하는 것인 금융상품 관리자동화 방법.
  12. 삭제
KR1020180070786A 2018-02-28 2018-06-20 금융상품 관리자동화 시스템 및 관리자동화 방법 KR102009309B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
HK18113217A HK1253499A2 (zh) 2018-02-28 2018-10-16 金融商品管理自動化系統及管理自動化方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180024386 2018-02-28
KR20180024386 2018-02-28

Publications (1)

Publication Number Publication Date
KR102009309B1 true KR102009309B1 (ko) 2019-08-09

Family

ID=67613686

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180070786A KR102009309B1 (ko) 2018-02-28 2018-06-20 금융상품 관리자동화 시스템 및 관리자동화 방법

Country Status (2)

Country Link
KR (1) KR102009309B1 (ko)
HK (1) HK1253499A2 (ko)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112308203A (zh) * 2019-10-09 2021-02-02 刘畅 一种基于人工智能深度学习和多参数动态博弈的银行贷款发放与贷后管理决策支持系统
KR102228168B1 (ko) * 2019-11-11 2021-03-16 공주대학교 산학협력단 클래스 불균형 데이터 보완 방법 및 이를 이용한 채무불이행 예측 방법
KR20210054785A (ko) * 2019-11-06 2021-05-14 주식회사 에이젠글로벌 인공지능을 이용한 대출 확대 가설 검정 시스템 및 이를 이용한 방법
KR20210058229A (ko) * 2019-11-13 2021-05-24 주식회사 콜로세움코퍼레이션 재고 및 판매량 분석을 통한 단기 신용 대출 방법 및 서버
KR102302411B1 (ko) * 2020-12-04 2021-09-14 최한철 생체 데이터를 비롯한 각종 데이터를 사용하는 인공지능 모델을 이용한 금융상품 매매 방법, 서버 및 컴퓨터프로그램
KR20210156708A (ko) * 2020-06-18 2021-12-27 주식회사 에이젠글로벌 강화학습을 통한 금융여신 심사 장치 및 방법
KR102368638B1 (ko) * 2021-08-10 2022-02-25 최한철 인공지능 모델을 이용한 의사결정 방법, 서버 및 컴퓨터프로그램
KR102433930B1 (ko) * 2021-12-16 2022-08-19 주식회사 에이젠글로벌 세그먼트별 트래킹을 기반으로 크레딧 투 맵을 조정하는 방법 및 이러한 방법을 수행하는 장치
KR102433932B1 (ko) * 2021-12-16 2022-08-19 주식회사 에이젠글로벌 세그먼트별 크레딧 투 맵을 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치
KR102453979B1 (ko) * 2021-12-16 2022-10-14 주식회사 에이젠글로벌 세그먼트별 크레딧 투 맵을 생성하는 방법 및 이러한 방법을 수행하는 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011242923A (ja) * 2010-05-17 2011-12-01 Fuji Electric Co Ltd モデルの入力変数調整装置
JP2017049673A (ja) * 2015-08-31 2017-03-09 株式会社三菱総合研究所 情報処理装置及び情報処理方法
KR101799395B1 (ko) 2017-03-21 2017-11-20 주식회사 소딧 대출 심사를 위한 서버, 방법 및 단말

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011242923A (ja) * 2010-05-17 2011-12-01 Fuji Electric Co Ltd モデルの入力変数調整装置
JP2017049673A (ja) * 2015-08-31 2017-03-09 株式会社三菱総合研究所 情報処理装置及び情報処理方法
KR101799395B1 (ko) 2017-03-21 2017-11-20 주식회사 소딧 대출 심사를 위한 서버, 방법 및 단말

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112308203A (zh) * 2019-10-09 2021-02-02 刘畅 一种基于人工智能深度学习和多参数动态博弈的银行贷款发放与贷后管理决策支持系统
KR20210054785A (ko) * 2019-11-06 2021-05-14 주식회사 에이젠글로벌 인공지능을 이용한 대출 확대 가설 검정 시스템 및 이를 이용한 방법
KR102420952B1 (ko) * 2019-11-06 2022-07-14 주식회사 에이젠글로벌 인공지능을 이용한 대출 확대 가설 검정 시스템 및 이를 이용한 방법
KR102334923B1 (ko) * 2019-11-06 2021-12-03 주식회사 에이젠글로벌 인공지능을 이용한 대출 확대 가설 검정 시스템 및 이를 이용한 방법
KR20210148043A (ko) * 2019-11-06 2021-12-07 주식회사 에이젠글로벌 인공지능을 이용한 대출 확대 가설 검정 시스템 및 이를 이용한 방법
KR102228168B1 (ko) * 2019-11-11 2021-03-16 공주대학교 산학협력단 클래스 불균형 데이터 보완 방법 및 이를 이용한 채무불이행 예측 방법
WO2021095985A1 (ko) * 2019-11-11 2021-05-20 공주대학교 산학협력단 클래스 불균형 데이터 보완 방법 및 이를 이용한 채무불이행 예측 방법
KR102363582B1 (ko) * 2019-11-13 2022-02-16 주식회사 콜로세움코퍼레이션 재고 및 판매량 분석을 통한 단기 신용 대출 방법 및 서버
KR20210058229A (ko) * 2019-11-13 2021-05-24 주식회사 콜로세움코퍼레이션 재고 및 판매량 분석을 통한 단기 신용 대출 방법 및 서버
KR20210156708A (ko) * 2020-06-18 2021-12-27 주식회사 에이젠글로벌 강화학습을 통한 금융여신 심사 장치 및 방법
KR102458826B1 (ko) * 2020-06-18 2022-10-26 주식회사 에이젠글로벌 강화학습을 통한 금융여신 심사 장치 및 방법
KR20220146386A (ko) * 2020-06-18 2022-11-01 주식회사 에이젠글로벌 강화학습을 통한 금융여신 심사 장치 및 방법
KR102652489B1 (ko) 2020-06-18 2024-03-29 주식회사 에이젠글로벌 강화학습을 통한 금융여신 심사 장치 및 방법
KR102302411B1 (ko) * 2020-12-04 2021-09-14 최한철 생체 데이터를 비롯한 각종 데이터를 사용하는 인공지능 모델을 이용한 금융상품 매매 방법, 서버 및 컴퓨터프로그램
KR102368638B1 (ko) * 2021-08-10 2022-02-25 최한철 인공지능 모델을 이용한 의사결정 방법, 서버 및 컴퓨터프로그램
WO2023018037A1 (ko) * 2021-08-10 2023-02-16 최한철 인공지능 모델을 이용한 의사결정 방법, 서버 및 컴퓨터프로그램
KR102433930B1 (ko) * 2021-12-16 2022-08-19 주식회사 에이젠글로벌 세그먼트별 트래킹을 기반으로 크레딧 투 맵을 조정하는 방법 및 이러한 방법을 수행하는 장치
KR102433932B1 (ko) * 2021-12-16 2022-08-19 주식회사 에이젠글로벌 세그먼트별 크레딧 투 맵을 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치
KR102453979B1 (ko) * 2021-12-16 2022-10-14 주식회사 에이젠글로벌 세그먼트별 크레딧 투 맵을 생성하는 방법 및 이러한 방법을 수행하는 장치

Also Published As

Publication number Publication date
HK1253499A2 (zh) 2019-06-14

Similar Documents

Publication Publication Date Title
KR102009309B1 (ko) 금융상품 관리자동화 시스템 및 관리자동화 방법
US11599939B2 (en) System, method and computer program for underwriting and processing of loans using machine learning
Abdou et al. Neural nets versus conventional techniques in credit scoring in Egyptian banking
CN112700324A (zh) 基于CatBoost与受限玻尔兹曼机结合的用户借贷违约预测方法
Liu et al. LSTM based reserve prediction for bank outlets
Coyle et al. What is the value of data? A review of empirical methods
Li et al. A semi-parametric ensemble model for profit evaluation and investment decisions in online consumer loans with prepayments
CN116911994B (zh) 对外贸易风险预警系统
CN113420909A (zh) 一种用户响应信息预测模型建立方法及信息预测方法
CN112508689A (zh) 一种基于多维度实现决策评估的方法
CN112766814A (zh) 一种信用风险压力测试模型的训练方法、装置及设备
Zeng [Retracted] Research on Risk Measurement and Early Warning of Electronic Banking Business Based on GMDH Algorithm
CN115186101A (zh) 一种投资管理后端系统、方法、设备及存储介质
KR102499182B1 (ko) 인공지능을 이용한 가계대출 사기/부실 상시감사지원시스템
CN113298575A (zh) 一种商标价值批量评估的方法、系统、设备及存储介质
Talebi et al. The Evaluation of the Capability of the Regression & Neural Network Models in Predicting Future Cash Flows
Veres et al. The Concept of Using Artificial Intelligence Methods in Debt Financing of Business Entities.
Drudi et al. A liquidity risk early warning indicator for Italian banks: a machine learning approach
Singh et al. Application of Internet of Things and Machine Learning in Improving Supply Chain Financial Risk Management System
KR102334923B1 (ko) 인공지능을 이용한 대출 확대 가설 검정 시스템 및 이를 이용한 방법
Emeke et al. Revenue Leakages and Economic Growth in Nigeria: The Place of Forensic Accounting
Nazari et al. Using the Hybrid Model for Credit Scoring (Case Study: Credit Clients of microloans, Bank Refah-Kargeran of Zanjan, Iran)
Locatelli et al. AI Tools in Credit Risk
CN115409421A (zh) 风险传染模型中参数的估算方法、系统、介质及程序产品
Arnonwattana et al. Leveraging Partner Country Factors in Deep Learning for Thailand’s Forecasted Inflation Accuracy Enhancement

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant