KR102203865B1 - 인공지능 기술을 이용하여 펀드의 기준 가격 산출의 정합성을 점검하는 방법 및 장치 - Google Patents

인공지능 기술을 이용하여 펀드의 기준 가격 산출의 정합성을 점검하는 방법 및 장치 Download PDF

Info

Publication number
KR102203865B1
KR102203865B1 KR1020200096108A KR20200096108A KR102203865B1 KR 102203865 B1 KR102203865 B1 KR 102203865B1 KR 1020200096108 A KR1020200096108 A KR 1020200096108A KR 20200096108 A KR20200096108 A KR 20200096108A KR 102203865 B1 KR102203865 B1 KR 102203865B1
Authority
KR
South Korea
Prior art keywords
fund
consistency
algorithm
cluster
processor
Prior art date
Application number
KR1020200096108A
Other languages
English (en)
Inventor
장인수
박선일
Original Assignee
신한아이타스(주)
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 신한아이타스(주) filed Critical 신한아이타스(주)
Priority to KR1020200096108A priority Critical patent/KR102203865B1/ko
Application granted granted Critical
Publication of KR102203865B1 publication Critical patent/KR102203865B1/ko
Priority to PCT/KR2021/009830 priority patent/WO2022025639A1/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
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q30/0283—Price estimation or determination

Landscapes

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

Abstract

펀드의 기준 가격의 산출의 정합성을 점검하는 방법은, 상기 펀드와 관련된 정형 데이터 및 비정형 데이터를 수신하는 단계; 상기 정형 데이터 및 상기 비정형 데이터를 이용하여 상기 펀드와 관련된 군집을 생성하는 단계; 머신 러닝 기술을 이용하여 상기 생성된 군집에 대하여 예측 모델을 생성하는 단계; 및 상기 생성된 예측 모델을 적용하여 상기 펀드의 기준 가격 산출의 정합성을 점검하는 단계;를 포함한다.

Description

인공지능 기술을 이용하여 펀드의 기준 가격 산출의 정합성을 점검하는 방법 및 장치 {A method and an apparatus for checking the consistency of the calculation of the reference price of the fund using artificial intelligence}
인공지능 기술을 이용하여 펀드의 기준 가격 산출의 정합성을 점검하는 방법 및 장치에 관한다.
펀드의 기준 가격은 펀드 내에서 투자하는 편입 자산(예를 들어, 주식, 채권, 파생상품, 해외자산 등)을 공정 가치(예를 들어, 종가, 시장가, 자산 기준가 등)로 평가한 합산 금액과 부채(예를 들어, 손실금, 보수 등)를 차감하여 산정한 순자산 총액을 수익증권의 총 좌수로 나누어 산정한다.
자산 운용사는 펀드의 거래 내역을 발송하고, 사무 관리 회사는 모든 자산의 종가를 확인하고, 종가 기반으로 기준가격을 선정하여 다음날 오전 7시에 기준가를 공시하면 운용사 및 수탁 은행이 기준가를 사후 검증 한다.
산출된 펀드의 기준가격의 검증은 대차대조표의 자산의 공정 가치 및 손익 등을 당일 저녁 근무자들이 다시 한번 검증을 하여 가격 산출의 적정성을 보장하고 있으나, 펀드의 수익률을 산출하는 기초가 되는 기준가격 오류가 발생할 경우 투자자들의 신뢰가 무너지고 자칫 피해도 입을 수 있으며, 기준 가격을 다시 산출하여 공시해야 하는 추가 공수가 발행한다.
사무 수탁 회사 및 자산 운용사의 펀드 회계 담당자는 펀드의 거래내역을 확인하고 대차대조표 상의 손실과 이익을 확정한 후, 공정 가치를 반영하여 펀드의 기준 가격을 산출하고, 산출된 가격에 대한 적정성을 검증한다. 그리고, 펀드 가격에 이상치가 발생된 경우, 이에 대한 원인을 해소한 후 기준가격을 재산출 한다.
펀드의 기준 가격 산출은 통상적으로 밤 늦게 수행되며, 몇 명의 담당자가 2만여개 펀드의 기준가격의 적정성을 점검해야 한다. 따라서, 현실적으로 몇 명의 담당자가 전체 펀드를 점검에는 한계가 있다. 따라서, 펀드의 기준 가격 산출 후, 대량의 펀드들의 가격 산출의 적정성을 실시간으로 점검하고, 점검 결과 가격의 이상치에 대한 모니터링이 필요하다.
펀드의 편입되는 자산들의 종류가 다양해지고 이에 따른 기준가격 산출 방식이 복잡해짐에 따라, 산출된 기준 가격의 적정성을 점검하는 펀드 내부 통제가 중요시 되고 있으며, 잘못된 기준 가격의 공시는 직접적으로 투자자들의 피해로 직결되는 만큼 금융 당국 뿐 만 아니라 자산 운용사 및 사무 수탁 회사에서도 기준 가격의 점검을 중요시하고 있다.
[선행기술문헌번호]
선행기술 1: 한국 공개특허 10-2020-0023667 A
선행기술 2: 한국 등록특허 10- 1975448 B1
다양한 실시예들은 인공지능 기술을 이용하여 펀드의 기준 가격 산출의 정합성을 점검하는 방법 및 장치를 제공하는 데 있다. 본 개시가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 이하의 실시예들로부터 또 다른 기술적 과제들이 유추될 수 있다.
본 개시의 일 측면에 따른 펀드의 기준 가격의 산출의 정합성을 점검하는 방법은, 상기 펀드와 관련된 정형 데이터 및 비정형 데이터를 수신하는 단계; 상기 정형 데이터 및 상기 비정형 데이터를 이용하여 상기 펀드와 관련된 군집을 생성하는 단계; 머신 러닝 기술을 이용하여 상기 생성된 군집에 대하여 예측 모델을 생성하는 단계; 및 상기 생성된 예측 모델을 적용하여 상기 펀드의 기준 가격 산출의 정합성을 점검하는 단계;를 포함한다.
상술한 방법에 있어서, 상기 정형 데이터는 상기 펀드의 유형에 대한 정보, 상기 펀드의 기준가에 대한 정보 및 BM(Benchmark)/지수(Index) 정보 중 적어도 하나를 포함하고, 상기 비정형 데이터는 상기 펀드와 관련된 기사에 대한 정보를 포함한다.
상술한 방법에 있어서, 상기 군집을 생성하는 단계는, 상기 펀드와 관련된 BM(Benchmark)에 기반한 제1 군집 또는 상기 펀드의 수익률에 기반한 제2 군집을 생성한다.
상술한 방법에 있어서, 상기 군집을 생성하는 단계는, 상기 BM이 존재하는 경우에는 상기 제1 군집을 생성하고, 상기 BM이 존재하지 않는 경우에는 상기 펀드의 수익률의 크기 및/또는 상기 펀드의 수익률의 방향에 기초하여 상기 제2 군집을 생성한다.
상술한 방법에 있어서, 상기 예측 모델을 생성하는 단계는, 시계열 분석 알고리즘 및/또는 회귀 분석 알고리즘을 이용하여 상기 예측 모델을 생성한다.
상술한 방법에 있어서, 상기 시계열 분석 알고리즘은 Prophet 알고리즘 또는 LSTM(Long Short-Term Memory models) 알고리즘을 포함하고, 상기 회귀 분석 알고리즘은 DNN(Deep Neural Network) 알고리즘, SVM(Support Vector Machine) 알고리즘 또는 Random Forest 알고리즘을 포함한다.
상술한 방법에 있어서, 상기 정합성을 점검하는 단계는, 상기 펀드의 내적 요인 및 상기 펀드의 외적 요인을 이용하여 상기 펀드의 기준 가격 산출의 정합성을 점검한다.
본 개시의 다른 측면에 따른 컴퓨터로 읽을 수 있는 기록매체는 상술한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 기록매체를 포함한다.
본 개시의 또 다른 측면에 따른 펀드의 기준 가격 산출의 정합성을 점검하는 장치는, 통신부; 메모리; 및 상기 펀드와 관련된 정형 데이터 및 비정형 데이터를 수신하고, 상기 정형 데이터 및 상기 비정형 데이터를 이용하여 상기 펀드와 관련된 군집을 생성하고, 머신 러닝 기술을 이용하여 상기 생성된 군집에 대하여 예측 모델을 생성하고, 상기 생성된 예측 모델을 적용하여 상기 펀드의 기준 가격 산출의 정합성을 점검한다.
상술한 장치에 있어서, 상기 정형 데이터는 상기 펀드의 유형에 대한 정보, 상기 펀드의 기준가에 대한 정보 및 BM(Benchmark)/지수(Index) 정보 중 적어도 하나를 포함하고, 상기 비정형 데이터는 상기 펀드와 관련된 기사에 대한 정보를 포함한다.
상술한 장치에 있어서, 상기 프로세서는, 상기 펀드와 관련된 BM(Benchmark)에 기반한 제1 군집 또는 상기 펀드의 수익률에 기반한 제2 군집을 생성한다.
상술한 장치에 있어서, 상기 프로세서는, 상기 BM이 존재하는 경우에는 상기 제1 군집을 생성하고, 상기 BM이 존재하지 않는 경우에는 상기 펀드의 수익률의 크기 및/또는 상기 펀드의 수익률의 방향에 기초하여 상기 제2 군집을 생성한다.
상술한 장치에 있어서, 상기 프로세서는, 시계열 분석 알고리즘 및/또는 회귀 분석 알고리즘을 이용하여 상기 예측 모델을 생성한다.
상술한 장치에 있어서, 상기 시계열 분석 알고리즘은 Prophet 알고리즘 또는 LSTM(Long Short-Term Memory models) 알고리즘을 포함하고, 상기 회귀 분석 알고리즘은 DNN(Deep Neural Network) 알고리즘, SVM(Support Vector Machine) 알고리즘 또는 Random Forest 알고리즘을 포함한다.
상술한 장치에 있어서, 상기 프로세서는, 상기 펀드의 내적 요인 및 상기 펀드의 외적 요인을 이용하여 상기 펀드의 기준 가격 산출의 정합성을 점검한다.
도 1은 펀드의 기준 가격의 산출의 정합성을 점검하는 시스템의 일 예를 설명하기 위한 개략도이다.
도 2는 펀드의 기준 가격의 산출의 정합성을 점검하는 방법의 일 예를 나타내는 흐름도이다.
도 3은 자산 운용 서버가 펀드와 관련된 군집을 생성하는 일 예를 나타내는 도면이다.
도 4는 제1 군집의 일 예를 설명하기 위한 도면이다.
도 5는 자산 운용 서버가 데이터의 특성에 기반한 제2 군집을 생성하는 일 예를 설명하기 위한 도면이다.
도 6은 시계열 분석 알고리즘 및 회귀 분석 알고리즘의 예들을 설명하기 위한 도면이다.
도 7은 자산 운용 서버가 펀드의 기준 가격 산출의 정합성을 점검하는 일 예를 나타내는 흐름도이다.
도 8은 자산 운용 서버가 펀드의 내적 요인을 평가하는 일 예를 설명하기 위한 도면이다.
도 9는 자산 운용 서버가 펀드의 외적 요인을 평가하는 일 예를 설명하기 위한 도면이다.
도 10은 펀드의 기준 가격 산출의 정합성을 평가한 일 예를 나타내는 도면이다.
도 11은 펀드의 벨리데이션(validation) 점검을 조회하는 화면의 일 예를 나타내는 도면이다.
도 12는 펀드의 벨리데이션(validation) 변동성을 모니터링하는 화면의 일 예를 나타내는 도면이다.
도 13은 펀드의 기준 가격의 산출의 정합성을 점검하는 장치의 일 예를 나타내는 구성도이다.
본 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 개시된 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 실시 예들을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 권리범위를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "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.
이하, 실시 예를 첨부도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 펀드의 기준 가격의 산출의 정합성을 점검하는 시스템의 일 예를 설명하기 위한 개략도이다.
도 1을 참조하면, 펀드의 기준 가격의 산출의 정합성을 점검하는 시스템(100)은 자산 운용 서버(110) 및 AI(Artificial Intelligence) 정합성 점검 서버(120)를 포함한다.
일 실시예에 따른 펀드의 기준 가격의 산출의 정합성을 점검하는 시스템(100)은 펀드의 기준가격의 적정성을 점검한다. 예를 들어, 사무 수탁 회사 및 자산 운용사의 펀드 회계 담당자가 담당 펀드의 가격을 산출한 후, 펀드의 기준 가격의 산출의 정합성을 점검하는 시스템(100)이 해당 펀드들의 가격 산출의 적정성 여부를 자동으로 점검함으로써, 펀드 기준 가격의 이상치 발생 여부에 대한 서비스를 제공한다.
구체적으로, 펀드의 기준 가격의 산출의 정합성을 점검하는 시스템(100)은 펀드와 관련된 정형 데이터 및 비정형 데이터를 이용하여 펀드와 관련된 군집을 생성한다. 그리고, 펀드의 기준 가격의 산출의 정합성을 점검하는 시스템(100)은 머신 러닝 기술을 이용하여 군집에 대하여 예측 모델을 생성한다. 그리고, 펀드의 기준 가격의 산출의 정합성을 점검하는 시스템(100)은 예측 모델을 적용하여 펀드의 기준 가격 산출의 정합성을 점검한다. 따라서, 펀드의 기준 가격의 산출의 정합성을 점검하는 시스템(100)은 펀드 가격의 이상치를 탐지하여 가격 산출의 신뢰성을 높일 수 있고, 펀드의 기준 가격의 오류로 인하여 발생하는 추가적인 공수 및 투자자들의 손실이 감소될 수 있다.
도 1에 도시된 펀드의 기준 가격의 산출의 정합성을 점검하는 시스템(100)에는 본 실시예들과 관련된 구성요소들만이 도시되어 있다. 따라서, 펀드의 기준 가격의 산출의 정합성을 점검하는 시스템(100)에는 도 1에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음은 당해 기술분야의 통상의 기술자에게 자명하다.
자산 운용 서버(110)는 펀드를 만들고 투자자의 이익을 위해 유가증권과 자산을 투자 목적에 맞게 전문적으로 운용할 수 있다. 자산 운용 서버(110)는 예를 들어, 자산 운용사 또는 투자 자문사 등에 해당할 수 있다. 예를 들어, 자산 운용 서버(110)는 자산 운용사 또는 투자 자문사 등에서 활용되는 컴퓨터들이 접속되는 서버일 수 있다. 따라서, 자산 운용사는 자산 운용 서버(110)에 접속된 컴퓨터에 펀드와 관련된 데이터(예를 들어, 정형 데이터 및 비정형 데이터)를 입력할 수 있다.
AI 정합성 점검 서버(120)는, 펀드의 기준 가격의 산출의 정합성을 점검하는 컴퓨터 프로그램을 자산 운용 서버(110)에 제공할 수 있다. 자산 운용 서버(110)는 AI 정합성 점검 서버(120)로부터 제공된 컴퓨터 프로그램을 이용하여 펀드의 기준 가격 산출에 대한 정합성을 자동으로 점검할 수 있다.
이하 도 2 내지 도 8을 참조하여, 자산 운용 서버(110)가 AI 정합성 점검 서버(120)로부터 제공된 컴퓨터 프로그램을 이용하여 펀드의 기준 가격 산출의 정합성을 점검하는 예를 설명한다.
도 2는 펀드의 기준 가격의 산출의 정합성을 점검하는 방법의 일 예를 나타내는 흐름도이다.
210 단계에서, 자산 운용 서버(110)는 펀드와 관련된 정형 데이터 및 비정형 데이터를 수신한다.
예를 들어, 정형 데이터는 펀드의 유형에 대한 정보, 펀드의 기준가에 대한 정보 및 BM(Benchmark)/지수(Index) 정보 중 적어도 하나를 포함하고, 비정형 데이터는 펀드와 관련된 기사에 대한 정보를 포함한다. 여기서 펀드의 기준가에 대한 정보를 펀드의 계정 정보 등을 포함할 수 있다. 또한, 정형 데이터는 전술한 정보들을 복수 개 포함할 수 있음은 물론이다.
비정형 데이터에는 펀드에 대한 내용을 포함하는 기사의 제목(title), 해당 기사의 내용이 모두 포함될 수 있고, 펀드에 관련된 내용을 포함하는 형태라면 기사의 유형에는 제한이 없다.
정형 데이터의 일 예로서의 BM은 벤치마크(Benchmark)로서, 펀드의 투자성과 측정을 위해 미리 정한 지수이다. 즉 펀드가 어떤 지수의 수익률을 따르거나 그 이상을 추구한다는 의미이다. 따라서, BM은 합리적으로 펀드의 운용성과를 측정하는 기준이 되는 지수라고 할 수 있다.
BM은 펀드의 유형에 따라 다양하게 구성된다. 이는 펀드의 운용 목표와 객관적인 시장 수익률을 일치시키기 위한 노력의 결과로 동일한 잣대를 만드는 것과 같다. 일반적으로 유가증권시장에 투자하는 주식형 펀드는 종합주가지수(KOSPI)를 BM으로 보기 쉽지만, 많은 펀드는 선물과 옵션의 기초자산이 되는 KOSPI200지수를 BM 지수로 사용한다. 코스닥시장에 주로 투자할 경우에는 코스닥지수를 BM으로 사용하면 된다. 만약, 혼합해서 투자한다면 펀드의 투자 비중에 따라 가중치를 주어 사용하면 된다. 채권형 펀드는 채권 지수가 1차적인 BM이 되는데, 주로 3년 만기 국고채가 그 대상이 된다. 혼합형 펀드는 주식과 채권의 투자 비율에 따라 BM도 달라져야 한다. 예를 들어 주식과 채권에 5:5로 투자할 경우 50%는 주식시장에, 50%는 채권시장으로 각각 계산하여 합한 것이 이 펀드의 BM이 된다.
예를 들어, 자산 운용 서버(110)는 펀드의 기준 가격 회계 처리의 완료 여부, 펀드의 투자 대상에 대한 정보, BM에 대한 정보, 기준가에 대한 정보 등 펀드 운영 정보를 포함하는 정형 데이터 및 비정형 데이터를 일정시간 단위로 외부로부터 수신할 수 있다. 그리고, 자산 운용 서버(110)는 수신된 데이터를 이용하여 펀드의 기준 가격의 분석에 사용될 데이터 세트(set)를 구성할 수 있다. 그리고, 자산 운용 서버(110)는 구성된 데이터 세트에 준해서 펀드 운영 정보를 자동으로 수집 및 처리할 수 있다.
220 단계에서, 자산 운용 서버(110)는 정형 데이터 및 비정형 데이터를 이용하여 펀드와 관련된 군집을 생성한다.
예를 들어, 자산 운용 서버(110)는 펀드와 관련된 BM에 기반한 제1 군집 또는 펀드의 수익률에 기반한 제2 군집을 생성할 수 있다. 구체적으로, 자산 운용 서버(110)는 BM이 존재하는 경우에는 제1 군집을 생성하고, BM이 존재하지 않는 경우에는 펀드의 수익률의 크기 및/또는 펀드의 수익률의 방향에 기초하여 제2 군집을 생성할 수 있다.
이하, 도 3 내지 도 5를 참조하여, 자산 운용 서버(110)가 펀드와 관련된 군집을 생성하는 예를 설명한다.
도 3은 자산 운용 서버가 펀드와 관련된 군집을 생성하는 일 예를 나타내는 도면이다.
도 3에는 자산 운용 서버(110)가 펀드의 특성에 기반한 제1 군집을 생성하는 과정(310) 및 데이터의 특성에 기반한 제2 군집을 생성하는 과정(320)의 예가 도시되어 있다.
먼저, 자산 운용 서버(110)는 펀드의 특성에 기반한 군집을 생성(구성)하기 위하여, 펀드의 기본 정보를 활용한다. 예를 들어, 자산 운용 서버(110)는 펀드의 투자 대상을 확인할 수 있다. 이 때, 자산 운용 서버(110)는 펀드의 투자 대상에 대한 세분화 규칙을 적용할 수 있다. 여기에서, 펀드의 투자 대상은 국내/외 주식형, 국내/외 채권형 등이 해당될 수 있다.
그리고, 자산 운용 서버(110)는 해당 펀드에 대한 BM이 존재하는지 여부를 확인한다. 만약, 해당 펀드에 대한 BM이 존재하는 경우, 자산 운용 서버(110)는 BM에 기반한 제1 군집을 생성한다. 즉, 자산 운용 서버(110)는 BM이 각 군집의 특성을 설명할 수 있도록, BM을 군집의 구성을 위한 속성으로 사용할 수 있다.
만약, 해당 펀드에 대한 BM이 존재하지 않는 경우, 자산 운용 서버(110)는 데이터의 특성에 기반한 제2 군집을 생성한다. 먼저, 자산 운용 서버(110)는 펀드별/기간별 수익률 계산의 산식을 처리한다. 그리고, 자산 운용 서버(110)는 K-means, SOM(Self-Organizing Map), PAM(Partitioning Around Medoids) 등 다양한 군집 분석 방법을 사용하여 제2 군집을 생성(구성)할 수 있다.
이 때, 자산 운용 서버(110)는 패턴 매칭을 수행할 수 있다. 예를 들어, 자산 운용 서버(110)는 계산된 펀드별/기간별 수익률을 확인하여 수익룔 패턴을 도출하고, 인식된 패턴을 기준으로 군집에 매핑이 되지 않은 펀드를 매칭할 수 있다. 이에 따라, 자산 운용 서버(110)는 수익률에 기반한 제2 군집을 생성할 수 있다.
도 4는 제1 군집의 일 예를 설명하기 위한 도면이다.
도 4에는 제1 군집의 생성 결과의 일 예가 도시되어 있다. 도 4를 참조하면, 제1 군집은 '국내외 구분', '모자(母子) 구분', '종류형 구분', '2차 분류', '11차 분류'의 계층적 구조(hierarchical structure)를 갖는다.
도 5는 자산 운용 서버가 데이터의 특성에 기반한 제2 군집을 생성하는 일 예를 설명하기 위한 도면이다.
도 5를 참조하면, 도 5(a)의 그래프는 '수익률의 크기'를 기준으로 한 군집화를 나타내고, 도 5(b)의 그래프는 '수익률의 방향'을 기준으로 한 군집화를 나타낸다. 도 5(a)에 도시된 바와 같이, '수익률의 크기'를 기준으로 한 군집화는 수익률의 방향이 같고 수익률의 크기가 유사한 경우를 의미한다. 또한, 도 5(b)에 도시된 바와 같이, '수익률의 방향'을 기준으로 한 군집화는 수익률의 방향이 같은 경우를 의미한다.
예를 들어, 자산 운용 서버(110)는 펀드의 수익률 패턴의 유사성을 이용한 제2 군집을 생성함에 있어서, '수익률의 크기'를 기준으로 한 군집화를 위하여 K-means를 활용할 수 있고, '수익률의 방향'을 기준으로 한 군집화를 위하여 Sign을 활용할 수 있으나, 이에 제한되지 않는다.
다시 도 2를 참조하면, 230 단계에서, 자산 운용 서버(110)는 머신 러닝 기술을 이용하여 군집에 대하여 예측 모델을 생성한다.
예를 들어, 자산 운용 서버(110)는 시계열 분석 알고리즘 및/또는 회귀 분석 알고리즘을 이용하여 예측 모델을 생성할 수 있다. 도 6에 도시된 바와 같이, 시계열 분석 알고리즘은 Prophet 알고리즘 또는 LSTM(Long Short-Term Memory models) 알고리즘을 포함하고, 회귀 분석 알고리즘은 DNN(Deep Neural Network) 알고리즘, SVM(Support Vector Machine) 알고리즘 또는 Random Forest 알고리즘을 포함할 수 있으나, 이에 제한되지 않는다.
다시 도 2를 참조하면, 240 단계에서, 자산 운용 서버(110)는 생성된 예측 모델을 적용하여 펀드의 기준 가격 산출의 정합성을 점검한다.
예를 들어, 자산 운용 서버(110)는 펀드의 내적 요인 및 펀드의 외적 요인을 이용하여 펀드의 기준 가격 산출의 정합성을 점검할 수 있다. 이하, 도 7을 참조하여, 자산 운용 서버(110)가 펀드의 기준 가격 산출의 정합성을 점검하는 예를 설명한다.
도 7은 자산 운용 서버가 펀드의 기준 가격 산출의 정합성을 점검하는 일 예를 나타내는 흐름도이다.
710 단계에서, 자산 운용 서버(110)는 정합성 점검에 필요한 데이터를 수신한다.
720 단계에서, 자산 운용 서버(110)는 예측 모델을 적용한다. 예를 들어, 자산 운용 서버(110)는 시계열 분석 알고리즘 및/또는 회귀 분석 알고리즘을 이용하여 예측 모델을 생성할 수 있다. 예를 들어, 자산 운용 서버(110)는 ARIMA-GARCH 모델 등 전통적인 시계열 분석 알고리즘을 이용하여 시간의 변화에 따른 기준 가격의 변동성과 괴리율을 점검할 수 있다. 또한, 자산 운용 서버(110)는 RNN, LSTM 등 딥러닝(Deep Learning) 알고리즘을 이용하여 기준 가격 변동성과 괴리율을 점검할 수도 있다.
이 때, 자산 운용 서버(110)는 앙상블(Ensemble) 예측 모형을 적용하여 정합성 점검할 수 있다. 예를 들어, 자산 운용 서버(110)는 기계 학습의 메타 러닝(Meta learning) 기법을 활용하여 기준 가격의 정합성을 점검할 수 있다. 자산 운용 서버(110)는 최종 점검 모형을 기준으로 산출된 펀드의 기준 가격 변동성을 점검할 수 있다.
730 단계에서, 자산 운용 서버(110)는 720 단계의 결과가 소정의 기준을 만족하는지 여부를 판단한다. 만약, 소정의 기준이 만족된 경우에는 740 단계로 진행하고, 소정의 기준이 만족되지 않은 경우에는 750 단계로 진행하여 절차가 종료된다.
740 단계에서, 자산 운용 서버(110)는 펀드의 내적 요인 및 펀드의 외적 요인을 검토한다. 이하, 도 8 및 도 9를 참조하여, 자산 운용 서버(110)가 펀드의 내적 요인 및 펀드의 외적 요인을 검토(평가)하는 예를 설명한다.
도 8은 자산 운용 서버가 펀드의 내적 요인을 평가하는 일 예를 설명하기 위한 도면이다.
도 8(a)를 참조하면, 자산 운용 서버(110)는 펀드의 가격 예측을 통한 정합성을 평가할 수 있다. 예를 들어, 자산 운용 서버(110)는 소정의 시점보다 미래의 시점에 대한 펀드의 가격을 예측하고, 이를 토대로 정합성을 평가할 수 있다.
도 8(b)를 참조하면, 자산 운용 서버(110)는 가격 형성의 핵심 변수에 기초하여 정합성을 평가할 수 있다. 도 8(b)의 E에 도시된 바와 같이, 가격 형성의 핵심 변수의 관리 구간을 벗어나는 것으로 판단되는 경우, 정합성 평가가 불합격으로 도출될 수 있다.
즉, 도 8(a) 및 도 8(b)에 도시된 바와 같이, 자산 운용 서버(110)는 펀드의 가격 예측과 핵심 변수의 관리를 통하여, 펀드의 기준 가격 산출의 정합성을 평가할 수 있다.
도 9는 자산 운용 서버가 펀드의 외적 요인을 평가하는 일 예를 설명하기 위한 도면이다.
도 9(a)의 그래프는 BM에 기반한 군집화(즉, 제1 군집)의 예를 나타내고, 도 9(b)의 그래프는 데이터에 기반한 군집화(즉, 제2 군집)의 예를 나타낸다. 그리고, 도 9(c)의 그래프는 군집화가 진행되지 않은 예를 나타낸다.
즉, 도 9(a) 내지 도 9(c)에 도시된 바와 같이, 자산 운용 서버(110)는 펀드를 BM 대비 방향성, 수익성 등과 비교하여, 펀드의 기준 가격 산출의 정합성을 평가할 수 있다.
다시 도 7을 참조하면, 760 단계에서, 자산 운용 서버(110)는 740 단계의 결과에 따라 상관성이 일치하는지 여부를 판단한다. 만약, 상관성이 일치한다고 판단되는 경우에는 770 단계로 진행하고, 상관성이 일치하지 않는다고 판단되는 경우 780 단계로 진행하여 절차가 종료된다.
770 단계에서, 자산 운용 서버(110)는 해당 펀드의 정합성에 대한 합격 평가를 내린다.
도 10은 펀드의 기준 가격 산출의 정합성을 평가한 일 예를 나타내는 도면이다.
도 10을 참조하면, 자산 운용 서버(110)는 펀드의 내적 요인 및 외적 요인을 고려하여 해당 펀드의 정합성을 평가할 수 있다. 예를 들어, 펀드의 내적 요인이 평가되는 요소들로서, '예측 정확도', '예측 가중치', '변수 관리', '변수 가중치'가 설정될 수 있으며, 펀드마다 개량된 수치로서 내적 요인이 평가될 수 있다. 또한, 펀드의 외적 요인이 평가되는 요소로서, '방향성', '방향성 가중치', '수익성', '수익성 가중치'가 설정될 수 있으며, 펀드마다 개량된 수치로서 외적 요인이 평가될 수 있다.
자산 운용 서버(110)는 내적 요인에 대한 수치 및 외적 요인에 대한 수치를 조합하여 해당 펀드의 정합성과 관련한 수치를 도출할 수 있고, 도출된 수치가 소정의 기준을 만족하는지 여부에 따라, 해당 펀드에 대한 평가(합격 또는 불합격)를 내릴 수 있다.
한편, 도 11 및 도 12에 도시된 바와 같이, 자산 운용 서버(110)는 펀드의 벨리데이션(validation) 점검을 조회하는 화면 및 펀드의 벨리데이션(validation) 변동성을 모니터링하는 화면을 자산 운용 서버(110)에 접속된 컴퓨터에 제공할 수 있다.
또한, 자산 운용 서버(110)는 기준 가격의 정합성을 벗어난 것으로 판단하기 위한 이상치 기준을 정하고, 과거의 데이터를 이용하여 이상치 여부를 학습할 수 있는 규칙을 생성할 수 있다.
또한, 자산 운용 서버(110)는 모니터링을 통해 기준 가격의 이상치가 발생된 경우, 자동으로 알람을 발생할 수 있다. 여기에서, 알람은 안정 구간을 벗어나는 신호(잡음, noise)를 탐지하기 위한 규칙(rule)이 사용될 수 있다.
도 13은 펀드의 기준 가격의 산출의 정합성을 점검하는 장치의 일 예를 나타내는 구성도이다.
도 13에 도시된 펀드의 기준 가격의 산출의 정합성을 점검하는 장치(1300)는 도 1 내지 도 12를 참조하여 전술한 펀드의 기준 가격의 산출의 정합성을 점검하는 방법을 수행하는 구성들을 포함한다. 따라서, 이하에서 생략된 내용이더라도 도 1 내지 도 12를 참조하여 전술한 내용은 도 13에 도시된 펀드의 기준 가격의 산출의 정합성을 점검하는 장치(1300)에도 적용될 수 있다.
도 13을 참조하면, 펀드의 기준 가격의 산출의 정합성을 점검하는 장치(1300)는 프로세서(1310), 메모리(1320) 및 통신부(1330)를 포함할 수 있다. 도 13에 도시된 펀드의 기준 가격의 산출의 정합성을 점검하는 장치(1300)에는 본 실시예들과 관련된 구성요소들만이 도시되어 있다. 따라서, 펀드의 기준 가격의 산출의 정합성을 점검하는 장치(1300)에는 도 13에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음은 당해 기술분야의 통상의 기술자에게 자명하다.
프로세서(1310)는 펀드와 관련된 정형 데이터 및 비정형 데이터를 수신하고, 정형 데이터 및 비정형 데이터를 이용하여 펀드와 관련된 군집을 생성한다. 여기에서, 정형 데이터는 펀드의 유형에 대한 정보, 펀드의 기준가에 대한 정보 및 BM(Benchmark)/지수(Index) 정보 중 적어도 하나를 포함하고, 비정형 데이터는 펀드와 관련된 기사에 대한 정보를 포함한다.
예를 들어, 프로세서(1310)는 펀드와 관련된 BM(Benchmark)에 기반한 제1 군집 또는 펀드의 수익률에 기반한 제2 군집을 생성할 수 있다. 예를 들어, 프로세서(1310)는 BM이 존재하는 경우에는 제1 군집을 생성하고, BM이 존재하지 않는 경우에는 펀드의 수익률의 크기 및/또는 펀드의 수익률의 방향에 기초하여 상기 제2 군집을 생성할 수 있다.
프로세서(1310)는 머신 러닝 기술을 이용하여 군집에 대하여 예측 모델을 생성하고, 예측 모델을 적용하여 펀드의 기준 가격 산출의 정합성을 점검한다. 예를 들어, 프로세서(1310)는 펀드의 내적 요인 및 펀드의 외적 요인을 이용하여 펀드의 기준 가격 산출의 정합성을 점검할 수 있다.
예를 들어, 프로세서(1310)는 시계열 분석 알고리즘 및/또는 회귀 분석 알고리즘을 이용하여 예측 모델을 생성할 수 있다. 여기에서, 시계열 분석 알고리즘은 Prophet 알고리즘 또는 LSTM(Long Short-Term Memory models) 알고리즘을 포함하고, 회귀 분석 알고리즘은 DNN(Deep Neural Network) 알고리즘, SVM(Support Vector Machine) 알고리즘 또는 Random Forest 알고리즘을 포함할 수 있다.
메모리(1320)는 펀드의 기준 가격의 산출의 정합성을 점검하는 장치(1300)에서 처리된 데이터들 및 처리될 데이터들을 저장할 수 있다. 예를 들어, 메모리(1320)는 DRAM(dynamic random access memory), SRAM(static random access memory) 등과 같은 RAM(random access memory), ROM(read-only memory), EEPROM(electrically erasable programmable read-only memory), CD-ROM, 블루레이 또는 다른 광학 디스크 스토리지, HDD(hard disk drive), SSD(solid state drive), 또는 플래시 메모리일 수 있으나, 이에 한정되지 않는다.
다양한 실시예에 따른 장치(예: 모듈들 또는 그 기능들) 또는 방법(예: 동작들)의 적어도 일부는, 예컨대, 프로그램 모듈의 형태로 컴퓨터로 읽을 수 있는 저장매체(computer-readable storage media)에 저장된 명령어로 구현될 수 있다. 상기 명령어가 프로세서(예: 프로세서(1310))에 의해 실행될 경우, 상기 하나 이상의 프로세서가 상기 명령어에 해당하는 기능을 수행할 수 있다. 컴퓨터로 읽을 수 있는 저장매체는, 예를 들면, 메모리(1320)가 될 수 있다.
컴퓨터로 판독 가능한 기록 매체는, 하드디스크, 플로피디스크, 마그네틱 매체(magnetic media)(예: 자기테이프), 광기록 매체(optical media)(예: CD-ROM(compact disc read only memory), DVD(digital versatile disc), 자기-광 매체(magneto-optical media)(예: 플롭티컬 디스크(floptical disk)), 하드웨어 장치(예: ROM(read only memory), RAM(random access memory), 또는 플래시 메모리 등) 등을 포함할 수 있다. 또한, 프로그램 명령에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 상술한 하드웨어 장치는 다양한 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지다.
이상과 같이 본 발명은 비록 한정된 실시 예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시 예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형 가능하다. 그러므로 본 발명의 범위는 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
본 발명의 일 실시 예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스 될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비 분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비 분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형 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 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
110: 자산 운용 서버
120: AI 정합성 점검 서버

Claims (15)

  1. 펀드의 기준 가격의 산출의 정합성을 점검하는 방법에 있어서,
    프로세서에서, 상기 펀드와 관련된 정형 데이터 및 비정형 데이터를 수신하는 단계 - 상기 정형 데이터는 상기 펀드의 유형에 대한 정보, 상기 펀드의 기준가에 대한 정보, 상기 펀드의 BM(Benchmark) 및 상기 펀드의 지수(Index) 정보 중 적어도 하나를 포함하고, 상기 비정형 데이터는 상기 펀드와 관련된 기사에 대한 정보를 포함함 - ;
    상기 프로세서에서, 상기 정형 데이터 및 상기 비정형 데이터를 이용하여 상기 펀드와 관련된 군집을 생성하는 단계;
    상기 프로세서에서, 머신 러닝 기술을 이용하여 상기 생성된 군집에 대하여 예측 모델을 생성하는 단계; 및
    상기 프로세서에서, 상기 생성된 예측 모델을 적용하여 상기 펀드의 기준 가격 산출의 정합성을 점검하는 단계;를 포함하고,
    상기 프로세서에서, 상기 펀드와 관련된 BM(Benchmark)에 기반한 제1 군집 또는 상기 펀드의 수익률에 기반한 제2 군집을 생성하고,
    상기 프로세서에서, 상기 BM이 존재하는 경우에는 상기 제1 군집을 생성하고, 상기 BM이 존재하지 않는 경우에는 상기 펀드의 수익률의 크기 및 상기 펀드의 수익률의 방향 중 적어도 하나에 기초하여 상기 제2 군집을 생성하는 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 제 1 항에 있어서,
    상기 예측 모델을 생성하는 단계는,
    상기 프로세서에서, 시계열 분석 알고리즘 또는 회귀 분석 알고리즘을 이용하여 상기 예측 모델을 생성하는 방법.
  6. 제 5 항에 있어서,
    상기 시계열 분석 알고리즘은 Prophet 알고리즘 또는 LSTM(Long Short-Term Memory models) 알고리즘을 포함하고,
    상기 회귀 분석 알고리즘은 DNN(Deep Neural Network) 알고리즘, SVM(Support Vector Machine) 알고리즘 또는 Random Forest 알고리즘을 포함하는 방법.
  7. 제 1 항에 있어서,
    상기 정합성을 점검하는 단계는,
    상기 프로세서에서, 상기 펀드의 내적 요인 및 상기 펀드의 외적 요인을 이용하여 상기 펀드의 기준 가격 산출의 정합성을 점검하는 방법.
  8. 제 1 항, 제 5 항 내지 제 7 항 중 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
  9. 펀드의 기준 가격 산출의 정합성을 점검하는 장치에 있어서,
    통신부;
    메모리; 및
    상기 펀드와 관련된 정형 데이터 및 비정형 데이터 - 상기 정형 데이터는 상기 펀드의 유형에 대한 정보, 상기 펀드의 기준가에 대한 정보, 상기 펀드의 BM(Benchmark) 및 상기 펀드의 지수(Index) 정보 중 적어도 하나를 포함하고, 상기 비정형 데이터는 상기 펀드와 관련된 기사에 대한 정보를 포함함 - 를 수신하고, 상기 정형 데이터 및 상기 비정형 데이터를 이용하여 상기 펀드와 관련된 군집을 생성하고, 머신 러닝 기술을 이용하여 상기 생성된 군집에 대하여 예측 모델을 생성하고, 상기 생성된 예측 모델을 적용하여 상기 펀드의 기준 가격 산출의 정합성을 점검하는 프로세서를 포함하고,
    상기 프로세서는,
    상기 펀드와 관련된 BM(Benchmark)에 기반한 제1 군집 또는 상기 펀드의 수익률에 기반한 제2 군집을 생성하고,
    상기 BM이 존재하는 경우에는 상기 제1 군집을 생성하고, 상기 BM이 존재하지 않는 경우에는 상기 펀드의 수익률의 크기 및 상기 펀드의 수익률의 방향 중 적어도 하나에 기초하여 상기 제2 군집을 생성하는 장치.
  10. 삭제
  11. 삭제
  12. 삭제
  13. 제 9 항에 있어서,
    상기 프로세서는,
    시계열 분석 알고리즘 또는 회귀 분석 알고리즘을 이용하여 상기 예측 모델을 생성하는 장치.
  14. 제 13 항에 있어서,
    상기 시계열 분석 알고리즘은 Prophet 알고리즘 또는 LSTM(Long Short-Term Memory models) 알고리즘을 포함하고,
    상기 회귀 분석 알고리즘은 DNN(Deep Neural Network) 알고리즘, SVM(Support Vector Machine) 알고리즘 또는 Random Forest 알고리즘을 포함하는 장치.
  15. 제 9 항에 있어서,
    상기 프로세서는,
    상기 펀드의 내적 요인 및 상기 펀드의 외적 요인을 이용하여 상기 펀드의 기준 가격 산출의 정합성을 점검하는 장치.
KR1020200096108A 2020-07-31 2020-07-31 인공지능 기술을 이용하여 펀드의 기준 가격 산출의 정합성을 점검하는 방법 및 장치 KR102203865B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200096108A KR102203865B1 (ko) 2020-07-31 2020-07-31 인공지능 기술을 이용하여 펀드의 기준 가격 산출의 정합성을 점검하는 방법 및 장치
PCT/KR2021/009830 WO2022025639A1 (ko) 2020-07-31 2021-07-28 인공지능 기술을 이용하여 펀드의 기준 가격 산출의 정합성을 점검하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200096108A KR102203865B1 (ko) 2020-07-31 2020-07-31 인공지능 기술을 이용하여 펀드의 기준 가격 산출의 정합성을 점검하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102203865B1 true KR102203865B1 (ko) 2021-01-15

Family

ID=74126999

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200096108A KR102203865B1 (ko) 2020-07-31 2020-07-31 인공지능 기술을 이용하여 펀드의 기준 가격 산출의 정합성을 점검하는 방법 및 장치

Country Status (2)

Country Link
KR (1) KR102203865B1 (ko)
WO (1) WO2022025639A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022025639A1 (ko) * 2020-07-31 2022-02-03 신한아이타스 주식회사 인공지능 기술을 이용하여 펀드의 기준 가격 산출의 정합성을 점검하는 방법 및 장치

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR0176850B1 (ko) * 1995-10-26 1999-05-15 구자홍 계층적 지능형 예측장치

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019190053A1 (ko) * 2018-03-30 2019-10-03 유치헌 순환신경망을 사용한 딥 러닝 기반의 주식 가격 예측 시스템 및 방법
JP7092609B2 (ja) * 2018-08-16 2022-06-28 株式会社野村総合研究所 ファンド抽出装置
KR102194200B1 (ko) * 2018-11-23 2020-12-24 디비디스커버코리아 주식회사 인공신경망 모델을 이용한 뉴스 기사 분석에 의한 주가지수 예측 방법 및 장치
KR102203865B1 (ko) * 2020-07-31 2021-01-15 신한아이타스(주) 인공지능 기술을 이용하여 펀드의 기준 가격 산출의 정합성을 점검하는 방법 및 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR0176850B1 (ko) * 1995-10-26 1999-05-15 구자홍 계층적 지능형 예측장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022025639A1 (ko) * 2020-07-31 2022-02-03 신한아이타스 주식회사 인공지능 기술을 이용하여 펀드의 기준 가격 산출의 정합성을 점검하는 방법 및 장치

Also Published As

Publication number Publication date
WO2022025639A1 (ko) 2022-02-03

Similar Documents

Publication Publication Date Title
Amani et al. Data mining applications in accounting: A review of the literature and organizing framework
Correia et al. Asset volatility
Gourieroux et al. Bilateral exposures and systemic solvency risk
Farooq et al. Predicting multistage financial distress: Reflections on sampling, feature and model selection criteria
Danbolt et al. Abnormal returns from takeover prediction modelling: challenges and suggested investment strategies
Abdou et al. Determinants of capital structure in the UK retail industry: A comparison of multiple regression and generalized regression neural network
Ghassan et al. Time series analysis of financial stability of banks: Evidence from Saudi Arabia
CN114971879A (zh) 信息处理系统及信息处理方法
Li et al. Founding family ownership and firm performance: Evidence from the evolution of family ownership and firm policies
KR102203865B1 (ko) 인공지능 기술을 이용하여 펀드의 기준 가격 산출의 정합성을 점검하는 방법 및 장치
Wei [Retracted] A Machine Learning Algorithm for Supplier Credit Risk Assessment Based on Supply Chain Management
CN114529400A (zh) 一种消费贷款预授信评估方法、设备及介质
CN114298566A (zh) 一种基于企业画像的资产信息管理方法、设备及介质
Huang et al. The nature of corporate social responsibility disclosure and investment efficiency: Evidence from China
Hainz Fraudulent behavior by entrepreneurs and borrowers
Shah et al. [Retracted] A Blockchain Technique for Trade Credit Maintainability Using the Role of Information and Communication Technology
Dua et al. Forecasting the INR/USD exchange rate: A BVAR framework
KR20160138937A (ko) 자산 관리 장치 및 그 동작 방법
Auria et al. Overview of central banks’ in-house credit assessment systems in the euro area
Zhilina et al. A comparative analysis of the methods used to assess borrower creditworthiness
Mor et al. Artificial intelligence and loan default: The case of commercial banks in India
Li et al. Bridging the information gap: How digitalization shapes stock price informativeness
Wanniarachchi et al. Macroeconomic event base expert advisor for forex trades: through algo trading
Clark Money and Exchange Rates from a Computational Perspective
Gopinath et al. Customer loan approval prediction using logistic regression

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant