KR102172291B1 - 주가 등락 예측 방법 및 장치 - Google Patents

주가 등락 예측 방법 및 장치 Download PDF

Info

Publication number
KR102172291B1
KR102172291B1 KR1020190067537A KR20190067537A KR102172291B1 KR 102172291 B1 KR102172291 B1 KR 102172291B1 KR 1020190067537 A KR1020190067537 A KR 1020190067537A KR 20190067537 A KR20190067537 A KR 20190067537A KR 102172291 B1 KR102172291 B1 KR 102172291B1
Authority
KR
South Korea
Prior art keywords
data
stock price
time point
price fluctuation
stock
Prior art date
Application number
KR1020190067537A
Other languages
English (en)
Inventor
이수원
김태승
Original Assignee
숭실대학교산학협력단
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 숭실대학교산학협력단 filed Critical 숭실대학교산학협력단
Priority to KR1020190067537A priority Critical patent/KR102172291B1/ko
Application granted granted Critical
Publication of KR102172291B1 publication Critical patent/KR102172291B1/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
    • G06Q40/06—Asset management; Financial planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/268—Morphological analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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

Landscapes

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

Abstract

주가 등락 예측 방법 및 장치가 개시된다. 주가 등락 예측 방법은 제1 시점의 증권 뉴스 데이터, 주가 데이터 및 투자자별 매매 현황 데이터를 제1 시점의 원시 데이터로서 수집하는 단계, 제1 시점의 원시 데이터에 대하여 데이터 전처리를 수행하는 단계 및 데이터 전처리가 수행된 제1 시점의 원시 데이터에 기초하여 기 학습된 주가 등락 예측 모델로부터 제1 시점보다 미래 시점인 제2 시점의 주가 등락에 대한 예측 정보를 획득하는 단계를 포함할 수 있다.

Description

주가 등락 예측 방법 및 장치{METHOD AND APPARATUS FOR PREDICTING STOCK PRICE FLUCTUATION}
아래 실시예들은 주가 등락 예측 기술에 관한 것이다.
주가 예측은 보통 분석가들의 직감과 경험을 기반으로 이루어져 왔다. 그러나 분석가들의 분석을 통한 주가 등락의 예측은 각 분석가들의 주관에 따라 주가 예측이 크게 달라진다는 문제점과, 분석가들이 모든 요소들을 고려하여 예측을 수행하지 못한다는 문제점이 있었다. 이를 해결하기 위해 최근에는 시계열 데이터 분석과 텍스트 데이터를 이용한 분석 방법들이 등장하고, 이에 따라 주가의 움직임 예측 연구가 활발하게 진행되고 있다.
그러나, 기존의 기술들은 종가의 등락, N일 후의 등락 등을 예측하는 연구가 주를 이루었다. 이를 보았을 때 직접적, 단기적으로 시세차익을 거둘 수 있는 연구의 부족함이 드러났다. 따라서 이를 보완할 수 있는 연구가 필요한 실정이다.
일 실시예에 따른 주가 등락 예측 방법은 제1 시점의 증권 뉴스 데이터, 주가 데이터 및 투자자별 매매 현황 데이터를 제1 시점의 원시 데이터로서 수집하는 단계; 상기 제1 시점의 원시 데이터에 대하여 데이터 전처리를 수행하는 단계; 및
상기 데이터 전처리가 수행된 제1 시점의 원시 데이터에 기초하여 기 학습된 주가 등락 예측 모델로부터 상기 제1 시점보다 미래 시점인 제2 시점의 주가 등락에 대한 예측 정보를 획득하는 단계를 포함할 수 있다.
상기 제1 시점의 원시 데이터에 대하여 데이터 전처리를 수행하는 단계는, 상기 제1 시점의 원시 데이터에 포함된 증권 뉴스 데이터에 대하여 형태소 분석 및 불용어 제거를 수행하는 단계; 및 상기 형태소 분석 및 불용어 제거를 통해 상기 증권 뉴스 데이터로부터 추출된 형태소에 대한 특징 값을 추출하는 단계를 포함할 수 있다.
상기 특징 값은, 극성 값 결정 모듈에 기초하여, 상기 추출된 형태소에 대응하는 미리 정해진 극성 값이 결정되고, 상기 각 추출된 형태소에 대응하는 극성 값에 기초하여 결정될 수 있다.
상기 제1 시점의 원시 데이터에 대하여 데이터 전처리를 수행하는 단계는 상기 제1 시점의 원시 데이터에 포함된 주가 데이터 및 투자자별 매매 현황 데이터에 대하여 정규화를 수행하는 단계를 포함할 수 있다.
상기 제2 시점의 주가 등락에 대한 예측 정보를 획득하는 단계는,
상기 데이터 전처리가 수행된 제1 시점의 원시 데이터에 기초하여 산출된 벡터 값을 상기 주가 등락 예측 모델에 입력하여 상기 제1 시점보다 미래 시점인 제2 시점의 주가 등락에 대한 예측 정보를 획득하는 단계를 포함할 수 있다.
상기 기 학습된 주가 등락 예측 모델은 상기 제1 시점보다 과거 시점의 원시 데이터에 기초하여 상기 주가 등락 예측 모델로부터 획득한 출력 데이터 및 상기 제1 시점보다 과거 시점의 주가 등락 데이터에 기초하여 파라미터가 조정됨으로써 학습될 수 있다.
일 실시예에 따른 주가 등락 예측 모델을 학습시키는 학습 방법은 제1 시점보다 과거 시점의 증권 뉴스 데이터, 주가 데이터 및 투자자별 매매 현황 데이터를 원시 데이터로서 수집하는 단계; 상기 원시 데이터에 대하여 데이터 전처리를 수행하는 단계; 상기 데이터 전처리가 수행된 원시 데이터에 기초하여 주가 등락에 대한 예측 정보를 포함하는 출력 데이터를 획득하는 단계; 및 상기 출력 데이터와 상기 제1 시점보다 과거 시점에 대한 원시 데이터에 기초하여 상기 주가 등락 예측 모델의 파라미터를 조정하는 단계를 포함할 수 있다.
상기 주가 등락 예측 모델은 LSTM(Long Short Term Memory)이고 상기 데이터 전처리가 수행된 원시 데이터에 기초하여 산출된 벡터 값에 기초하여 주가 등락에 대한 예측 정보를 출력할 수 있다.
일 실시예에 따른 주가 등락 예측 방법을 수행하는 주가 등락 예측 장치는 제1 시점에 대한 증권 뉴스 데이터, 주가 데이터 및 투자자별 매매 현황 데이터를 원시 데이터로서 수집하는 데이터 수집부; 상기 원시 데이터에 대하여 데이터 전처리를 수행하는 데이터 전처리부; 및 상기 데이터 전처리가 수행된 원시 데이터에 기초하여 기 학습된 주가 등락 예측 모델로부터 상기 제1 시점보다 미래 시점인 제2 시점의 주가 등락에 대한 예측 정보를 획득하는 주가 등락 예측부를 포함할 수 있다.
일 실시예에 따른 주가 등락 예측 모델을 학습시키는 학습 방법을 수행하는 학습 장치는 과거 시점에 대한 증권 뉴스 데이터, 주가 데이터 및 투자자별 매매 현황 데이터를 원시 데이터로서 수집하는 데이터 수집부; 상기 원시 데이터에 대하여 데이터 전처리를 수행하는 데이터 전처리부; 및 상기 데이터 전처리가 수행된 원시 데이터에 기초하여 주가 등락에 대한 예측 정보를 포함하는 출력 데이터를 획득하고, 상기 출력 데이터와 상기 과거 시점에 대한 원시 데이터에 기초하여 상기 주가 등락 예측 모델의 파라미터를 조정하는 학습부를 포함할 수 있다.
일 실시예에 따르면, 코스피(KOSPI: Korea Composite Stock Price Index) 종가 대비 익일의 시가 등락에 대한 예측을 수행할 수 있다.
일 실시예에 따르면, 수치 데이터뿐만 아니라 텍스트 데이터를 고려하여 주가에 대한 예측을 수행하여, 수치만으로 담아내지 못하는 정보까지 주가 예측에 반영할 수 있다.
일 실시예에 따르면, 대량의 데이터에 기초하여 학습된 예측 모델을 통해 미래의 주가 등락을 예측할 수 있어, 주가를 분석하는 지표를 마련할 수 있다.
일 실시예에 따르면 당일에 익일의 장전 동시호가의 매매 분위기를 추론할 수 있다.
일 실시예에 따르면 종가 매수, 시가 매도 및 매매로 시세 차익을 얻을 수 있다.
일 실시예에 따르면 코스피뿐만 아니라 개별 종목으로도 확장하여 주가 등락에 대한 예측을 수행할 수 있다.
일 실시예에 따르면 지수의 움직임에 따른 수의 실현이 가능한 ETF(Exchange Traded Fund)에도 적용될 수 있다.
도 1은 일 실시예에 따른 주가 등락 예측 시스템의 전체적인 구성을 도시한 도면이다.
도 2는 일 실시예에 따른 주가 등락 예측 모델의 학습 방법을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따른 주가 등락 예측 방법의 동작을 설명하기 위한 흐름도이다.
도 4는 일 실시예에 따른 주가 등락 예측 과정을 도시하는 도면이다.
도 5는 일 실시예에 따른 주가 등락 예측 모델을 학습시키는 학습 장치의 구성을 도시하는 도면이다.
도 6은 일 실시예에 따른 주가 등락 예측 장치의 구성을 도시하는 도면이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 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.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 일 실시예에 따른 주가 등락 예측 시스템의 전체적인 구성을 도시한 도면이다.
도 1을 참조하면, 주가 등락 예측 시스템은 주가와 관련된 수치 데이터뿐만 아니라, 증권 뉴스와 같은 주가와 관련된 텍스트 데이터에 기초하여서도 익일의 주가 등락에 대한 예측을 수행할 수 있다. 주가 등락 예측 시스템은 딥러닝 기반의 주가 등락 예측 모델을 통해 주가와 관련된 다양한 데이터에 기초한 주가 등락의 예측을 수행할 수 있다.
일 실시예에서 주가 등락 예측 시스템은 데이터 전처리부(110) 및 주가 등락 예측 모델(120)을 포함할 수 있다.
데이터 전처리부(110)는 제1 시점의 증권 뉴스 데이터, 투자자별 매매 현황 데이터 및 주가 데이터를 입력 받아, 입력 받은 제1 시점의 증권 뉴스 데이터, 투자자별 매매 현황 데이터 및 주가 데이터에 대한 데이터 전처리를 수행할 수 있다. 데이터 전처리부(110)는 증권 뉴스 데이터에 대하여 형태소 분석을 수행할 수 있고, 형태소 분석이 수행된 증권 뉴스 데이터에서 불용어를 제거할 수 있다. 데이터 전처리부(110)는 증권 뉴스 데이터로부터 추출된 형태소로부터 특징 값을 추출할 수 있다. 데이터 전처리부(110)는 극성 값 결정 모듈을 통해 형태소에 대한 극성 값을 결정할 수 있다. 데이터 전처리부(110)는 각 형태소에 대응하는 극성 값에 기초하여 특징 값을 추출할 수 있다.
데이터 전처리부(110)는 투자자별 매매 현황 데이터 및 주가 데이터에 대하여 정규화를 수행할 수 있다. 데이터 전처리부(110)는 정규화를 통해 투자자별 매매 현황 데이터 및 주가 데이터에 포함된 수치 데이터를 일정한 범위 내로 변환할 수 있다.
데이터 전처리부(110)는 주가 등락 예측 모델(120)은 데이터 전처리가 수행된 제1 시점의 증권 뉴스 데이터, 투자자별 매매 현황 데이터 및 주가 데이터를 주가 등락 예측 모델(120)에 전달할 수 있다. 주가 등락 예측 모델(120)은 데이터 전처리가 수행된 제1 시점의 증권 뉴스 데이터, 투자자별 매매 현황 데이터 및 주가 데이터에 기초하여 제2 시점의 주가 등락 예측 정보를 출력할 수 있다.
도 2는 일 실시예에 따른 주가 등락 예측 모델의 학습 방법을 설명하기 위한 흐름도이다.
도 2를 참조하면, 주가 등락 예측 모델의 학습 방법은 본 명세서에서 설명된 학습 장치에 의해 수행될 수 있다. 단계(210)에서 학습 장치는 제1 시점보다 과거 시점의 증권 뉴스 데이터, 주가 데이터 및 투자자별 매매 현황 데이터를 원시 데이터로서 수집할 수 있다. 증권 뉴스 데이터는 텍스트 데이터이고, 주가 데이터 및 투자자별 매매 현황 데이터는 수치 데이터일 수 있다. 주가 데이터는 예를 들어, 시가, 고가, 저가, 종가, 수정 종가 및 총 거래액에 대한 정보 중 적어도 하나를 포함할 수 있다. 또한, 투자자별 매매 현황 데이터는 예를 들어, 개인 투자자의 매매 현황, 외국인 투자자의 매매 현황, 기관계 투자자의 매매 현황, 금융 투자자의 매매 현황, 보험 투자자의 매매 현황, 투자신탁 투자자의 매매 현황, 은행 투자자의 매매 현황, 연기금 투자자의 매매 현황 및 기타법인 투자자의 매매 현황 중 적어도 하나를 포함할 수 있다.
단계(220)에서 학습 장치는 원시 데이터에 대하여 데이터 전처리를 수행할 수 있다. 증권 뉴스 데이터는 수치 데이터인 주가 데이터 및 투자자별 매매 현황 데이터와 달리 텍스트 데이터이기 때문에, 텍스트 데이터에 적합한 데이터 전처리를 수행할 수 있다. 학습 장치는 증권 뉴스 데이터에 대하여 형태소 분석을 수행하고, 불용어를 제거하는 과정을 수행할 수 있다.
예를 들어, “뉴욕증시 3대 지수가 상승 출발 후”라는 증권 뉴스 데이터에 대하여 형태소 분석을 수행하면, 뉴욕, 증시, 3, 대, 지수, 가, 상승, 출발, 후가 추출될 수 있다. 학습 장치는 추출된 형태소에서 불용어 제거를 수행할 수 있는데, 불용어는 숫자를 포함한 단어, 하나의 음절 및 특수문자 중 적어도 하나를 포함할 수 있다. 불용어 제거 후에 남은 형태소는 극성 값 결정 모듈을 통해 극성 값이 결정될 수 있다. 극성 값 결정 모듈은 감성사전에 기초하여 각 형태소에 대한 미리 정해진 극성 값을 결정할 수 있다. 예를 들어, 감성사전에 기초하면 '상승'이라는 형태소에 대해서 1.58의 극성 값이 대응할 수 있고, 주가 하락이라는 단어에 대해서는 -0.7의 극성 값이 대응할 수 있다. 실시예에 따라 학습 장치는 각 형태소 또는 단어에 대응하는 극성 값에 기초하여 평균 값을 산출함으로써 특징 값을 결정할 수 있다.
단계(230)에서 학습 장치는 데이터 전처리가 수행된 원시 데이터에 기초하여 주가 등락에 대한 예측 정보를 포함하는 출력 데이터를 획득할 수 있다.
일 실시예에서 학습 장치는 데이터 전처리가 수행된 원시 데이터를 주가 등락 예측 모델에 입력하여, 주가 등락 예측 모델로부터 주가 등락에 대한 예측 정보를 포함하는 출력 데이터를 획득할 수 있다. 여기서, 주가 등락 예측 모델은 LSTM이고, 데이터 전처리가 수행된 원시 데이터에 기초하여 산출된 벡터 값에 기초하여 주가 등락에 대한 예측 정보를 포함하는 출력 데이터를 출력할 수 있다. 데이터 전처리가 수행된 원시 데이터는 시계열 데이터이기 때문에 주가 등락 예측 모델은 시계열 데이터에 기초하여 예측을 수행하기에 적합한 LSTM일 수 있다. 다른 주가 등락 예측 모델이 출력하는 주가 등락에 대한 예측 정보는 그러나, 주가 등락 예측 모델은 LSTM에 제한되지 않고 다른 형태의 딥러닝 모델이 될 수도 있다.
단계(240)에서 학습 장치는 출력 데이터와 제1 시점보다 과거 시점에 대한 원시 데이터에 기초하여 주가 등락 예측 모델의 파라미터를 조정할 수 있다. 학습 장치는 주가 등락 예측 모델이 출력한 주가 등락에 대한 예측 정보를 포함한 출력 데이터와, 출력 데이터에 대응하는 시점의 실제 주가 등락 정보의 유사도에 기초하여 주가 등락 예측 모델의 파라미터를 조정할 수 있다. 학습 장치는 주가 등락 예측 모델이 최적의 예측을 수행하도록 주가 등락 예측 모델의 파라미터를 조정할 수 있다.
도 3은 일 실시예에 따른 주가 등락 예측 방법의 동작을 설명하기 위한 흐름도이다.
도 3을 참조하면, 주가 등락 예측 방법은 본 명세서에서 설명된 주가 등락 예측 장치에 의해 수행될 수 있다. 단계(310)에서 주가 등락 예측 장치는 제1 시점의 증권 뉴스 데이터, 주가 데이터 및 투자자별 매매 현황 데이터를 제1 시점의 원시 데이터로서 수집할 수 있다. 주가 등락 예측 장치는 예를 들어, 증권과 관련한 정보를 얻을 수 있는 포털 사이트 등을 통해 제1 시점의 원시 데이터에 포함된 증권 뉴스 데이터 및 투자자별 매매 현황 데이터를 수집할 수 있다. 또한, 주가 등락 예측 장치는 미국 500개의 대형기업의 주식을 포함한 지수로부터 주가 데이터를 수집할 수 있다.
단계(320)에서 주가 등락 예측 장치는 제1 시점의 원시 데이터에 대하여 데이터 전처리를 수행할 수 있다. 일 실시예에서 주가 등락 예측 장치는 제1 시점의 원시 데이터에 포함된 증권 뉴스 데이터에 대하여 형태소 분석 및 불용어 제거를 수행할 수 있다. 주가 등락 예측 장치는 형태소 분석 및 불용어 제거를 통해 증권 뉴스 데이터로부터 특징 값 추출에 필요한 형태소들을 추출할 수 있다. 주가 등락 예측 장치는 추출된 형태소에 기초하여 특징 값을 추출할 수 있다. 여기서, 특징 값은 극성 값 결정 모듈에 기초하여, 증권 뉴스 데이터로부터 추출된 형태소에 대응하는 미리 정해진 극성 값이 결정되고, 각 추출된 형태소에 대응하는 극성 값에 기초하여 결정될 수 있다.
주가 등락 예측 장치는 제1 시점의 원시 데이터에 포함된 주가 데이터 및 투자자별 매매 현황 데이터에 대하여 정규화를 수행할 수 있다. 주가 등락 예측 장치는 예를 들어, 최소-최대 정규화(min-max normalization)를 통해, 주가 데이터 및 투자자별 매매 현황 데이터에 대하여 정규화를 수행할 수 있다.
단계(330)에서 주가 등락 예측 장치는 데이터 전처리가 수행된 제1 시점의 원시 데이터에 기초하여 기 학습된 주가 등락 예측 모델로부터 제1 시점보다 미래 시점인 제2 시점의 주가 등락에 대한 예측 정보를 획득할 수 있다. 여기서, 주가 등락 예측 장치가 획득한 예측 정보는 제2 시점에 대한 주가의 등락에 대한 데이터를 포함할 수 있다. 즉, 예측 정보에는 제2 시점의 주가가 제1 시점에 비해 상승하였는지, 또는 하락하였는지 여부에 대한 정보가 포함될 수 있다.
일 실시예에서, 주가 등락 예측 장치는 데이터 전처리가 수행된 제1 시점의 원시 데이터에 기초하여 산출된 벡터 값을 주가 등락 예측 모델에 입력하여 제1 시점보다 미래 시점인 제2 시점의 주가 등락에 대한 예측 정보를 획득할 수 있다.
여기서, 기 학습된 주가 등락 예측 모델은 제1 시점보다 과거 시점의 원시 데이터에 기초하여 주가 등락 예측 모델로부터 획득한 출력 데이터 및 제1 시점보다 과거 시점의 주가 등락 데이터에 기초하여 파라미터가 조정됨으로써 학습될 수 있다.
도 4는 일 실시예에 따른 주가 등락 예측 과정을 도시하는 도면이다.
도 4를 참조하면, 일 실시예에서 데이터 전처리부(420)는 수치 데이터에 대한 정규화를 수행할 수 있는 정규화 모듈(425) 및 텍스트 데이터에 대한 데이터 전처리를 수행할 수 있는 텍스트 데이터 전처리 모듈(430)을 포함할 수 있다. 데이터 전처리부(420)는 입력 받은 투자자별 매매 현황 데이터(405), 주가 데이터(410) 및 증권 뉴스 데이터(415)에 대하여 데이터 전처리를 수행할 수 있다.
투자자별 매매 현황 데이터(405) 및 주가 데이터(410)는 수치 데이터로서 데이터 전처리부(420)의 정규화 모듈(425)을 통해서 정규화가 수행되어, 데이터 전처리가 수행될 수 있다. 또한, 증권 뉴스 데이터(415)는 텍스트 데이터로서 텍스트 데이터 전처리 모듈(430)을 통해 데이터 전처리가 수행될 수 있다. 텍스트 데이터 전처리 모듈(430)에 극성 값 결정 모듈이 포함될 수도 있다. 텍스트 데이터 전처리 모듈(430)은 증권 뉴스 데이터(415)에 대하여 형태소 분석을 수행할 수 있다. 증권 뉴스 데이터(415)는 형태소 분석을 통해 추출된 형태소에서 불용어를 제거하여 특징 값 추출에 필요한 형태소에 대해서만 극성 값을 결정할 수 있다. 극성 값 결정 모듈은 데이터베이스(435)에 저장된 감성사전에 기초하여 각 형태소에 대응하는 극성 값들을 결정할 수 있고, 결정된 극성 값에 기초하여 특징 값을 산출할 수 있다.
주가 등락 예측 모델(440)은 데이터 전처리부(420)에서 데이터 전처리가 수행된 투자자별 매매 현황 데이터(405), 주가 데이터(410) 및 증권 뉴스 데이터(415)를 입력 받아 주가 등락 예측 정보를 출력하여 주가 등락에 대한 예측을 수행할 수 있다. 주가 등락 예측 모델(440)이 출력하는 주가 등락 예측 정보는, 원시 데이터에 대응하는 시점보다 미래 시점의 주가 등락에 대한 예측 정보를 포함할 수 있다.
도 5는 일 실시예에 따른 주가 등락 예측 모델을 학습시키는 학습 장치의 구성을 도시하는 도면이다.
도 5를 참조하면, 일 실시예에서 주가 등락 예측 모델(540)을 학습시키는 학습 장치(500)는 데이터 수집부(510), 데이터 전처리부(520) 및 학습부(530)를 포함할 수 있다.
일 실시예에서 데이터 수집부(510)는 주가 데이터, 투자자별 매매 현황 데이터 및 증권 뉴스 데이터를 수집할 수 있다. 데이터 수집부(510)는 예를 들어 포털 사이트를 통해 또는, 미국의 S&P(Standard and Poor's) 500 지수로부터 주가 데이터, 투자자별 매매 현황 데이터 및 증권 뉴스 데이터를 수집할 수 있다.
데이터 전처리부(520)는 데이터 수집부(510)가 수집한 주가 데이터, 투자자별 매매 현황 데이터 및 증권 뉴스 데이터에 대하여 데이터 전처리를 수행할 수 있다. 데이터 전처리부(520)는 수치 데이터인 주가 데이터 및 투자자별 매매 현황 데이터와 텍스트 데이터인 증권 뉴스 데이터 각각에 대하여 적합한 데이터 전처리를 수행할 수 있다.
학습부(530)는 데이터 전처리가 수행된 주가 데이터, 투자자별 매매 현황 데이터 및 증권 뉴스 데이터에 기초하여 주가 등락 예측 모델(540)을 학습시킬 수 있다.
일 실시예에서 주가 등락 예측 모델(540)은 LSTM일 수 있다. 학습부(530)는 데이터 전처리가 수행된 주가 데이터, 투자자별 매매 현황 데이터 및 증권 뉴스 데이터를 학습 데이터로서 주가 등락 예측 모델(540)에 입력할 수 있다. 주가 등락 예측 모델(540)은 학습 데이터에 기초하여 학습 데이터에 대응하는 시점보다 미래인 시점에 대응하는 시점의 주가 등락 예측 정보를 포함한 출력 데이터를 출력할 수 있다. 학습부(530)는 출력 데이터에 대응하는 시점의 실제 주가 등락 정보와 출력 데이터의 유사도에 기초하여 주가 등락 예측 모델(540)의 파라미터를 조정하여 주가 등락 예측 모델(540)을 학습시킬 수 있다.
실시예에 따라서 학습부(530)는 학습 데이터의 일부에 기초하여 주가 등락 예측 모델(540)을 학습시킬 수 있고, 학습 데이터의 다른 일부에 기초하여 주가 등락 예측 모델(540)의 성능을 확인할 수 있다.
도 6은 일 실시예에 따른 주가 등락 예측 장치의 구성을 도시하는 도면이다.
도 6을 참조하면, 일 실시예에서 주가 등락 예측 장치(600)는 데이터 수집부(610), 데이터 전처리부(620) 및 주가 등락 예측부(630)를 포함할 수 있다.
일 실시예에서 데이터 수집부(610)는 주가 데이터, 투자자별 매매 현황 데이터 및 증권 뉴스 데이터를 수집할 수 있고, 데이터 전처리부(620)는 데이터 수집부(610)가 수집한 원시 데이터인 주가 데이터, 투자자별 매매 현황 데이터 및 증권 뉴스 데이터에 대하여 데이터 전처리를 수행할 수 있다.
주가 등락 예측부(630)는 기존에 학습된 주가 등락 예측 모델(640)을 포함할 수 있다. 주가 등락 예측부(630)는 데이터 전처리가 수행된 원시 데이터에 기초하여 원시 데이터에 대응하는 시점보다 미래 시점의 주가 등락에 대한 예측을 수행할 수 있다. 주가 등락 예측부(630)는 데이터 전처리가 수행된 원시 데이터를 주가 등락 예측 모델(640)에 입력하여, 주가 등락 예측 모델(640)로부터 원시 데이터에 대응하는 시점보다 미래 시점의 주가 등락 예측 정보를 획득할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 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. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
110, 420, 520, 620: 데이터 전처리부
120, 440, 540, 640: 주가 등락 예측 모델
425: 정규화 모듈
430: 텍스트 데이터 전처리 모듈
435: 데이터베이스
510, 610: 데이터 수집부
530: 학습부
500: 학습 장치
600: 주가 등락 예측 장치
630: 주가 등락 예측부

Claims (10)

  1. 주가 등락 예측 방법에 있어서,
    제1 시점의 증권 뉴스 데이터, 주가 데이터 및 투자자별 매매 현황 데이터를 제1 시점의 원시 데이터로서 수집하는 단계;
    상기 제1 시점의 원시 데이터에 대하여 데이터 전처리를 수행하는 단계; 및
    상기 데이터 전처리가 수행된 제1 시점의 원시 데이터에 기초하여 기 학습된 주가 등락 예측 모델로부터 상기 제1 시점보다 미래 시점인 제2 시점의 주가 등락에 대한 예측 정보를 획득하는 단계
    를 포함하고,
    상기 기 학습된 주가 등락 예측 모델은,
    상기 제1 시점보다 과거 시점의 원시 데이터에 기초하여 상기 주가 등락 예측 모델로부터 획득한 출력 데이터 및 상기 제1 시점보다 과거 시점의 주가 등락 데이터에 기초하여 파라미터가 조정됨으로써 학습되고,
    주가 등락에 대한 예측 정보를 포함한 상기 출력 데이터와, 상기 출력 데이터에 대응하는 시점의 실제 주가 등락 정보의 유사도에 기초하여 상기 파라미터가 조정되어 학습되는,
    주가 등락 예측 방법.
  2. 제1항에 있어서,
    상기 제1 시점의 원시 데이터에 대하여 데이터 전처리를 수행하는 단계는,
    상기 제1 시점의 원시 데이터에 포함된 증권 뉴스 데이터에 대하여 형태소 분석 및 불용어 제거를 수행하는 단계; 및
    상기 형태소 분석 및 불용어 제거를 통해 상기 증권 뉴스 데이터로부터 추출된 형태소에 대한 특징 값을 추출하는 단계
    를 포함하는,
    주가 등락 예측 방법.
  3. 제2항에 있어서,
    상기 특징 값은,
    극성 값 결정 모듈에 기초하여, 상기 추출된 형태소에 대응하는 미리 정해진 극성 값이 결정되고, 상기 각 추출된 형태소에 대응하는 극성 값에 기초하여 결정되는,
    주가 등락 예측 방법.
  4. 제1항에 있어서,
    상기 제1 시점의 원시 데이터에 대하여 데이터 전처리를 수행하는 단계는,
    상기 제1 시점의 원시 데이터에 포함된 주가 데이터 및 투자자별 매매 현황 데이터에 대하여 정규화를 수행하는 단계
    를 포함하는,
    주가 등락 예측 방법.
  5. 제1항에 있어서,
    상기 제2 시점의 주가 등락에 대한 예측 정보를 획득하는 단계는,
    상기 데이터 전처리가 수행된 제1 시점의 원시 데이터에 기초하여 산출된 벡터 값을 상기 주가 등락 예측 모델에 입력하여 상기 제1 시점보다 미래 시점인 제2 시점의 주가 등락에 대한 예측 정보를 획득하는 단계
    를 포함하는,
    주가 등락 예측 방법.
  6. 삭제
  7. 주가 등락 예측 모델을 학습시키는 학습 방법에 있어서,
    제1 시점보다 과거 시점의 증권 뉴스 데이터, 주가 데이터 및 투자자별 매매 현황 데이터를 원시 데이터로서 수집하는 단계;
    상기 원시 데이터에 대하여 데이터 전처리를 수행하는 단계;
    상기 데이터 전처리가 수행된 원시 데이터에 기초하여 주가 등락에 대한 예측 정보를 포함하는 출력 데이터를 획득하는 단계; 및
    상기 출력 데이터와 상기 제1 시점보다 과거 시점에 대한 원시 데이터에 기초하여 상기 주가 등락 예측 모델의 파라미터를 조정하는 단계
    를 포함하고,
    상기 파라미터를 조정하는 단계는,
    상기 주가 등락 예측 모델이 출력한 주가 등락에 대한 예측 정보를 포함한 상기 출력 데이터와, 상기 출력 데이터에 대응하는 시점의 실제 주가 등락 정보의 유사도에 기초하여 주가 등락 예측 모델의 파라미터를 조정하는 단계를 포함하는,
    학습 방법.
  8. 제7항에 있어서,
    상기 주가 등락 예측 모델은,
    LSTM(Long Short Term Memory)이고,
    상기 데이터 전처리가 수행된 원시 데이터에 기초하여 산출된 벡터 값에 기초하여 주가 등락에 대한 예측 정보를 출력하는,
    학습 방법.
  9. 주가 등락 예측 방법을 수행하는 주가 등락 예측 장치에 있어서,
    제1 시점에 대한 증권 뉴스 데이터, 주가 데이터 및 투자자별 매매 현황 데이터를 원시 데이터로서 수집하는 데이터 수집부;
    상기 원시 데이터에 대하여 데이터 전처리를 수행하는 데이터 전처리부; 및
    상기 데이터 전처리가 수행된 원시 데이터에 기초하여 기 학습된 주가 등락 예측 모델로부터 상기 제1 시점보다 미래 시점인 제2 시점의 주가 등락에 대한 예측 정보를 획득하는 주가 등락 예측부
    를 포함하고,
    상기 기 학습된 주가 등락 예측 모델은,
    상기 제1 시점보다 과거 시점의 원시 데이터에 기초하여 상기 주가 등락 예측 모델로부터 획득한 출력 데이터 및 상기 제1 시점보다 과거 시점의 주가 등락 데이터에 기초하여 파라미터가 조정됨으로써 학습되고,
    주가 등락에 대한 예측 정보를 포함한 상기 출력 데이터와, 상기 출력 데이터에 대응하는 시점의 실제 주가 등락 정보의 유사도에 기초하여 상기 파라미터가 조정되어 학습되는,
    주가 등락 예측 장치.
  10. 주가 등락 예측 모델을 학습시키는 학습 방법을 수행하는 학습 장치에 있어서,
    과거 시점에 대한 증권 뉴스 데이터, 주가 데이터 및 투자자별 매매 현황 데이터를 원시 데이터로서 수집하는 데이터 수집부;
    상기 원시 데이터에 대하여 데이터 전처리를 수행하는 데이터 전처리부; 및
    상기 데이터 전처리가 수행된 원시 데이터에 기초하여 주가 등락에 대한 예측 정보를 포함하는 출력 데이터를 획득하고, 상기 출력 데이터와 상기 과거 시점에 대한 원시 데이터에 기초하여 상기 주가 등락 예측 모델의 파라미터를 조정하는 학습부를 포함하고,
    상기 학습부는,
    상기 주가 등락 예측 모델이 출력한 주가 등락에 대한 예측 정보를 포함한 상기 출력 데이터와, 상기 출력 데이터에 대응하는 시점의 실제 주가 등락 정보의 유사도에 기초하여 주가 등락 예측 모델의 파라미터를 조정하는,
    학습 장치.
KR1020190067537A 2019-06-07 2019-06-07 주가 등락 예측 방법 및 장치 KR102172291B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190067537A KR102172291B1 (ko) 2019-06-07 2019-06-07 주가 등락 예측 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190067537A KR102172291B1 (ko) 2019-06-07 2019-06-07 주가 등락 예측 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102172291B1 true KR102172291B1 (ko) 2020-10-30

Family

ID=73048308

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190067537A KR102172291B1 (ko) 2019-06-07 2019-06-07 주가 등락 예측 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102172291B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113781224A (zh) * 2021-09-13 2021-12-10 上海卡方信息科技有限公司 一种股票交易数据的预测方法及其系统
KR20220167909A (ko) 2021-06-15 2022-12-22 김상율 머신러닝 알고리즘을 활용한 주식시장 예측 장치 및 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170009692A (ko) * 2015-07-15 2017-01-25 숭실대학교산학협력단 주가 등락 예측 방법 및 서버
KR20180060871A (ko) * 2016-11-28 2018-06-07 숭실대학교산학협력단 증권사 리포트 기반의 감성 사전 구축 장치 및 방법, 이를 이용한 주가 등락 예측 시스템
KR20190019683A (ko) * 2017-08-18 2019-02-27 동아대학교 산학협력단 품사 분포와 양방향 LSTM CRFs를 이용한 음절 단위 형태소 분석기 및 분석 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170009692A (ko) * 2015-07-15 2017-01-25 숭실대학교산학협력단 주가 등락 예측 방법 및 서버
KR20180060871A (ko) * 2016-11-28 2018-06-07 숭실대학교산학협력단 증권사 리포트 기반의 감성 사전 구축 장치 및 방법, 이를 이용한 주가 등락 예측 시스템
KR20190019683A (ko) * 2017-08-18 2019-02-27 동아대학교 산학협력단 품사 분포와 양방향 LSTM CRFs를 이용한 음절 단위 형태소 분석기 및 분석 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220167909A (ko) 2021-06-15 2022-12-22 김상율 머신러닝 알고리즘을 활용한 주식시장 예측 장치 및 방법
CN113781224A (zh) * 2021-09-13 2021-12-10 上海卡方信息科技有限公司 一种股票交易数据的预测方法及其系统

Similar Documents

Publication Publication Date Title
Minh et al. Deep learning approach for short-term stock trends prediction based on two-stream gated recurrent unit network
Cavalli et al. CNN-based multivariate data analysis for bitcoin trend prediction
Henry et al. Measuring qualitative information in capital markets research: Comparison of alternative methodologies to measure disclosure tone
Tang et al. Incorporating textual and management factors into financial distress prediction: A comparative study of machine learning methods
US10867245B1 (en) System and method for facilitating prediction model training
Tsai et al. Discovering finance keywords via continuous-space language models
KR102172291B1 (ko) 주가 등락 예측 방법 및 장치
KR102342321B1 (ko) 딥러닝 기반의 주식 스크리닝과 이를 이용한 포트폴리오 자동화 및 고도화 방법 및 장치
Cerchiello et al. Deep learning bank distress from news and numerical financial data
Sun et al. Two-channel attention mechanism fusion model of stock price prediction based on CNN-LSTM
Singh et al. Do BRIC countries’ equity markets co-move in long run?
CN109885695B (zh) 资产建议生成方法、装置、计算机设备和存储介质
Haryono et al. Aspect-based sentiment analysis of financial headlines and microblogs using semantic similarity and bidirectional long short-term memory
Li et al. Prediction algorithm of stock holdings of hong kong-funded institutions based on optimized PCA-LSTM model
Özcan et al. Evaluating MFCC-based speaker identification systems with data envelopment analysis
Chen et al. [Retracted] Cluster‐Based Mutual Fund Classification and Price Prediction Using Machine Learning for Robo‐Advisors
Sakarwala et al. Use advances in data science and computing power to invest in stock market
CN111221873A (zh) 基于关联网络的企业间同名人识别方法及系统
Li et al. A deep learning approach of financial distress recognition combining text
KR102215259B1 (ko) 주제별 단어 또는 문서의 관계성 분석 방법 및 이를 구현하는 장치
Ghous et al. Exchange stock price prediction using time series data: A survey
Zang Construction of Mobile Internet Financial Risk Cautioning Framework Based on BP Neural Network
Gurgul et al. Forecasting Cryptocurrency Prices Using Deep Learning: Integrating Financial, Blockchain, and Text Data
Hristova et al. RatingBot: A Text Mining Based Rating Approach.
Yang et al. SSLPNet: A financial econometric prediction model for small-sample long panel data

Legal Events

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