KR102155304B1 - System and method for recommending stock using user similarity - Google Patents
System and method for recommending stock using user similarity Download PDFInfo
- Publication number
- KR102155304B1 KR102155304B1 KR1020180095736A KR20180095736A KR102155304B1 KR 102155304 B1 KR102155304 B1 KR 102155304B1 KR 1020180095736 A KR1020180095736 A KR 1020180095736A KR 20180095736 A KR20180095736 A KR 20180095736A KR 102155304 B1 KR102155304 B1 KR 102155304B1
- Authority
- KR
- South Korea
- Prior art keywords
- stock
- customer
- item
- preference
- group
- Prior art date
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
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 다른 고객과의 유사도를 이용하여 고객의 선호가 예상되는 종목들을 선정하고 분석하여 추천종목으로 제시할 수 있는 고객 유사도를 이용한 종목 추천 시스템 및 방법에 관한 것이다.The present invention relates to an item recommendation system and method using a customer similarity that can be presented as a recommended item by selecting and analyzing items that are expected to be preferred by a customer using the degree of similarity with other customers.
Description
본 발명은 고객간 유사도를 이용한 종목 추천 시스템 및 그 방법에 관한 것이다.The present invention relates to a system and method for recommending items using similarity between customers.
현재 증권 분야에서 주식 종목을 추천하는 방법은 특정 전문가의 분석 기법(예를 들어, 수익률이 높은 상위 종목 추천)을 활용하여 종목을 추천한다. 이와 같은 종목 추천 방법은 투자자 개인별 특성이나 상황을 고려하지 않고, 분석 기법에 따른 종목을 모든 고객들에게 동일하게 추천하기 때문에 고객의 니즈에 부합하지 못하는 문제가 있다.Currently, the method of recommending stock stocks in the securities sector is to recommend stocks using a specific expert's analysis technique (eg, recommending top stocks with high returns). Such a stock recommendation method does not take into account the individual characteristics or circumstances of each investor, and since it recommends the stock according to the analysis technique to all customers equally, there is a problem that it does not meet the needs of the customer.
한편 고객의 프로파일 정보를 기반으로 필터링한 종목을 제공하는 서비스도 있다. 이러한 서비스에 대해서는 한국공개특허 제10-2016-0086096호 “개인 성향 정보를 기반으로 한 종목 추천 서비스”에도 개시되어 있다. 상기 서비스는 사용자가 작성한 투자 성향 등의 개인 성향 정보를 기반으로 종목을 추천하는 방법으로서, 사용자 서베이 항목만 고려할 뿐 고객별 특성을 감안한 맞춤형 선호종목 추천 방법은 아니다.Meanwhile, there is also a service that provides filtered items based on customer profile information. These services are also disclosed in Korean Patent Laid-Open Patent No. 10-2016-0086096, "An item recommendation service based on personal preference information". The above service is a method of recommending a stock based on personal preference information such as an investment preference created by a user. It only considers user survey items, and is not a customized preferred stock recommendation method considering the characteristics of each customer.
전자상거래 분야에서는 고객의 성향, 구매 행동 등의 개인 특성을 분석하여 해당 고객이 선호할 가능성이 높은 상품을 고객에게 추천하는 다양한 방법의 상품 추천 서비스가 있는데, 대표적으로 고객의 프로파일과 상품의 유사성을 기반으로 고객에게 상품을 추천하는 기법, 고객과 유사한 취향이나 선호를 가진 이웃 고객이 구매한 상품을 해당 고객에게 추천하는 기법 등이 있다 In the field of e-commerce, there are various product recommendation services that analyze personal characteristics such as customer propensity and purchasing behavior to recommend products that are highly likely to be preferred by the customer. Representatively, the similarity between the customer's profile and the product is provided. There are techniques for recommending products to customers based on the basis, and techniques for recommending products purchased by neighboring customers with similar tastes or preferences to the customer.
그러나 일반 상품과 달리 주식 종목은 매우 복합적이며 변동성이 크기 때문에 기존의 추천 방법으로는 고객의 선호에 부합하는 종목을 추천할 수 없다. 이에 따라 고객의 특성과 함께 가변적인 종목의 속성을 고려하여 종목을 추천하는 방법이 필요하다.However, unlike general commodities, stock stocks are very complex and highly volatile, so it is not possible to recommend stocks that meet customer preferences with the existing recommendation method. Accordingly, there is a need for a method of recommending stocks in consideration of the characteristics of customers and variable stocks.
본 발명의 주된 목적은 다른 고객과의 유사도를 이용하여 고객의 선호가 예상되는 종목들을 선정하고 분석하여 추천종목으로 제시할 수 있는 고객 유사도를 이용한 종목 추천 시스템 및 방법을 제공하는 것이다.The main object of the present invention is to provide an item recommendation system and method using customer similarity that can be presented as recommended items by selecting and analyzing items expected to be preferred by customers using similarity with other customers.
본 발명의 일 실시예에 따른 종목 추천 시스템은, 주식 거래내역이 있는 기거래 고객군과 주식 거래내역이 없는 미거래 고객군으로 분류하는 고객 분류모듈; 상기 기거래 고객군 중 대상 고객의 주식 종목별 기초선호도를 산출하고, 상기 기거래 고객군에 속하는 고객간의 고객 유사도를 산출하며, 상기 기초선호도와 상기 고객 유사도로부터 상기 대상 고객의 종목별 예상 선호도를 산출하고, 상기 예상 선호도에 따라 상기 대상의 예상 선호종목을 도출하는 선호종목 도출모듈; 상기 예상 선호종목별로 주가 등락방향을 예측하는 종목등락 예측모듈; 및 상기 예상 선호종목들 중에서 추천종목을 선정하여 제공하는 종목 선정모듈; 을 구비하며, 상기 상기 대상 고객은 상기 추천종목을 제공받고자 하는 고객일 수 있다. A stock recommendation system according to an embodiment of the present invention includes a customer classification module for classifying into a group of customers with a stock transaction history and a group of customers without stock transaction details; Calculate the basic preference for each stock item of the target customer among the previously traded customer groups, calculate the customer similarity between customers belonging to the previously traded customer group, calculate the expected preference for each item of the target customer from the basic preference and the customer similarity, and the above A preferred item derivation module for deriving the expected preferred item of the target according to the expected preference; A stock price fluctuation prediction module for predicting a stock price fluctuation direction for each of the expected preferred stocks; And an item selection module for selecting and providing a recommended item from among the predicted preferred items. And the target customer may be a customer who wants to receive the recommended item.
본 발명에 있어서, 상기 고객 분류모듈은 상기 기거래 고객군에 속하는 고객들이 소정의 기간 동안 주식을 거래한 횟수에 따라 상기 기거래 고객군을 재분류할 수 있다.In the present invention, the customer classification module may reclassify the previously traded customer group according to the number of times that customers belonging to the previously traded customer group have traded stocks for a predetermined period.
본 발명에 있어서, 상기 고객 분류모듈은 상기 소정의 기간 동안 제1 거래 횟수 미만으로 거래를 한 기거래 고객을 저빈도 고객군으로 분류하고, 상기 소정의 기간 동안 제2 거래 횟수를 초과하여 거래를 한 기거래 고객을 고빈도 고객군으로 분류하며, 상기 소정의 기간 동안 상기 제1 거래 횟수 내지 상기 제2 거래 횟수로 거래를 한 기거래 고객을 중빈도 고객군으로 분류할 수 있다.In the present invention, the customer classification module classifies customers who have made transactions less than the first number of transactions during the predetermined period into a low-frequency customer group, and makes transactions exceeding the number of second transactions during the predetermined period. Pre-transaction customers are classified into a high-frequency customer group, and pre-transaction customers who have made transactions at the first transaction number to the second transaction number during the predetermined period may be classified as a medium-frequency customer group.
본 발명에 있어서, 상기 고객 분류모듈은 상기 미거래 고객군에 속하는 고객을 종목검색을 행한 이력이 있는 검색 고객과 종목검색을 한 이력이 없는 미검색 고객으로 분류할 수 있다.In the present invention, the customer classification module may classify customers belonging to the untranslated customer group into a searched customer with a history of performing an item search and an unsearched customer without a history of performing an item search.
본 발명에 있어서, 상기 고객 분류모듈은 상기 미검색 고객군에 속하는 고객을 고객의 프로파일을 기준으로 구분할 수 있다.In the present invention, the customer classification module may classify customers belonging to the unsearched customer group based on a customer profile.
본 발명에 있어서, 상기 선호종목 도출모듈은 상기 프로파일 기준으로 상기 미거래 고객군에 속하는 고객과 동일한 그룹으로 구분되는 상기 기거래 고객군에 속하는 고객의 예상 선호종목을 상기 미거래 고객군에 속하는 상기 고객의 예상 선호종목으로 제공할 수 있다.In the present invention, the preferred item derivation module determines the predicted preference items of the customers belonging to the previously traded customer group divided into the same group as the customers belonging to the non-trading customer group based on the profile. It can be offered as a preferred item.
본 발명에 있어서, 예상 선호종목을 진단하는 종목 진단모듈을 더 구비하며, 상기 종목 진단모듈은 상기 예상 선호종목에 대해 차트 분석, 수급분석, 및/또는 가치 분석하여 분석 결과를 점수화하여 상기 고객에게 제공할 수 있다.In the present invention, further comprising a stock diagnosis module for diagnosing the expected preferred item, the item diagnosis module is a chart analysis, supply and demand analysis, and / or value analysis of the predicted preferred item to score the analysis result to the customer Can provide.
본 발명에 있어서, 상기 종목 추천모듈은 상기 예상 선호종목의 상기 주가 등락정보 또는/및 상기 예상 선호종목의 진단정보를 기초로 상기 추천종목을 선정할 수 있다.In the present invention, the stock recommendation module may select the recommended stock based on the stock price fluctuation information of the predicted preferred stock and/or diagnostic information of the predicted preferred stock.
본 발명에 있어서, 상기 종목 추천모듈은 상기 예상 선호종목의 예상 선호도에 따라 복수 개의 추천종목을 제공하고, 상기 추천종목에 주가 등락정보 및/또는 주가 진단정보를 함께 또는 연계하여 제공할 수 있다.본 발명에 있어서, 상기 선호종목 도출모듈은, 상기 주식 종목을 종목 속성별로 유사종목군으로 분류하는 종목분류부; 상기 대상 고객의 주식 종목별 거래 횟수에 개별 주식 종목이 속하는 상기 유사종목군별 매수 비율을 곱하여 상기 기초선호도를 산출하는 기초선호도 산출부; 상기 대상 고객의 상기 기초선호도와 상기 기거래 고객군에 속하는 다른 기거래 고객의 기초선호도를 이용하여 상기 대상 고객과 상기 다른 기거래 고객 간의 유사도를 산출하는 고객간 유사도 산출부; 및 상기 대상 고객과 상기 다른 기거래 고객 간의 유사도에 상기 다른 기거래 고객의 주식 종목의 기초선호도를 곱하여 상기 대상 고객의 개별 주식 종목에 대한 상기 예상 선호도를 산출하는 예상 선호도 산출부; 를 포함하며, 상기 유사종목군별 매수 비율은 상기 대상 고객의 총 거래 횟수에 대한 상기 유사종목군에 속하는 주식 종목들의 거래 횟수의 합의 비율일 수 있다.In the present invention, the stock recommendation module may provide a plurality of recommended items according to the expected preference of the predicted preferred item, and provide stock price fluctuation information and/or stock price diagnosis information together or in association with the recommended item. In the present invention, the preferred stock derivation module includes: a stock classification unit for classifying the stock stock into similar stock groups according to stock attributes; A basic preference calculation unit that calculates the basic preference by multiplying the number of transactions for each stock item of the target customer by the purchase ratio of each similar stock group to which the individual stock item belongs; A customer-to-customer similarity calculation unit for calculating a similarity between the target customer and the other previously-traded customers using the basic preference of the target customer and the basic preference of other previously-traded customers belonging to the group of previously-traded customers; And a predicted preference calculating unit that calculates the predicted preference for individual stock items of the target customer by multiplying the similarity between the target customer and the other previously traded customer by a basic preference of the stock item of the other previously traded customer. And the purchase ratio for each similar stock group may be a ratio of a sum of the number of transactions of stock items belonging to the similar stock group to the total number of transactions of the target customer.
본 발명에 있어서, 상기 종목 속성은 상기 주식 종목의 주가, 거래량, 및 변동성일 수 있으며, 상기 종목분류부는 상기 종목 속성별로 소정의 기준에 따라 복수 개의 상기 유사종목군으로 분류할 수 있다.In the present invention, the stock property may be a stock price, transaction volume, and volatility of the stock item, and the stock classification unit may classify the stock into a plurality of similar stock groups according to a predetermined criterion for each stock property.
본 발명에 있어서, 상기 기초선호도 산출부는 상기 주가, 거래량, 및 변동성으로 분류된 상기 유사종목군에 대해 각각 상기 기초선호도를 산출하고, 상기 주가, 거래량, 및 변동성 각각의 상기 기초선호도를 상기 주식 종목별로 합산할 수 있다.In the present invention, the basic preference calculation unit calculates the basic preference for each group of similar stocks classified as the stock price, transaction volume, and volatility, and calculates the basic preference of each of the stock price, transaction volume, and volatility for each stock item. You can add up.
본 발명에 있어서, 상기 고객간 유사도 산출부는 상기 유사도를 코사인 유사도로 산출할 수 있다.In the present invention, the customer-to-customer similarity calculation unit may calculate the similarity as a cosine similarity.
본 발명에 있어서, 상기 주식 종목 중 관리종목이거나 컴플라이언스룰에 위반되는 주식 종목을 제외하고 상기 예상 선호도에 따라 상기 기고객의 예상 선호종목을 선정하는 선호종목 선정부를 더 포함할 수 있다.In the present invention, it may further include a preferred stock selection unit for selecting the expected preferred stock of the existing customer according to the expected preference, excluding stock items that are managed stocks or violate compliance rules.
본 발명에 있어서, 상기 종목등락 예측모듈은 상기 예상 선호종목의 시세정보 및 수급정보를 딥러닝 기반의 인공지능 신경망 모델의 입력 파라미터로 이용하여 소정 기간 후의 상기 예상 선호종목의 주가 등락의 확률을 제공할 수 있다.In the present invention, the stock price fluctuation prediction module provides the probability of the stock price fluctuation of the expected preferred stock after a predetermined period by using the market price information and the supply and demand information of the expected preferred stock as input parameters of a deep learning-based artificial intelligence neural network model. can do.
본 발명에 있어서, 상기 시세정보는 상기 예상 선호종목의 최근 일정 기간 동안의 주가 정보이며, 상기 수급정보는 최근 일정 기간 동안의 외국인 순매수일 수 있다.In the present invention, the market price information may be stock price information of the predicted preferred stock for a recent certain period, and the supply and demand information may be net purchases of foreigners during the last certain period.
본 발명의 일 실시예에 따른 고객별 예상 선호종목 선정 시스템은, 주식 종목을 종목 속성별로 유사종목군으로 분류하는 종목분류부; 주식 거래내역이 있는 기거래 고객의 주식 종목별 거래 횟수에 개별 주식 종목이 속하는 상기 유사종목군별 매수 비율을 곱하여 상기 기초선호도를 산출하는 기초선호도 산출부; 상기 기거래 고객의 상기 기초선호도와 다른 기거래 고객의 기초선호도를 이용하여 상기 기거래 고객과 상기 다른 기거래 고객 간의 유사도를 산출하는 고객간 유사도 산출부; 상기 기거래 고객과 상기 다른 기거래 고객 간의 유사도에 상기 다른 기거래 고객의 주식 종목의 기초선호도를 곱하여 상기 기거래 고객의 개별 주식 종목에 대한 상기 예상 선호도를 산출하는 예상 선호도 산출부; 및 상기 예상 선호도에 따라 상기 기거래 고객의 예상 선호종목을 선정하는 선호종목 선정부; 를 구비하며, 상기 유사종목군별 매수 비율은 상기 기거래 고객의 총 거래 횟수에 대한 상기 유사종목군에 속하는 주식 종목들의 거래 횟수의 합의 비율일 수 있다.본 발명의 일 실시예에 따른 종목 추천 방법은, 주식 거래내역이 있는 기거래 고객군과 주식 거래내역이 없는 미거래 고객군으로 분류하는 단계; 상기 기거래 고객군 중 대상 고객의 주식 종목별 기초선호도를 산출하고, 상기 기거래 고객군에 속하는 고객 간의 고객 유사도를 산출하며, 상기 기초선호도와 상기 고객 유사도로부터 상기 대상 고객의 종목별 예상 선호도를 산출하고, 상기 예상 선호도에 따라 상기 대상 고객의 예상 선호종목을 도출하는 단계; 상기 예상 선호종목별로 주가 등락방향을 예측하는 단계; 및 상기 예상 선호종목들 중에서 추천종목을 선정하여 제공하는 단계; 를 구비하며, 상기 대상 고객은 상기 추천종목을 제공받고자 하는 고객일 수 있다.According to an embodiment of the present invention, a system for selecting predicted preferred items for each customer includes: a stock classification unit for classifying stock items into similar stock groups according to stock properties; A basic preference calculation unit that calculates the basic preference by multiplying the number of transactions for each stock item of an existing trading customer with stock transaction details by the purchase ratio for each similar stock group to which the individual stock item belongs; A customer-to-customer similarity calculation unit for calculating a similarity between the previously-traded customer and the other previously-traded customer by using the basic preference of the previously-traded customer and the basic preference of another previously-traded customer; A predicted preference calculating unit for calculating the predicted preference for individual stock items of the pre-trading customer by multiplying the similarity between the pre-trading customer and the other pre-trading customer by a basic preference of the stock item of the other pre-trading customer; And a preferred item selection unit for selecting the predicted preferred item of the existing transaction customer according to the expected preference. And the purchase ratio for each similar stock group may be a ratio of the sum of the number of transactions of stock items belonging to the similar stock group to the total number of transactions of the existing customer. The stock recommendation method according to an embodiment of the present invention , Categorizing into a group of previously traded customers with stock transaction details and a group of untraded customers without stock transaction details; Calculate the basic preference for each stock item of the target customer among the previously traded customer groups, calculate the customer similarity between customers belonging to the previously traded customer group, calculate the expected preference for each item of the target customer from the basic preference and the customer similarity, and the above Deriving an expected preference item of the target customer according to an expected preference; Predicting a direction of stock price fluctuation for each of the predicted preferred stocks; And selecting and providing a recommended item from among the expected preferred items. And, the target customer may be a customer who wants to receive the recommended item.
본 발명에 있어서, 상기 고객 분류 단계는 상기 기거래 고객군에 속하는 고객들이 소정의 기간 동안 주식을 거래한 횟수에 따라 상기 기거래 고객군을 재분류할 수 있다.In the present invention, the customer classification step may reclassify the previously traded customer group according to the number of times that customers belonging to the previously traded customer group have traded stocks for a predetermined period.
본 발명에 있어서, 상기 고객 분류 단계는 상기 소정의 기간 동안 제1 거래 횟수 미만으로 거래를 한 기거래 고객을 저빈도 고객군으로 분류하고, 상기 소정의 기간 동안 제2 거래 횟수를 초과하여 거래를 한 기거래 고객을 고빈도 고객군으로 분류하며, 상기 소정의 기간 동안 상기 제1 거래 횟수 내지 상기 제2 거래 횟수로 거래를 한 기거래 고객을 중빈도 고객군으로 분류할 수 있다.In the present invention, the customer classification step is to classify previously-transacted customers who made transactions less than the first number of transactions during the predetermined period into a low-frequency customer group, and perform transactions in excess of the second number of transactions during the predetermined period. Pre-transaction customers are classified into a high-frequency customer group, and pre-transaction customers who have made transactions at the first transaction number to the second transaction number during the predetermined period may be classified as a medium-frequency customer group.
본 발명에 있어서, 상기 고객 분류 단계는 상기 미거래 고객군에 속하는 고객을 종목검색을 행한 이력이 있는 검색 고객과 종목검색을 한 이력이 없는 미검색 고객으로 분류할 수 있다.In the present invention, the customer classification step may classify customers belonging to the untransacted customer group into a searched customer with a history of performing an item search and an unsearched customer without a history of performing an item search.
본 발명에 있어서, 상기 고객 분류 단계는 상기 미검색 고객군을 속하는 고객을 상기 고객을 프로파일을 기준으로 구분할 수 있다.In the present invention, in the customer classification step, customers belonging to the unsearched customer group may be classified as the customer based on a profile.
본 발명에 있어서, 상기 선호종목 도출 단계는 상기 프로파일 기준으로 상기 미거래 고객군에 속하는 고객과 동일한 그룹으로 구분되는 상기 기거래 고객군에 속하는 고객의 예상 선호종목을 상기 미거래 고객군에 속하는 상기 고객의 예상 선호종목으로 제공할 수 있다.In the present invention, in the step of deriving the preferred item, the predicted preference item of the customer belonging to the previously traded customer group divided into the same group as the customer belonging to the non-traded customer group on the basis of the profile is expected of the customer belonging to the non-traded customer group. It can be offered as a preferred item.
본 발명에 있어서, 상기 예상 선호종목을 진단하는 종목 진단 단계를 더 구비하며, 상기 종목 진단모듈은 상기 예상 선호종목에 대해 차트 분석, 수급분석, 및/또는 가치 분석하여 분석 결과를 점수화하여 상기 고객에게 제공할 수 있다.In the present invention, further comprising a stock diagnosis step of diagnosing the predicted preferred item, the item diagnosis module is a chart analysis, supply/demand analysis, and/or value analysis for the predicted preferred item and score the analysis result to score the customer Can be provided to.
본 발명에 있어서, 상기 종목 추천 단계는 상기 예상 선호종목의 상기 주가 등락정보 또는/및 상기 예상 선호종목의 진단정보를 기초로 상기 추천종목을 선정할 수 있다.In the present invention, in the stock recommendation step, the recommended stock may be selected based on the stock price fluctuation information of the predicted preferred stock or/and diagnosis information of the predicted preferred stock.
본 발명에 있어서, 상기 종목 추천 단계는 상기 예상 선호종목의 예상 선호도에 따라 복수 개의 추천종목을 제공하고, 상기 추천종목에 주가 등락정보 및/또는 주가 진단정보를 함께 또는 연계하여 제공할 수 있다.본 발명에 있어서, 상기 선호종목 도출 단계는, 상기 주식 종목을 종목 속성별로 유사종목군으로 분류하는 단계; 상기 대상 고객의 주식 종목별 거래 횟수에 개별 주식 종목이 속하는 상기 유사종목군별 매수 비율을 곱하여 상기 기초선호도를 산출하는 단계; 상기 대상 고객의 상기 기초선호도와 상기 기거래 고객군에 속하는 다른 기거래 고객의 기초선호도를 이용하여 상기 대상 고객과 상기 다른 기거래 고객 간의 유사도를 산출하는 단계; 및 상기 대상 고객과 상기 다른 기거래 고객 간의 유사도에 상기 다른 기거래 고객의 주식 종목의 기초선호도를 곱하여 상기 대상 고객의 개별 주식 종목에 대한 상기 예상 선호도를 산출하는 단계; 를 포함하며, 상기 유사종목군별 매수 비율은 상기 대상 고객의 총 거래 횟수에 대한 상기 유사종목군에 속하는 주식 종목들의 거래 횟수의 합의 비율일 수 있다.In the present invention, in the stock recommendation step, a plurality of recommended items may be provided according to the expected preference of the predicted preferred item, and stock price fluctuation information and/or stock price diagnosis information may be provided together or in association with the recommended item. In the present invention, the step of deriving the preferred stock may include classifying the stock stock into similar stock groups according to stock attributes; Calculating the basic preference by multiplying the number of transactions for each stock item of the target customer by the number of purchases for each similar stock group to which the individual stock item belongs; Calculating a degree of similarity between the target customer and the other pre-traded customers using the base preference of the target customer and the base preference of other pre-traded customers belonging to the group of previously-traded customers; And calculating the expected preference for the individual stock item of the target customer by multiplying the similarity between the target customer and the other previously traded customer by a basic preference of the stock item of the other previously traded customer. And the purchase ratio for each similar stock group may be a ratio of a sum of the number of transactions of stock items belonging to the similar stock group to the total number of transactions of the target customer.
본 발명에 있어서, 상기 종목 속성은 상기 주식 종목의 주가, 거래량, 및 변동성일 수 있으며, 상기 종목분류단계는 상기 종목 속성별로 소정의 기준에 따라 복수 개의 상기 유사종목군으로 분류할 수 있다.In the present invention, the stock property may be a stock price, a trading volume, and volatility of the stock item, and the stock classification step may classify a plurality of similar stock groups according to a predetermined criterion for each stock property.
본 발명에 있어서, 상기 기초선호도 산출 단계는 상기 주가, 거래량, 및 변동성으로 분류된 상기 유사종목군에 대해 각각 상기 기초선호도를 산출하고, 상기 주가, 거래량, 및 변동성 각각의 상기 기초선호도를 상기 주식 종목별로 합산할 수 있다.In the present invention, in the calculating of the basic preference, the basic preference is calculated for each of the similar stock groups classified as the stock price, the transaction volume, and the volatility, and the basic preference of each of the stock price, the transaction volume, and the volatility is calculated for each stock item. Can be summed up with
본 발명에 있어서, 상기 고객간 유사도 산출 단계는 상기 유사도를 코사인 유사도로 산출할 수 있다.In the present invention, in the step of calculating the similarity between customers, the similarity may be calculated as a cosine similarity.
본 발명에 있어서, 상기 주식 종목 중 관리종목이거나 컴플라이언스룰에 위반되는 주식 종목을 제외하고 상기 예상 선호도에 따라 상기 기고객의 예상 선호종목을 선정하는 단계를 더 포함할 수 있다.In the present invention, it may further include the step of selecting a predicted preferred item of the existing customer according to the predicted preference, excluding a stock item that is a management item or violates a compliance rule among the stock items.
본 발명에 있어서, 상기 종목등락 예측 단계는 상기 예상 선호종목의 시세정보 및 수급정보를 딥러닝 기반의 인공지능 신경망 모델의 입력 파라미터로 이용하여 소정 기간 후의 상기 예상 선호종목의 주가 등락의 확률을 제공할 수 있다.In the present invention, in the stock price fluctuation prediction step, the stock price fluctuation probability of the expected preferred stock after a predetermined period is provided by using the market price information and the supply and demand information of the expected preferred stock as input parameters of a deep learning-based artificial intelligence neural network model. can do.
본 발명에 있어서, 상기 시세정보는 상기 예상 선호종목의 최근 일정 기간 동안의 주가 정보이며, 상기 수급정보는 최근 일정 기간 동안의 외국인 순매수일 수 있다.In the present invention, the market price information may be stock price information of the predicted preferred stock for a recent certain period, and the supply and demand information may be net purchases of foreigners during the last certain period.
본 발명의 일 실시예에 따른 고객별 예상 선호종목 선정 방법은, 주식 종목을 종목 속성별로 유사종목군으로 분류하는 단계; 주식 거래내역이 있는 기거래 고객의 주식 종목별 거래 횟수에 개별 주식 종목이 속하는 상기 유사종목군별 매수 비율을 곱하여 상기 기초선호도를 산출하는 단계; 상기 기거래 고객의 상기 기초선호도와 다른 기거래 고객의 기초선호도를 이용하여 상기 기거래 고객과 상기 다른 기거래 고객 간의 유사도를 산출하는 단계; 상기 기거래 고객과 상기 다른 기거래 고객 간의 유사도에 상기 다른 기거래 고객의 주식 종목의 기초선호도를 곱하여 상기 기거래 고객의 개별 주식 종목에 대한 상기 예상 선호도를 산출하는 단계; 및 상기 예상 선호도에 따라 상기 기거래 고객의 예상 선호종목을 선정하는 단계; 를 구비하며, 상기 유사종목군별 매수 비율은 상기 기거래 고객의 총 거래 횟수에 대한 상기 유사종목군에 속하는 주식 종목들의 거래 횟수의 합의 비율일 수 있다.According to an embodiment of the present invention, a method for selecting predicted preferred stocks for each customer includes: classifying stock stocks into similar stocks according to stock attributes; Calculating the basic preference by multiplying the number of transactions for each stock item of an existing trading customer with stock transaction details by the purchase ratio for each similar stock group to which the individual stock item belongs; Calculating a degree of similarity between the previously-traded customer and the other previously-traded customer by using the basic preference of the previously-traded customer and the other previously-traded customer's basic preferences; Calculating the predicted preference for individual stock items of the pre-trading customer by multiplying the similarity between the pre-trading customer and the other pre-trading customer by a basic preference of the stock item of the other pre-trading customer; And selecting a predicted preference item of the existing transaction customer according to the expected preference. And the purchase ratio for each similar stock group may be a ratio of a sum of the number of transactions of stock items belonging to the similar stock group to the total number of transactions of the existing customer.
본 발명의 일 실시예에 따르면, 고객 선호를 고려하여 종목을 선정하고 고객 맞춤형으로 추천함으로써 고객 만족도를 향상시킬 수 있다.According to an embodiment of the present invention, customer satisfaction may be improved by selecting an item in consideration of customer preference and recommending it in a customized manner.
또한 종목에 대한 등락 예측과 종목의 진단정보를 직관적으로 고객에게 제공함으로써 고객 편의성을 높일 수 있다.In addition, it is possible to increase customer convenience by intuitively providing customers with fluctuation predictions for stocks and diagnostic information for stocks.
도 1은 본 발명의 일 실시예에 따른 종목 추천 시스템을 개략적으로 나타내는 구성도이다.
도 2는 도 1의 선호종목 도출모듈을 개략적으로 나타내는 구성도이다.
도 3은 “가” 고객의 각 종목에 대한 기초선호도를 나타내는 표이다.
도 4는 고객간 유사도를 나타내는 표이다.
도 5는 “가” 고객의 종목 A에 대한 예상 선호도를 나타내는 표이다.
도 6은 본 발명의 일 실시예에 따른 종목 추천 방법을 개략적으로 나타내는 흐름도이다.1 is a block diagram schematically illustrating an event recommendation system according to an embodiment of the present invention.
FIG. 2 is a schematic diagram of a preferred item derivation module of FIG. 1.
3 is a table showing the basic preferences for each item of “A” customers.
4 is a table showing the degree of similarity between customers.
5 is a table showing predicted preferences for item A of “A” customers.
6 is a flowchart schematically illustrating a method for recommending an item according to an embodiment of the present invention.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.Since the present invention can apply various transformations and have various embodiments, specific embodiments are illustrated in the drawings and will be described in detail in the detailed description. However, this is not intended to limit the present invention to a specific embodiment, it is to be understood to include all conversions, equivalents, and substitutes included in the spirit and scope of the present invention. In describing the present invention, when it is determined that a detailed description of a related known technology may obscure the subject matter of the present invention, a detailed description thereof will be omitted.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.Terms such as first and second may be used to describe various components, but the components should not be limited by the terms. These terms are used only for the purpose of distinguishing one component from another component.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.The terms used in the present application are only used to describe specific embodiments, and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly indicates otherwise.
본 명세서에 있어서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.In the present specification, terms such as "comprise" or "have" are intended to designate the presence of features, numbers, steps, actions, components, parts, or a combination thereof described in the specification, but one or more other It is to be understood that the presence or addition of features, numbers, steps, actions, components, parts, or combinations thereof, does not preclude in advance the possibility of being excluded.
또한, 본 명세서에 있어서는 어느 하나의 구성요소가 다른 구성요소로 데이터를 '전송'하는 경우에는 상기 구성요소는 상기 다른 구성요소로 직접 상기 데이터를 전송할 수도 있고, 적어도 하나의 또 다른 구성요소를 통하여 상기 데이터를 상기 다른 구성요소로 전송할 수도 있는 것을 의미한다. 반대로 어느 하나의 구성요소가 다른 구성요소로 데이터를 '직접 전송'하는 경우에는 상기 구성요소에서 다른 구성요소를 통하지 않고 상기 다른 구성요소로 상기 데이터가 전송되는 것을 의미한다.In addition, in the present specification, when one component'transmits' data to another component, the component may directly transmit the data to the other component, or through at least one other component. This means that the data may be transmitted to the other component. Conversely, when one component'directly transmits' data to another component, it means that the data is transmitted from the component to the other component without passing through the other component.
이하, 첨부된 도면들을 참조하여 본 발명의 실시예들을 중심으로 본 발명을 상세히 설명한다. 각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다.Hereinafter, the present invention will be described in detail with reference to the accompanying drawings, focusing on embodiments of the present invention. The same reference numerals in each drawing indicate the same member.
도 1은 본 발명의 일 실시예에 따른 종목 추천 시스템을 개략적으로 나타내는 구성도이며, 도 2는 도 1의 선호종목 도출모듈을 개략적으로 나타내는 구성도이다.FIG. 1 is a block diagram schematically illustrating an item recommendation system according to an embodiment of the present invention, and FIG. 2 is a schematic diagram illustrating a preferred item derivation module of FIG. 1.
도 1 및 도 2를 참조하면, 본 발명의 일 실시예에 따른 종목 추천 시스템(100)은 고객 분류모듈(110), 선호종목 도출모듈(120), 종목등락 예측모듈(130), 종목 진단모듈(140), 및 종목 추천모듈(150)을 구비할 수 있다. 1 and 2, the
고객 분류모듈(110)은 주식 거래내역이 있는 고객을 기거래 고객군으로, 주식 거래내역이 없는 고객을 미거래 고객군으로 분류할 수 있다. The
고객 분류모듈(110)은 상기 기거래 고객군에 속하는 고객들을 상기 고객이 소정의 기간 동안 주식을 거래한 횟수에 따라 상기 기거래 고객군을 다시 분류할 수 있다. 상세하게는 고객 분류모듈(110)은 상기 소정의 기간 동안 제1 거래 횟수 미만으로 거래를 한 기거래 고객을 저빈도 고객군으로 분류하고, 상기 소정의 기간 동안 제2 거래 횟수를 초과하여 거래를 한 기거래 고객을 고빈도 고객군으로 분류하며, 상기 소정의 기간 동안 상기 제1 거래 횟수 내지 상기 제2 거래 횟수로 거래를 한 기거래 고객을 중빈도 고객군으로 분류할 수 있다. The
일 예로서, 소정의 기간은 한 분기일 수 있으며, 제1 거래 횟수는 5회일 수 있으며, 제2 거래 횟수는 15회일 수 있다. 즉 고객 분류모듈(110)은 고객이 종목에 상관없이 한 분기에 5회 미만으로 거래한 경우 저빈도 고객군으로 분류하며, 한 분기에 5회 내지 15회 거래한 경우 중빈도 고객군으로 분류하고, 한 분기에 15회를 초과하여 거래한 경우 고빈도 고객군으로 분류할 수 있다. As an example, the predetermined period may be one quarter, the first number of transactions may be 5, and the second number of transactions may be 15. That is, the
고객 분류모듈(110)이 주식 거래 횟수에 따라 기거래 고객을 복수 개의 고객군으로 분류함으로써 추천 종목 산출 속도를 높일 수 있다. 다만 본 발명은 이에 한정되는 것은 아니며, 본 발명은 기거래 고객을 거래 횟수에 따라 분류하지 않고 전체 기거래 고객을 하나의 고객군으로 설정하고 추천 종목을 산출할 수도 있다.The
고객 분류모듈(110)은 상기 미거래 고객을 종목검색을 행한 이력이 있는 검색 고객과 종목검색을 한 이력이 없는 미검색 고객으로 분류할 수 있다. 고객 분류모듈(110)은 주식 거래 사이트로부터 상기 사이트에 등록된 고객들의 고객정보를 수신할 수 있다. 상기 고객정보는 고객ID, 성별, 연령, 직업, 학력, 거주지역, 투자성향, 매매종목, 매매수량, 거래일자, 자산규모 등을 포함할 수 있다. 고객 분류모듈(110)은 또한 상기 사이트로부터 종목정보를 수신할 수 있다. 종목정보는 종목코드, 종목명, 일별 종가, 거래량, 시가총액, 외국인/기관 순매수, 재무정보 등일 수 있다. The
고객 분류모듈(110)은 상기 고객정보와 상기 종목정보를 이용하여 거래 이력이 있는 고객을 기거래 고객으로, 거래 이력이 없는 고객을 미거래 고객으로 분류할 수 있다. 고객 분류모듈(110)은 상술한 바와 같이 기거래 고객을 거래 빈도에 따라 고빈도 고객군, 중빈도 고객군, 저빈도 고객군으로 분류할 수 있다. 미거래 고객에 대해서는 고객 분류모듈(110)은 종목검색 로그 유무를 기준으로 구분할 수 있다. 즉 고객 분류모듈(110)은 미거래 고객 중 종목검색 로그가 있는 고객과 종목검색 로그가 없는 고객으로 구분할 수 있다. The
종목검색 로그가 없는 고객에 대해서는 고객 분류모듈(110)은 고객의 프로파일을 기준으로 복수 개의 세그먼트로 구분할 수 있다. 고개의 프로파일은 연령, 성별, 직업, 학력, 투자성향, 거주지역 등일 수 있다. 그러나 본 발명은 이에 한정되지 않으며 연령, 성별, 직업, 학력, 투자성향, 거주지역 이외에 고객의 특성을 나타낼 수 있는 여러 요소가 세그먼트의 기준이 될 수 있다. 예를 들면, 미거래 고객을 성별에 따라 남성과 여성으로 구분할 수 있다. 또한 남성과 여성 각각을 나이대별로 구분할 수 있다. 즉 20~30대 남성과 여성, 40~50대 남성과 여성, 60대이상 남성과 여성을 구분할 수 있다. 직장인/전문직, 자영업자, 퇴직자/주부/학생, 기타로 직업에 따라 구분될 수 있다. For customers who do not have an item search log, the
성별과 나이대별로 여섯 개 군으로 구분되고, 직업에 따라 네 개 군으로 구분되므로 고객 분류모듈(110)은 미거래 고객을 24개 군으로 구분할 수 있다. 24개 군으로 구분된 것을 바탕으로 선호종목 도출모듈(120)은 미거래 고객의 예상 선호종목을 선정할 수 있다. 미거래 고객 중 종목검색 로그가 없는 고객에 대해서는 종목검색 로그가 없는 고객과 프로파일이 동일한 기거래 고객의 예상 선호종목을 종목검색 로그가 없는 고객의 예상 선호종목으로 선정할 수 있다. 이에 대해서는 후술한다. Since it is divided into six groups by gender and age group, and into four groups according to occupation, the
선호종목 도출모듈(120)은 상기 기거래 고객군 중 대상 고객의 주식 종목별 기초선호도를 산출하고, 상기 기거래 고객군에 속하는 고객 간의 고객 유사도를 산출하며, 상기 기초선호도와 상기 고객 유사도로부터 상기 대상 고객의 종목별 예상 선호도를 산출하고, 상기 예상 선호도에 따라 상기 대상 고객의 예상 선호종목을 도출할 수 있다. 대상 고객은 상기 추천종목을 제공받고자 하는 고객이다.The preferred
선호종목 도출모듈(120)은 일 예로서 종목분류부(121), 기초선호도 산출부(122), 고객간 유사도 산출부(123), 예상 선호도 산출부(124), 및 선호종목 선정부(125)를 포함할 수 있다. The preferred
종목분류부(121)는 상기 주식 종목을 종목 속성별로 유사종목군으로 분류할 수 있다. 상기 종목 속성은 상기 주식 종목의 주가, 거래량, 및 변동성일 수 있다. 종목분류부(121)는 상기 종목 속성별로 소정의 기준에 따라 복수 개의 상기 유사종목군으로 분류할 수 있다.The
예를 들면, 종목분류부(121)는 주식종목을 종가를 기준으로 가격이 유사한 5개 주가종목군으로 분류할 수 있으며, 또한 기준 거래량을 기준으로 거래량이 유사한 5개 거래량종목군으로 분류할 수 있고, 또한 기준 주가변화율을 기준으로 주가변화율이 유사한 5개 변화율종목군으로 분류할 수 있다. For example, the
기초선호도 산출부(122)는 상기 기거래 고객의 주식 종목별 거래 횟수에 개별 주식 종목이 속하는 상기 유사종목군별 매수 비율을 곱하여 상기 기초선호도를 산출할 수 있다. The basic
도 3은 “가” 고객의 각 종목에 대한 기초선호도를 나타내는 표이다.3 is a table showing the basic preferences for each item of “A” customers.
도 3을 참조하면, 종목분류부(121)는 종목 A 내지 종목 N을 종가를 기준으로 5개의 유사종목군으로 구분하였다. 즉 종목 A, 종목 B, 종목 C는 유사종목군 1로, 종목 D, 종목 E, 종목 F는 유사종목군 2로, 종목 G, 종목 H, 종목 I는 유사종목군 3으로, 종목 K, 종목 L은 유사종목군 4로, 종목 M, 종목 N은 유사종목군 5로 분류할 수 있다. Referring to FIG. 3, the
기초선호도 산출부(122)는 “가” 고객의 종목별 매수 회수(A)를 검출한다. 기초선호도 산출부(122)는 “가” 고객이 유사종목군 1에 속하는 종목 A, B, C를 각각 3회, 1회, 1회 매수하고, 유사종목군 2에 속하는 종목 F를 2회 매수하고, 유사종목 3에 속하는 종목 G, J를 각각 2회, 1회 매수하고, 유사종목군 4 및 5에 속하는 종목들에 대해서는 매수하지 않은 것으로 검출하였다. The basic
다음으로 기초선호도 산출부(122)는 종목군별 매수 횟수를 산출한다. 즉 기초선호도 산출부(122)는 각 유사종목군에 속하는 종목들의 매수 횟수를 합하여 종목군별 매수횟수를 산출한다. 기초선호도 산출부(122)는 유사종목군 1의 매수 횟수를 5, 유사종목군 2의 매수 횟수를 2, 유사종목군 3의 매수 횟수를 3, 유사종목군 4의 매수 횟수를 0, 유사종목군 5의 매수 횟수를 0으로 산출할 수 있다. Next, the basic
이어서 기초선호도 산출부(122)는 종목군별 매수비율(B)을 산출할 수 있습니다. 기초선호도 산출부(122)는 유사종목군 1 내지 5에 속하는 모든 종목들의 총 거래 횟수를 검출하고, 각각의 유사종목군 내에 속하는 종목들의 거래횟수를 합산하여 각 유사종목군 별 거래횟수를 산출합니다. 기초선호도 산출부(122)를 각 유사종목군 별 거래횟수에 모든 종목들의 총 거래 횟수를 나누어 종목군별 매수비율(B)을 산출할 수 있다. Subsequently, the basic
도 3을 참조하면, “가” 고객의 총 매수횟수는 10회이며, 유사종목군 1 내 종목들의 매수횟수는 5회이고, 유사종목군 2 내 종목들의 매수횟수는 2회이며, 유사종목군 3 내 종목들의 매수횟수는 3회이다. 유사종목군 1의 매수비율은 50%이고, 유사종목군 2의 매수비율은 20%이며, 유사종목군 3의 매수비율은 30%이다. Referring to FIG. 3, the total number of purchases by customers of “A” is 10, the number of purchases of stocks in
기초선호도 산출부(122)는 종목군별 매수비율(B)에 종목별 매수횟수(A)를 곱한 값(C)을 구하고, 상기 C값을 표준화하여 각 종목에 대한 기초선호도를 산출할 수 있다. 기초선호도는 다음 수학식 1에 의해 산출될 수 있다.The basic
[수학식 1][Equation 1]
기초선호도={(C-최저 매수횟수)/(최대 매수횟수-최저매수횟수)}*4+1Basic preference={(C-minimum number of purchases)/(maximum number of purchases-lowest number of purchases)}*4+1
상기 수학식 1에 따라 산출된 기초선호도는 각 종목의 매수횟수의 대소에 관계없이 최대값은 5가 되고 최소값은 0이 된다. The basic preference calculated according to
상기 수학식 1에 따라 도 3에 도시된 각 종목들의 기초선호도를 구하면, 종목 A는 5, 종목 B는 2.14, 종목 C는 2.14, 종목 F는 1.86, 종목 G는 2.43, 종목 J는 1.57이며, 나머지 종목들은 매수횟수가 0이므로 기초선호도는 0이 된다. When calculating the basic preferences of each item shown in FIG. 3 according to
기초선호도 산출부(122)는 종목분류부(121)에 의해 주가, 거래량, 및 변동성을 기준으로 분류된 유사종목군에 대해 각각 기초선호도를 산출할 수 있다. 기초선호도 산출부(122)는 각각의 종목에 대한 주가, 거래량, 및 변동성 각각의 기초선호도를 합산할 수 있다. 이와 같이 각각의 종목별로 합산된 기초선호도는 최대값이 15이고 최저값은 0일 수 있다. The basic
고객간 유사도 산출부(123)는 기거래 고객의 기초선호도와 다른 기거래 고객의 기초선호도를 이용하여 상기 기거래 고객과 상기 다른 기거래 고객 간의 유사도를 산출할 수 있다. 고객간 유사도 산출부(123)는 일 예로서 코사인 유사도를 이용한 상기 기거래 고객과 상기 다른 기거래 고객 간의 유사도를 산출할 수 있다. The customer-to-customer
코사인 유사도(
[수학식 2][Equation 2]
도 4는 고객간 유사도를 나타내는 표이다.4 is a table showing the degree of similarity between customers.
도 4를 참조하면, “가” 고객의 기초선호도 벡터(
고객간 유사도 산출부(123)는 “가” 고객과 “나” 고객과의 유사도를 산출하기 위해 “가” 고객의 기초선호도 벡터(
고객간 유사도 산출부(123)는 “가” 고객에 대해 “나” 고객뿐만 아니라 “다”, “라”, “마” 등 다른 고객과의 유사도를 산출할 수 있다. 도 5를 참조하면, “가” 고객과 “라” 고객과의 유사도는 0.987이며, “가” 고객과 “자” 고객과의 유사도는 0.754이고, “가” 고객과 “하” 고객과의 유사도는 0.748이며, “가” 고객과 “아” 고객과의 유사도는 0.689이고, “가” 고객과 “파” 고객과의 유사도는 0.542이다. The customer-to-customer
예상 선호도 산출부(124)는 상기 기거래 고객(“가” 고객)과 상기 다른 기거래 고객(“가” 이외의 다른 고객) 간의 유사도에 상기 다른 기거래 고객의 주식 종목의 기초선호도를 곱하여 상기 기거래 고객의 개별 주식 종목에 대한 상기 예상 선호도를 산출할 수 있다. The expected
예상 선호도 산출부(124)는 다음의 수학식 3에 따라 대상 기거래 고객의 특정 종목에 대한 예상 선호도를 산출할 수 있다. The expected
[수학식 3][Equation 3]
예상 선호도(Pa,i)=
Pa,i는 고객 a의 종목 i에 대한 예상 선호도이며, wa,u는 고객 a와 고객 u의 유사도이고, ru,i는 고객 u의 종목 i에 대한 기초 선호도이다. P a,i is customer a's expected preference for item i, w a,u is the similarity between customer a and customer u, and r u,i is customer u's basic preference for item i.
상세하게는, 예상 선호도 산출부(124)는 기거래 고객(예를 들면 “가” 고객)과 다른 기거래 고객(예를 들면, “나” 고객) 간의 유사도에 다른 기거래 고객(“나” 고객)의 종목 A의 기초선호도를 곱하고, 상기 기거래 고객(“가” 고객)과 또 다른 기거래 고객(예를 들면, “다” 고객) 간의 유사도에 상기 또 다른 기거래 고객(“다” 고객)의 종목 A의 기초선호도를 곱하고, 이들 곱한 값들을 합산한다. 그리고 예상 선호도 산출부(124)는 상기 곱한 값의 합을 상기 기거래 고객(“가” 고객)과 다른 고객들(“나” 고객, “다” 고객 등) 간의 유사도의 합으로 나누어 상기 기거래 고객(“가” 고객)의 종목 A에 대한 예상 선호도를 산출할 수 있다. In detail, the predicted
도 5는 “가” 고객의 종목 A에 대한 예상 선호도를 나타내는 표이다. 5 is a table showing predicted preferences for item A of “A” customers.
도 5를 참조하면, 예상 선호도 산출부(124)는 “가” 고객과의 유사도가 높은 고객을 순서대로 정렬할 수 있다. “가” 고객과의 유사도가 높은 고객들은 “라” 고객(“가” 고객과의 유사도 0.987), “자” 고객(“가” 고객과의 유사도 0.754), “하” 고객(“가” 고객과의 유사도 0.748), “아” 고객(“가” 고객과의 유사도 0.689), “파” 고객(“가” 고객과의 유사도 0.542) 순이다. Referring to FIG. 5, the expected
예상 선호도 산출부(124)는 “가” 고객의 종목 A에 대한 예상 선호도 산출을 위해 “가” 고객과 “라” 고객의 유사도(0.987)에 “라” 고객의 종목 A의 기초 선호도를 곱하고, 또한 “가” 고객과 다른 고객들(“가” 고객을 제외한 “자” 고객, “하” 고객, “아” 고객, “파” 고객 등)의 유사도에 다른 고객들 각자의 종목 A에 대한 기초 선호도를 곱하여, 이들 곱한 값들을 모두 합산한다. The predicted
그리고, 예상 선호도 산출부(124)는 상기 곱한 값들의 합산 값을 “가” 고객과 다른 고객들(“가” 고객을 제외한 다른 고객들)의 유사도를 합한 값을 나누어서 “가” 고객의 종목 A에 대한 예상 선호도를 산출할 수 있다. In addition, the expected
선호종목 선정부(125)는 상기 주식 종목 중 관리종목이거나 컴플라이언스 룰(Compliance Rule)에 위반되는 주식 종목을 제외하고 상기 예상 선호도에 따라 상기 기고객의 예상 선호종목을 선정할 수 있다. The preferred
선호종목 선정부(125)는 주식 종목이 관리종목에 해당하지는 여부를 판별하고, 관리종목에 해당하는 종목을 제외한다. 예를 들면, 주식 종목이 규정 위반, 심각한 재무성과 미달, 주가수준 미달, 직접적 파산위험, 상당한 유동성 부족이 있는 종목은 관리 종목에 해당될 수 있다.The preferred
또한, 선호종목 선정부(125)는 주식 종목이 컴플라이언스 룰에 저촉되는지 여부를 판별하고, 이를 제외할 수 있다. 예를들어, 당해 증권회사와 이해관계가 발생하거나 당해 증권회사가 지분을 보유한 종목은 컴플라이언스 룰 위반 종목에 해당될 수 있으며, 이에 따라 선호종목 선정부(125)는 컴플라이언스 룰 위반 종목을 제외할 수 있다.In addition, the preferred
선호종목 선정부(125)는 관리종목과 컴플라이언스 룰을 위반한 종목을 제외하고 예상 선호도 산출부(124)에서 산출된 예상 선호도를 기초하여 예상 선호도가 높은 종목들을 예상 선호종목으로 선정할 수 있다. The preferred
종목등락 예측모듈(130)은 선호종목 선정부(125)에 의해 선정된 예상 선호종목들의 시세정보 및 수급정보를 딥러닝 기반의 인공지능 신경망 모형, 예를 들면, LSTM(Long Short Term Memory) 모델의 입력 파라미터로 이용하여 소정 기간 후의 상기 예상 선호종목의 주가 등락의 확률을 수치나 등락 방향으로 고객에게 제공할 수 있다. 상기 시세정보는 상기 예상 선호종목의 최근 일정기간 동안(예를 들면, 3년간) 주가 정보이며, 상기 수급정보는 최근 일정기간 동안(예를 들면, 3년간) 외국인 순매수일 수 있다.Stock fluctuation prediction module 130 is a deep learning-based artificial intelligence neural network model, for example, LSTM (Long Short Term Memory) model of the price information and supply and demand information of the expected preferred items selected by the preferred
종목등락 예측모듈(130)은 딥러닝 기반의 인공지능 신경망 모형 을 활용하여 최근 일정기간(예를 들면, 1주일) 후 종목별 등락방향을 예측할 수 있다. 즉 종목등락 예측모듈(130)은 과거의 패턴정보와 현재의 정보를 누적 반영하여 미래의 추세를 예측할 수 있다. The stock fluctuation prediction module 130 may predict fluctuation directions for each item after a recent certain period (eg, one week) by using a deep learning-based artificial intelligence neural network model. That is, the stock fluctuation prediction module 130 may predict a future trend by cumulatively reflecting past pattern information and current information.
또한, 종목등락 예측모듈(130)은 종목마다 최근 일정기간 동안(예를 들면, 3년간)의 주가흐름과 기술적 지표(RSI, Stochastic, 볼린저밴드 등), 수급 지표(외국인 순매수 등)를 분석하여 단기(1주일) 주가의 등락을 확률로 예측할 수 있다.In addition, the stock fluctuation prediction module 130 analyzes stock price flows, technical indicators (RSI, stochastic, Bollinger band, etc.), and supply and demand indicators (foreigners net purchase, etc.) for a recent certain period (for example, 3 years) for each stock. Short-term (1 week) stock prices can be predicted with probability.
또한, 종목등락 예측모듈(130)은 종목마다 펀더멘탈 관련 지표를 분석하여 장기적 관점에서 주가의 등락을 확률로 예측할 수 있다.In addition, the stock fluctuation prediction module 130 may predict the fluctuation of the stock price from a long-term perspective by analyzing an index related to fundamentals for each stock.
종목 진단모듈(140)은 상기 예상 선호종목에 대해 차트 분석, 수급분석, 및 가치 분석하여 분석 결과를 점수화하여 상기 고객에게 제공할 수 있다. 종목 진단모듈(140)은 선호종목 선정부(125)에 의해 선정된 예상 선호종목들에 대해 차트 분석, 수급분석, 및 가치분석 각각의 영역별로 점수화하여 고객에게 제시함으로써 종합적인 투자전략을 제공할 수 있다. The
차트분석은 이동평균선 중심의 분석으로 상승/하락국면을 분류하고 추세를 점수화하는 것이다. 수급분석은 외국인 및 기관의 누적순매수량 분석을 기반으로 수급 모멘텀을 점수화하는 것이다. 가치분석은 PER, PBR, EPS, 영업이익, 순이익, 대차증감 분석을 기반으로 펀더멘탈 지표를 점수화하는 것이다.Chart analysis is an analysis centered on a moving average line, classifying up/down phases and scoring trends. Supply and demand analysis is to score supply and demand momentum based on the analysis of accumulated net purchases of foreigners and institutions. The value analysis is based on the analysis of PER, PBR, EPS, operating profit, net profit, and balance increase and decrease, and scores the fundamental indicators.
종목 추천모듈(150)은 상기 예상 선호종목 중에서 추천종목을 선정하여 제공할 수 있다. 일 실시예에서 종목 추천모듈(150)은 상기 예상 선호종목 중 높은 순위의 선호종목을 고객에게 추천하고, 상기 예상 선호종목의 주가 등락정보와 상기 예상 선호종목의 진단정보를 함께 또는 연계하여 제공할 수 있다.The
다른 실시예에서 종목 추천모듈(150)은 상기 예상 선호종목의 상기 주가 등락방향 및/또는 상기 예상 선호종목의 진단정보를 기초로 상기 예상 선호종목들 중에서 추천종목을 선정하여 제공할 수 있다. In another embodiment, the
상술한 바와 같이 본 발명의 일 실시예에 따르면, 고객 선호를 고려한 종목을 선정하고 맞춤형 추천에 따른 고객 만족도 향상시킬 수 있으며, 종목에 대한 등락 예측과 종목의 진단정보를 직관적으로 고객에게 제공하여 편의성 증대시킬 수 있다.As described above, according to an embodiment of the present invention, it is possible to select an item in consideration of customer preference and improve customer satisfaction according to customized recommendation, and convenience by intuitively providing predictions of fluctuations and diagnostic information of the item to the customer. Can be increased.
도 6은 본 발명의 일 실시예에 따른 종목 추천 방법을 개략적으로 나타내는 흐름도이다.6 is a flowchart schematically illustrating a method for recommending an item according to an embodiment of the present invention.
도 6을 참조하면, 본 발명의 일 실시예에 따른 종목 추천 방법은, 우선 주식 거래내역이 있는 기거래 고객과 주식 거래내역이 없는 미거래 고객으로 분류할 수 있다(S110). Referring to FIG. 6, the stock recommendation method according to an embodiment of the present invention may first be classified into a previously traded customer with a stock transaction detail and an untraded customer without a stock transaction history (S110).
고객 분류모듈(110)은 상기 기거래 고객이 소정의 기간 동안 주식을 거래한 횟수에 따라 상기 기거래 고객을 분류할 수 있다. 상세하게는 고객 분류모듈(110)은 상기 소정의 기간 동안 제1 거래 횟수 미만으로 거래를 한 기거래 고객을 저빈도 고객군으로 분류하고, 상기 소정의 기간 동안 제2 거래 횟수를 초과하여 거래를 한 기거래 고객을 고빈도 고객군으로 분류하며, 상기 소정의 기간 동안 상기 제1 거래 횟수 내지 상기 제2 거래 횟수로 거래를 한 기거래 고객을 중빈도 고객군으로 분류할 수 있다(S111).The
일 예로서, 소정의 기간은 한 분기일 수 있으며, 제1 거래 횟수는 5회일 수 있으며, 제2 거래 횟수는 15회일 수 있다. 즉 고객 분류모듈(110)은 고객이 종목에 상관없이 한 분기에 5회 미만으로 거래한 경우 저빈도 고객군으로 분류하며, 한 분기에 5회 내지 15회 거래한 경우 중빈도 고객군으로 분류하고, 한 분기에 15회를 초과하여 거래한 경우 고빈도 고객군으로 분류할 수 있다. As an example, the predetermined period may be one quarter, the first number of transactions may be 5, and the second number of transactions may be 15. That is, the
고객 분류모듈(110)이 주식 거래 횟수에 따라 기거래 고객을 복수 개의 고객군으로 분류함으로써 추천 종목 산출 속도를 높일 수 있다. 다만 본 발명은 이에 한정되는 것은 아니며, 본 발명은 기거래 고객을 거래 횟수에 따라 분류하지 않고 전체 기거래 고객을 하나의 고객군으로 설정하고 추천 종목을 산출할 수도 있다.The
고객 분류모듈(110)은 상기 미거래 고객을 종목검색을 행한 이력이 있는 검색 고객과 종목검색을 한 이력이 없는 미검색 고객으로 분류할 수 있다(S112). 고객 분류모듈(110)은 주식 거래 사이트로부터 상기 사이트에 등록된 고객들의 고객정보를 수신할 수 있다. 상기 고객정보는 고객ID, 성별, 연령, 직업, 학력, 거주지역, 투자성향, 매매종목, 매매수량, 거래일자, 자산규모 등을 포함할 수 있다. 고객 분류모듈(110)은 또한 상기 사이트로부터 종목정보를 수신할 수 있다. 종목정보는 종목코드, 종목명, 일별 종가, 거래량, 시가총액, 외국인/기관 순매수, 재무정보 등일 수 있다. The
고객 분류모듈(110)은 상기 고객정보와 상기 종목정보를 이용하여 거래 이력이 있는 고객을 기거래 고객으로, 거래 이력이 없는 고객을 미거래 고객으로 분류할 수 있다. 미거래 고객에 대해서는 고객 분류모듈(110)은 종목검색 로그 유무를 기준으로 구분할 수 있다. 즉 고객 분류모듈(110)은 미거래 고객 중 종목검색 로그가 있는 고객과 종목검색 로그가 없는 고객으로 구분할 수 있다. The
거래이력은 없으나 종목검색 로그가 있는 고객에 대해서는 검색종목을 거래종목으로 대체하여 선호종목을 도출할 수 있다(S113). 종목검색 로그가 있는 고객의 검색종목의 검색횟수를 기거래 고객의 거래종목의 거래횟수에 대응하여 종목을 분류하고, 기초선호도를 산출하며, 고객간 유사도를 산출하고. 예상 선호도를 산출하며, 선호종목을 선정할 수 있다. For a customer who does not have a transaction history but has an item search log, a preferred item may be derived by replacing the search item with a transaction item (S113). The number of searches of the customer's search item with the stock search log is classified according to the number of transactions of the previously traded customer, calculates the basic preference, and calculates the similarity between customers. Expected preferences are calculated, and preference items can be selected.
종목검색 로그가 없는 고객에 대해서는 고객 분류모듈(110)은 고객의 프로파일을 기준으로 복수 개의 세그먼트로 구분할 수 있다. 고개의 프로파일은 연령, 성별, 직업, 투자성향, 거주지역 등일 수 있다. 그러나 본 발명은 이에 한정되지 않으며 연령, 성별, 직업, 학력, 투자성향, 거주지역 이외에 고객의 특성을 나타낼 수 있는 여러 요소가 세그먼트의 기준이 될 수 있다. 예를 들면, 미거래 고객을 성별에 따라 남성과 여성으로 구분할 수 있다. 또한 남성과 여성 각각을 나이대별로 구분할 수 있다. 즉 20~30대 남성과 여성, 40~50대 남성과 여성, 60대이상 남성과 여성을 구분할 수 있다. 직장인/전문직, 자영업자, 퇴직자/주부/학생, 기타로 직업에 따라 구분될 수 있다. For customers who do not have an item search log, the
성별과 나이대별로 여섯 개 군으로 구분되고, 직업에 따라 네 개 군으로 구분되므로 고객 분류모듈(110)은 미거래 고객을 24개 군으로 구분할 수 있다. 24개 군으로 구분된 것을 바탕으로 선호종목 도출모듈(120)은 미거래 고객의 예상 선호종목을 선정할 수 있다(S115). 즉, 고객 분류모듈(110)은 종목검색 로그가 없는 고객에 대해서는 기거래 고객도 동일한 기준으로 24개 세그먼트로 분류하며, 종목검색 로그가 없는 고객과 동일한 세그먼트에 속하는 기거래 고객을 매칭할 수 있다. Since it is divided into six groups by gender and age group, and into four groups according to occupation, the
이후 선호종목 선정부(125)는 상기 동일 세그먼트에 속하는 기거래 고객의 선호종목을 종목검색 로그가 없는 고객에게 선호종목으로 제시할 수 있다. Thereafter, the preferred
다시 기거래 고객에 대해서는, 상기 기거래 고객의 주식 종목별 기초선호도를 산출하고, 상기 기거래 고객간의 고객 유사도를 산출하며, 상기 기초선호도와 상기 고객 유사도로부터 상기 기거래 고객의 종목별 예상 선호도를 산출하고, 상기 예상 선호도에 따라 상기 기고객의 예상 선호종목을 도출할 수 있다(S120).Again, for existing trading customers, the basic preference for each stock item of the existing trading customer is calculated, the customer similarity between the existing trading customers is calculated, and the expected preference for each type of the existing trading customer is calculated from the basic preference and the customer similarity. , It is possible to derive the expected preference item of the existing customer according to the expected preference (S120).
상세하게는, 상기 주식 종목을 종목 속성별로 유사종목군으로 분류할 수 있다(S121). 상기 종목 속성은 상기 주식 종목의 주가, 거래량, 및 변동성일 수 있다. 종목분류부(121)는 상기 종목 속성별로 소정의 기준에 따라 복수 개의 상기 유사종목군으로 분류할 수 있다.In detail, the stock may be classified into a group of similar stocks according to stock attributes (S121). The stock property may be the stock price, trading volume, and volatility of the stock item. The
예를 들면, 종목분류부(121)는 주식종목을 종가를 기준으로 가격이 유사한 5개 주가종목군으로 분류할 수 있으며, 또한 기준 거래량을 기준으로 거래량이 유사한 5개 거래량종목군으로 분류할 수 있고, 또한 기준 주가변화율을 기준으로 주가변화율이 유사한 5개 변화율종목군으로 분류할 수 있다. For example, the
기초선호도 산출부(122)는 상기 기거래 고객의 주식 종목별 거래 횟수에 개별 주식 종목이 속하는 상기 유사종목군별 매수 비율을 곱하여 상기 기초선호도를 산출할 수 있다(S122). The basic
기초선호도 산출부(122)는 종목분류부(121)에 의해 주가, 거래량, 및 변동성을 기준으로 분류된 유사종목군에 대해 각각 기초선호도를 산출할 수 있다. 기초선호도 산출부(122)는 각각의 종목에 대한 주가, 거래량, 및 변동성 각각의 기초선호도를 합산할 수 있다.The basic
다음으로, 고객간 유사도 산출부(123)는 기거래 고객의 기초선호도와 다른 기거래 고객의 기초선호도를 이용하여 상기 기거래 고객과 상기 다른 기거래 고객 간의 유사도를 산출할 수 있다. 고객간 유사도 산출부(123)는 일 예로서 코사인 유사도를 이용한 상기 기거래 고객과 상기 다른 기거래 고객 간의 유사도를 산출할 수 있다(S123).Next, the customer-to-customer
이어서, 예상 선호도 산출부(124)는 상기 기거래 고객(“가” 고객)과 상기 다른 기거래 고객(“가” 이외의 다른 고객) 간의 유사도에 상기 다른 기거래 고객의 주식 종목의 기초선호도를 곱하여 상기 기거래 고객의 개별 주식 종목에 대한 상기 예상 선호도를 산출할 수 있다(S124).Subsequently, the predicted
다음으로, 선호종목 선정부(125)는 상기 주식 종목 중 관리종목이거나 컴플라이언스 룰(Compliance Rule)에 위반되는 주식 종목을 제외하고 상기 예상 선호도에 따라 상기 기고객의 예상 선호종목을 선정할 수 있다(S125).Next, the preferred
이어서, 종목등락 예측모듈(130)은 선호종목 선정부(125)에 의해 선정된 예상 선호종목들의 시세정보 및 수급정보를 딥러닝 기반의 인공지능 신경망 모형, 예를 들면, LSTM 모델의 입력 파라미터로 이용하여 소정 기간 후의 상기 예상 선호종목의 주가 등락의 확률을 수치나 등락 방향으로 고객에게 제공할 수 있다. 상기 시세정보는 상기 예상 선호종목의 최근 일정기간 동안(예를 들면, 3년간) 주가 정보이며, 상기 수급정보는 최근 일정기간 동안(예를 들면, 3년간) 외국인 순매수일 수 있다(S130).Subsequently, the stock fluctuation prediction module 130 uses the price information and supply and demand information of the predicted preferred items selected by the preferred
다음으로, 종목 진단모듈(140)은 상기 예상 선호종목에 대해 차트 분석, 수급분석, 및 가치 분석하여 분석 결과를 점수화하여 상기 고객에게 제공할 수 있다. 종목 진단모듈(140)은 선호종목 선정부(125)에 의해 선정된 예상 선호종목들에 대해 차트 분석, 수급분석, 및 가치분석 각각의 영역별로 점수화하여 고객에게 제시함으로써 종합적인 투자전략을 제공할 수 있다(S140).Next, the
이어서, 종목 추천모듈(150)은 상기 예상 선호종목 중에서 추천종목을 선정하여 제공할 수 있다. 일 실시예에서 종목 추천모듈(150)은 상기 예상 선호종목 중 높은 순위의 선호종목을 고객에게 추천하고, 상기 예상 선호종목의 주가 등락정보와 상기 예상 선호종목의 진단정보를 함께 또는 연계하여 제공할 수 있다.Subsequently, the
다른 실시예에서 종목 추천모듈(150)은 상기 예상 선호종목의 상기 주가 등락방향 및/또는 상기 예상 선호종목의 진단정보를 기초로 상기 예상 선호종목들 중에서 추천종목을 선정하여 제공할 수 있다(S150). In another embodiment, the
상술한 바와 같이 본 발명의 일 실시예에 따르면, 고객 선호를 고려한 종목을 선정하고 맞춤형 추천에 따른 고객 만족도 향상시킬 수 있으며, 종목에 대한 등락 예측과 종목의 진단정보를 직관적으로 고객에게 제공하여 편의성 증대시킬 수 있다.As described above, according to an embodiment of the present invention, it is possible to select an item in consideration of customer preference and improve customer satisfaction according to customized recommendation, and convenience by intuitively providing predictions of fluctuations and diagnostic information of the item to the customer. Can be increased.
한편, 본 발명의 실시 예에 따른 방법은 컴퓨터가 읽을 수 있는 프로그램 명령 형태로 구현되어 컴퓨터로 읽을 수 있는 기록 매체에 저장될 수 있으며, 본 발명의 실시예에 따른 제어 프로그램 및 대상 프로그램도 컴퓨터로 판독 가능한 기록 매체에 저장될 수 있다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.Meanwhile, the method according to an embodiment of the present invention may be implemented in the form of a computer-readable program command and stored in a computer-readable recording medium, and a control program and a target program according to an embodiment of the present invention can also be It can be stored in a readable recording medium. The computer-readable recording medium includes all types of recording devices storing data that can be read by a computer system.
기록 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 소프트웨어 분야 당업자에게 공지되어 사용 가능한 것일 수도 있다.The program instructions recorded on the recording medium may be specially designed and constructed for the present invention, or may be known and usable to those skilled in the software field.
컴퓨터로 읽을 수 있는 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 또한 상술한 매체는 프로그램 명령, 데이터 구조 등을 지정하는 신호를 전송하는 반송파를 포함하는 광 또는 금속선, 도파관 등의 전송 매체일 수도 있다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and floptical disks. Hardware devices specially configured to store and execute program instructions such as magneto-optical media and ROM, RAM, flash memory, etc. are included. Further, the above-described medium may be a transmission medium such as an optical or metal wire, a waveguide including a carrier wave for transmitting a signal specifying a program command, a data structure, or the like. In addition, the computer-readable recording medium is distributed over a computer system connected through a network, so that computer-readable codes can be stored and executed in a distributed manner.
프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 전자적으로 정보를 처리하는 장치, 예를 들어, 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.Examples of the program instructions include not only machine language codes such as those produced by a compiler, but also a device that processes information electronically using an interpreter, for example, high-level language codes that can be executed by a computer.
상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The above-described hardware device may be configured to operate as one or more software modules to perform the operation of the present invention, and vice versa.
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 실시 예들은 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 구성요소들도 결합된 형태로 실시될 수 있다.The above description of the present invention is for illustrative purposes only, and those of ordinary skill in the art to which the present invention pertains can understand that it is possible to easily transform it into other specific forms without changing the technical spirit or essential features of the present invention. will be. Therefore, it should be understood that the embodiments described above are illustrative and non-limiting in all respects. For example, each component described as a single type may be implemented in a distributed manner, and similarly, components described as being distributed may also be implemented in a combined form.
100: 종목 추천 시스템
110: 고객 분류모듈
120: 선호종목 도출모듈
130: 종목등락 예측모듈
140: 종목 진단모듈
150: 종목 추천모듈100: Stock recommendation system
110: customer classification module
120: Preferred item derivation module
130: stock fluctuation prediction module
140: event diagnosis module
150: item recommendation module
Claims (31)
상기 기거래 고객군 중 대상 고객의 주식 종목별 기초선호도를 산출하고, 상기 기거래 고객군에 속하는 고객간의 고객 유사도를 산출하며, 상기 기초선호도와 상기 고객 유사도로부터 상기 대상 고객의 종목별 예상 선호도를 산출하고, 상기 예상 선호도에 따라 상기 대상 고객의 예상 선호종목을 도출하는 선호종목 도출모듈;
상기 예상 선호종목별로 주가 등락방향을 예측하는 종목등락 예측모듈; 및
상기 예상 선호종목들 중에서 추천종목을 선정하여 제공하는 종목 추천모듈; 을 구비하며,
상기 대상 고객은 상기 추천종목을 제공받고자 하는 고객인 종목 추천 시스템. A customer classification module that categorizes into an existing customer group with stock transaction details and an untraded customer group without stock transaction details;
Calculate the basic preference for each stock item of the target customer among the previously traded customer groups, calculate the customer similarity between customers belonging to the previously traded customer group, calculate the expected preference for each item of the target customer from the basic preference and the customer similarity, and the above A preferred item derivation module for deriving the predicted preferred item of the target customer according to the expected preference;
A stock price fluctuation prediction module for predicting a stock price fluctuation direction for each of the expected preferred stocks; And
An item recommendation module for selecting and providing a recommended item from among the predicted preferred items; And,
The item recommendation system, wherein the target customer is a customer who wants to receive the recommendation item.
상기 고객 분류모듈은 상기 기거래 고객군에 속하는 고객들이 소정의 기간 동안 주식을 거래한 횟수에 따라 상기 기거래 고객군을 재분류하는 것을 특징으로 하는 종목 추천 시스템.The method of claim 1,
And the customer classification module reclassifies the previously traded customer group according to the number of times that customers belonging to the previously traded customer group have traded stocks for a predetermined period.
상기 고객 분류모듈은 상기 미거래 고객군에 속하는 고객을 종목검색을 행한 이력이 있는 검색 고객과 종목검색을 한 이력이 없는 미검색 고객으로 분류하는 것을 특징으로 하는 종목 추천 시스템.The method of claim 1,
The customer classification module classifies customers belonging to the untranslated customer group into a searched customer having a history of performing a stock search and an unsearched customer having no history of performing a stock search.
상기 고객 분류모듈은 상기 미검색 고객군에 속하는 고객을 고객의 프로파일을 기준으로 구분하는 것을 특징으로 하는 종목 추천 시스템.The method of claim 3,
The customer classification module, the item recommendation system, characterized in that for classifying customers belonging to the unsearched customer group based on a customer's profile.
상기 선호종목 도출모듈은 상기 프로파일 기준으로 상기 미거래 고객군에 속하는 고객과 동일한 그룹으로 구분되는 상기 기거래 고객군에 속하는 고객의 예상 선호종목을 상기 미거래 고객군에 속하는 상기 고객의 예상 선호종목으로 제공하는 것을 특징으로 하는 종목 추천 시스템.The method of claim 4,
The preferred item derivation module provides the predicted preferred items of the customers belonging to the previously traded customer group divided into the same group as the customers belonging to the untraded customer group on the basis of the profile as the predicted preferred items of the customers belonging to the untraded customer group. Event recommendation system, characterized in that.
상기 예상 선호종목을 진단하는 종목 진단모듈을 더 구비하며,
상기 종목 진단모듈은 상기 예상 선호종목에 대해 차트 분석, 수급분석, 및/또는 가치 분석하여 분석 결과를 점수화하여 상기 고객에게 제공하는 것을 특징으로 하는 종목 추천 시스템.The method of claim 1,
Further comprising an item diagnosis module for diagnosing the expected preferred item,
The stock recommendation system, wherein the stock diagnosis module scores the analysis results by analyzing a chart, analyzing a supply/demand, and/or analyzing the value of the predicted preferred item and providing the score to the customer.
상기 종목 추천모듈은 상기 예상 선호종목의 상기 주가 등락정보 또는/및 상기 예상 선호종목의 진단정보를 기초로 상기 추천종목을 선정하는 것을 특징으로 하는 종목 추천 시스템.The method of claim 1,
The stock recommendation system, wherein the stock recommendation module selects the recommended stock based on the stock price fluctuation information of the predicted preferred stock and/or diagnosis information of the predicted preferred stock.
상기 종목 추천모듈은 상기 예상 선호종목의 예상 선호도에 따라 복수 개의 추천종목을 제공하고, 상기 추천종목에 주가 등락정보 및/또는 주가 진단정보를 함께 또는 연계하여 제공하는 것을 특징으로 하는 종목 추천 시스템.The method of claim 1,
The stock recommendation module provides a plurality of recommended items according to the predicted preferences of the predicted preferred item, and provides stock price fluctuation information and/or stock price diagnosis information together or in association with the recommended item.
상기 선호종목 도출모듈은,
상기 주식 종목을 종목 속성별로 유사종목군으로 분류하는 종목분류부;
상기 대상 고객의 주식 종목별 거래 횟수에 개별 주식 종목이 속하는 상기 유사종목군별 매수 비율을 곱하여 상기 기초선호도를 산출하는 기초선호도 산출부;
상기 대상 고객의 상기 기초선호도와 상기 기거래 고객군에 속하는 다른 기거래 고객의 기초선호도를 이용하여 상기 대상 고객과 상기 다른 기거래 고객 간의 유사도를 산출하는 고객간 유사도 산출부; 및
상기 대상 고객과 상기 다른 기거래 고객 간의 유사도에 상기 다른 기거래 고객의 주식 종목의 기초선호도를 곱하여 상기 대상 고객의 개별 주식 종목에 대한 상기 예상 선호도를 산출하는 예상 선호도 산출부; 를 포함하며,
상기 유사종목군별 매수 비율은 상기 대상 고객의 총 거래 횟수에 대한 상기 유사종목군에 속하는 주식 종목들의 거래 횟수의 합의 비율인 것을 특징으로 하는 종목 추천 시스템.The method of claim 1,
The preferred item derivation module,
A stock classification unit for classifying the stock items into similar stock groups according to stock attributes;
A basic preference calculation unit that calculates the basic preference by multiplying the number of transactions for each stock item of the target customer by the purchase ratio of each similar stock group to which the individual stock item belongs;
A customer-to-customer similarity calculation unit for calculating a similarity between the target customer and the other previously-traded customers using the basic preference of the target customer and the basic preference of other previously-traded customers belonging to the group of previously-traded customers; And
A predicted preference calculating unit for calculating the predicted preference for individual stock items of the target customer by multiplying the similarity between the target customer and the other pre-trading customer by a basic preference of the stock item of the other pre-trading customer; Including,
The stock recommendation system, characterized in that the ratio of purchases for each similar stock group is a ratio of the sum of the number of transactions of stock items belonging to the similar stock group to the total number of transactions of the target customer.
상기 종목 속성은 상기 주식 종목의 주가, 거래량, 및 변동성이며,
상기 종목분류부는 상기 종목 속성별로 소정의 기준에 따라 복수 개의 상기 유사종목군으로 분류하는 것을 특징으로 하는 종목 추천 시스템.In clause 9
The stock property is the stock price, trading volume, and volatility of the stock item,
The stock recommendation system, wherein the stock classification unit classifies each of the stock attributes into a plurality of similar stock groups according to a predetermined criterion.
상기 기초선호도 산출부는 상기 주가, 거래량, 및 변동성으로 분류된 상기 유사종목군에 대해 각각 상기 기초선호도를 산출하고, 상기 주가, 거래량, 및 변동성 각각의 상기 기초선호도를 상기 주식 종목별로 합산하는 것을 특징으로 하는 종목 추천 시스템.The method of claim 10,
The basic preference calculation unit calculates the basic preference for each group of similar stocks classified by the stock price, transaction volume, and volatility, and sums the basic preferences of each of the stock price, transaction volume, and volatility for each stock item. Event recommendation system.
상기 고객간 유사도 산출부는 상기 유사도를 코사인 유사도로 산출하는 것을 특징으로 하는 종목 추천 시스템.The method of claim 9,
The stock recommendation system, characterized in that the customer-to-customer similarity calculation unit calculates the similarity as a cosine similarity.
상기 주식 종목 중 관리종목이거나 컴플라이언스룰에 위반되는 주식 종목을 제외하고 상기 예상 선호도에 따라 상기 기고객의 예상 선호종목을 선정하는 선호종목 선정부를 더 포함하는 것을 특징으로 하는 종목 추천 시스템.The method of claim 9,
And a preferred stock selection unit for selecting the expected preferred stock of the existing customer according to the expected preference, excluding stock items that are managed or violating compliance rules among the stock items.
상기 종목등락 예측모듈은 상기 예상 선호종목의 시세정보 및 수급정보를 딥러닝 기반의 인공지능 신경망 모델의 입력 파라미터로 이용하여 소정 기간 후의 상기 예상 선호종목의 주가 등락의 확률을 제공하는 것을 특징으로 하는 종목 추천 시스템.The method of claim 1,
The stock price fluctuation prediction module provides the probability of the stock price fluctuation of the expected preferred stock after a predetermined period by using the market price information and the supply and demand information of the expected preferred stock as input parameters of a deep learning-based artificial intelligence neural network model. Stock recommendation system.
상기 시세정보는 상기 예상 선호종목의 최근 일정 기간 동안의 주가 정보이며, 상기 수급정보는 최근 일정 기간 동안의 외국인 순매수인 것을 특징으로 하는 종목 추천 시스템.The method of claim 14,
The market price information is stock price information for a recent predetermined period of the predicted preferred item, and the supply and demand information is a net purchase of foreigners during the recent predetermined period.
주식 거래내역이 있는 기거래 고객의 주식 종목별 거래 횟수에 개별 주식 종목이 속하는 상기 유사종목군별 매수 비율을 곱하여 기초선호도를 산출하는 기초선호도 산출부;
상기 기거래 고객의 상기 기초선호도와 다른 기거래 고객의 기초선호도를 이용하여 상기 기거래 고객과 상기 다른 기거래 고객 간의 유사도를 산출하는 고객간 유사도 산출부;
상기 기거래 고객과 상기 다른 기거래 고객 간의 유사도에 상기 다른 기거래 고객의 주식 종목의 기초선호도를 곱하여 상기 기거래 고객의 개별 주식 종목에 대한 예상 선호도를 산출하는 예상 선호도 산출부; 및
상기 예상 선호도에 따라 상기 기거래 고객의 예상 선호종목을 선정하는 선호종목 선정부; 를 구비하며,
상기 유사종목군별 매수 비율은 상기 기거래 고객의 총 거래 횟수에 대한 상기 유사종목군에 속하는 주식 종목들의 거래 횟수의 합의 비율인 것을 특징으로 하는 고객별 예상 선호종목 선정 시스템.A stock classification unit that categorizes stock items into similar stock groups by stock attribute;
A basic preference calculation unit for calculating a basic preference by multiplying the number of transactions for each stock item of a customer with stock transaction details by the number of purchases for each stock item belonging to the individual stock item;
A customer-to-customer similarity calculation unit for calculating a similarity between the previously-traded customer and the other previously-traded customer by using the basic preference of the previously-traded customer and the basic preference of another previously-traded customer;
A predicted preference calculating unit for calculating a predicted preference for individual stock items of the pre-trading customer by multiplying the similarity between the pre-trading customer and the other pre-trading customer by a basic preference of the stock item of the other pre-trading customer; And
A preferred item selection unit for selecting a predicted preferred item of the existing transaction customer according to the expected preference; And,
The purchase ratio for each similar stock group is a ratio of the sum of the number of transactions of stock items belonging to the similar stock group to the total number of transactions of the existing customer.
선호종목 도출모듈에서 상기 기거래 고객군 중 대상 고객의 주식 종목별 기초선호도를 산출하고, 상기 기거래 고객군에 속하는 고객 간의 고객 유사도를 산출하며, 상기 기초선호도와 상기 고객 유사도로부터 상기 대상 고객의 종목별 예상 선호도를 산출하고, 상기 예상 선호도에 따라 상기 대상 고객의 예상 선호종목을 도출하는 단계;
종목등락 예측모듈에서 상기 예상 선호종목별로 주가 등락방향을 예측하는 단계; 및
종목 추천모듈에서 상기 예상 선호종목들 중에서 추천종목을 선정하여 제공하는 단계; 를 구비하며,
상기 대상 고객은 상기 추천종목을 제공받고자 하는 고객인 종목 추천 방법.Classifying in a customer classification module into a group of previously traded customers with stock transaction details and a group of untraded customers without stock transaction details;
The preferred item derivation module calculates the basic preference for each stock item of the target customer among the previously traded customer groups, calculates the customer similarity between customers belonging to the previously traded customer group, and the expected preference for each item of the target customer from the basic preference and the customer similarity. Calculating and deriving a predicted preference item of the target customer according to the predicted preference;
Predicting a stock price fluctuation direction for each predicted preferred stock, in a stock fluctuation prediction module; And
Selecting and providing a recommended item from among the predicted favorite items in an item recommendation module; And,
The item recommendation method, wherein the target customer is a customer who wants to receive the recommendation item.
상기 고객 분류 단계는 상기 고객 분류모듈이 상기 기거래 고객군에 속하는 고객들이 소정의 기간 동안 주식을 거래한 횟수에 따라 상기 기거래 고객군을 재분류하는 것을 특징으로 하는 종목 추천 방법.The method of claim 17,
In the customer classification step, the customer classification module reclassifies the previously traded customer group according to the number of times that customers belonging to the previously traded customer group have traded stocks for a predetermined period.
상기 고객 분류 단계는 상기 고객 분류모듈이 상기 미거래 고객군에 속하는 고객을 종목검색을 행한 이력이 있는 검색 고객과 종목검색을 한 이력이 없는 미검색 고객으로 분류하는 것을 특징으로 하는 종목 추천 방법.The method of claim 17,
In the customer classification step, the customer classification module classifies customers belonging to the untransacted customer group into a searched customer with a history of performing an item search and an unsearched customer without a history of performing an item search.
상기 고객 분류 단계는 상기 고객 분류모듈이 상기 미검색 고객군에 속하는 고객을 상기 고객을 프로파일을 기준으로 구분하는 것을 특징으로 하는 종목 추천 방법.The method of claim 19,
In the customer classification step, the customer classification module classifies customers belonging to the unsearched customer group to the customers based on a profile.
상기 선호종목 도출 단계는 상기 선호종목 도출모듈이 상기 프로파일 기준으로 상기 미거래 고객군에 속하는 고객과 동일한 그룹으로 구분되는 상기 기거래 고객군에 속하는 고객의 예상 선호종목을 상기 미거래 고객군에 속하는 상기 고객의 예상 선호종목으로 제공하는 것을 특징으로 하는 종목 추천 방법.The method of claim 20,
In the step of deriving the preferred item, the preferred item derivation module determines the expected preferred item of the customer belonging to the previously traded customer group divided into the same group as the customer belonging to the non-trading customer group based on the profile. A stock recommendation method, characterized in that it is provided as a predicted preferred stock.
종목 진단모듈이 상기 예상 선호종목을 진단하는 종목 진단 단계를 더 구비하며,
상기 종목 진단 단계는 상기 종목 진단모듈이 상기 예상 선호종목에 대해 차트 분석, 수급분석, 및/또는 가치 분석하여 분석 결과를 점수화하여 상기 고객에게 제공하는 것을 특징으로 하는 종목 추천 방법.The method of claim 17,
The event diagnosis module further comprises an event diagnosis step of diagnosing the predicted preferred event,
In the stock diagnosis step, the stock diagnosis module performs a chart analysis, supply/demand analysis, and/or value analysis on the predicted preferred item, and scores the analysis result and provides it to the customer.
상기 종목 추천 단계는 상기 종목 추천모듈이 상기 예상 선호종목의 상기 주가 등락정보 또는/및 상기 예상 선호종목의 진단정보를 기초로 상기 추천종목을 선정하는 것을 특징으로 하는 종목 추천 방법.The method of claim 17,
In the stock recommendation step, the stock recommendation module selects the recommended stock based on the stock price fluctuation information of the predicted preferred stock and/or diagnosis information of the predicted preferred stock.
상기 종목 추천 단계는 상기 종목 추천모듈이 상기 예상 선호종목의 예상 선호도에 따라 복수 개의 추천종목을 제공하고, 상기 추천종목에 주가 등락정보 및/또는 주가 진단정보를 함께 또는 연계하여 제공하는 것을 특징으로 하는 종목 추천 방법.The method of claim 17,
The stock recommendation step is characterized in that the stock recommendation module provides a plurality of recommended items according to the expected preferences of the predicted preferred items, and providing stock price fluctuation information and/or stock price diagnosis information together or in conjunction with the recommended items. How to recommend an item to do.
상기 선호종목 도출 단계는,
종목 분류부가 상기 주식 종목을 종목 속성별로 유사종목군으로 분류하는 단계;
기초선호도 산출부가 상기 대상 고객의 주식 종목별 거래 횟수에 개별 주식 종목이 속하는 상기 유사종목군별 매수 비율을 곱하여 상기 기초선호도를 산출하는 단계;
고객간 유사도 산출부가 상기 대상 고객의 상기 기초선호도와 상기 기거래 고객군에 속하는 다른 기거래 고객의 기초선호도를 이용하여 상기 대상 고객과 상기 다른 기거래 고객 간의 유사도를 산출하는 단계; 및
예상 선호도 산출부가 상기 대상 고객과 상기 다른 기거래 고객 간의 유사도에 상기 다른 기거래 고객의 주식 종목의 기초선호도를 곱하여 상기 대상 고객의 개별 주식 종목에 대한 상기 예상 선호도를 산출하는 단계; 를 포함하며,
상기 유사종목군별 매수 비율은 상기 대상 고객의 총 거래 횟수에 대한 상기 유사종목군에 속하는 주식 종목들의 거래 횟수의 합의 비율인 것을 특징으로 하는 종목 추천 방법.The method of claim 17,
The step of deriving the preferred item,
Classifying, by a stock classification unit, the stock items into similar stock groups according to stock attributes;
Calculating the basic preference by multiplying, by a basic preference calculation unit, the number of transactions for each stock item of the target customer by the number of purchases for each similar stock group to which the individual stock item belongs;
Calculating a similarity between the target customer and the other previously traded customers by using the basic preference of the target customer and the basic preference of other previously traded customers belonging to the previously traded customer group, by a similarity between customers; And
Calculating, by a predicted preference calculating unit, the predicted preference for the individual stock item of the target customer by multiplying a similarity between the target customer and the other pre-trading customer by a basic preference of the stock item of the other pre-trading customer; Including,
The stock recommendation method, characterized in that the ratio of purchases by similar stock group is a ratio of the sum of the number of transactions of stock items belonging to the similar stock group to the total number of transactions of the target customer.
상기 종목 속성은 상기 주식 종목의 주가, 거래량, 및 변동성이며,
상기 종목분류단계는 상기 종목 속성별로 소정의 기준에 따라 복수 개의 상기 유사종목군으로 분류하는 것을 특징으로 하는 종목 추천 방법.In paragraph 25
The stock property is the stock price, trading volume, and volatility of the stock item,
The stock classification step comprises classifying a plurality of similar stock groups according to a predetermined criterion for each stock property.
상기 기초선호도 산출 단계는 상기 기초선호도 산출부가 상기 주가, 거래량, 및 변동성으로 분류된 상기 유사종목군에 대해 각각 상기 기초선호도를 산출하고, 상기 주가, 거래량, 및 변동성 각각의 상기 기초선호도를 상기 주식 종목별로 합산하는 것을 특징으로 하는 종목 추천 방법.The method of claim 26,
In the basic preference calculation step, the basic preference calculation unit calculates the basic preference for each group of similar stocks classified as the stock price, transaction volume, and volatility, and calculates the basic preference of each of the stock price, transaction volume, and volatility for each stock item. The stock recommendation method, characterized in that the sum of
선호종목 선정부가 상기 주식 종목 중 관리종목이거나 컴플라이언스룰에 위반되는 주식 종목을 제외하고 상기 예상 선호도에 따라 상기 기고객의 예상 선호종목을 선정하는 단계를 더 포함하는 것을 특징으로 하는 종목 추천 방법.The method of claim 25,
The stock recommendation method further comprising the step of selecting, by the preferred stock selection unit, a predicted preferred stock of the existing customer according to the predicted preference, excluding stock items that are managed stocks or which violate compliance rules among the stock items.
상기 종목등락 예측 단계는 상기 종목등락 예측모듈이 상기 예상 선호종목의 시세정보 및 수급정보를 딥러닝 기반의 인공지능 신경망 모델의 입력 파라미터로 이용하여 소정 기간 후의 상기 예상 선호종목의 주가 등락의 확률을 제공하는 것을 특징으로 하는 종목 추천 방법.The method of claim 17,
In the stock fluctuation prediction step, the stock fluctuation prediction module uses the market price information and supply and demand information of the expected preferred stock as input parameters of a deep learning-based artificial intelligence neural network model to determine the probability of the stock price fluctuation of the expected preferred stock after a predetermined period. Item recommendation method characterized in that to provide.
상기 시세정보는 상기 예상 선호종목의 최근 일정 기간 동안의 주가 정보이며, 상기 수급정보는 최근 일정 기간 동안의 외국인 순매수인 것을 특징으로 하는 종목 추천 방법.The method of claim 29,
The market price information is stock price information for a recent predetermined period of the predicted preferred stock, and the supply and demand information is the net purchase of foreigners during the recent predetermined period.
기초선호도 산출부는 주식 거래내역이 있는 기거래 고객의 주식 종목별 거래 횟수에 개별 주식 종목이 속하는 상기 유사종목군별 매수 비율을 곱하여 기초선호도를 산출하는 단계;
고객간 유사도 산출부는 상기 기거래 고객의 상기 기초선호도와 다른 기거래 고객의 기초선호도를 이용하여 상기 기거래 고객과 상기 다른 기거래 고객 간의 유사도를 산출하는 단계;
예상 선호도 산출부는 상기 기거래 고객과 상기 다른 기거래 고객 간의 유사도에 상기 다른 기거래 고객의 주식 종목의 기초선호도를 곱하여 상기 기거래 고객의 개별 주식 종목에 대한 예상 선호도를 산출하는 단계; 및
선호종목 선정부는 상기 예상 선호도에 따라 상기 기거래 고객의 예상 선호종목을 선정하는 단계; 를 구비하며,
상기 유사종목군별 매수 비율은 상기 기거래 고객의 총 거래 횟수에 대한 상기 유사종목군에 속하는 주식 종목들의 거래 횟수의 합의 비율인 것을 특징으로 하는 고객별 예상 선호종목 선정 방법.The stock classification unit classifies stock items into similar stock groups according to stock attributes;
The basic preference calculation unit calculating a basic preference by multiplying the number of transactions for each stock item of a customer with a stock transaction history by the purchase ratio for each similar stock group to which the individual stock item belongs;
The customer-to-customer similarity calculation unit calculating a similarity between the previously-traded customer and the other previously-traded customer by using the basic preference of the previously-traded customer and the basic preference of another previously-traded customer;
The predicted preference calculation unit multiplies the similarity between the previously traded customer and the other previously traded customer by a basic preference of the stock item of the other previously traded customer to calculate a predicted preference for the individual stock item of the previously traded customer; And
The preferred item selection unit selecting a predicted preferred item of the previously trading customer according to the predicted preference; And,
The purchase ratio for each similar stock group is a ratio of the sum of the number of transactions of stock items belonging to the similar stock group to the total number of transactions of the existing customer.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180095736A KR102155304B1 (en) | 2018-08-16 | 2018-08-16 | System and method for recommending stock using user similarity |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180095736A KR102155304B1 (en) | 2018-08-16 | 2018-08-16 | System and method for recommending stock using user similarity |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200020264A KR20200020264A (en) | 2020-02-26 |
| KR102155304B1 true KR102155304B1 (en) | 2020-09-11 |
Family
ID=69638111
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180095736A KR102155304B1 (en) | 2018-08-16 | 2018-08-16 | System and method for recommending stock using user similarity |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102155304B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024053796A1 (en) * | 2022-09-08 | 2024-03-14 | 주식회사 바숲텐서 | Apparatus for stock recommendation based on user's lifestyle |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102530749B1 (en) | 2020-10-29 | 2023-05-09 | 조덕진 | Leading and evaluation system for investment on stocks |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20000058811A (en) * | 2000-02-19 | 2000-10-05 | 이광재 | Device for providing information about stocks |
| KR20120007343A (en) * | 2010-07-14 | 2012-01-20 | (주)팍스넷 | Method for providing customized information and method for advertising |
| KR20160086096A (en) | 2015-01-09 | 2016-07-19 | 박현범 | Stock recommendation system based on personal tendency and control method thereof |
| KR101864822B1 (en) * | 2016-09-12 | 2018-06-05 | 고려대학교 산학협력단 | Apparatus and method of item recommedation for user |
-
2018
- 2018-08-16 KR KR1020180095736A patent/KR102155304B1/en active IP Right Grant
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024053796A1 (en) * | 2022-09-08 | 2024-03-14 | 주식회사 바숲텐서 | Apparatus for stock recommendation based on user's lifestyle |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200020264A (en) | 2020-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Phillips | Pricing and revenue optimization | |
| Dogan et al. | Customer segmentation by using RFM model and clustering methods: a case study in retail industry | |
| US8498954B2 (en) | Managing operations of a system using non-linear modeling techniques | |
| JP5677967B2 (en) | Specification, estimation, causal driver discovery and market response elasticity or lift coefficient automation | |
| KR102045477B1 (en) | System for evaluating platform of ecommerce | |
| Zibriczky12 | Recommender systems meet finance: a literature review | |
| KR101913591B1 (en) | Method for recommending financial product using user data | |
| US20030229552A1 (en) | System and method for deal-making decision optimization | |
| US20090198602A1 (en) | Ranking commercial offers based on user financial data | |
| KR102297669B1 (en) | System for providing matching service for connecting between manufacturer and distributor | |
| CA2825498A1 (en) | Hybrid recommendation system | |
| US20210406937A1 (en) | Computer technology for automated pricing guidance | |
| CN107403345A (en) | Best-selling product Forecasting Methodology and system, storage medium and electric terminal | |
| US20150332292A1 (en) | System and method for monitoring market information for deregulated utilities based on transaction data | |
| CN113742492A (en) | Insurance scheme generation method and device, electronic equipment and storage medium | |
| KR102155304B1 (en) | System and method for recommending stock using user similarity | |
| Deng et al. | Recommender system for marketing optimization | |
| Hasheminejad et al. | Clustering of bank customers based on lifetime value using data mining methods | |
| KR20230144842A (en) | Server and method for providing recommended investment item based on investment portfolio of investor | |
| KR20220163089A (en) | Product marketing linkage system and method | |
| Wu et al. | Online reviews can predict long-term returns of individual stocks | |
| CN113283992A (en) | Customized investment portfolio generating and verifying device and method | |
| Lamaakchaoui et al. | An AHP-based model for selecting complementary products | |
| Pitka et al. | Time analysis of online consumer behavior by decision trees, GUHA association rules, and formal concept analysis | |
| CN103020724A (en) | Automatic planning and optimization selection system and method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |