KR102091417B1 - 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램 - Google Patents

인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램 Download PDF

Info

Publication number
KR102091417B1
KR102091417B1 KR1020190080665A KR20190080665A KR102091417B1 KR 102091417 B1 KR102091417 B1 KR 102091417B1 KR 1020190080665 A KR1020190080665 A KR 1020190080665A KR 20190080665 A KR20190080665 A KR 20190080665A KR 102091417 B1 KR102091417 B1 KR 102091417B1
Authority
KR
South Korea
Prior art keywords
predicted
prediction
price
period
value
Prior art date
Application number
KR1020190080665A
Other languages
English (en)
Inventor
정현규
윤재훈
이유진
김태욱
Original Assignee
(주)크래프트테크놀로지스
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 (주)크래프트테크놀로지스 filed Critical (주)크래프트테크놀로지스
Priority to KR1020190080665A priority Critical patent/KR102091417B1/ko
Priority to PCT/KR2019/016212 priority patent/WO2021002543A1/ko
Application granted granted Critical
Publication of KR102091417B1 publication Critical patent/KR102091417B1/ko

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q40/00Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06Asset management; Financial planning or analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q40/00Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

인공 지능에 기초하여 자산의 가격을 예측하는 장치는 예측하고자 하는 자산의 과거 가격 데이터 및 상기 자산과 연관된 입력 데이터를 수집하는 수집부, 상기 수집된 입력 데이터 중 제 1 기간값에 해당하는 입력 데이터 및 상기 수집된 과거 가격 데이터 중 제 2 기간값에 해당하는 상기 과거 가격 데이터를 제 1 예측 모듈에 입력하고, 상기 제 1 예측 모듈을 통해 예측 가격 데이터를 예측하는 제 1 예측부, 상기 제 1 예측부를 통해 예측된 예측 가격 데이터 및 실제 가격 데이터 간의 비교값을 도출하는 도출부, 상기 제 1 기간값, 상기 제 2 기간값 및 상기 비교값에 기초하여 이미지 맵을 생성하는 생성부 및 상기 생성된 이미지 맵을 제 2 예측 모듈에 입력하여 상기 예측 가격 데이터에 대해 학습시키고, 상기 제 2 예측 모듈을 통해 예측하고자 하는 특정 시점의 이전에 해당하는 이미지 맵을 예측하는 제 2 예측부를 포함하고, 상기 제 1 예측부는 상기 예측된 이미지 맵에 기초하여 상기 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측한다.

Description

인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램{DEVICE, METHOD AND COMPUTER PROGRAM FOR PREDICTING PRICE OF ASSET BASED ON ARTIFICIAL INTELLIGENCE}
본 발명은 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램에 관한 것이다.
채권딜러제는 딜러로 지정된 증권사가 자체 보유자금으로 투자자들과 직접 매매거래를 행하는 제도를 의미한다. 증권사는 향후 채권수익률을 분석 및 전망하고, 주식 매매의 시기와 비슷하게 매수 및 매도 호가 수익률을 제시한다. 투자자는 증권사가 제시한 수익률이 합당하다고 판단될 경우, 채권을 매수 또는 매도할 수 있다.
증권사는 향후 채권수익률을 분석 및 전망하기 위해서는 경제적 지표, 기술적 지표 등과 같이 가격을 예측하기 위한 계량적 지표를 이용하여 예측하며, 이러한 자산의 예측 기술과 관련하여, 선행기술인 한국등록특허 제10-0410714호는 인터넷을 이용한 금융자산 가격예측 정보제공시스템을 개시하고 있다.
자산의 가격을 예측하기 위해서는 자기 상관을 학습할 수 있는 인공지능 알고리즘이 주로 이용된다. 자기 상관을 학습하는 알고리즘은 대표적으로 RNN, LSTM 등이 존재하며, 이전의 학습파라미터가 다음 학습에 영향을 주는 구조로 구성된다.
그러나 자산은 고용지수, 물가지수, 산업생산지수, 금리, 상대강도지표 등과 같이 무수히 많은 계량적 지표들에 의해 결정된다. 이 무수히 많은 계량적 지표들을 RNN, LSTM 등에 입력하는 경우, 입력 데이터의 차원이 많아짐에 따라 차원의 저주가 발생되어 자산을 예측하는데 적합하지 않다는 단점을 가지고 있다.
자산과 관련된 입력 데이터와 자산의 과거 가격 데이터를 이용하여 미래의 자산의 가격을 예측하는 가격 예측 장치, 방법 및 컴퓨터 프로그램을 제공하고자 한다.
계량적인 입력 데이터를 이용하여 자산의 가격을 예측하는 경우, 차원의 저주가 발생, 예측하기 위한 데이터들의 확률 분포와 인공지능 학습시에 사용하는 데이터들의 확률분포가 달라 기계학습에 한계가 존재하므로, 이를 이미지 맵화하여 자산의 가격을 정확하게 예측하도록 하는 가격 예측 장치, 방법 및 컴퓨터 프로그램을 제공하고자 한다.
입력 데이터를 신속하고 정확하게 분류할 수 있는 TREE 모듈과 높은 정확도를 보여 이미지 학습에 주로 이용되는 CNN을 함께 이용함으로써, 자산의 가격을 정확하게 예측하도록 하는 가격 예측 장치, 방법 및 컴퓨터 프로그램을 제공하고자 한다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 수단으로서, 본 발명의 일 실시예는, 예측하고자 하는 자산의 과거 가격 데이터 및 상기 자산과 연관된 입력 데이터를 수집하는 수집부, 상기 수집된 입력 데이터 중 제 1 기간값에 해당하는 입력 데이터 및 상기 수집된 과거 가격 데이터 중 제 2 기간값에 해당하는 상기 과거 가격 데이터를 제 1 예측 모듈에 입력하고, 상기 제 1 예측 모듈을 통해 예측 가격 데이터를 예측하는 제 1 예측부, 상기 제 1 예측부를 통해 예측된 예측 가격 데이터 및 실제 가격 데이터 간의 비교값을 도출하는 도출부, 상기 제 1 기간값, 상기 제 2 기간값 및 상기 비교값에 기초하여 이미지 맵을 생성하는 생성부 및 상기 생성된 이미지 맵을 제 2 예측 모듈에 입력하여 상기 예측 가격 데이터에 대해 학습시키고, 상기 제 2 예측 모듈을 통해 예측하고자 하는 특정 시점의 이전에 해당하는 이미지 맵을 예측하는 제 2 예측부를 포함하고, 상기 제 1 예측부는 상기 예측된 이미지 맵에 기초하여 상기 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측하는 것인 가격 예측 장치를 제공할 수 있다.
본 발명의 다른 실시예는, 예측하고자 하는 자산의 과거 가격 데이터 및 상기 자산과 연관된 입력 데이터를 수집하는 단계, 상기 수집된 입력 데이터 중 제 1 기간값에 해당하는 입력 데이터 및 상기 수집된 과거 가격 데이터 중 제 2 기간값에 해당하는 상기 과거 가격 데이터를 제 1 예측 모듈에 입력하는 단계, 상기 제 1 예측 모듈을 통해 예측 가격 데이터를 예측하는 단계, 상기 예측된 예측 가격 데이터 및 실제 가격 데이터 간의 비교값을 도출하는 단계, 상기 제 1 기간값, 상기 제 2 기간값 및 상기 비교값에 기초하여 이미지 맵을 생성하는 단계, 상기 생성된 이미지 맵을 제 2 예측 모듈에 입력하여 상기 예측 가격 데이터에 대해 학습시키는 단계, 상기 제 2 예측 모듈을 통해 예측하고자 하는 특정 시점의 이전에 해당하는 이미지 맵을 예측하는 단계 및 상기 예측된 이미지 맵에 기초하여 상기 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측하는 단계를 포함하는 가격 예측 방법을 제공할 수 있다.
본 발명의 또 다른 실시예는, 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우, 예측하고자 하는 자산의 과거 가격 데이터 및 상기 자산과 연관된 입력 데이터를 수집하고, 상기 수집된 입력 데이터 중 제 1 기간값에 해당하는 입력 데이터 및 상기 수집된 과거 가격 데이터 중 제 2 기간값에 해당하는 상기 과거 가격 데이터를 제 1 예측 모듈에 입력하고, 상기 제 1 예측 모듈을 통해 예측 가격 데이터를 예측하고, 상기 예측된 예측 가격 데이터 및 실제 가격 데이터 간의 비교값을 도출하고, 상기 제 1 기간값, 상기 제 2 기간값 및 상기 비교값에 기초하여 이미지 맵을 생성하고, 상기 생성된 이미지 맵을 제 2 예측 모듈에 입력하여 상기 예측 가격 데이터에 대해 학습시키고, 상기 제 2 예측 모듈을 통해 예측하고자 하는 특정 시점의 이전에 해당하는 이미지 맵을 예측하고, 상기 예측된 이미지 맵에 기초하여 상기 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측하도록 하는 명령어들의 시퀀스를 포함하는 매체에 저장된 컴퓨터 프로그램을 제공할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본 발명을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 기재된 추가적인 실시예가 존재할 수 있다.
전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 인공지능 기계학습 모델이 가지는 한계점을 극복하고, 기존의 일반적인 가격 예측 모형(예를 들어, LSTM) 보다 미래의 자산 가격을 정확하게 예측할 수 있는 가격 예측 장치, 방법 및 컴퓨터 프로그램을 제공할 수 있다.
수많은 차원의 계량적 지표를 TREE 모듈을 이용하여 분류하고, 자산의 가격 예측에 영향을 미치는 입력 데이터의 차원별 기여도를 제공하는 가격 예측 장치, 방법 및 컴퓨터 프로그램을 제공할 수 있다.
계량적 입력 데이터를 이미지 입력 데이터로 가공하여 차원의 저주, 미래를 예측하기 위한 데이터와 인공지능 학습시 사용한 데이터들의 서로 다른 확률 분포, 인공지능 학습시에 발생되는 오버피팅(overfitting) 문제들을 해결하여 높은 정확도로 자산의 가격을 예측하는 가격 예측 장치, 방법 및 컴퓨터 프로그램을 제공할 수 있다.
채권, 주식 등 성격이 다른 자산군에도 동일한 방법으로 자산의 예측이 가능함에 따라 적용 범위가 넓고, 가격 예측, 예측된 기간의 예측 추이, 가격 하락 및 오름 정확도 등을 응용하여 다양한 포트폴리오 전략에 응용할 수 있도록 하는 가격 예측 장치, 방법 및 컴퓨터 프로그램을 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 가격 예측 장치의 구성도이다.
도 2a 및 도 2b는 본 발명의 일 실시예에 따른 자산의 가격 예측을 하기 위한 시뮬레이션 조건 및 시뮬레이션 조건에 따라 수집된 과거 가격 데이터 및 입력 데이터를 도시한 예시적인 도면이다.
도 3a 내지 도 3c는 본 발명의 일 실시예에 따른 제 1 예측 모듈을 이용하여예측 가격 데이터를 예측하는 과정을 설명하기 위한 예시적인 도면이다.
도 4는 본 발명의 일 실시예에 따른 예측 가격 데이터 및 실제 가격 데이터 간의 비교값을 도출하는 과정을 설명하기 위한 예시적인 도면이다.
도 5는 본 발명의 일 실시예에 따른 생성된 이미지 맵을 이용하여 특정시점의 이전에 해당하는 이미지 맵을 예측하는 과정을 설명하기 위한 예시적인 도면이다.
도 6은 본 발명의 일 실시예에 따른 예측된 최종 예측 가격 데이터를 도시한 예시적인 도면이다.
도 7은 본 발명의 일 실시예에 따른 가격 예측 장치에서 자산의 가격을 예측하는 방법의 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다.
본 명세서에 있어서 단말 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말 또는 디바이스에서 수행될 수도 있다.
이하 첨부된 도면을 참고하여 본 발명의 일 실시예를 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 가격 예측 장치의 구성도이다. 도 1을 참조하면, 가격 예측 장치(100)는 수집부(110), 제 1 예측부(120), 도출부(130), 생성부(140) 및 제 2 예측부(150)를 포함할 수 있다.
수집부(110)는 예측하고자 하는 자산의 과거 가격 데이터 및 자산과 연관된 입력 데이터를 수집할 수 있다. 예를 들어, 수집부(110)는 예측하고자 하는 자산의 과거 가격 데이터와 함께 예측하고자 하는 자산이 속한 시장의 경제 지표, 기술적 지표 및 세계공통경제지표에 대한 시계열 데이터를 입력 데이터로 수집할 수 있다. 예측하고자 하는 자산의 과거 가격 데이터 및 자산과 연관된 입력 데이터는 차원(데이터 종류)으로 구성되고, 입력 데이터의 개수는 시계열 데이터의 길이를 나타낼 수 있다.
여기서, 입력 데이터는 예측하고자 하는 여러 자산들의 가격을 특정한 방법론에 따라 재산정한 인덱스 프라이스(Index Price)로 한정하며, 종류는 방법론 및 자산들의 종류, 특성에 따라 매우 다양하지만, 대표적인 인덱스인 KOSPI(국내), S&P500(미국), EMBI(각 국가)로 한정될 수 있다. 대표적인 인덱스들은 많은 자산운용사 및 자금운용기관들이 운용을 할 때, 참고하는 지표로 영향력이 상당하여 예측하는데 큰 효용이 있다. 예를 들어, 인덱스를 추종하는 상품인 ETF의 경우, 가격을 직접 예측하여 투자하는 전략 및 인덱스 관련 선물 옵션 투자 전략 등에 응용될 수 있다.
예를 들어, 자산이 채권인 경우, 수집부(110)는 채권발행국가의 경제 상황을 파악할 수 있는 지표들 및 전세계 경제에 영향을 미치는 미국의 경제지표를 입력 데이터로 수집할 수 있다. 입력 데이터는 예를 들어, 소매 판매, 산업 생산, MoneySupplyM3, CSIICMEA Index, Moody's Seasoned Baa Corporate Bond Yield, Wholesale Trade Sales, Unemployment Rate, Retail Sales Advance 등을 포함할 수 있으며, 채권발행국가를 고려하여 전산상 얻을 수 있는 모든 데이터들을 포함할 수 있다.
다른 예를 들어, 자산이 주식인 경우, 수집부(110)는 해당주식발행 국가의 경제상황을 알 수 있는 지표들과 미국경제지표 및 주식에 대한 지표(SMB, HML, RMW, CMA, RF), 투자지표(PE Ratio, dividend_yield, market_capital ratio) 등을 입력 데이터로 수집할 수 있다.
이러한 자산과 관련하여 수집된 입력 데이터에 대해서는 도 2a 및 도 2b를 통해 상세히 설명하도록 한다.
도 2a 및 도 2b는 본 발명의 일 실시예에 따른 자산의 가격 예측을 하기 위한 시뮬레이션 조건 및 조건에 따라 수집된 과거 가격 데이터 및 입력 데이터를 도시한 예시적인 도면이다.
도 2a는 본 발명의 일 실시예에 따른 가격 예측을 하기 위한 시뮬레이션 조건을 도시한 예시적인 도면이다. 도 2a를 참조하면, 시뮬레이션 조건은 대상국가(200), 예측 일자(201), 입력 데이터 수(202), 기준일(203), 예측운용기간(204), MAP SPEC(205), 변수(206), 최소값(207), 간격(208), 경우의 수(209), 최대값(210) 등을 포함할 수 있다.
예를 들어, 시뮬레이션 조건은 관리자에 의해 채권을 발행하는 대상국가(200): '남아공', 예측 일자(201): '2017/06/01~30(영업일: 22일)', 입력 데이터 수(202): '239개', 기준일(203, 이하 상세한 설명 내에서 'T'로 표현): '2017/04/27', 예측운용기간(204, 이하 상세한 설명 내에서 'K'로 표현): '24일'로 설정받을 수 있다. 여기서, 기준일(203)은 과거의 특정 시점을 의미할 수 있고, 예측운용기간(204)은 자산의 예측 가격 데이터에 대해 기준일(203)을 기준으로 하여 예측하려는 기간을 의미할 수 있다. 예를 들어, 기준일(203)이 2017/04/27이고, 예측운용기간(204)이 '24일'로 설정된 경우, 2017/04/27로부터 24일이 경과한 일자에 해당하는 자산의 가격이 예측될 수 있다.
또한, 시뮬레이션 조건은 관리자에 의해 채권의 가격을 예측하기 위해 필요한 이미지 맵에 대한 조건을 설정받을 수 있다. 예를 들어, 시뮬레이션 조건은 이미지 맵에 대해 변화를 줄 수 있도록 하는 조합인 MAP SPEC(205): '8*40', 이미지 맵의 변수(206): 'M과 N', 최소값(207): 'M-40일, N-50일', 간격(208): 'M-25일, N-13일', 경우의 수(209): 'M-8, N-40', 최대값(210): 'M-215일, N-557일'로 설정받을 수 있다.
여기서, 'M'은 추후에 이용될 제 1 예측 모듈에 해당하는 TREE 모듈에 피팅할 시계열 길이로, 과거의 얼마 동안의 정보를 트리에 피팅할 것인가를 의미하는 제 1 기간값일 수 있다. 또한, 'N'은 특정일을 기준으로, TREE 모듈에 피팅하는 경우, 과거 가격 데이터를 표현할 기간변화율의 기간으로, 과거의 얼마 동안의 기간변화율로 과거일로부터 특정일에 해당하는 시점까지의 변화율을 표현할 것인가를 의미하는 제 2 기간값일 수 있다.
도 2b는 본 발명의 일 실시에에 따라 수집된 입력 데이터를 도시한 예시적인 도면이다. 도 2b를 참조하면, 수집부(110)는 17/01/27~17/03/24까지의 예측하고자 하는 자산(예를 들어, 채권)과 관련된 입력 데이터(220)를 수집하고, 17/02/15~17/04/27까지의 예측하고자 하는 자산(예를 들어, 채권)의 과거 가격 데이터(221)를 수집할 수 있다.
다시 도 1로 돌아와서, 제 1 예측부(120)는 제 1 예측 모듈을 통해 예측 가격 데이터를 예측할 수 있다. 제 1 예측 모듈을 통해 예측 가격 데이터를 예측하는 과정에 대해서는 도 3a 내지 3c를 통해 상세히 설명하도록 한다.
도 3a 내지 도 3c는 본 발명의 일 실시예에 따른 제 1 예측 모듈을 이용하여예측 가격 데이터를 예측하는 과정을 설명하기 위한 예시적인 도면이다.
도 3a는 본 발명의 일 실시예에 따른 기준일 및 예측운용기간에 기초하여 제 1 기간값 및 제 2 기간값이 설정되는 과정을 설명하기 위한 예시적인 도면이다. 도 3a를 참조하면, 제 1 예측부(120)는 기준일(T, 300) 및 예측운용기간(K=24)을 설정받을 수 있다. 여기서, 기준일(T, 300)은 과거의 특정 시점으로 설정되고, 제 1 기간값(302)은 기준일(T, 300)로부터 예측운용기간(K=24)을 뺀 시점(T-24)을 기준으로 하여 설정되고, 제 2 기간값(303)은 기준일(T, 300)을 기준으로 하여 설정될 수 있다.
도 3a를 참조하면, 제 1 기간값(302)은 기준일(T, 2017/04/27, 300)로부터 예측운용기간(K=24)을 뺀 시점(T-24, 2017/03/24)과 기준일(T, 2017/04/27, 300)에서 예측운용기간(K=24)이 빠진 시점(T-24, 2017/03/24)으로부터 기설정된 최소값(40일)이 반영된 시점(T-64, 2017/01/27) 사이의 기간을 의미하고, 제 2 기간값(303)은 기준일(T, 2017/04/27, 300)과 기설정된 최소값(50일)에 대응하는 시점(T-50, 2017/02/16) 사이의 기간을 의미할 수 있다.
도 3b는 본 발명의 일 실시예에 따른 제 1 예측 모듈을 도시한 예시적인 도면이다. 도 3b를 참조하면, 제 1 예측 모듈은 TREE 모듈일 수 있다. TREE 모듈은 많은 입력 데이터들을 빠르고 정확하게 분류할 수 있는 모델로, 과거 데이터를 분류 및 피팅하는데 강점이 있다. 여기서, TREE 모듈을 이용하여 미래를 예측하는 경우 별도의 변수 조정이 필요하다.
제 1 예측 모듈로 TREE 모듈을 사용하는 이유는, TREE 모듈은 수 많은 차원의 입력 데이터의 차원(데이터의 특징)들을 빠르게 분류할 수 있고, TREE 모듈의 각 노드들의 임의의 임계값으로 분류하는데 있어 각 차원들의 중요도를 측정할 수 있으며, 이를 통해, 입력 데이터의 차원들에 대한 설명력을 확보할 수 있고, 적절한 입력 데이터와 과거 가격 데이터를 사용할 경우, 정확도를 높일 수 있기 때문이다.
도 3a 및 도 3b를 참조하면, 제 1 예측부(120)는 수집된 입력 데이터 중 제 1 기간값(302)에 해당하는 입력 데이터 및 수집된 과거 가격 데이터 중 제 2 기간값(303)에 해당하는 과거 가격 데이터를 제 1 예측 모듈에 입력하고, 제 1 예측 모듈을 통해 예측 가격 데이터를 예측할 수 있다. 또한, 제 1 예측부(120)는 제 2 기간값(303)에 해당하는 과거 가격 데이터의 기간변화율값을 제 1 예측 모듈에 입력할 수 있다.
여기서, 제 1 예측부(120)는 입력 데이터와 과거 가격 데이터 간의 예측운용기간(K=24)의 시계열 길이만큼의 차이를 두어 피팅할 수 있다. 예를 들어, 제 1 예측부(120)는 기준일(T, 300)에서 예측운용기간(K=24)을 뺀 시점(T-24)으로부터 제 1 기간(302)값이 반영된 시점(T-64)까지의 입력 데이터 및 제 2 기간값(303)이 반영된 시점(T-50)부터 기준일(T, 300)까지의 과거 가격 데이터를 피팅하여 TREE 모듈에 입력함으로써, T+1부터 T+24(301)까지의 예측 가격 데이터를 예측할 수 있다.
제 1 예측부(120)는 기준일(T, 300) 이후 일자(T+1) 및 기준일(T, 300)에 예측운용기간(K=24)을 더한 시점(T+24, 301) 간의 기간에 해당하는 예측 가격 데이터를 예측할 수 있다. 예를 들어, 기준일(T, 300)에 대해 예측운용기간(K)이 24일로 설정된 경우, 기준일(T, 300)에 예측운용기간(K=24)을 더한 시점(T+24, 301)까지의 인덱스 프라이스에 해당하는 예측 가격 데이터를 예측할 수 있도록, 기준일(T, 300)까지의 입력 데이터에 기초하여 기준일(T, 300)에 예측운용기간(K=24)을 더한 시점(T+24, 301)에 해당하는 예측 가격 데이터가 예측되도록 이를 목표로 하여 설명력을 갖도록 할 수 있다. 여기서, 제 1 예측 모듈(TREE 모듈)로 입력 데이터를 분류하는 각 노드의 임계값들은 관리자에 의해 설정될 수 있다.
또한, 기준일(T, 300)과 예측운용기간(K=24)은 관리자에 의해 임의로 설정될 수 있다. 예측운용기간이 24일로 주로 설정되는 이유는 1개월에서 주말을 제외한 최대 영업일수가 24일이며, 보통 1개월 단위의 운용기간변경으로 전략을 운용하는 경우가 많기 때문이다.
다른 예를 들어, 제 1 예측부(120)는 과거 가격 데이터 대신 가격변화율 값을 제 1 예측 모듈에 입력하여 예측 가격변화율값을 예측할 수도 있다.
도 3c를 참조하면, 제 1 예측부(120)는 '기준일(T, 2017/04/27, 322)'로부터 '기준일(T, 2017/04/27, 322)에 예측운용기간(K=24)을 더한 시점(T+24, 2017/05/31, 331)' 간의 기간에 해당하는 예측 가격 데이터(311)를 예측할 수 있다. 예를 들어, 제 1 예측부(120)는 'T-24(321)~T(322)'시점에 해당하는 입력 데이터(310)를 제 1 예측 모듈인 TREE 모듈에 입력하여, 'T+1~T+24'에 해당하는 '2017/04/28~2017/05/31'(331) 기간에 해당하는 예측 가격 데이터(311)를 예측할 수 있다.
도출부(130)는 제 1 예측부(120)를 통해 예측된 예측 가격 데이터 및 실제 가격 데이터 간의 비교값을 도출할 수 있다. 예를 들어, 도출부(130)는 예측 가격 데이터 및 예측운용기간에 해당하는 실제 가격 데이터 간의 차이값을 도출하고, 도출된 차이값에 대한 역수를 비교값으로 도출할 수 있다. 여기서, 비교값은 예측운용기간에 대한 평균값으로 도출될 수 있다. 또한, 도출부(130)는 제 1 예측부(120)를 통해 예측된 예측 가격 데이터의 기간변화율값 및 실제 가격 데이터의 기간변화율값 간의 비교값을 도출할 수 있다. 비교값을 도출하는 과정에 대해서는 도 4를 통해 상세히 설명하도록 한다.
도 4는 본 발명의 일 실시예에 따른 예측 가격 데이터의 기간변화율값 및 실제 가격 데이터의 기간변화율값 간의 비교값을 도출하는 과정을 설명하기 위한 예시적인 도면이다. 도 4를 참조하면, 도출부(130)는 예측 가격 데이터(410)의 기간변화율값 및 예측운용기간에 해당하는 실제 가격 데이터(400) 의 기간변화율값 간의 차이값을 도출하고, 도출된 차이값에 대한 역수를 비교값(420)으로서 도출할 수 있다. 여기서, 비교값(420)은 예측운용기간에 대한 평균값으로 도출될 수 있으며, 다음의 수학식 1과 같이 구성될 수 있다.
Figure 112019068670203-pat00001
수학식 1을 참조하면, K는 예측운용기간을 의미하고, T는 과거의 특정 시점을 나타내는 기준일을 의미하고,
Figure 112019068670203-pat00002
은 해당 기간의 예측 가격 데이터와 실제 가격 데이터 간의 차이값을 의미한다.
이에 따르면, 기준일에서의 비교값(ZT, 420)은 T+1 ~ T+K 기간(예측운용기간)에서 비교값들의 평균값일 수 있다. 즉, 기준일에서의 비교값(ZT, 420)은 T+1 ~ T+K 기간에서의 예측 가격 데이터(410) 및 실제 가격 데이터(400)를 비교하여 도출할 수 있다. 따라서, T+K까지만 실제 가격 데이터(400)가 존재하는 경우(예를 들어, T+24가 현재시점인 경우) T+1 ~ T+K 기간(예측운용기간)에서 비교값들의 평균값으로 도출되는 비교값(Z, 420)은 T(기준일)까지 도출될 수 있다.
여기서, 비교값(Z, 420)는 'M(제 1 기간값)*N(제 2 기간값)'의 조합으로 제 1 예측 모듈(TREE 모듈)에 적용한 예측 가격 데이터(410)와 실제 가격 데이터(400) 간의 차이를 나타내는 Cost(Z)의 역수로, 상위 비교값(Z)은 제 1 예측 모듈(TREE 모듈)의 성능이 좋았던 제 1 기간값, 제 2 기간값의 [M, N]의 좌표를 나타내며, 특정 시점에 해당 [M, N]의 조합을 제 1 예측 모듈(TREE 모듈)에 적용하면, 정확도 높은 예측 가격 데이터를 얻을 수 있다는 장점을 갖는다.
생성부(140)는 제 1 기간값, 상기 제 2 기간값 및 비교값에 기초하여 이미지 맵을 생성할 수 있다. 만약, 생성부(140)가 T+1에 해당하는 이미지 맵을 생성하기 위해서는 T+25까지에 해당하는 과거 가격 데이터를 알아야하지만, 예측운용기간을 24일로 설정한 경우 T+24까지만의 과거 가격 데이터를 알고 있으므로, T+1의 에 해당하는 이미지 맵을 생성할 수 없다. 따라서, 이미지 맵은 기준일(T)까지 생성될 수 있다.
생성부(140)는 제 1 기간값, 제 2 기간값 및 비교값에 기초하여 적어도 하나의 제 1 차 이미지 맵을 생성하고, 생성된 제 1 차 이미지 맵을 시간 순으로 쌓도록 가공하여 제 2 차 이미지 맵을 생성할 수 있다. 예를 들어, 이미지 맵은 다차원의 공간 데이터를 포함할 수 있으며, 구체적으로, 제 1 차 이미지 맵은 2차원 이미지이고, 제 2 차 이미지 맵은 3차원 이미지일 수 있다.
예를 들어, 생성부(140)는 제 1 기간값(M), 제 2 기간값(N), 비교값(Z)에 기초하여 제 1 차 이미지 맵을 생성할 수 있다. 이 때, 생성부(140)는 이를 반복적으로 수행하여 획득한 비교값(Z)의 정보를 포함하는 제 1 차 이미지 맵을 복수개로 생성하고, 생성된 복수개의 제 1 차 이미지 맵을 시간 순으로 쌓도록 가공하여 제 2 차 이미지 맵을 생성할 수 있다.
제 2 예측부(150)는 생성된 이미지 맵을 제 2 예측 모듈에 입력하여 예측 이미지 가격 데이터에 대해 학습시키고, 제 2 예측 모듈을 통해 예측하고자 하는 특정 시점의 이전에 해당하는 이미지 맵을 예측할 수 있다. 맵을 생성하여 특정 시점의 이전에 해당하는 이미지 맵을 예측하는 과정에 대해서는 도 5를 통해 상세히 설명하도록 한다.
도 5는 본 발명의 일 실시예에 따른 생성된 이미지 맵을 이용하여 특정시점의 이전에 해당하는 이미지 맵을 예측하는 과정을 설명하기 위한 예시적인 도면이다.
제 2 예측부(150)는 생성된 이미지 맵(503)을 제 2 예측 모듈에 입력하여 예측 가격 데이터에 대해 학습시킬 수 있다. 여기서, 제 2 예측 모듈은 학습 정확도가 높이 이미지 학습에 주로 이용되는 CNN(Convolution Neural Network, 501)가 이용될 수 있다.
제 2 예측 모듈로 CNN(501)을 사용하는 이유는, CNN(501)은 이미지 특징 추출 및 분류 문제에 탁월한 정확도를 보이는 네트워크로, 이 네트워크 원리를 이용하여 제 1 기간값(M)과 제 2 기간값(N)의 조합을 통해 나온 숫자인 비교값(Z) 중 높은 비교값(Z, 특징)을 추출할 수 있다. 이를 통해, 추출된 높은 비교값(Z)에 해당하는 제 1 기간값(M)과 제 2 기간값(N)의 조합을 TREE 모듈을 이용하는 제 1 예측 모듈에 적용함으로써, TREE 모듈의 예측 정확도가 높아지도록 할 수 있다.
CNN(501)이 아닌 다른 딥러닝 모델을 사용하는 경우, 수많은 차원(거시경제지표인 입력 데이터의 약 300개의 차원)을 입력으로 자산을 예측하려면, 300개의 차원의 기하급수배의 데이터양이 필요하지만, 금융시계열 데이터는 짧다(1년 250일->250개의 길이)는 한계를 가지고 있다. 또한 수 많은 입력데이터 차원을 각 신경망 노드에 입력시켜 학습을 하는 경우, 비선형 관계를 찾기 쉽지 않다.
그러나 CNN(501)을 이용하는 경우, 컨볼루션(convolution)의 커널 사이즈(kernel size)와 필터(filter) 수만큼의 파라미터만 학습시키면 되므로, 학습시에 유리하며, TREE 모듈인 제 1 예측 모듈의 주요 변수를 찾는데 도움을 주는 간접적인 역할을 하기 때문에 예측이 실패할 경우에도 타격을 적게 받을 수 있기 때문이다.
제 2 예측부(150)는 제 2 예측 모듈을 통해 기준일로부터 예측운용기간이 지난 시점에 해당하는 이미지 맵(502)을 예측할 수 있다. 예를 들어, 기준일이 'T'이고, 예측운용기간이 '24일'로 설정된 경우, 제 2 예측부(150)는 기준일(T) 이전에 생성된 제 2 차 이미지 맵(503)을 이용하여 예측운용기간(K=24) 이후를 예측하기 위해 제 2 예측 모듈(CNN, 501)을 이용하여 이미지 학습을 수행하고, 제 2 예측 모듈(CNN, 501)의 이미지 학습을 통해 T+K 시점(T+24)의 이미지 맵(502)을 예측할 수 있다.
제 2 예측부(150)는 자산의 가격 예측을 위해 가격 예측 시작일 직전의 이미지 맵(503)을 이용하여 예측 가격 데이터에 대해 학습시킬 수 있다. 이미지 맵(503)은 제 1 기간값(M)과 제 2 기간값(N)의 좌표쌍 및 해당 좌표쌍에 대응하는 비교값(Z값)으로 구성될 수 있다. 이미지 맵(503)은 어떤 제 1 기간값(M)과 제 2 기간값(N)의 좌표가 좋은 비교값(Z)을 가지고 있는지를 파악할 수 있도록 하며, 가격예측시작일(T+24)을 기준으로 예측운용기간의 시계열 길이만큼을 뺀 일자(T+24-예측운용기간)까지만 생성될 수 있다.
이 때, 실제의 (T+24) 시점의 이미지 맵(502)은 파악할 수 없으므로, 제 2 예측 모듈(CNN, 501)을 통해 시간적/공간적(SPATIO-TEMPORAL) 요소를 고려하여 (T+24- 예측운용기간)일자까지의 이미지 맵(503)으로 학습된 뒤, T+24 시점의 이미지 맵(502)을 예측할 수 있도록 학습시킬 수 있다.
예를 들어, 오늘이 T+24(2017.05.31)인 경우, 운용기간 24일을 기준으로 미래 기간에 해당하는 T+25~5+48(2017.0601~2017.06.30)까지의 가격을 예측하기 위해서는 T+24 시점에서의 이미지 맵(502)이 필요하며, 해당 시점의 이미지 맵(502)은 기준일(T)까지 생성된 이미지 맵들(503)로 학습된 제 2 예측 모듈(CNN, 501)을 통해 예측할 수 있다.
이후, 제 1 예측부(120)는 예측된 이미지 맵(502)에 기초하여 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측할 수 있다. 예를 들어, 제 1 예측부(120)는 예측된 이미지 맵(502)으로부터 기설정된 임계값 이상에 해당하는 적어도 하나의 비교값을 추출하고, 추출된 비교값에 대응하는 하나의 제 1 기간값 및 제 2 기간값을 도출할 수 있다.
다시 말해, 본원 발명은 제 1 예측부 및 제 2 예측부를 통해 예측 가격 데이터를 도출하기 위한 최적의 (M, N, Z) 파라미터를 추출할 수 있다.
제 1 예측부(120)는 도출된 제 1 기간값(M) 및 제 2 기간값(N)을 제 1 예측 모듈에 입력하여 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측할 수 있다. 또는, 제 1 예측부(120)는 제 2 기간값에 기초하여 도출된 과거 가격 데이터의 기간변화율값을 제 1 예측 모듈에 피팅하여 입력하고, 예측하고자 하는 특정 시점에 대한 예측 기간변화율값 또는 최종 예측기간변화율값을 예측할 수 있다. 예측된 특정 시점에 대한 최종 예측 가격 데이터에 대해서는 도 6을 통해 상세히 설명하도록 한다.
도 6은 본 발명의 일 실시예에 따른 예측된 최종 예측 가격 데이터를 도시한 예시적인 도면이다. 도 6을 참조하면, 제 1 예측부(120)는 제 2 예측 모듈을 통해 예측된 이미지 맵을 이용하여 상위 20%에 해당하는 비교값(Z)을 추출하고, 추출된 비교값(Z)에 해당하는 (M.N) 조합을 제 1 예측 모듈(TREE 모듈)에 다시 계량적 입력 데이터로 피팅하고, 최종적으로 예측된 가격들을 하드보팅(hardvoting) 방법으로 앙상블(ensemble)된 값을 이용할 수 있다.
예를 들어, 제 2 예측부(150)에서 기준일(T) 이전에 생성된 이미지 맵을 예측 가격 데이터에 대해 학습을 시킨 뒤, 기준일(T)에 해당하는 이미지 맵을 입력으로 하여 기준일(T)로부터 예측운용기간(K=24)이 지난 시점(T+24)에 해당하는 이미지 맵을 예측할 수 있다.
여기서, 제 1 예측부(120)는 예측된 이미지 맵의 상위 q%(q는 관리자에 의해 지정됨. 예를 들어, 5%)에 해당하는 비교값(Z)을 추출하고, 추출된 비교값(Z)에 해당되는 제 1 기간값(M)과 제 2 기간값(N)의 조합을 도출할 수 있다. 이 때, 추출된 제 1 기간값(M)과 제 2 기간값(N)의 조합에 따라 제 1 예측 모듈(TREE 모듈)로 피팅하여 입력하고, 최종적으로 제 1 기간값(M)과 제 2 기간값(N)의 조합의 경우의 수만큼 예측된 예측치의 평균값을 이용하여 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측할 수 있다. 예를 들어, 예측치의 평균값은 MAP (M=8, N=40, 총 M과 N의 조합의 수=320(8*40), 상위 5%=16개(320*0.05)와 같이 구성될 수 있다.
도 6을 참조하면, 제 1 예측부(120)는 총 16개의 제 1 기간값(M)과 제 2 기간값(N)의 조합으로 제 1 예측 모듈에 피팅하여 입력하여 최종 예측 가격 데이터를 예측할 수 있다. 예를 들어, 제 1 예측부(120)는 제 1 예측 모듈(TREE 모듈)에 피팅하여 입력하고, 예측(=16개 TREE 모듈을 통해 도출된 앙상블)한 것들의 평균값(hardvoting)을 이용한 결과를 통해 최종 예측 가격 데이터를 예측할 수 있다.
이러한 가격 예측 장치(100)는 가격을 예측하는 명령어들의 시퀀스를 포함하는 매체에 저장된 컴퓨터 프로그램에 의해 실행될 수 있다. 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우, 예측하고자 하는 자산의 과거 가격 데이터 및 자산과 연관된 입력 데이터를 수집하고, 수집된 입력 데이터 중 제 1 기간값에 해당하는 입력 데이터 및 수집된 과거 가격 데이터 중 제 2 기간값에 해당하는 과거 가격 데이터를 제 1 예측 모듈에 입력하고, 제 1 예측 모듈을 통해 예측 가격 데이터를 예측하고, 예측된 예측 가격 데이터 및 실제 가격 데이터 간의 비교값을 도출하고, 제 1 기간값, 상기 제 2 기간값 및 비교값에 기초하여 이미지 맵을 생성하고, 생성된 이미지 맵을 제 2 예측 모듈에 입력하여 예측 가격 데이터에 대해 학습시키고, 제 2 예측 모듈을 통해 예측하고자 하는 특정 시점의 이전에 해당하는 이미지 맵을 예측하고, 예측된 이미지 맵에 기초하여 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측하도록 하는 명령어들의 시퀀스를 포함하는 매체에 저장된 컴퓨터 프로그램을 제공할 수 있다.
도 7은 본 발명의 일 실시예에 따른 가격 예측 장치에서 자산의 가격을 예측하는 방법의 순서도이다. 도 7에 도시된 가격 예측 장치(100)에서 자산의 가격을 예측하는 방법은 도 1 내지 도 6에 도시된 실시예에 따라 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 도 1 내지 도 6에 도시된 실시에에 따른 가격 예측 장치(100)에서 자산의 가격을 예측하는 방법에도 적용된다.
단계 S710에서 가격 예측 장치(100)는 예측하고자 하는 자산의 과거 가격 데이터 및 자산과 연관된 입력 데이터를 수집할 수 있다.
단계 S720에서 가격 예측 장치(100)는 수집된 입력 데이터 중 제 1 기간값에 해당하는 입력 데이터 및 수집된 과거 가격 데이터 중 제 2 기간값에 해당하는 과거 가격 데이터를 제 1 예측 모듈에 입력할 수 있다.
단계 S730에서 가격 예측 장치(100)는 제 1 예측 모듈을 통해 예측 가격 데이터를 예측할 수 있다.
단계 S740에서 가격 예측 장치(100)는 예측된 예측 가격 데이터 및 실제 가격 데이터 간의 비교값을 도출할 수 있다.
단계 S750에서 가격 예측 장치(100)는 제 1 기간값, 상기 제 2 기간값 및 비교값에 기초하여 이미지 맵을 생성할 수 있다.
단계 S760에서 가격 예측 장치(100)는 생성된 이미지 맵을 제 2 예측 모듈에 입력하여 예측 가격 데이터에 대해 학습시킬 수 있다.
단계 S770에서 가격 예측 장치(100)는 제 2 예측 모듈을 통해 예측하고자 하는 특정 시점의 이전에 해당하는 이미지 맵을 예측할 수 있다.
단계 S780에서 가격 예측 장치(100)는 예측된 이미지 맵에 기초하여 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측할 수 있다.
상술한 설명에서, 단계 S710 내지 S780은 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 전환될 수도 있다.
도 1 내지 도 7을 통해 설명된 가격 예측 장치에서 자산의 가격을 예측하는 방법은 컴퓨터에 의해 실행되는 매체에 저장된 컴퓨터 프로그램 또는 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 또한, 도 1 내지 도 7을 통해 설명된 가격 예측 장치에서 자산의 가격을 예측하는 방법은 컴퓨터에 의해 실행되는 매체에 저장된 컴퓨터 프로그램의 형태로도 구현될 수 있다.
컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 가격 예측 장치
110: 수집부
120: 제 1 예측부
130: 도출부
140: 생성부
150: 제 2 예측부

Claims (19)

  1. 인공 지능에 기초하여 자산의 가격을 예측하는 장치에 있어서,
    예측하고자 하는 자산의 과거 가격 데이터 및 상기 자산과 연관된 입력 데이터를 수집하는 수집부;
    상기 수집된 입력 데이터 중 제 1 기간값에 해당하는 입력 데이터 및 상기 수집된 과거 가격 데이터 중 제 2 기간값에 해당하는 상기 과거 가격 데이터를 제 1 예측 모듈에 입력하고, 상기 제 1 예측 모듈을 통해 예측 가격 데이터를 예측하는 제 1 예측부;
    상기 제 1 예측부를 통해 예측된 예측 가격 데이터 및 실제 가격 데이터 간의 비교값을 도출하는 도출부;
    상기 제 1 기간값, 상기 제 2 기간값 및 상기 비교값에 기초하여 이미지 맵을 생성하는 생성부; 및
    상기 생성된 이미지 맵을 제 2 예측 모듈에 입력하여 상기 예측 가격 데이터에 대해 학습시키고, 상기 제 2 예측 모듈을 통해 예측하고자 하는 특정 시점의 이전에 해당하는 이미지 맵을 예측하는 제 2 예측부를 포함하고,
    상기 제 1 예측부는 상기 예측된 이미지 맵에 기초하여 상기 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측하는 것이되,
    상기 제 1 예측부는 기준일 및 상기 기준일로부터 상기 자산의 예측 가격 데이터의 예측의 대상이 되는 기간인 예측운용기간을 설정받고,
    상기 제 1 기간값은 상기 기준일로부터 상기 예측운용기간을 뺀 시점을 기준으로 하여 설정되고,
    상기 제 2 기간값은 상기 기준일을 기준으로 하여 설정되는 것인, 가격 예측 장치.
  2. 제 1 항에 있어서,
    상기 제 1 예측부는 상기 제 2 기간값에 기초하여 도출된 상기 기준일로부터 기설정된 최소값에 대응하는 시점 사이의 기간에 대한 상기 과거 가격 데이터의 기간변화율값을 상기 제 1 예측 모듈에 피팅하여 입력하고,
    상기 예측하고자 하는 특정 시점에 대한 예측 가격변화율값 또는 상기 예측하고자 하는 특정 기간에 대한 최종 예측 기간변화율값을 예측하는 것인, 가격 예측 장치
  3. 삭제
  4. 제 1 항에 있어서,
    상기 제 1 예측부는 상기 기준일 및 상기 기준일에 상기 예측운용기간을 더한 시점 간의 기간에 해당하는 예측 가격 데이터를 예측하는 것인, 가격 예측 장치.
  5. 제 4 항에 있어서,
    상기 도출부는 상기 예측 가격 데이터 및 상기 예측운용기간에 해당하는 상기 실제 가격 데이터 간의 차이값을 도출하고, 상기 도출된 차이값에 대한 역수를 상기 비교값으로서 도출하는 것인, 가격 예측 장치.
  6. 제 1 항에 있어서,
    상기 비교값은 상기 예측운용기간에 대한 평균값으로 도출되는 것인, 가격 예측 장치.
  7. 제 4 항에 있어서,
    상기 생성부는 상기 제 1 기간값, 상기 제 2 기간값 및 상기 비교값에 기초하여 적어도 하나의 제 1 차 이미지 맵을 생성하고, 상기 생성된 제 1 차 이미지 맵을 시간 순으로 쌓도록 가공하여 제 2 차 이미지 맵을 생성하는 것인, 가격 예측 장치.
  8. 제 7 항에 있어서,
    상기 제 1 차 이미지 맵은 2차원 이미지이고, 제 2 차 이미지 맵은 3차원 이미지인 것인, 가격 예측 장치.
  9. 제 7 항에 있어서,
    상기 제 2 예측부는 상기 생성된 제 2 차 이미지 맵을 상기 제 2 예측 모듈에 입력하여 상기 예측 가격 데이터의 이미지 맵에 대해 학습시키고, 상기 제 2 예측 모듈을 통해 상기 기준일로부터 상기 예측운용기간이 지난 시점에 해당하는 이미지 맵을 예측하는 것인, 가격 예측 장치.
  10. 제 9 항에 있어서,
    상기 제 1 예측부는 상기 예측된 이미지 맵으로부터 기설정된 임계값 이상에 해당하는 적어도 하나의 비교값을 추출하고, 상기 추출된 비교값에 대응하는 하나의 제 1 기간값 및 제 2 기간값을 도출하는 것인, 가격 예측 장치.
  11. 제 10 항에 있어서,
    상기 제 1 예측부는 상기 도출된 제 1 기간값 및 제 2 기간값을 상기 제 1 예측 모듈에 입력하여 상기 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측하는 것인, 가격 예측 장치.
  12. 가격 예측 장치에서 인공 지능에 기초하여 자산의 가격을 예측하는 방법에 있어서,
    상기 가격 예측 장치의 수집부에서 예측하고자 하는 자산의 과거 가격 데이터 및 상기 자산과 연관된 입력 데이터를 수집하는 단계;
    상기 가격 예측 장치의 제 1 예측부에서 상기 수집된 입력 데이터 중 제 1 기간값에 해당하는 입력 데이터 및 상기 수집된 과거 가격 데이터 중 제 2 기간값에 해당하는 상기 과거 가격 데이터를 제 1 예측 모듈에 입력하는 단계;
    상기 가격 예측 장치의 제 1 예측부에서 상기 제 1 예측 모듈을 통해 예측 가격 데이터를 예측하는 단계;
    상기 가격 예측 장치의 도출부에서 상기 예측된 예측 가격 데이터 및 실제 가격 데이터 간의 비교값을 도출하는 단계;
    상기 가격 예측 장치의 생성부에서 상기 제 1 기간값, 상기 제 2 기간값 및 상기 비교값에 기초하여 이미지 맵을 생성하는 단계;
    상기 가격 예측 장치의 제 2 예측부에서 상기 생성된 이미지 맵을 제 2 예측 모듈에 입력하여 상기 예측 가격 데이터에 대해 학습시키는 단계;
    상기 가격 예측 장치의 제 2 예측부에서 상기 제 2 예측 모듈을 통해 예측하고자 하는 특정 시점의 이전에 해당하는 이미지 맵을 예측하는 단계; 및
    상기 가격 예측 장치의 제 1 예측부에서 상기 예측된 이미지 맵에 기초하여 상기 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측하는 단계
    를 포함하는 것이되,
    상기 가격 예측 장치의 제 1 예측부에서 기준일 및 상기 기준일로부터 상기 자산의 예측 가격 데이터의 예측의 대상이 되는 기간인 예측운용기간을 설정받는 단계
    를 더 포함하고,
    상기 제 1 기간값은 상기 기준일로부터 상기 예측운용기간을 뺀 시점을 기준으로 하여 설정되고,
    상기 제 2 기간값은 상기 기준일을 기준으로 하여 설정되는 것인, 가격 예측 방법.
  13. 삭제
  14. 제 12 항에 있어서,
    상기 예측 가격 데이터를 예측하는 단계는,
    상기 기준일 및 상기 기준일에 상기 예측운용기간을 더한 시점 간의 기간에 해당하는 예측 가격 데이터를 예측하는 것인, 가격 예측 방법.
  15. 제 14 항에 있어서,
    상기 제 1 기간값, 상기 제 2 기간값 및 상기 비교값에 기초하여 적어도 하나의 제 1 차 이미지 맵을 생성하는 단계; 및
    상기 생성된 제 1 차 이미지 맵을 시간 순으로 쌓도록 가공하여 제 2 차 이미지 맵을 생성하는 단계
    를 더 포함하는 것인, 가격 예측 방법.
  16. 제 15 항에 있어서,
    상기 생성된 제 2 차 이미지 맵을 상기 제 2 예측 모듈에 입력하여 상기 예측 가격 데이터의 이미지 맵에 대해 학습시키는 단계; 및
    상기 제 2 예측 모듈을 통해 상기 기준일로부터 상기 예측운용기간이 지난 시점에 해당하는 이미지 맵을 예측하는 단계
    를 더 포함하는 것인, 가격 예측 방법.
  17. 제 16 항에 있어서,
    상기 예측된 이미지 맵으로부터 기설정된 임계값 이상에 해당하는 적어도 하나의 비교값을 추출하는 단계; 및
    상기 추출된 비교값에 대응하는 하나의 제 1 기간값 및 제 2 기간값을 도출하는 단계
    를 더 포함하는 것인, 가격 예측 방법.
  18. 제 17 항에 있어서,
    상기 도출된 제 1 기간값 및 제 2 기간값을 상기 제 1 예측 모듈에 입력하여 상기 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측하는 단계
    를 더 포함하는 것인, 가격 예측 방법.
  19. 인공 지능에 기초하여 가격을 예측하는 명령어들의 시퀀스를 포함하는 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램에 있어서,
    상기 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우,
    예측하고자 하는 자산의 과거 가격 데이터 및 상기 자산과 연관된 입력 데이터를 수집하고,
    상기 수집된 입력 데이터 중 제 1 기간값에 해당하는 입력 데이터 및 상기 수집된 과거 가격 데이터 중 제 2 기간값에 해당하는 상기 과거 가격 데이터를 제 1 예측 모듈에 입력하고,
    상기 제 1 예측 모듈을 통해 예측 가격 데이터를 예측하고,
    상기 예측된 예측 가격 데이터 및 실제 가격 데이터 간의 비교값을 도출하고,
    상기 제 1 기간값, 상기 제 2 기간값 및 상기 비교값에 기초하여 이미지 맵을 생성하고,
    상기 생성된 이미지 맵을 제 2 예측 모듈에 입력하여 상기 예측 가격 데이터에 대해 학습시키고,
    상기 제 2 예측 모듈을 통해 예측하고자 하는 특정 시점의 이전에 해당하는 이미지 맵을 예측하고,
    상기 예측된 이미지 맵에 기초하여 상기 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측하도록 하는 명령어들의 시퀀스를 포함하되,
    상기 제 1 예측 모듈은 기준일 및 상기 기준일로부터 상기 자산의 예측 가격 데이터의 예측의 대상이 되는 기간인 예측운용기간을 설정받고,
    상기 제 1 기간값은 상기 기준일로부터 상기 예측운용기간을 뺀 시점을 기준으로 하여 설정되고,
    상기 제 2 기간값은 상기 기준일을 기준으로 하여 설정되는 것인, 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
KR1020190080665A 2019-07-04 2019-07-04 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램 KR102091417B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190080665A KR102091417B1 (ko) 2019-07-04 2019-07-04 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램
PCT/KR2019/016212 WO2021002543A1 (ko) 2019-07-04 2019-11-25 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190080665A KR102091417B1 (ko) 2019-07-04 2019-07-04 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램

Publications (1)

Publication Number Publication Date
KR102091417B1 true KR102091417B1 (ko) 2020-03-20

Family

ID=69958377

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190080665A KR102091417B1 (ko) 2019-07-04 2019-07-04 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램

Country Status (2)

Country Link
KR (1) KR102091417B1 (ko)
WO (1) WO2021002543A1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210139032A (ko) * 2020-05-13 2021-11-22 김동훈 증권사 보고서의 목표주가를 이용한 적정주가 제공 장치 및 방법
KR20220026098A (ko) * 2020-08-25 2022-03-04 (주)크래프트테크놀로지스 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램
CN115511545A (zh) * 2022-11-22 2022-12-23 山东财经大学 基于区块链的人工智能期货价格预测系统
KR102491607B1 (ko) * 2022-10-20 2023-01-27 이혜민 인공 지능 기반 미술 작품 가격 예측 방법 및 장치

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102688027B1 (ko) * 2022-07-01 2024-07-25 주식회사 투게더아트 미술품 거래 관련 데이터 처리 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190041891A (ko) * 2017-10-13 2019-04-23 유승재 인공지능을 활용한 부동산 전략 제공방법 및 그 시스템

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101794027B1 (ko) * 2015-11-27 2017-11-06 맹준영 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템 및 방법
KR20180117800A (ko) * 2017-04-20 2018-10-30 주식회사 비아이큐브 자산 포트폴리오 추천 방법
KR101906214B1 (ko) * 2017-05-23 2018-10-10 주식회사 두물머리 컴퓨터를 이용한 펀드 추천 방법, 펀드 추천 서버 및 컴퓨터 판독가능 매체에 저장된 컴퓨터프로그램
KR101954933B1 (ko) * 2018-07-06 2019-03-08 주식회사 한다파트너스 투자 포트폴리오를 구축하는 장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190041891A (ko) * 2017-10-13 2019-04-23 유승재 인공지능을 활용한 부동산 전략 제공방법 및 그 시스템

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210139032A (ko) * 2020-05-13 2021-11-22 김동훈 증권사 보고서의 목표주가를 이용한 적정주가 제공 장치 및 방법
KR102458822B1 (ko) * 2020-05-13 2022-10-24 김동훈 증권사 보고서의 목표주가를 이용한 적정주가 제공 장치
KR20220026098A (ko) * 2020-08-25 2022-03-04 (주)크래프트테크놀로지스 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램
KR102521399B1 (ko) * 2020-08-25 2023-04-14 (주)크래프트테크놀로지스 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램
KR102491607B1 (ko) * 2022-10-20 2023-01-27 이혜민 인공 지능 기반 미술 작품 가격 예측 방법 및 장치
CN115511545A (zh) * 2022-11-22 2022-12-23 山东财经大学 基于区块链的人工智能期货价格预测系统

Also Published As

Publication number Publication date
WO2021002543A1 (ko) 2021-01-07

Similar Documents

Publication Publication Date Title
KR102091417B1 (ko) 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램
CN108648074B (zh) 基于支持向量机的贷款评估方法、装置及设备
Zhou et al. The performance of corporate financial distress prediction models with features selection guided by domain knowledge and data mining approaches
Van Gestel et al. A support vector machine approach to credit scoring
CN110738527A (zh) 一种特征重要性排序方法、装置、设备和存储介质
Ntakaris et al. Benchmark dataset for mid-price prediction of limit order book data
CN114612251A (zh) 风险评估方法、装置、设备及存储介质
US20230153845A1 (en) System and method for generating custom data models for predictive forecasting
Emir et al. A stock selection model based on fundamental and technical analysis variables by using artificial neural networks and support vector machines
Oktoviany et al. A machine learning-based price state prediction model for agricultural commodities using external factors
Degife et al. Efficient predictive model for determining critical factors affecting commodity price: the case of coffee in Ethiopian Commodity Exchange (ECX)
Moedjahedy et al. Stock price forecasting on telecommunication sector companies in Indonesia Stock Exchange using machine learning algorithms
CN115018513A (zh) 数据巡检方法、装置、设备及存储介质
CN107220246B (zh) 业务对象的分析方法及装置
KR20210063775A (ko) CNN(Convolution Neural Network)을 이용한 자산 가격 예측 장치
KR20210063774A (ko) 씨엔엔을 이용한 자산 가격 예측방법과 이를 위한 프로그램과 기록매체
Arundina et al. Artificial intelligence for Islamic sukuk rating predictions
Samson Comparative analysis of machine learning algorithms for daily cryptocurrency price prediction
Flores-Muñoz et al. Fractional differencing in stock market price and online presence of global tourist corporations
KR20210063772A (ko) 자산 가격 예측방법과 이를 위한 프로그램과 기록매체
KR20210063773A (ko) 자산 가격 예측 장치
Niknya et al. Financial distress prediction of Tehran Stock Exchange companies using support vector machine
Pritam et al. Hierarchy of sectors in BSE SENSEX for optimal equity investments using fuzzy AHP
Jeyakarthic et al. An Effective Stock Market Direction Using Hybrid WWO-MKELM technique
Lee et al. Application of machine learning in credit risk scorecard

Legal Events

Date Code Title Description
GRNT Written decision to grant