KR102102788B1 - 인공 지능 기반 금융 상품 주문 시스템 및 방법 - Google Patents

인공 지능 기반 금융 상품 주문 시스템 및 방법 Download PDF

Info

Publication number
KR102102788B1
KR102102788B1 KR1020190107861A KR20190107861A KR102102788B1 KR 102102788 B1 KR102102788 B1 KR 102102788B1 KR 1020190107861 A KR1020190107861 A KR 1020190107861A KR 20190107861 A KR20190107861 A KR 20190107861A KR 102102788 B1 KR102102788 B1 KR 102102788B1
Authority
KR
South Korea
Prior art keywords
price
order
information
execution
nodes
Prior art date
Application number
KR1020190107861A
Other languages
English (en)
Inventor
엄성민
Original Assignee
(주)데이터리퍼블릭
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)데이터리퍼블릭 filed Critical (주)데이터리퍼블릭
Priority to KR1020190107861A priority Critical patent/KR102102788B1/ko
Application granted granted Critical
Publication of KR102102788B1 publication Critical patent/KR102102788B1/ko

Links

Images

Classifications

    • 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
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Technology Law (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)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

주식 종목에 대한 주문을 발생시키기 위한 인공 지능 엔진이 개시될 수 있다. 인공 지능 엔진은, 컴퓨팅 장치들, 및 컴퓨팅 장치들을 연결하기 위한 유선 또는 무선의 네트워크를 포함하고, 컴퓨팅 장치들은, 각각 정의된 연산을 입력된 정보에 수행하여 연산된 정보를 출력하기 위한 제1컴퓨팅 장치들, 주식 종목에 대한 이전 시점의 가격 정보와 호가 정보를 입력 받고 네트워크를 통해 연결된 제1컴퓨팅 장치들 중 적어도 하나로 전달하기 위한 적어도 하나의 제2컴퓨팅 장치, 및 네트워크를 통해 연결된 제1컴퓨팅 장치들 중 적어도 하나로부터 입력된 정보에 기반하여, 주문의 체결 가격, 수량 정보, 및 실행 확률 중 적어도 하나를 포함하는 출력 결과를 생성하기 위한 제3컴퓨팅 장치를 포함하고, 연산은 비선형 연산을 포함하고, 제1컴퓨팅 장치들 중에서 비선형 연산을 수행하기 위한 적어도 하나는, n차원(n은 정수)의 실수 공간의 임의의 공간에 위치하는 값을 m차원(m은 정수)의 제한된 실수 공간으로 위치시키기 위한 매핑 연산을 수행하기 위한 DSP(Digital Signal Processor) 또는 FPGA(Field Programmable Gate Array)를 포함할 수 있다.

Description

인공 지능 기반 금융 상품 주문 시스템 및 방법{ARTIFICIAL INTELLIGENCE BASED FINANCIAL PRODUCT ORDERING SYSTEM AND METHOD}
본 발명은 인공 지능 알고리즘에 기반하여 자동으로 금융 상품을 주문하기 위한 시스템 및 방법에 관한 것이다.
수많은 이슈들이 발생하는 금융 시장에서 일반 투자자들이 수시로 변동하는 시세에 대응하여 수동으로 금융 상품을 주문하기는 쉽지 않다. 따라서, 확률적 알고리즘에 기반하여 자동으로 금융 상품에 대한 주문을 집행하는 주문 시스템이 등장하였다.
예를 들어, 주문 시스템은 스토캐스틱(Stochastic) 방법을 이용하여 현재 주가가 전체적인 주가의 흐름에서 어느 정도의 수준에 위치하는지를 분석하고, 분석 결과에 기반하여 주식 종목에 대한 매도 또는 매수 주문을 집행할 수 있다. 주문 시스템은 금융 상품 가격의 평균 회귀성(Average reverting 또는 Mean reverting)에 기반하여, 주문 집행에 대한 가격을 마켓 평가 가격(market bench price)과 근사하도록 주문을 집행함으로써 매도 또는 매수를 마켓 평가 가격으로 체결하는 것을 목표로 할 수 있다. 이를 위해, 주문 시스템은 VWAP(Volume Weighted Average Price) 또는 TWAP(Time Weighted Average Price)와 같은 알고리즘을 사용할 수 있다.
다만, 주식 시장과 같은 금융 상품의 거래에서 최적의 주문(Optimal Order)은 어려우며, 최적의 주문이 집행되지 않을 경우 평가 가격과 집행된 가격(체결 가격)의 차이로 표현되는 거래 비용(Transaction Cost)이 증가할 수 있다. 거래 비용은 주문의 수량과 주문 실행 빈도가 증가함에 따라 더욱 증가할 수 있다.
본 발명은 인공 지능 알고리즘에 기반하여 금융 상품을 주문하기 위한 시스템 및 방법을 제공할 수 있다.
본 실시 예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 이하의 실시 예들로부터 또 다른 기술적 과제들이 유추될 수 있다.
주식 종목에 대한 주문을 발생시키기 위한 인공 지능 엔진에 있어서, 컴퓨팅 장치들, 및 상기 컴퓨팅 장치들을 연결하기 위한 유선 또는 무선의 네트워크를 포함하고, 상기 컴퓨팅 장치들은, 각각 정의된 연산을 입력된 정보에 수행하여 연산된 정보를 출력하기 위한 제1컴퓨팅 장치들, 상기 주식 종목에 대한 이전 시점의 가격 정보와 호가 정보를 입력 받고 상기 네트워크를 통해 연결된 상기 제1컴퓨팅 장치들 중 적어도 하나로 전달하기 위한 적어도 하나의 제2컴퓨팅 장치, 및 상기 네트워크를 통해 연결된 상기 제1컴퓨팅 장치들 중 적어도 하나로부터 입력된 정보에 기반하여, 상기 주문의 체결 가격, 수량 정보, 및 실행 확률 중 적어도 하나를 포함하는 출력 결과를 생성하기 위한 제3컴퓨팅 장치를 포함하고, 상기 연산은 비선형 연산을 포함하고, 상기 제1컴퓨팅 장치들 중에서 상기 비선형 연산을 수행하기 위한 적어도 하나는, n차원(n은 정수)의 실수 공간의 임의의 공간에 위치하는 값을 m차원(m은 정수)의 제한된 실수 공간으로 위치시키기 위한 매핑 연산을 수행하기 위한 DSP(Digital Signal Processor) 또는 FPGA(Field Programmable Gate Array)를 포함할 수 있다.
상기 제3컴퓨팅 장치는, 시간 구간 동안 복수의 출력 결과들을 순차적으로 생성하고, 상기 컴퓨팅 장치들은, 상기 시간 구간 동안의 상기 복수의 출력 결과들에 기반한 주문들의 체결 결과에 대한 제1평가 가격과 상기 주식 종목에 대한 마켓의 제2평가 가격의 비교에 기반하여, 경사 하강법, 경사 상승법, 및 진화 알고리즘 중 적어도 하나를 사용하여, 상기 제1컴퓨팅 장치들 중 적어도 하나에 정의된 연산을 업데이트하기 위한 적어도 하나의 제4컴퓨팅 장치를 더 포함할 수 있다.
상기 평가 가격은, VWAP(Volume Weighted Average Price)일 수 있다.
서버, 및 상기 서버에 접속하기 위한 사용자의 단말기를 포함하고, 상기 단말기는, 금융 상품에 대한 매도 또는 매수 여부, 시간 구간, 수량에 대한 정보를 포함하는 주문을 상기 서버에 전달하고, 상기 서버는, 상기 주문에 대한 정보를 인공 지능 엔진에 입력하고, 상기 인공 지능 엔진의 출력 결과에 기반하여 상기 수량 중 적어도 일부에 대한 서브 주문을 발생시키도록 구성되고, 상기 인공 지능 엔진은, 상기 금융 상품에 대한 이전 시점의 가격 정보와 호가 정보를 계산 그래프에 입력하여 상기 출력 결과를 생성하고, 상기 출력 결과는, 체결 가격, 수량 정보, 및 실행 확률을 포함하고, 상기 계산 그래프는, 노드들과 상기 노드들을 연결하기 위한 에지들을 포함하고, 상기 노드들 중 적어도 하나는 진입 에지를 통해 입력된 적어도 하나의 값에 정의된 연산을 수행하여 진출 에지를 통해 출력하고, 상기 노드들 중 적어도 하나에는 비선형 연산이 정의되고, 상기 비선형 연산은, n차원(n은 정수)의 실수 공간의 임의의 공간에 위치하는 값을 m차원(m은 정수)의 제한된 실수 공간으로 위치시키기 위한 매핑 연산을 포함할 수 있다.
상기 노드들 각각은, 컴퓨팅 장치, 프로세서, FPGA(Field Programmable Gate Array) 중 적어도 하나를 포함하고, 상기 에지들은, 유선 또는 무선 네트워크로 구현될 수 있다.
상기 계산 그래프에 대한 학습은, 상기 주문의 집행이 완료되면, 상기 시간 구간 동안의 상기 금융 상품에 대한 마켓의 평가 가격과 상기 주문의 집행에 대한 평가 가격의 비교에 기반하여, 경사 하강법, 경사 상승법, 및 진화 알고리즘 중 적어도 하나를 사용하여 상기 계산 그래프의 노드들 중 적어도 하나에 정의된 연산을 업데이트함으로써 될 수 있다.
상기 평가 가격은, VWAP(Volume Weighted Average Price)일 수 있다.
상기 서버는, 상기 실행 확률이 기준 값보다 높으면 상기 서브 주문을 발생시키고 상기 서브 주문에 대한 거래 체결 결과를 수신하고, 상기 실행 확률이 상기 기준 값보다 높지 않으면 상기 서브 주문을 발생시키지 않도록 구성될 수 있다.
사용자 단말기로부터, 금융 상품에 대한 매도 또는 매수 여부, 시간 구간, 수량에 대한 정보를 포함하는 주문을 입력 받기 위한 입력부, 상기 주문에 대한 정보를 입력 받고, 체결 가격, 수량 비율, 및 실행 확률을 포함하는 출력 결과를 생성하기 위한 인공 지능 엔진, 및 상기 출력 결과에 기반하여 생성된 서브 주문을 마켓 서버로 전달하고 상기 서브 주문에 대한 거래 체결 결과를 수신하기 위한 통신부를 포함하고, 상기 인공 지능 엔진은, 상기 금융 상품에 대한 이전 시점의 가격 정보와 호가 정보를 계산 그래프에 입력하여 상기 출력 결과를 생성하고, 상기 출력 결과는, 체결 가격, 수량 정보, 및 실행 확률을 포함하고, 상기 계산 그래프는, 노드들과 상기 노드들을 연결하기 위한 에지들을 포함하고, 상기 노드들 중 적어도 하나는 진입 에지를 통해 입력된 적어도 하나의 값에 정의된 연산을 수행하여 진출 에지를 통해 출력하고, 상기 노드들 중 적어도 하나에는 비선형 연산이 정의되고, 상기 비선형 연산은, n차원(n은 정수)의 실수 공간의 임의의 공간에 위치하는 값을 m차원(m은 정수)의 제한된 실수 공간으로 위치시키기 위한 매핑 연산을 포함하고, 상기 계산 그래프에 대한 학습은, 상기 주문의 집행이 완료되면, 상기 시간 구간 동안의 상기 금융 상품에 대한 마켓의 평가 가격과 상기 주문의 집행에 대한 평가 가격의 비교에 기반하여 경사 하강법, 경사 상승법, 및 진화 알고리즘 중 적어도 하나를 사용하여 상기 계산 그래프의 노드들 중 적어도 하나에 정의된 연산을 업데이트함으로써 수행될 수 있다.
상기 평가 가격은, VWAP(Volume Weighted Average Price)일 수 있다.
적어도 하나의 컴퓨팅 장치에 의해 수행되는 금융 상품 주문 방법에 있어서, 상기 금융 상품에 대한 매도 또는 매수 여부, 시간 구간, 수량에 대한 정보를 포함하는 사용자의 주문을 수신하는 단계, 상기 금융 상품에 대한 이전의 제1가격 정보와 제1호가 정보를 인공 지능 엔진에 입력하고, 제1체결 가격, 제1수량 비율, 및 제1실행 확률을 포함하는 제1출력 결과를 획득하는 단계, 상기 제1출력 결과의 실행 확률이 기준 값보다 높으면, 상기 비율에 해당하는 적어도 일부 수량에 대한 제1서브 주문을 발생시키는 단계, 상기 제1서브 주문에 대한 거래 체결 결과에 기반하여 상기 주문에 포함된 수량이 모두 집행되었는지 판단하는 단계, 상기 판단 결과, 상기 주문에 포함된 수량이 모두 집행되지 않았으면, 상기 금융 상품에 대한 이전의 제2가격 정보와 제2호가 정보를 상기 인공 지능 엔진에 입력하고, 제2체결 가격, 제2수량 비율, 및 제2실행 확률을 포함하는 제2출력 결과를 획득하는 단계, 및 상기 제2출력 결과의 실행 확률이 기준 값보다 높으면, 상기 비율에 해당하는 적어도 일부 수량에 대한 제2서브 주문을 발생시키는 단계를 포함하고, 상기 인공 지능 엔진은, 계산 그래프에 기반하여 상기 제1출력 결과와 상기 제2출력 결과를 생성하고, 상기 계산 그래프는, 노드들과 상기 노드들을 연결하기 위한 에지들을 포함하고, 상기 노드들 중 적어도 하나는 진입 에지를 통해 입력된 적어도 하나의 값에 정의된 연산을 수행하여 진출 에지를 통해 출력하고, 상기 노드들 중 적어도 하나에는 비선형 연산이 정의되고, 상기 비선형 연산은, n차원(n은 정수)의 실수 공간의 임의의 공간에 위치하는 값을 m차원(m은 정수)의 제한된 실수 공간으로 위치시키기 위한 매핑 연산을 포함할 수 있다.
상기 금융 상품 주문 방법은, 상기 주문의 집행이 완료되면, 상기 시간 구간 동안의 상기 금융 상품에 대한 마켓의 평가 가격과 상기 주문의 집행에 대한 평가 가격의 비교에 기반하여 경사 하강법, 경사 상승법, 및 진화 알고리즘 중 적어도 하나를 사용하여 상기 계산 그래프의 노드들 중 적어도 하나에 정의된 연산을 업데이트하는 단계를 더 포함할 수 있다.
상기 평가 가격은, VWAP(Volume Weighted Average Price)일 수 있다.
상기 금융 상품 주문 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체가 제공될 수 있다.
인공 지능 알고리즘에 기반하여 최적의 주문이 집행됨으로써, 사용자(또는, 투자자)는 높은 수익을 얻을 수 있으며 거래 비용(Transaction Cost)을 감소시킬 수 있다. 특히, 특정 시간 구간 내에 많은 양의 주문을 집행하고자 하는 사용자들에게 최적화된 주문 서비스가 제공될 수 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도1은 일 실시 예에 따라, 주문 시스템의 개념을 나타내기 위한 도면이다.
도2a는 일 실시 예에 따라, 인공 지능에 기반한 금융 상품 주문 시스템을 나타낸다.
도2b는 일 실시 예에 따라, 서버의 블록도를 나타낸다.
도3은 일 실시 예에 따른 인공 지능 엔진에서 사용될 수 있는 계산 그래프(Computational Graph)를 나타낸다.
도4는 일 실시 예에 따라, 계산 그래프에 입력되는 정보와 출력 결과를 나타낸다.
도5는 일 실시 예에 따라, 계산 그래프의 학습을 수행하는 개념을 나타낸다.
도6a는 일 실시 예에 따라, 적어도 하나의 컴퓨팅 장치에서 수행되는 금융 상품 주문 방법의 흐름도를 나타낸다.
도6b는 추가적 실시 예에 따라, 적어도 하나의 컴퓨팅 장치에서 수행되는 금융 상품 주문 방법의 흐름도를 나타낸다.
아래에서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자들(이하, 통상의 기술자들)이 본 발명을 용이하게 실시할 수 있도록, 첨부되는 도면들을 참조하여 몇몇 실시 예가 명확하고 상세하게 설명될 것이다.
이하, 제1, 제2 등의 용어는 한정적인 의미가 아니라 구성 요소(들)을 다른 구성 요소(들)와 구별하기 위한 목적으로 사용될 수 있다.
이하, 금융 상품(Financial Instruments)이란, 주식(Equity), 채권(Bond), 파생 상품(Derivatives), 암호화 화폐(Crypto Currency) 또는 가상 화폐(Virtual Currency) 등과 같이 매도자와 매수자 사이의 거래에 따라 가격이 변동되는 상품을 포함할 수 있다.
이하, 시점이란, 시간, 분, 초, 또는 최소 가격 변동 단위(Tick)로 정의될 수 있는 하나의 순간을 의미할 수 있다.
도1은 일 실시 예에 따라, 주문 시스템의 개념을 나타내기 위한 도면이다.
도1을 참조하면, 자동으로 주문을 집행하기 위한 주문 시스템(10000)은 마켓 평가 가격(market bench price)에 기반하여, 주문(예를 들어, 'A' 주식 종목을 10000주 매수)을 집행할 수 있다. 주문 시스템(10000)은 일정 시간 구간에서의 사용자의 주문 집행 결과에 대한 가격이 마켓 평가 가격과 유사하도록 주문을 집행할 수 있다.
예를 들어, 아래 수학식 1과 수학식 2는 마켓(예를 들어, 주식 시장)에서의 VWAP(Volume Weighted Average Price)와 사용자 주문의 집행 결과에 대한 VWAP를 결정하는 식을 각각 나타낸다.
Figure 112019089818558-pat00001
(Pt : t시점의 체결 가격, Vt : t시점에 발생한 거래량, VT : 총 거래량)
Figure 112019089818558-pat00002
(pt : t시점의 체결 가격, vt : t시점에 발생한 거래량, vT : 총 거래량)
일 실시 예에 따라, 평가 가격으로 VWAP를 사용할 경우, 주문 시스템(10000)의 목표는 시장 VWAP 와 주문 집행 결과에 대한 VWAP가 동일하도록 사용자의 주문을 집행하는 것이다. 일 실시 예에 따라, 마켓 VWAP 와 주문 집행 결과에 대한 VWAP의 차이를 거래 비용이라고 하며, 거래 비용이 감소될수록 주문 시스템(10000)은 최적의 주문을 집행한 것으로 평가될 수 있다. 이하, 인공 지능에 기반하여 거래 비용을 감소시키기 위한 금융 상품 주문 시스템이 개시된다. 아래에서, 금융 상품의 평가 가격으로서 VWAP 을 사용하는 것으로 설명되나 이에 제한되지 않으며 다른 어떠한 평가 가격(산술 평균 가격, 가중 평균 가격(예를 들어, TWAP) 등)도 사용될 수 있다.
도2a는 일 실시 예에 따라, 인공 지능에 기반한 금융 상품 주문 시스템을 나타낸다.
도2a를 참조하면, 금융 상품 주문 시스템(20000)은 서버(2400), 서버(2400)에 접속 가능한 사용자의 단말기(2200), 서버(2400) 상에서 동작하거나 서버(2400)와 연결 가능한 인공 지능 엔진(2440)을 포함할 수 있다.
단말기(2200)는 스마트폰, 태블릿 PC와 같은 모바일 디바이스, 컴퓨터, 노트북, 웨어러블 디바이스 등을 포함할 수 있다. 사용자는 자신의 단말기(2200)를 통해 서버(2400)에 접속함으로써 금융 상품에 대한 주문을 입력할 수 있다. 주문은, 금융 상품의 종목 정보(예를 들어, 주식 종목), 시간 구간, 주문 종류(예를 들어, 매수 또는 매도), 및 수량에 대한 정보를 포함할 수 있다.
서버(2400)는 인공 지능 기반의 금융 상품 주문 서비스를 제공하는 기업 또는 사업자에 의해 운영될 수 있다. 서버(2400)는 주문을 자동으로 집행하기 위한 적어도 하나의 컴퓨팅 장치를 포함할 수 있다. 컴퓨팅 장치는, 적어도 하나의 프로세서와 적어도 하나의 메모리를 포함할 수 있다. 프로세서는, 중앙 처리 장치(CPU), 마이크로프로세서(Microprocessor), GPU(Graphic Processing Unit), DSP(Digital Signal Processor) 또는 MCU(Micro Controller Unit)를 포함할 수 있다.
메모리는 동적 랜덤 액세스 메모리(DRAM), 정적 랜덤 액세스 메모리(SRAM)와 같은 휘발성 메모리, 플래시 메모리, ROM(Read Only Memory), PRAM(Phase-change Random Access Memory), MRAM(Magnetic Random Access Memory), ReRAM(Resistive Random Access Memory), 및 FRAM(Ferroelectrics Random Access Memory)과 같은 비휘발성 메모리를 포함할 수 있다.
도2b를 참조하면, 서버(2400)는 주문을 입력 받기 위한 입력부(2420), 인공 지능 엔진(2440), 및 통신부(2460)를 포함할 수 있다. 입력부(2420)는 주문을 입력 받고 입력 받은 주문을 인공 지능 엔진(2440)으로 전달할 수 있다. 인공 지능 엔진(2440)은 계산 그래프(Computational Graph)에 기반하여 출력 결과를 생성하여 통신부(2460)에 전달할 수 있다. 통신부(2460)는 출력 결과에 기반하여 주문의 수량 중 적어도 일부를 주문하기 위한 서브 주문을 마켓(예를 들어, 거래소 서버)에 발생시키기 위한 통신 회로를 포함할 수 있다. 일 실시 예에 따라, 적어도 하나의 서브 주문이 순차적으로 집행됨으로써 사용자의 주문 전체가 집행될 수 있다. 예를 들어, 1000주 매수의 사용자 주문은 제1시점에 발생된 200주 매수를 위한 제1서브 주문, 제2시점에 발생된 500주 매수를 위한 제2서브 주문, 및 제3시점에 발생된 300주 매수를 위한 제3서브 주문이 순차적으로 집행됨으로써 집행 완료될 수 있다.
일 실시 예에 따라, 인공 지능 엔진(2440)은 계산 그래프의 연산을 수행함으로써 출력 결과를 생성하고, 계산 그래프에 대한 학습을 수행하기 위한 적어도 하나의 프로세서(2442), 및 인공 지능 엔진(2440)을 동작시키기 위한 각종 코드(Code) 및/또는 계산 그래프를 저장하기 위한 적어도 하나의 메모리(2444)를 포함할 수 있다. 메모리(2444)는 계산 그래프 연산 수행 과정에서 생성되는 중간 연산 결과들 및 파라미터들 등을 저장할 수 있다.
통신부(2460)는 출력 결과에 기반하여 생성된 서브 주문을 마켓(예를 들어, 거래소 서버)으로 전달하고 서브 주문에 대한 거래 체결 결과를 수신할 수 있다.
다시 도2a를 참조하면, 사용자는 소정의 어플리케이션이 설치된 단말기(2200)를 통해 서버(2400)에 접속하고, 2019년 8월 27일 10시부터 5시간 동안 'A' 주식 종목을 10000주 매수할 것을 주문할 수 있다. 또는, 사용자는 2019년 8월 30일 10시부터 1시간 동안 'B' 주식 종목을 5000주 매도할 것을 주문할 수 있다.
일 실시 예에 따라, 서버(2400)로 입력되는 주문은, 금융 상품의 종목 정보(예를 들어, 주식 종목), 시간 구간, 주문 종류(예를 들어, 매수 또는 매도), 및 수량에 대한 정보를 포함할 수 있다. 예를 들어, 사용자가 단말기(2200)를 통해 'A' 주식 종목에 대해 10시부터 5시간 동안 10000주를 매수할 것을 주문한 경우, 서버(2400)에는 주식 종목('A' 주식), 시간 구간(10시 정각부터 15시 정각까지), 주문 종류(매수), 수량 (10000주)에 대한 정보들이 입력될 수 있다.
서버(2400)는 인공 지능 엔진(2440)을 사용하여 사용자의 주문을 집행할 수 있다. 서버(2400)는 인공 지능 엔진(2440)에 주문에 대한 정보를 입력하고, 인공 지능 엔진(2440)의 출력 결과에 기반하여 적어도 하나의 서브 주문을 순차적으로 발생 및 집행함으로써, 사용자가 요청한 시간 구간 내에 요청한 수량에 대한 주문을 집행 완료할 수 있다.
인공 지능 엔진(2440)은 노드(Node)들과 노드들 사이를 연결하기 위한 에지(Edge)들로 구성된 계산 그래프(Computational Graph)를 탑재할 수 있다. 인공 지능 엔진(2440)은 계산 그래프에 이전 시점의 가격 정보와 호가 정보를 입력함으로써 체결 가격, 수량 정보(예를 들어, 절대 수량, 수량을 비율로 나타낸 것), 및 실행 확률 중 적어도 하나를 포함하는 출력 결과를 획득할 수 있다. 인공 지능 엔진(2440)은 시간의 흐름에 따라 출력 결과들을 순차적으로 생성하고, 서버(2400)는 출력 결과들 각각에 대한 서브 주문을 순차적으로 발생시킴으로써 사용자의 주문이 집행될 수 있다.
도3은 일 실시 예에 따른 인공 지능 엔진에서 사용될 수 있는 계산 그래프를 나타낸다. 도3을 참조하면, 계산 그래프(3000)는 노드들(입력 노드, 연산 노드, 출력 노드)과 노드들을 연결하기 위한 에지(Edge)를 포함할 수 있다. 계산 그래프(3000)의 노드들(입력 노드, 연산 노드, 출력 노드) 각각은 컴퓨팅 장치, DSP(Digital Signal Processor)와 같은 프로세서, FPGA(Field Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)과 같은 하드웨어 구성요소, 또는 회로일 수 있다. 예를 들어, 노드들 중 적어도 하나는 행렬 연산을 수행하기 위한 ALU(Arithmetic Logic Unit)을 포함하는 DSP 일 수 있다. 노드는 컴퓨팅 장치 또는 프로세서로도 표현될 수 있다. 예를 들어, 입력 노드, 연산 노드, 및 출력 노드는 각각 입력 컴퓨팅 장치, 연산 컴퓨팅 장치, 및 출력 컴퓨팅 장치로도 표현될 수 있다.
계산 그래프(3000)의 적어도 하나의 입력 노드는 데이터를 입력 받기 위한 노드로서, 텐서(Tensor)가 입력될 수 있다. 입력 텐서는 이전(입력이 되는 시점보다 과거의 시점들)의 가격 정보와 호가 정보를 포함할 수 있다. 입력 텐서는 연산 노드들에 의해 연산들을 거치게 되고 연산들이 수행된 값(또는, 정보)이 출력 노드로 전달될 수 있다. 입력 노드와 출력 노드 역시 연산 노드와 마찬가지로 연산이 정의될 수 있으며 연산을 수행하여 값(또는, 정보)을 출력할 수 있다.
계산 그래프(3000)의 출력 노드는, 체결 가격, 수량 정보(또는, 수량 비율), 및 실행 확률 정보 중 적어도 하나를 포함하는 출력 결과를 생성할 수 있다.
계산 그래프(3000)의 연산 노드들은 진입 에지(Incoming Edge)를 통해 입력된 적어도 하나의 값에 정의된 연산을 수행하고, 연산이 수행된 값을 진출 에지(Outgoing Edge)를 통해 출력할 수 있다. 예를 들어, 노드(3200)는 진입 에지를 통해 노드(3120), 노드(3140), 및 노드(3160)로부터 제1입력 값, 제2입력 값, 및 제3입력 값을 각각 입력 받고, 제1입력 값과 제2입력 값, 및 제3입력 값에 대해 노드(3200)에서 정의된 연산을 수행할 수 있다. 노드(3200)는 연산이 수행된 값을 진출 노드를 통해 노드(3420)와 노드(3440)로 출력할 수 있다. 출력 노드는 자신의 진입 에지를 통해 입력된 값에 기반하여 출력 결과를 최종 생성할 수 있다.
연산은 연산자 및/또는 피연산자(예를 들어, 상수)에 의해 정의될 수 있다. 예를 들어, 연산은 컨트랙션(contraction), 합산(sum), 곱(product) 연산 등과 같은 텐서 연산, 시그모이드(sigmoid), 코사인(cosine), 사인(sin), 하이퍼볼릭 탄젠트(tanh) 함수, ReLU(Rectified Linear Unit) 함수와 같은 비선형 연산, 아다마르 곱(Hadamard product,) element-wise addition, 행렬 곱셈(matrix multiplication) 연산과 같은 선형 연산, identify 연산 등을 포함할 수 있다. 예를 들어, 노드의 연산은 연산자인 행렬 곱셈과 피연산자인 [3, 2, 4, 3]T 으로 정의될 수 있다. 노드의 입력이 [0 1 1 0]인 경우 해당 노드는 6을 출력할 수 있다. 노드의 연산이 사인(sin)인 경우 피연산자는 정의되지 않고, 해당 노드는 입력 10에 대해 -0.54를 출력할 수 있다.
비선형 연산은, 노드가 임의의 값을 0보다 크거나 같고 1보다 작거나 같은 값(예를 들어, 수량 비율, 실행 확률 등)으로 변환하여 출력하기 위해 사용될 수 있다. 일 실시 예에 따라, 비선형 연산은 실수 공간의 임의의 공간에 위치한 어떠한 n차원 값도 정의된 공간으로 위치시키기 위한 매핑(Mapping) 연산을 포함할 수 있다. 예를 들어, 노드들 중 비선형 연산을 수행하기 위한 노드는, n차원(n은 정수) 실수 공간 Rn(Rn = {x|xi ∈ R, i=1,2,...,n}) 상에 위치하는 임의의 값을 중심과 반지름에 의해 특정되는(또는, 제한되는) m차원(m은 정수) 실수 공간 B(B = B(xi, r), xi ∈ R, r ∈ R, i=1,2,...,n)으로 매핑시키기 위한 연산을 수행하는 DSP 또는 FPGA등 을 포함할 수 있다. n과 m은 동일할 수도 있고 상이할 수도 있다.
일 실시 예에 따라, 계산 그래프(3000)의 연산 노드들 각각은 정의된 연산이 수행 가능하도록 진입 에지를 통해 입력된 값을 변형하거나 전처리를 수행할 수 있다. 예를 들어, 연산 노드는 행렬에 대한 전치(Transpose) 연산, 패딩(Padding) 연산, 라운딩(Rounding) 연산 등을 수행할 수 있다.
계산 그래프(3000)의 노드들(입력 노드, 연산 노드, 출력 노드)은 에지를 통해 다른 노드와 연결될 수 있다. 에지는 유선 또는 무선 네트워크로 구현될 수 있다. 노드는 유선 또는 무선 네트워크를 통해 적어도 하나의 다른 노드와 통신하여, 데이터를 송신 또는 수신할 수 있다. 예를 들어, 계산 그래프(3000)는 하나의 컴퓨팅 장치에서 구현될 수도 있으며 복수의 컴퓨팅 장치들에 의해 구현될 수 있다. 계산 그래프(3000)가 하나의 컴퓨팅 장치에 의해 구현되는 경우 노드들은 컴퓨팅 장치 내의 프로세서들과 대응될 수 있다. 프로세서들은 버스(BUS)를 통해 연결될 수 있다. 계산 그래프(3000)가 복수의 컴퓨팅 장치들에 의해 구현되는 경우, 계산 그래프(3000)의 하나의 노드가 하나의 컴퓨팅 장치에 대응될 수 있으며 컴퓨팅 장치들은 네트워크를 통해 연결될 수 있다.
일 실시 예에 따라, 네트워크는 유선 근거리통신망(Local Area Network; LAN), USB(Universal Serial Bus), SPI(Serial Peripheral Interface), I2C(Inter-Integrated Circuit)와 같은 버스(BUS), Wi-fi(Wireless Fidelity)와 같은 무선 근거리 통신망 (Wireless Local Area Network; WLAN), 블루투스(Bluetooth)와 같은 무선 개인 통신망(Wireless Personal Area Network; WPAN), 무선 USB (Wireless Universal Serial Bus), Zigbee, NFC (Near Field Communication), RFID (Radio-frequency identification), PLC(Power Line communication), 또는 3G (3rd Generation), 4G (4th Generation), LTE (Long Term Evolution) 등 이동 통신망(mobile cellular network)에 접속 가능한 모뎀 통신 인터페이스 등을 포함할 수 있다. 블루투스 인터페이스는 BLE(Bluetooth Low Energy)를 지원할 수 있다.
계산 그래프(3000)에 대한 학습은, 인공 지능 엔진(2440)를 사용한 사용자의 주문의 수익 또는 보상이 증가하는 방향으로 수행될 수 있다. 계산 그래프(3000)에 대한 학습은 도5를 참조하여 설명한다.
인공 지능 엔진(2440)은, 'A' 주식 종목에 대한 이전의 가격 정보 뿐만 아니라 호가 정보를 입력 정보로 사용함으로써 계산 그래프(3000)의 정확도를 향상시킬 수 있다. 예를 들어, 매수 호가와 매도 호가의 분포에 따라 가격 변동에 대한 경향이 예측될 수 있으며 보다 정교하게 출력 결과를 생성하는 것이 가능하다. 가격 정보는 'A' 주식 종목에 대한 체결 가격과 체결 수량 정보를 포함할 수 있다. 호가 정보는 'A' 주식 종목에 대한 매도 또는 매수 호가와 수량 정보를 포함할 수 있다.
아래 표 1은 특정 시점(예를 들어, 2019년 8월 26일 중의 어느 시점)에서의 호가 정보의 예를 나타낸다. P1 내지 P5는 매도 호가를, P-1 내지 P-5는 매수 호가를 나타낼 수 있다.
기호 호가 수량
P5 169,500 2,612
P4 169,000 2,133
P3 168,500 2,587
P2 167,500 1,855
P1 167,000 2,059
P-1 166,500 822
P-2 166,000 638
P-3 165,500 5,999
P-4 165,000 6,366
P-5 164,500 8,853
도4는 일 실시 예에 따라, 계산 그래프의 입력 정보들과 출력 결과를 나타낸다.
도4를 참조하면, 일 실시 예에 따른 계산 그래프(3000)에는 k개(k는 양의 정수)의 이전 시점들에 대한 가격 정보와 호가 정보가 입력될 수 있다. 시점 n-k, 시점 n-k+1, ?, 시점 n-1 은 계산 그래프(3000)에 데이터가 입력되는 시점인 t 보다 과거 시점들이다.
일 실시 예에 따라, 시점 n-k 의 가격 정보(4220)는 [Pn-k, Vn-k](Pn-k : 체결 가격, Vn-k : 수량)이다. 시점 n-k 의 호가 정보(4240)는 시점 n-k 에서의 10개의 호가들과 각 호가에 대한 수량 정보를 포함할 수 있다. 예를 들어, 호가 P9 에 대한 수량은 V9 이다. 호가 정보(4240)의 10개의 호가들 중 P10~P6 은 매도 호가를 나타내고, P5~P1 은 매수 호가를 나타낼 수 있다.
일 실시 예에 따라, 시점 n-k+1 의 가격 정보(4420)는 [Pn-k+1, Vn-k+1] (Pn-k+1 : 체결 가격, Vn-k+1 : 수량)이다. 시점 n-k+1 의 호가 정보(4440)는 시점 n-k 에서의 10개의 호가들과 각 호가에 대한 수량 정보를 포함할 수 있다. 호가 정보(4440)의 10개의 호가들 중 P10~P6 은 매도 호가를 나타내고, P5~P1 은 매수 호가를 나타낼 수 있다.
일 실시 예에 따라, 시점 n-1 의 가격 정보(4620)는 [Pn-1, Vn-1] (Pn-1 : 체결 가격, Vn-1 : 수량)이다. 시점 n-1 의 호가 정보(4640)는 시점 n-1 에서의 10개의 호가들과 각 호가에 대한 수량 정보를 포함할 수 있다. 호가 정보(4640)의 10개의 호가들 중 P10~P6 은 매도 호가를 나타내고, P5~P1 은 매수 호가를 나타낼 수 있다.
아래 표 2는 2019년 8월 26일과 8월 27일 양 일간 주식 종목 'A'에 대한 시점 별 가격 정보의 예를 나타낸다. 표 2에는 2019년 8월 26일의 12개의 시점들(시점 1~12)에 대한 가격 정보와, 2019년 8월 27일의 12개의 시점들(시점 13~24)에 대한 가격 정보가 기재되었다. 예를 들어, 시점 14의 [170,000, 1122]는 2019년 8월 27일 10시 20분 39초부터 10시 50분 48초 전까지의 가격이 170,000원이고 거래 수량이 1122주였음을 표시할 수 있다.
2019-08-26 2019-08-27
시점 시각 가격 정보 시점 시각 가격 정보
시점 1 10:02:38 [167,000, 4,300] 시점 13 10:04:30 [169,500, 1471]
시점 2 10:38:22 [167,500, 766] 시점 14 10:20:39 [170,000, 1122]
시점 3 11:05:47 [168,500, 609] 시점 15 10:50:48 [169,500, 838]
시점 4 11:30:34 [168,000, 962] 시점 16 11:02:38 [169,000, 469]
시점 5 11:55:02 [169,000, 656] 시점 17 11:15:13 [168,500, 748]
시점 6 12:12:18 [169,500, 575] 시점 18 11:47:30 [168,000, 916]
시점 7 12:30:33 [170,000, 589] 시점 19 12:12:48 [168,500, 602]
시점 8 13:00:02 [169,500, 741] 시점 20 13:05:03 [168,000, 1506]
시점 9 13:35:23 [169,000, 495] 시점 21 13:20:23 [167,500, 1341]
시점 10 13:58:50 [170,000, 713] 시점 22 13:45:10 [168,000, 1476]
시점 11 14:20:30 [169,500, 1,173] 시점 23 14:28:32 [167,500, 903]
시점 12 14:42:15 [169,000, 2,465] 시점 24 14:30:50 [167,000, 1456]
일 실시 예에 따라, 사용자는 2019년 8월 27에 10시부터 5시간 동안 'A' 주식 종목을 1000주 매수하라는 주문을 서버(2400)에 전달할 수 있다. 서버(2400)는 인공 지능 엔진(2440)에 주문 정보를 전달할 수 있다. 인공 지능 엔진(2440)은 'A' 주식 종목에 대한 이전 가격 정보와 이전 호가 정보들을 로딩하여 계산 그래프(3000)에 입력할 수 있다.
계산 그래프(3000)에는 시간 단계(time step)마다 이전 시점들에 대한 가격 정보와 호가 정보들이 입력될 수 있으며, 계산 그래프(3000)는 연산을 거쳐 출력 노드를 통해 출력 결과를 생성할 수 있다. 일 실시 예에 따라, 출력 결과는 체결 가격, 수량 정보(예를 들어, 수량 비율), 및 실행 확률을 포함할 수 있다. 수량 비율과 실행 확률은 0보다 크거나 같고, 1보다 작거나 같은 값으로서 표시될 수 있다. 예를 들어, 사용자가 총 1000주를 매수할 것을 주문하였고, 계산 그래프(3000)의 현재 출력이 (Pc, 0.2, 0.75)라고 한다면, "75프로의 확률로 가격 Pc로 200주의 매수 주문을 지금 발생시킨다"는 것을 의미할 수 있다. 서버(2400)는 출력 결과에 기반하여 서브 주문을 마켓에 발생시키고, 서브 주문의 거래 체결 결과를 기록하면서 사용자의 주문 집행 상태를 관리할 수 있다.
다시 도2 및 도4를 참조하면, 서버(2400)가 서브 주문을 발생시키는 시점은 계산 그래프(3000)로부터 출력 결과가 생성되는 시점(예를 들어, t+δ, t : 가격 정보와 호가 정보 입력 시점, δ : 연산 수행 시간)일 수 있다. 즉, 서브 주문이 발생되는 시점은 계산 그래프(3000)에 이전 가격 정보와 호가 정보가 입력된 시점인 t 로부터 출력을 생성하기 위한 연산이 수행 완료된 시점(t+δ)일 수 있다. 일 실시 예에 따라, 연산 수행 시간은 수 초(seconds)일 수 있으나 이에 제한되지 않는다.
일 실시 예에 따라, 서버(2400)는 인공 지능 엔진(2440)에서 출력된 실행 확률이 기준 값 이상일 경우에 출력 결과에 대응하는 서브 주문을 마켓에 발생시킬 수 있다. 예를 들어, 기준 값이 0.5라면, 출력 결과의 실행 확률이 0.45이면 서브 주문을 마켓에 발생시키지 않고, 출력 결과의 실행 확률이 0.6이면 서브 주문을 마켓에 발생시킬 수 있다.
아래 표 3에는 2019년 8월 27일에 집행된 'A' 주식 종목에 대한 사용자 주문의 집행 결과의 예를 나타낸다. 예를 들어, 서버(2400)는 10시 17분 30초에 10개의 이전 시점들(표2의 시점 3~12)에 대한 가격 정보와 호가 정보들을 입력하였고 계산 그래프(3000)의 연산이 완료된 10시 17분 36초에 출력 결과(체결 가격 : 169,500, 수량 비율 : 0.2, 실행 확률 : 0.8)에 기반하여 'A' 주식 종목을 169,500원에 200주 매수하라는 서브 주문을 발생시킬 수 있다. 서버(2400)는 11:18:05초에 10개의 이전 시점들(표2의 시점 7~16)에 대한 가격 정보와 호가 정보들을 입력하였고 계산 그래프(3000)의 연산이 완료된 11시 18분 12초에 출력 결과(체결 가격 : 168,500, 수량 비율 : 0.15, 실행 확률 : 0.6)에 기반하여 'A' 주식 종목을 168,500원에 150주 매수하라는 서브 주문을 발생시킬 수 있다. 표 3에는 실제 거래가 체결된 기록만 나타낸 것으로서, 계산 그래프(3000)의 출력 결과가 획득되었으나 주문이 생성되지 않은 경우(즉, 실행 확률이 기준 값보다 작은 경우)는 제외하였다. 또한, 마켓에 발생시킨 서브 주문대로 거래가 체결된 것으로 가정하였다.
거래 시점
(시:분:초)		 입력 데이터
 출력 결과
(체결 가격, 수량 비율, 실행 확률)		 거래 체결 정보 기록
10:17:36 시점 3~12 (169,500, 0.2, 0.8) [169,500, 200]
11:18:12 시점 7~16 (168,500, 0.15, 0.6) [168,500, 150]
11:50:12 시점 8~17 (168,000, 0.25, 0.65) [168,000, 250]
13:04:30 시점 9~18 (168,500, 0.2, 0.95) [168,500, 200]
14:25:37 시점 12~21 (168,000, 0.2, 0.7) [168,000, 200]
서버(2400)는 인공 지능 엔진(2440)을 사용하여 서브 주문을 마켓에 발생시키고, 거래가 체결되면 거래 체결 정보(매수 또는 매도 수량, 남은 시간, 체결 가격, 사용자 계좌 잔액)를 기록함으로써 주문 집행 상황을 판단할 수 있다.
인공 지능 엔진(2440)의 성능은 인공 지능 엔진(2440)를 통한 사용자의 주문에 대한 보상(Reward)이 클수록 좋은 것으로 평가될 수 있다. 일 실시 예에 따라, 인공 지능 엔진(2440)의 성능은, 인공 지능 엔진(2440)을 사용하여 집행된 표 3의 거래 체결 정보로부터 계산된 VWAP와 2019년 8월 27일에 마켓 전체에서 동일한 시간 구간 동안 발생된 거래(표2의 우측 열)로부터 계산된 VWAP와의 비교에 기반하여 평가될 수 있다.
인공 지능 엔진(2440)는 사용자 주문에 대한 보상이 커지도록 학습될 수 있다. 인공 지능 엔진(2440)에 의해 임의의 시간 구간 동안 체결된 사용자의 주문에 대한 VWAP와 마켓에서 동일 시간 구간 동안 체결된 거래로부터 계산된 VWAP를 각각 VWAPE와 VWAPM라고 하면, 매도 주문에 대한 보상은 VWAPE - VWAPM 로 결정되고, 매수 주문에 대한 보상은 VWAPM - VWAPE 로 결정될 수 있다.
인공 지능 엔진(2440)에 대한 학습은 계산 그래프(3000)의 업데이트를 포함할 수 있다. 인공 지능 엔진(2440)은 보상이 커지도록 계산 그래프(3000)의 노드들 중 적어도 하나에 정의된 연산을 임의의 시점에(예를 들어, 사용자의 주문 집행이 완료된 후) 업데이트할 수 있다. 일 실시 예에 따라, 계산 그래프(3000)의 학습은 경사 하강법(Gradient Descent Method), 경사 상승법(Gradient Ascent Method), 및 진화 알고리즘(Evolutionary Algorithm) 중 적어도 하나에 기반하여 수행될 수 있다.
도5는 일 실시 예에 따라, 계산 그래프의 학습을 수행하는 개념을 나타낸다.
계산 그래프(5000)는 도2a의 인공 지능 엔진(2440)에서 동작되는 계산 그래프의 일 예이다.
인공 지능 엔진(2440)의 계산 그래프(5000)는 사용자 주문에 대한 보상이 커지도록 학습될 수 있다. 인공 지능 엔진(2440)에 의해 임의의 시간 구간 동안 체결된 사용자의 주문에 대한 VWAP와 마켓에서 동일 시간 구간 동안 체결된 거래로부터 계산된 VWAP를 각각 VWAPE와 VWAPM라고 하면, 매도 주문에 대한 보상은 VWAPE - VWAPM 로 결정되고, 매수 주문에 대한 보상은 VWAPM - VWAPE 로 결정될 수 있다. (하기 수학식 3, 4 참조)
Figure 112019089818558-pat00003
(RSELL : 매도 주문에 대한 보상, VWAPE : 임의의 시간 구간 동안 체결된 사용자의 주문(매도)에 대한 VWAP, VWAPM : 마켓에서 동일 시간 구간 동안 체결된 거래로부터 계산된 VWAP)
Figure 112019089818558-pat00004
(RBUY : 매수 주문에 대한 보상, VWAPE : 임의의 시간 구간 동안 체결된 사용자의 주문(매수)에 대한 VWAP, VWAPM : 마켓에서 동일 시간 구간 동안 체결된 거래로부터 계산된 VWAP)
예를 들어, 사용자의 주문이 매도 주문인 경우, 컴퓨팅 장치(2480)는 수학식 3의 RSELL 값이 증가하도록 계산 그래프(5000)의 노드들 중 적어도 하나에 정의된 연산을 업데이트할 수 있다. 이러한 실시 예에서, VWAPE가 VWAPM보다 작은 경우, 컴퓨팅 장치(2480)는 VWAPE가 VWAPM와 근사해지도록 계산 그래프(5000)를 업데이트할 수 있다. VWAPE가 VWAPM보다 큰 경우, 컴퓨팅 장치(2480)는 VWAPE가 더 증가하도록 계산 그래프(5000)를 업데이트할 수 있다.
사용자의 주문이 매수 주문인 경우, 컴퓨팅 장치(2480)는 수학식 4의 RBUY 값이 증가하도록 계산 그래프(5000)의 노드들 중 적어도 하나에 정의된 연산을 업데이트할 수 있다. 이러한 실시 예에서, VWAPE가 VWAPM보다 큰 경우, VWAPE가 VWAPM와 근사해지도록 계산 그래프(5000)를 업데이트할 수 있다. VWAPE가 VWAPM보다 작은 경우, 컴퓨팅 장치(2480)는 VWAPE가 더 감소하도록 계산 그래프(5000)를 업데이트할 수 있다.
컴퓨팅 장치(2480)는 입력 데이터(예를 들어, 가격 정보와 호가 정보), 출력 결과, 보상을 입력 받고, 계산 그래프(5000)를 구성하는 적어도 하나의 노드에 정의된 연산을 업데이트할 수 있다. 예를 들어, 컴퓨팅 장치(2480)는 노드(5200)의 피연산자 [2, 3]을 [2.1, 3.1]로 업데이트할 수 있다. 컴퓨팅 장치(2480)는 경사 하강법(Gradient Descent), 경사 상승법(Gradient Ascent), 및 진화 알고리즘(Evolutionary Algorithm) 중 적어도 하나에 기반하여(예를 들어, 경사 하강법과 진화 알고리즘을 반복적으로 적용) 계산 그래프(5000)를 업데이트할 수 있다.
일 실시 예에 따라, 컴퓨팅 장치(2480)는 도2b의 서버(2400)에 포함될 수 있다. 일 실시 예에 따라, 컴퓨팅 장치(2480)는 인공 지능 엔진(2440)에 포함될 수 있으나 인공 지능 엔진(2440)의 외부에 위치할 수도 있다. 컴퓨팅 장치(2480)는 프로세서, 또는 FPGA/ASIC 과 같은 하드웨어 구성요소를 포함할 수 있다. 컴퓨팅 장치(2480)는 복수의 컴퓨팅 장치들로서 구현될 수 있다.
도6a는 일 실시 예에 따라, 적어도 하나의 컴퓨팅 장치에서 수행되는 금융 상품(예를 들어, 'B' 주식 종목) 주문 방법의 흐름도를 나타낸다.
적어도 하나의 컴퓨팅 장치는 도2a의 서버(2400)일 수 있으나 이에 제한되지 않는다.
단계 S6100에서, 적어도 하나의 컴퓨팅 장치는 금융 상품에 대한 주문을 수신할 수 있다. 주문은, 주문 종류(매도 또는 매수), 시간 구간, 수량에 대한 정보를 포함할 수 있다. 일 실시 예에 따라, 주식 종목은 'B' 이고, 주문은 'B' 주식 종목을 2019년 8월 30일 10시부터 1분 동안 1000주 매수하라는 것일 수 있다.
단계 S6200에서, 적어도 하나의 컴퓨팅 장치는 'B' 주식 종목의 이전의 가격 정보와 호가 정보를 인공 지능 엔진(2440)에 입력하고 출력 결과를 획득할 수 있다. 인공 지능 엔진(2440)은 노드와 에지로 구성된 계산 그래프를 활용하여 주문 집행을 위한 출력 결과를 생성할 수 있다. 일 실시 예에 따라, 인공 지능 엔진(2440)은 계산 그래프에 이전의 가격 정보와 호가 정보들을 입력하고, 계산 그래프는 체결 가격, 수량 비율, 및 실행 확률을 포함하는 출력 결과를 생성할 수 있다. 수량 비율과 실행 확률은 0보다 크거나 같고 1보다 작거나 같은 값으로서 표현될 수 있다. 계산 그래프를 구성하는 노드들 각각에는 연산이 정의될 수 있다. 연산은 연산자 및/또는 피연산자(예를 들어, 상수)에 의해 정의될 수 있다. 연산은 컨트랙션(contraction), 합산(sum), 곱(product) 연산 등과 같은 텐서 연산, 시그모이드(sigmoid), 코사인(cosine), 사인(sin), 하이퍼볼릭 탄젠트(tanh) 함수, ReLU(Rectified Linear Unit) 함수와 같은 비선형 연산, 아다마르 곱(Hadamard product,) element-wise addition, 행렬 곱셈(matrix multiplication) 연산과 같은 선형 연산, 식별 연산(identify) 등을 포함할 수 있다. 비선형 연산은, 노드가 임의의 값을 0보다 크거나 같고 1보다 작거나 같은 값(예를 들어, 수량 비율, 실행 확률 등)으로 변환하여 출력하기 위해 사용될 수 있다. 비선형 연산은, n차원(n은 정수)의 실수 공간의 임의의 공간에 위치하는 값을 제한된 m차원(m은 정수)실수 공간으로 위치시키기 위한 매핑 연산을 포함할 수 있다. n과 m은 동일하거나 상이할 수 있다.
단계 S6200에서, "이전"이란 계산 그래프로부터 주문 집행 정보를 획득하기 위해 가격 정보와 호가 정보를 입력하려는 시점보다 과거의 시점들을 의미할 수 있다. 아래 표 4는 단계 S6100에서 수신된 주문을 집행하는 과정의 일 예를 나타낸 것이다. 표 4는 2019년 8월 30일에서의 매수 주문 집행(주문 : 'B'주식 종목을 2019년 8월 30일 10:00 부터 1분 동안 1000주 매수, 임계 값 : 0.5) 과정의 예이다. 표 4의 실시 예에서 계산 그래프에 가격 정보와 호가 정보를 입력하여 출력 결과를 획득하는 시점들의 개수는 8개이다. 호가 정보는, 적어도 하나의 매도 호가와 적어도 하나의 매수 호가를 포함할 수 있으며 개수에 제한되지 않는다.
단계 S6300에서, 적어도 하나의 컴퓨팅 장치는 단계 S6200에서의 출력 결과 중 실행 확률이 기준 값(REF)보다 높은지 판단할 수 있다. 일 실시 예에 따라, 기준 값은 0.5로 결정될 수 있다. 실행 확률이 기준 값보다 높으면(Yes) 단계 S6400에서 서브 주문을 발생시키고, 그렇지 않으면(No) 단계 S6200에서, 'B' 주식 종목의 이전의 가격 정보와 호가 정보를 인공 지능 엔진(2440)에 입력할 수 있다. 표 4를 참조하면, 10시 00분 21초에 생성된 출력 결과의 실행 확률인 0.4 는 기준 값보다 작으므로 서브 주문을 발생시키지 않고, 다시 'B' 주식 종목의 이전 가격 정보와 호가 정보를 인공 지능 엔진(2440)에 입력하여 10시 00분 30초에 새로운 출력 결과인 (4950, 0.3, 0.8)를 획득할 수 있다(단계 S6200).
단계 S6400에서, 적어도 하나의 컴퓨팅 장치는 인공 지능 엔진(2440)의 출력 결과에 기반하여 총 주문 수량 중 적어도 일부를 집행하기 위한 서브 주문을 발생시킬 수 있다. 표 4를 참조하면, 서버(2400)는 10시 00분 30초에 생성된 출력 결과 (4950, 0.3, 0.8)에 기반하여 4950원에 300개의 'B' 주식 종목을 매수하기 위한 서브 주문을 마켓에 발생시킬 수 있다.
단계 S6500에서, 적어도 하나의 컴퓨팅 장치는 거래 체결 결과를 수신하고, 거래 체결 정보를 기록할 수 있다. 거래 체결 정보는, 체결 가격, 체결 수량, 남은 시간, 사용자의 계좌 잔액 등에 대한 정보를 포함할 수 있다.
단계 S6600에서, 적어도 하나의 컴퓨팅 장치는 주문 수량이 모두 집행되었는지 판단할 수 있다. 예를 들어, 1000주에 대한 'B' 주식 종목이 모두 매수 완료되었으면(Yes) 주문 집행은 종료되고, 그렇지 않으면(No) 단계 S6200에서, 'B' 주식 종목의 이전 가격 정보와 이전 호가 정보를 인공 지능 엔진(2440)에 다시 입력함으로써 새로운 출력 결과를 획득될 수 있다(단계 S6200).
시점(시각)
(시간:분:초)		 회차 출력 결과
(체결 가격, 수량 비율, 실행 확률)		 집행 여부 집행
수량		 남은
수량
10:00:03 1 (5000, 0.2, 0.65) 집행 200 800
10:00:12 2 (4950, 0.4, 0.2) 보류 0 800
10:00:21 3 (5000, 0.2, 0.4) 보류 0 800
10:00:30 4 (4950, 0.3, 0.8) 집행 300 500
10:00:36 5 (4950, 0.1, 0.9) 집행 100 400
10:00:45 6 (4900, 0.2, 0.55) 집행 200 200
10:00:50 7 (4950, 0.2, 0.4) 보류 0 200
10:00:58 8 (5000, 0.2, 0.95) 집행 200 0
도6b는 추가적 실시 예에 따라, 적어도 하나의 컴퓨팅 장치에서 수행되는 금융 상품 주문 방법의 흐름도를 나타낸다.
적어도 하나의 컴퓨팅 장치는 도6a의 방법을 수행한 후에 단계 S6700을 추가적으로 수행할 수 있다.
단계 S6700에서 주문 수량이 모두 집행되면, 적어도 하나의 컴퓨팅 장치는 인공 지능 엔진을 평가하고, 평가에 기반하여 인공 지능 엔진에 대한 학습을 수행할 수 있다. 인공 지능 엔진의 성능은, 인공 지능 엔진을 사용하여 집행된 표 4의 2019년 8월 30일의 거래 체결 정보로부터 계산된 VWAP_E와 2019년 8월 30일에 마켓 전체에서 동일한 시간 구간 동안 발생된 'B' 주식 종목의 거래로부터 계산된 VWAP_M의 비교에 기반하여 성능이 평가될 수 있다. 예를 들어, 매도 주문의 경우, VWAP_E - VWAP_M 의 값이 증가할수록, 매수 주문의 경우, VWAP_M - VWAP_E 의 값이 증가할수록 인공 지능 엔진의 성능이 좋은 것으로 평가될 수 있다. 인공 지능 엔진에 대한 학습은 인공 지능 엔진에서 사용되는 계산 그래프의 업데이트를 포함할 수 있다. 적어도 하나의 컴퓨팅 장치는, 계산 그래프를 구성하는 노드들 중 적어도 하나에 정의된 연산을 업데이트를 포함할 수 있다. 일 실시 예에 따라, 계산 그래프(3000)의 업데이트는 경사 하강법(Gradient Descent), 경사 상승법(Gradient Ascent), 및 진화 알고리즘(Evolutionary Algorithm) 중 적어도 하나에 기반하여 수행될 수 있다.
한편, 상술한 금융 상품 주문 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽힐 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 프로세서가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
설명들은 본 발명을 구현하기 위한 예시적인 구성들 및 동작들을 제공하도록 의도된다. 본 발명의 기술 사상은 위에서 설명된 실시 예들 뿐만 아니라, 위 실시 예들을 단순하게 변경하거나 수정하여 얻어질 수 있는 구현들도 포함할 것이다. 또한, 본 발명의 기술 사상은 위에서 설명된 실시 예들을 앞으로 용이하게 변경하거나 수정하여 달성될 수 있는 구현들도 포함할 것이다.

Claims (14)

  1. 주식 종목에 대한 주문을 발생시키기 위한 인공 지능 엔진에 있어서,
    컴퓨팅 장치들; 및
    상기 컴퓨팅 장치들을 연결하기 위한 유선 또는 무선의 네트워크를 포함하고,
    상기 컴퓨팅 장치들은,
    각각 정의된 연산을 입력된 정보에 수행하여 연산된 정보를 출력하기 위한 제1컴퓨팅 장치들;
    상기 주식 종목에 대한 이전 시점들의 가격 정보와 호가 정보를 입력 받고 상기 네트워크를 통해 연결된 상기 제1컴퓨팅 장치들 중 적어도 하나로 전달하기 위한 적어도 하나의 제2컴퓨팅 장치; 및
    상기 네트워크를 통해 연결된 상기 제1컴퓨팅 장치들 중 적어도 하나로부터 입력된 정보에 기반하여, 상기 주문의 체결 가격, 수량 정보, 및 실행 확률을 포함하는 출력 결과를 생성하기 위한 제3컴퓨팅 장치를 포함하고,
    상기 출력 결과는 상기 이전 시점들의 가격 정보와 호가 정보에 상기 제1컴퓨팅 장치들에 정의된 연산들을 수행함으로써 생성되고,
    상기 연산은 상기 수량 정보 및 실행 확률을 출력하기 위한 비선형 연산을 포함하고,
    상기 실행 확률이 기준 값 이상이면 상기 주문을 발생시키고,
    상기 제1컴퓨팅 장치들 중에서 상기 비선형 연산을 수행하기 위한 적어도 하나는, n차원(n은 정수)의 실수 공간의 임의의 공간에 위치하는 값을 m차원(m은 정수)의 제한된 실수 공간으로 위치시키기 위한 매핑 연산을 수행하기 위한 DSP(Digital Signal Processor) 또는 FPGA(Field Programmable Gate Array)를 포함하는 인공 지능 엔진.
  2. 제1항에 있어서,
    상기 제3컴퓨팅 장치는, 시간 구간 동안 복수의 출력 결과들을 순차적으로 생성하고,
    상기 컴퓨팅 장치들은,
    상기 시간 구간 동안의 상기 복수의 출력 결과들에 기반한 주문들의 체결 결과에 대한 제1평가 가격과 상기 주식 종목에 대한 마켓의 제2평가 가격의 비교에 기반하여, 경사 하강법, 경사 상승법, 및 진화 알고리즘 중 적어도 하나를 사용하여, 상기 제1컴퓨팅 장치들 중 적어도 하나에 정의된 연산에 대한 연산자 또는 피연산자를 업데이트하기 위한 적어도 하나의 제4컴퓨팅 장치를 더 포함하는 인공 지능 엔진.
  3. 제2항에 있어서,
    상기 제1평가 가격은 상기 주문들의 체결 결과에 대한 VWAP(Volume Weighted Average Price)이고,
    상기 제2평가 가격은, 상기 주식 종목에 대한 마켓에서의 거래로부터 계산된 VWAP인 인공 지능 엔진.
  4. 서버; 및
    상기 서버에 접속하기 위한 사용자의 단말기를 포함하고,
    상기 단말기는, 금융 상품에 대한 매도 또는 매수 여부, 시간 구간, 수량에 대한 정보를 포함하는 주문을 상기 서버에 전달하고,
    상기 서버는, 상기 주문에 대한 정보를 인공 지능 엔진에 입력하고, 상기 인공 지능 엔진의 출력 결과에 기반하여 상기 수량 중 적어도 일부에 대한 서브 주문을 발생시키도록 구성되고,
    상기 인공 지능 엔진은, 상기 금융 상품에 대한 이전 시점들의 가격 정보와 호가 정보를 계산 그래프에 입력하고, 상기 계산 그래프의 노드들에 정의된 연산에 따라 상기 출력 결과를 생성하고,
    상기 출력 결과는, 체결 가격, 수량 정보, 및 실행 확률을 포함하고,
    상기 계산 그래프는, 상기 노드들과 상기 노드들을 연결하기 위한 에지들을 포함하고,
    상기 노드들 중 적어도 하나는 진입 에지를 통해 입력된 적어도 하나의 값에 정의된 연산을 수행하여 진출 에지를 통해 출력하고,
    상기 노드들 중 적어도 하나에는 비선형 연산이 정의되고,
    상기 비선형 연산은, n차원(n은 정수)의 실수 공간의 임의의 공간에 위치하는 값을 m차원(m은 정수)의 제한된 실수 공간으로 위치시키기 위한 매핑 연산을 포함하고,
    상기 서버는, 상기 실행 확률이 기준 값보다 높으면 상기 서브 주문을 발생시키고 상기 서브 주문에 대한 거래 체결 결과를 수신하고,
    상기 실행 확률이 상기 기준 값보다 높지 않으면 상기 서브 주문을 발생시키지 않도록 구성되는 금융 상품 주문 시스템.
  5. 제4항에 있어서,
    상기 노드들 각각은, 컴퓨팅 장치, 프로세서, FPGA(Field Programmable Gate Array) 중 적어도 하나를 포함하고,
    상기 에지들은, 유선 또는 무선 네트워크로 구현되는 금융 상품 주문 시스템.
  6. 제4항에 있어서,
    상기 계산 그래프에 대한 학습은, 상기 주문의 집행이 완료되면, 상기 시간 구간 동안의 상기 금융 상품에 대한 마켓의 평가 가격과 상기 주문의 집행에 대한 평가 가격의 비교에 기반하여, 경사 하강법, 경사 상승법, 및 진화 알고리즘 중 적어도 하나를 사용하여 상기 계산 그래프의 노드들 중 적어도 하나에 정의된 연산에 대한 연산자 또는 피연산자를 업데이트함으로써 수행되는 금융 상품 주문 시스템.
  7. 제6항에 있어서,
    상기 마켓의 평가 가격은 상기 금융 상품에 대한 마켓에서의 거래로부터 계산된 VWAP(Volume Weighted Average Price)이고,
    상기 주문의 집행에 대한 평가 가격은, 상기 주문 집행에 대한 VWAP인 금융 상품 주문 시스템.
  8. 삭제
  9. 사용자 단말기로부터, 금융 상품에 대한 매도 또는 매수 여부, 시간 구간, 수량에 대한 정보를 포함하는 주문을 입력 받기 위한 입력부;
    상기 주문에 대한 정보를 입력 받고, 체결 가격, 수량 비율, 및 실행 확률을 포함하는 출력 결과를 생성하기 위한 인공 지능 엔진; 및
    상기 출력 결과에 기반하여 생성된 서브 주문을 마켓 서버로 전달하고 상기 서브 주문에 대한 거래 체결 결과를 수신하기 위한 통신부를 포함하고,
    상기 인공 지능 엔진은, 상기 금융 상품에 대한 이전 시점들의 가격 정보와 호가 정보를 계산 그래프에 입력하고, 상기 계산 그래프의 노드들에 정의된 연산에 따라 상기 출력 결과를 생성하고,
    상기 출력 결과는, 체결 가격, 수량 정보, 및 실행 확률을 포함하고,
    상기 계산 그래프는, 상기 노드들과 상기 노드들을 연결하기 위한 에지들을 포함하고,
    상기 노드들 중 적어도 하나는 진입 에지를 통해 입력된 적어도 하나의 값에 정의된 연산을 수행하여 진출 에지를 통해 출력하고,
    상기 노드들 중 적어도 하나에는 비선형 연산이 정의되고,
    상기 비선형 연산은, n차원(n은 정수)의 실수 공간의 임의의 공간에 위치하는 값을 m차원(m은 정수)의 제한된 실수 공간으로 위치시키기 위한 매핑 연산을 포함하고,
    상기 계산 그래프에 대한 학습은, 상기 주문의 집행이 완료되면, 상기 시간 구간 동안의 상기 금융 상품에 대한 마켓의 평가 가격과 상기 주문의 집행에 대한 평가 가격의 비교에 기반하여 경사 하강법, 경사 상승법, 및 진화 알고리즘 중 적어도 하나를 사용하여 상기 계산 그래프의 노드들 중 적어도 하나에 정의된 연산에 대한 연산자 또는 피연산자를 업데이트함으로써 수행되는 서버.
  10. 제9항에 있어서,
    상기 마켓의 평가 가격은, 상기 금융 상품에 대한 마켓에서의 거래로부터 계산된 VWAP(Volume Weighted Average Price)이고,
    상기 주문의 집행에 대한 평가 가격은, 상기 주문 집행에 대한 VWAP인 서버.
  11. 적어도 하나의 컴퓨팅 장치에 의해 수행되는 금융 상품 주문 방법에 있어서,
    상기 금융 상품에 대한 매도 또는 매수 여부, 시간 구간, 총 주문 수량에 대한 정보를 포함하는 사용자의 주문을 수신하는 단계;
    상기 금융 상품에 대한 이전 시점들의 제1가격 정보와 제1호가 정보를 인공 지능 엔진에 입력하고, 제1체결 가격, 제1수량 비율, 및 제1실행 확률을 포함하는 제1출력 결과를 획득하는 단계;
    상기 제1실행 확률이 기준 값보다 높으면, 상기 제1수량 비율에 해당하는 수량에 대한 제1서브 주문을 발생시키는 단계;
    상기 제1서브 주문에 대한 거래 체결 결과에 기반하여 상기 총 주문 수량이 모두 집행되었는지 판단하는 단계;
    상기 판단 결과, 상기 총 주문 수량이 모두 집행되지 않았으면, 상기 금융 상품에 대한 이전 시점들의 제2가격 정보와 제2호가 정보를 상기 인공 지능 엔진에 입력하고, 제2체결 가격, 제2수량 비율, 및 제2실행 확률을 포함하는 제2출력 결과를 획득하는 단계; 및
    상기 제2실행 확률이 기준 값보다 높으면, 상기 제2수량 비율에 해당하는 수량에 대한 제2서브 주문을 발생시키는 단계를 포함하고,
    상기 인공 지능 엔진은, 계산 그래프의 노드들에 정의된 연산에 기반하여 상기 제1가격 정보와 상기 제1호가 정보에 대한 상기 제1출력 결과와 상기 제2가격 정보와 상기 제2호가 정보에 대한 상기 제2출력 결과를 생성하고,
    상기 계산 그래프는, 상기 노드들과 상기 노드들을 연결하기 위한 에지들을 포함하고,
    상기 노드들 중 적어도 하나는 진입 에지를 통해 입력된 적어도 하나의 값에 정의된 연산을 수행하여 진출 에지를 통해 출력하고,
    상기 노드들 중 적어도 하나에는 상기 제1수량 비율, 상기 제1실행 확률, 상기 제2수량 비율, 및 상기 제2실행 확률을 출력하기 위한 비선형 연산이 정의되고,
    상기 비선형 연산은, n차원(n은 정수)의 실수 공간의 임의의 공간에 위치하는 값을 m차원(m은 정수)의 제한된 실수 공간으로 위치시키기 위한 매핑 연산을 포함하는 금융 상품 주문 방법.
  12. 제11항에 있어서,
    상기 주문의 집행이 완료되면, 상기 시간 구간 동안의 상기 금융 상품에 대한 마켓의 평가 가격과 상기 주문의 집행에 대한 평가 가격의 비교에 기반하여 경사 하강법, 경사 상승법, 및 진화 알고리즘 중 적어도 하나를 사용하여 상기 계산 그래프의 노드들 중 적어도 하나에 정의된 연산에 대한 연산자 또는 피연산자를 업데이트하는 단계를 더 포함하는 금융 상품 주문 방법.
  13. 제12항에 있어서,
    상기 마켓의 평가 가격은, 상기 금융 상품에 대한 마켓에서의 거래로부터 계산된 VWAP(Volume Weighted Average Price)이고,
    상기 주문의 집행에 대한 평가 가격은, 상기 주문의 집행에 대한 VWAP인 금융 상품 주문 방법.
  14. 제11항에서 수행되는 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
KR1020190107861A 2019-08-31 2019-08-31 인공 지능 기반 금융 상품 주문 시스템 및 방법 KR102102788B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190107861A KR102102788B1 (ko) 2019-08-31 2019-08-31 인공 지능 기반 금융 상품 주문 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190107861A KR102102788B1 (ko) 2019-08-31 2019-08-31 인공 지능 기반 금융 상품 주문 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR102102788B1 true KR102102788B1 (ko) 2020-04-22

Family

ID=70473139

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190107861A KR102102788B1 (ko) 2019-08-31 2019-08-31 인공 지능 기반 금융 상품 주문 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102102788B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022114890A1 (ko) * 2020-11-30 2022-06-02 주식회사 디셈버앤컴퍼니자산운용 안전 매매 시스템 및 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130047724A (ko) * 2013-04-23 2013-05-08 주식회사 씽크풀 주문 시스템 및 그 제공방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130047724A (ko) * 2013-04-23 2013-05-08 주식회사 씽크풀 주문 시스템 및 그 제공방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022114890A1 (ko) * 2020-11-30 2022-06-02 주식회사 디셈버앤컴퍼니자산운용 안전 매매 시스템 및 방법

Similar Documents

Publication Publication Date Title
CN108230057A (zh) 一种智能推荐方法及系统
US20140258175A1 (en) Generating Personalized Investment Recommendations
US20200387990A1 (en) Systems and methods for performing automated feedback on potential real estate transactions
Huang et al. Optimal inventory control with sequential online auction in agriculture supply chain: An agent-based simulation optimisation approach
Sun et al. Fulfillment by Amazon versus fulfillment by seller: An interpretable risk‐adjusted fulfillment model
CN113065882A (zh) 一种商品处理方法、装置及电子设备
CN112446764A (zh) 游戏商品推荐方法、装置及电子设备
US11551194B2 (en) System to facilitate exchange of data segments between data aggregators and data consumers
KR102102788B1 (ko) 인공 지능 기반 금융 상품 주문 시스템 및 방법
US10467654B2 (en) Forecasting customer channel choice using cross-channel loyalty
CN110852768A (zh) 动态定价方法及系统、设备、存储介质
US20140108215A1 (en) System and methods for trading
KR102383509B1 (ko) 공간 및 기업 간 행사 매칭 시스템
US20200090273A1 (en) Stock price forecast assist system and method
Józefczyk et al. Heuristic algorithms for the Internet shopping optimization problem with price sensitivity discounts
Mittal et al. A multiobjective portfolio rebalancing model incorporating transaction costs based on incremental discounts
CN114463079A (zh) 计算机实施的供应商推荐方法、计算机设备及存储介质
CN110163585B (zh) 一种电子红包的发放方法及装置
Cetinkaya et al. New product launch decisions with robust optimization
KR20120076453A (ko) 포트폴리오 운용시스템 및 그 방법
Mariani et al. Nonlinear problems modeling stochastic volatility and transaction costs
US7877311B1 (en) System and method for analyzing transactions at an electronic exchange
KR102485489B1 (ko) 선불식 장기상품의 거래 플랫폼 서비스 제공 방법, 장치 및 시스템
CN109584070A (zh) 股票数据处理方法、装置、计算机设备和存储介质
KR102492907B1 (ko) 인공지능 기반의 수산물 유통 및 관리 서비스 제공 방법 및 장치

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant