KR102496501B1 - 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 방법 및 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 장치 - Google Patents

시뮬레이션 데이터를 이용한 자산 배분 정보 산출 방법 및 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 장치 Download PDF

Info

Publication number
KR102496501B1
KR102496501B1 KR1020210104681A KR20210104681A KR102496501B1 KR 102496501 B1 KR102496501 B1 KR 102496501B1 KR 1020210104681 A KR1020210104681 A KR 1020210104681A KR 20210104681 A KR20210104681 A KR 20210104681A KR 102496501 B1 KR102496501 B1 KR 102496501B1
Authority
KR
South Korea
Prior art keywords
correlation
processor
simulation data
asset
data
Prior art date
Application number
KR1020210104681A
Other languages
English (en)
Other versions
KR20230012388A (ko
Inventor
안준규
박성우
김지운
Original Assignee
주식회사 신한에이아이
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 주식회사 신한에이아이 filed Critical 주식회사 신한에이아이
Publication of KR20230012388A publication Critical patent/KR20230012388A/ko
Application granted granted Critical
Publication of KR102496501B1 publication Critical patent/KR102496501B1/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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Technology Law (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

실시예에 따른 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 방법은, (a) 복수의 금융 자산과 관련된 시계열 데이터를 수집하는 단계; (b) 상기 시계열 데이터를 이용해 상기 복수의 금융 자산 사이의 상관 관계를 분석한 분석 결과를 생성하는 단계; (d) 상기 분석 결과를 이용해 상기 시계열 데이터에 대응하는 시뮬레이션 데이터를 생성하는 단계; 및 (e) 상기 시뮬레이션 데이터에 대한 자산 배분 정보를 산출하는 단계;를 포함할 수 있다.

Description

시뮬레이션 데이터를 이용한 자산 배분 정보 산출 방법 및 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 장치{A method for calculating asset allocation information using simulation data and an apparatus for calculating asset allocation information using simulation data}
본 발명은 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 방법 및 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 장치에 관한 것으로, 보다 구체적으로, 금융 자산과 관련된 시계열 데이터에 대응하는 시뮬레이션 데이터를 생성하여, 해당 시뮬레이션 데이터를 이용한 자산 배분 정보를 산출하는 방법을 제공하기 위한, 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 방법 및 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 장치에 관한 것이다.
금융 투자는 많은 사람들이 이용하는 재테크 방법 중의 하나로, 금융 투자를 함에 있어서 대상이 되는 금융 종목의 가치를 파악하여 가치가 상승할지 하락할지를 예측하여야 하고, 이러한 예측을 위해 금융사들은 다양한 기술적 지표, 재무 데이터 등과 같은 다양한 지표를 제공하고 있다.
일반적인 개인 투자자의 경우에는 상술한 지표에 대한 정교한 분석에 기반을 두지 않은 채 특정 종목에 투자하며, 또한 투자 보다는 투기에 가까운 매매 성향으로 소수의 종목에 집중 투자함으로써 수익의 극대화를 추구한다.
하지만, 정확한 금융 지표의 분석 없이 이루어지는 투자의 경우 투자의 위험도를 높이며, 결국 개인 투자자에게 큰 손실을 가져오는 문제점이 있다.
상술한 개인 투자자들의 큰 손실을 막을 수 있는 방법은 다수 종목에 분산 투자하여 변동성에 대한 위험성을 줄이는 포트폴리오 투자를 하는 것이지만, 금융 상품의 포트폴리오를 구성하는데 있어서 개별 종목의 가격 데이터를 활용하지 않는 문제점이 있으며, 또한 가격 변동에 영향을 미치는 근본 요인들이 너무나도 다양하고 복잡하여 금융 상품의 가격을 보다 정확하게 예측하는 것은 어려운 문제점이 있다.
이를 감안하여, 금융 데이터 분석 및 인공지능 기반 기술을 기반으로 하는 금융 투자 전략 수립이 필요한 실정이다. 즉, 금융 시장의 구조 파악과 충분한 수를 갖는 금융 시계열 데이터 집합이 필요하다.
하지만, 일반적으로 통계적 분석 방법을 활용한 금융 분석 알고리즘 혹은 시스템은 급변하는 금융 시장의 구조를 파악하지 않고, 매우 적은 양의 금융 시계열 데이터만을 활용해 분석하는 것이 일반적이다.
본 발명은 전술한 문제점에 의해 고안된 것으로, 적은 양의 금융 시계열 데이터를 몬테카를로 시뮬레이션 수행하여 많은 양의 시뮬레이션 데이터를 생성하고, 생성된 시뮬레이션 데이터를 이용해 인공 지능 기반으로 분석하도록 함으로써, 소정의 시점에 대응되는 자산 배분 예측 분석의 정확도와 정밀도를 보다 향상시키는 데 목적이 있다.
본 발명은 또한, 금융 자산 사이의 상관 관계를 분석하여 해당 분석 결과를 기초로 몬테카를로 시뮬레이션 수행에 따른 시뮬레이션 데이터를 생성할 수 있도록 하는 방법을 제공하고자 하는 데에 그 목적이 있다.
실시예에 따른 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 방법은 (a) 복수의 금융 자산과 관련된 시계열 데이터를 수집하는 단계; (b) 상기 시계열 데이터를 이용해 상기 복수의 금융 자산 사이의 상관 관계를 분석한 분석 결과를 생성하는 단계; (d) 상기 분석 결과를 이용해 상기 시계열 데이터에 대응하는 시뮬레이션 데이터를 생성하는 단계; 및 (e) 상기 시뮬레이션 데이터에 대한 자산 배분 정보를 산출하는 단계;를 포함할 수 있다.
상기 (b)는, (b-1) 상기 복수의 금융 자산 사이의 상관 관계를 나타내는 상관 계수들을 산출하는 단계; (b-2) 상기 산출된 상관 계수들로 구성된 복수의 상관 행렬을 획득하는 단계; 및 (b-3) 상기 복수의 상관 행렬을 군집화하여 적어도 하나의 군집을 생성하는 단계;를 포함할 수 있다.
상기 (b-3)는, 상기 복수의 상관 행렬 사이의 거리를 산출하는 단계; 및 상기 산출된 거리를 기초로 상기 복수의 상관 행렬을 상기 적어도 하나의 군집으로 군집화하는 단계;를 포함할 수 있다.
상기 복수의 상관 행렬 사이의 거리는 상기 복수의 상관 행렬 각각을 구성하는 상관 계수들 사이의 차이값에 기초해 산출될 수 있다.
상기 상관 계수는 소정 시점에서의 상기 복수의 금융 자산 각각의 수익율을 기초로 산출되고, 상기 복수의 금융 자산 각각에 대한 수익율은 하기 수식에 의해 산출될 수 있다.
수식:
Figure 112021091674307-pat00001
(
Figure 112021091674307-pat00002
: i번째 자산의 t시점에서의 수익율,
Figure 112021091674307-pat00003
: i번째 자산의 t시점에서의 가격,
Figure 112021091674307-pat00004
: i번째 자산의 t-1 시점에서의 가격)
상기 분석 결과는 상기 적어도 하나의 군집 각각의 대표값을 포함할 수 있다.
상기 시뮬레이션 데이터는 상기 시계열 데이터에 대응하는 몬테카를로 시뮬레이션 수행으로 생성될 수 있다.
상기 (e)는, 학습용 시뮬레이션 데이터에 기반해 학습된 자산 배분 정보 산출 모델을 통해 상기 시뮬레이션 데이터에 대한 상기 자산 배분 정보를 산출하는 단계;를 포함할 수 있다.
상기 자산 배분 정보 산출 모델은 CNN(convolution neural network)을 학습시켜 생성된 것일 수 있다.
상기 자산 배분 정보 산출 모델은 복수 개이고, 상기 (e)는, 상기 시뮬레이션 데이터에 대한 소정의 시점에서의 자산 배분 정보를 산출하는 단계;를 포함하고, 상기 소정의 시점에서의 자산 배분 정보는, 상기 복수 개의 자산 배분 정보 산출 모델 중 상기 소정의 시점에서 선택된 자산 배분 정보 산출 모델들을 통해 산출될 수 있다.
실시예에 따른 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 장치는 프로세서; 및 상기 프로세서에 의해 실행 가능한 명령어들을 저장하는 메모리;를 포함하고, 상기 프로세서는, 상기 명령어들을 실행함으로써, 복수의 금융 자산과 관련된 시계열 데이터를 수집하고, 상기 시계열 데이터를 이용해 상기 복수의 금융 자산 사이의 상관 관계를 분석한 분석 결과를 생성하며, 상기 분석 결과를 이용해 상기 시계열 데이터에 대응하는 시뮬레이션 데이터를 생성하고, 상기 시뮬레이션 데이터에 대한 자산 배분 정보를 산출할 수 있다.
삭제
삭제
본 발명에 따르면, 복수의 금융 자산과 관련된 시계열 데이터를 이용해 상기 복수의 금융 자산 사이의 상관 관계를 분석한 분석 결과를 생성하고, 상기 분석 결과를 이용해 상기 시계열 데이터에 대응하는 시뮬레이션 데이터를 생성하며, 자산 배분 정보 산출 모델들을 통해 상기 시뮬레이션 데이터에 대한 최종 자산 배분 정보를 산출할 수 있게 된다.
도 1은 실시예에 따른 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 장치(1)의 블록도이다.
도 2는 실시예에 따른 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 방법을 설명하는 순서도이고, 도 3은 도 2의 s22 과정을 구체적으로 설명하기 위한 순서도이다.
도 4 및 도 7은 도 2의 방법을 설명하기 위해 참조되는 도면이다.
도 5 내지 도 6은 실시예에 따른 시뮬레이션 데이터를 이용한 자산 배분 정보 산출을 위한 학습 과정을 설명하기 위해 참조되는 도면이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
도 1은 실시예에 따른 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 장치(1)의 블록도이다.
도 1에 도시한 바와 같이, 실시예에 따른 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 장치(1)는 프로세서(10)와 메모리(20)를 포함할 수 있다.
메모리(20)는 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 장치(1)의 동작에 필요한 각종 프로그램 및 데이터 등을 저장할 수 있다.
실시예에 따른 메모리(20)는 복수의 금융 자산과 관련된 시계열 데이터, 시뮬레이션 데이터 등을 저장할 수 있다.
실시예에 따른 메모리(20)는 자산 배분 정보 산출 모델(21)을 저장할 수 있다.
실시예에 따르면, 자산 배분 정보 산출 모델(21)은 학습용 시뮬레이션 데이터를 신경망 모델에 입력시키는 학습을 통해 획득된 인공지능에 기반한 모델일 수 있다.
프로세서(10)는 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 장치(1)의 전반적인 동작을 제어할 수 있다.
구체적으로, 프로세서(10)는 복수의 금융 자산과 관련된 시계열 데이터를 수집하고, 수집한 시계열 데이터를 이용해 복수의 금융 자산 사이의 상관 관계를 분석한 분석 결과를 생성하며, 분석 결과를 이용해 시계열 데이터에 대응하는 시뮬레이션 데이터를 생성하고, 시뮬레이션 데이터에 대한 자산 배분 정보를 산출하도록 할 수 있다.
도 2는 실시예에 따른 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 방법을 설명하는 순서도이고, 도 3은 도 2의 s22 과정을 구체적으로 설명하기 위한 순서도이다.
도 2 및 도 3을 함께 참조하면, 프로세서(10)는 복수의 금융 자산과 관련된 시계열 데이터를 수집할 수 있다(s21).
실시예에 따르면, 복수의 금융 자산과 관련된 시계열 데이터는 주식, 펀드 등의 금융 상품의 특정 종목의 가격과 관련된 데이터를 포함할 수 있다. 예를 들어, 현재가, 전일대비 등락률, 시가 총액, 거래량, 고가, 저가, 종가 등의 데이터를 포함할 수 있다.
실시예에 따른 펀드는 인덱스펀드를 거래소에 상장시켜 투자자들이 주식처럼 거래할 수 있도록 하는 ETF(Exchange Traded Fund)를 포함할 수 있다. ETF는 주식과 유사하게 특정 주가 지수의 변동률에 따라 수익률이 결정될 수 있다.
실시예에 따르면, ETF와 관련된 시계열 데이터로 S&P500, DAX, FTSE, NIKKEI, SSEC, KOSPI, 미국 채권, 독일 채권, 영국 채권, 일본 채권, 중국 채권, 한국채권, 금 등에 대한 글로벌 지수 데이터를 포함할 수 있으나, 본 발명은 이에 제한되지 않는다.
프로세서(10)는 복수의 금융 자산 사이의 상관 관계를 분석한 분석 결과를 생성할 수 있다(s22).
구체적으로, 프로세서(10)는 복수의 금융 자산 사이의 상관 관계를 나타내는 상관 계수들을 산출하고(s22-1), 상기 산출된 상관 계수들로 구성된 복수의 상관 행렬을 획득하며(s22-2), 상기 복수의 상관 행렬을 군집화하여 적어도 하나의 군집을 생성할 수 있으며(s22-3), 생성된 적어도 하나의 군집 각각을 대표하는 대표값을 산출하여 해당 대표값을 기초로 분석 결과를 생성할 수 있다.(s22-4)
먼저, s22-1과 관련하여, 프로세서(10)는 복수의 금융 자산 각각의 수익율을 기초로 복수의 금융 자산 사이의 상관 관계를 수치화한 상관 계수들을 산출할 수 있다.
실시예에 따르면, 상관 계수들은 하기 수식1 내지 수식3을 참조하여 산출될 수 있다.
수식1:
수식2:
Figure 112021091674307-pat00005
Figure 112021091674307-pat00006
수식3:
Figure 112021091674307-pat00007
여기서, X, Y는 임의의 변수,
Figure 112021091674307-pat00008
은 X와 Y 사이의 상관 계수, n은 분석하고자 하는 샘플의 개수,
Figure 112021091674307-pat00009
은 해당 임의의 변수와 관련된 분석 샘플들의 평균,
Figure 112021091674307-pat00010
는 해당 임의의 변수와 관련된 분석 샘플들의 평균을 의미한다.
실시예에 따르면, 복수의 금융 자산 각각의 가격을 이용해 각각의 수익율을 산출하고, 산출된 수익율을 기초로 상관 계수들을 산출할 수 있다.
실시예에 따르면, 복수의 금융 자산 사이의 수익율 사이의 선형 관계를 상관 계수로 정의할 수 있다.
실시예에 따르면, 아래 수식4 내지 수식6과 같이 특정 구간 및/또는 소정의 시점에서의 복수의 금융 자산 각각의 수익율을 이용해 상관 계수들을 산출할 수 있다.
참고로, 아래 수식 및 실시예에서는 두 개의 금융 자산을 예로 들어 설명하나, 본 발명의 권리범위는 이에 제한되지 않는다.
수식4:
Figure 112021091674307-pat00011
(여기서,
Figure 112021091674307-pat00012
은 i번째 자산의 수익율과 j번째 자산의 수익율 사이의 상관 계수,
Figure 112021091674307-pat00013
는 i번째 자산의 특정 구간에서의 평균수익율,
Figure 112021091674307-pat00014
는 t시점에서의 i번째 금융 자산에 대한 수익율,
Figure 112021091674307-pat00015
은 특정 구간(k=1 에서 n 시점까지의 합)을 나타낼 수 있다. 이는, i번째 자산의 수익율을 1 시점부터 n 시점까지 합산한 후, 합산 결과를 활용해 평균수익율을 산출하는 것을 의미한다. 그리고,
Figure 112021091674307-pat00016
는 j번째 자산의 특정 구간에서의 평균수익율,
Figure 112021091674307-pat00017
는 t시점에서의 j번째 금융 자산에 대한 수익율,
Figure 112021091674307-pat00018
은 특정 구간(k=1 에서 n 시점까지의 합)을 나타낼 수 있다. 이는, j번째 자산의 수익율을 1 시점부터 n 시점까지 합산한 후, 합산 결과를 활용해 평균수익율을 산출하는 것을 의미한다.)
수식5:
Figure 112021091674307-pat00019
Figure 112021091674307-pat00020
(여기서,
Figure 112021091674307-pat00021
는 i번째 자산의 특정 구간에서의 평균수익율,
Figure 112021091674307-pat00022
는 t시점에서의 i번째 금융 자산에 대한 수익율,
Figure 112021091674307-pat00023
은 특정 구간(p=1 에서 n 시점까지의 합)을 나타낼 수 있다. 이는, i번째 자산의 수익율을 1 시점부터 n 시점까지 합산한 후, 합산 결과를 활용해 평균수익율을 산출하는 것을 의미한다. 그리고,
Figure 112021091674307-pat00024
는 j번째 자산의 특정 구간에서의 평균수익율,
Figure 112021091674307-pat00025
는 t시점에서의 j번째 금융 자산에 대한 수익율,
Figure 112021091674307-pat00026
은 특정 구간(p=1 에서 n 시점까지의 합)을 나타낼 수 있다. 이는, j번째 자산의 수익율을 1 시점부터 n 시점까지 합산한 후, 합산 결과를 활용해 평균수익율을 산출하는 것을 의미한다.(참고로, 수식 5에서 n, p는 변수인 시점, t는 상수인 시점으로 정의될 수 있다))
수식6:
Figure 112021091674307-pat00027
Figure 112021091674307-pat00028
(여기서,
Figure 112021091674307-pat00029
는 t시점에서의 i번째 금융 자산에 대한 수익율,
Figure 112021091674307-pat00030
은 i번째 자산의 t시점에서의 가격,
Figure 112021091674307-pat00031
: i번째 자산의 t-1 시점에서의 가격을 나타내고,
Figure 112021091674307-pat00032
는 t시점에서의 j번째 금융 자산에 대한 수익율,
Figure 112021091674307-pat00033
은 j번째 자산의 t시점에서의 가격,
Figure 112021091674307-pat00034
은 j번째 자산의 t-1 시점에서의 가격을 나타낸다. 이는, 두 개의 금융 자산 각각의 소정의 시점에서의 가격을 이용해 각각의 수익율을 산출할 수 있음을 의미한다.)
다음 s22-2와 관련하여, 프로세서(10)는 산출된 상관 계수들로 구성된 복수의 상관 행렬을 획득할 수 있다.
실시예에 따르면, 상관 행렬은 상관 계수들로 구성될 수 있으며, 아래와 같이 표현될 수 있다.
Figure 112021091674307-pat00035
여기서,
Figure 112021091674307-pat00036
이 상관 행렬이고, 상관 행렬의 (1,1), (1,2), (2,1), (2,2)에 존재하는 요소들이 상관 계수이다.
그리고, 상관 행렬은 시계열 데이터의 구조를 파악하기 위해 활용될 수 있다.
실시예에 따르면, 상관 행렬은 특정 시간 구간에서 시계열 데이터의 구조를 파악하기 위해 실시간 추출될 수 있다.
s22-3과 관련하여, 프로세서(10)는 복수의 상관 행렬을 군집화하여 적어도 하나의 군집을 생성할 수 있다.
실시예에 따르면, 프로세서(10)는 병합 클러스터링(agglomerative clustering) 알고리즘을 이용해 복수의 상관 행렬을 군집화할 수 있다. 병합 클러스터링은 상관 행렬 셋트에 포함된 복수의 상관 행렬을 군집화할 수 있다.
실시예에 따르면, 병합 클러스터링 알고리즘 방식에 따라, 가까운 곳에 위치한 상관 행렬들을 먼저 군집화한 후, 다른 상관 행렬들도 점차 해당 군집에 포함시키는 과정을 통해 군집화를 수행할 수 있다.
실시예에 따르면, 병합 클러스터링을 통해 생성되는 군집의 개수는 미리 정해질 수 있으며, 미리 정해진 군집의 개수에 도달할때까지 군집화를 수행할 수 있다.
실시예에 따르면, 프로세서(10)는 복수의 상관 행렬 사이의 거리를 산출하고, 산출된 거리를 기초로 복수의 상관 행렬을 적어도 하나의 군집으로 군집화할 수 있다.
실시예에 따르면, 프로세서(10)는 상기 복수의 상관 행렬 각각을 구성하는 상관 계수들 사이의 차이값을 이용하여 복수의 상관 행렬 사이의 거리를 산출할 수 있다.
실시예에 따르면, 프로세서(10)는 복수의 상관 행렬 각각을 구성하는 상관 계수들 사이의 차이값을 나타내는 행렬(A)을 생성할 수 있다.
실시예에 따르면, 복수의 상관 행렬 사이의 거리를 산출하기 위해 프로베니우스 놈(Frobenius norm)을 이용할 수 있다.
프로베니우스 놈(Frobenius norm,
Figure 112021091674307-pat00037
)은 아래 수식6과 같이 정의될 수 있다.
수식6:
Figure 112021091674307-pat00038
실시예에 따르면, 상기 행렬(A)은 아래 수식7과 같이 정의될 수 있다.
수식7:
Figure 112021091674307-pat00039
여기서, CM은 상관 행렬을 의미하고,
Figure 112021091674307-pat00040
은 첫번째 상관 행렬,
Figure 112021091674307-pat00041
은 두번째 상관 행렬을 의미한다. 그리고, 실시예에 따르면, 2*2 상관 행렬에 기반하여 생성되는 상관 계수들 사이의 차이값을 나타내는 행렬(A)은 아래와 같이 생성될 수 있다.
Figure 112021091674307-pat00042
그리고, 행렬(A)를 구성하는 각 요소들은 아래와 같이 정의될 수 있다.
Figure 112021091674307-pat00043
여기서,
Figure 112021091674307-pat00044
는 첫번째 상관 행렬의 (i,j) 요소를 의미하고,
Figure 112021091674307-pat00045
은 두번째 상관 행렬의 (i,j) 요소를 의미한다.
실시예에 따르면, 프로세서(10)는 복수의 상관 행렬 각각을 구성하는 상관 계수들 사이의 차이값을 이용하여 복수의 상관 행렬을 적어도 하나의 군집으로 군집화할 수 있다.
실시예에 따르면, 상관 행렬들 각각을 아래와 같은 방식(single linkage)을 이용해 연결하여 군집화할 수 있다.
수식8:
Figure 112021091674307-pat00046
즉, 상관 행렬들 사이의 거리가 최소화될 때 이를 만족시키는 상관 행렬들을 하나의 군집에 포함시킬 수 있다. 다시 말해, 상관 행렬들 각각을 구성하는 상관 계수들 사이의 차이값이 최소화될 때 이를 만족시키는 상관 행렬들을 연결시켜 군집화할 수 있다.
실시예에 따르면, 수식8과 같이 X,Y 두개의 군집이 존재하고, X에 x 상관 행렬이 포함되고, Y에 y 상관 행렬이 포함될 때, x 상관 행렬과 y 상관 행렬 사이의 거리값이 최소화되도록 하는 X,Y 두개의 군집을 서로 연결하여 하나의 군집으로 형성할 수 있다.
실시예에 따르면, X,Y 두개의 군집을 서로 연결한 다음, 두개의 군집 사이의 거리가 소정의 임계치 미만이 될 때까지 군집과정이 수행될 수 있다.
s22-4와 관련하여, 프로세서(10)는 생성된 적어도 하나의 군집 각각을 대표하는 대표값을 산출하여 해당 대표값을 기초로 분석 결과를 생성할 수 있다.
실시예에 따르면, 각 군집의 대표값은 각 군집에 포함된 상관 행렬들에 포함되는 요소들의 평균으로 획득된 최종 데이터로 정의할 수 있다.
구체적으로, 각 군집에 포함된 상관 행렬들에 포함되는 상관 계수들의 평균으로 획득된 최종 데이터를 대표값으로 정의할 수 있다.
예를 들어, 상관 행렬이 (N x N) 행렬이고, (N x N) 크기의 상관 행렬이 n 개 있다고 가정하면, n개의 각 상관 행렬의 각 (i,j) 영역에 존재하는 요소들의 평균값을 산출할 수 있다. 즉, n개의 각 상관 행렬의 (1,1) 영역에 존재하는 요소들의 평균, n개의 각 상관 행렬의 (1,2) 영역에 존재하는 요소들의 평균?? n개의 각 상관 행렬의 (n,n) 영역에 존재하는 요소들의 평균까지 산출하여 획득된 최종 데이터를 대표값으로 정할 수 있다.
실시예에 따르면, 각 군집의 대표값은 아래 수식으로 산출될 수 있다.
수식9:
Figure 112021091674307-pat00047
여기서,
Figure 112021091674307-pat00048
는 k번째 군집의 대표값을 의미하고,
Figure 112021091674307-pat00049
는 k번째 군집에 포함된 i번째 상관 행렬을 의미한다.
실시예에 따르면, 복수의 금융 자산 사이의 상관 관계를 분석한 분석 결과에 각 군집의 대표값을 포함시켜 생성할 수 있다.
실시예에 따르면, 병합 클러스터링을 통한 군집화 결과는 도 4와 같은 히트맵(heatmap)과 아래와 같은 테이블에 의해 표현되어 출력될 수 있다.
Index Start date End date
1 2016-08-29 2020-10-19
2 2008-12-29 2011-08-08
3 2011-10-03 2016-07-04
4 2005-01-03 2007-04-23
5 2007-06-18 2008-11-03
상기 테이블에 표현된 바와 같이, 5개의 군집 각각에 대한 대표값을 도 4에 예시하였으며, (a) 내지 (e)가 각각 군집1부터 군집5 각각에 대한 대표값에 대한 히트맵을 예시한다.
다시 도 2를 참조하면, 프로세서(10)는 분석 결과를 이용해 시계열 데이터에 대응하는 시뮬레이션 데이터를 생성할 수 있다(s23).
실시예에 따르면, 분석 결과는 복수의 금융 자산 사이의 상관 관계에 대한 분석 정보를 나타내며, 각 군집의 대표값을 포함할 수 있다.
각 군집의 대표값은 분석 대상이 되는 시계열 데이터의 구조 및/또는 산출된 상관 행렬에 대한 정보를 대표적으로 나타낼 수 있다.
실시예에 따르면, 프로세서(10)는 분석 결과를 이용해 복수의 금융 자산과 관련된 시계열 데이터에 대응하는 시물레이션 데이터를 생성할 수 있다.
실시예에 따르면, 프로세서(10)는 분석 결과를 이용해 몬테카를로 시뮬레이션을 수행하여 금융 자산과 관련된 시계열 데이터에 대응하는 몬테카를로 시뮬레이션 데이터를 생성할 수 있다.
몬테카를로 시뮬레이션이란, 어떤 문제가 주어졌을 때 난수(Random Number)를 사용해 확률적인 모형에 대한 충분히 많은 수의 무작위 실험 결과를 종합하여 구하고자 하는 풀이를 근사적으로 획득하고자 하는 방법이다.
실시예에 따르면, 프로세서(10)는 분석 결과를 이용해 특정 펀드의 가격에 대한 몬테카를로 시뮬레이션을 수행하여, 해당 펀드의 가격이 상승할 것인지 하락할 것인지에 대한 확률 분포에 따라 특정 구간 동안(예> 현재로부터 특정 날짜의 미래까지)의 펀드 가격의 흐름이 도출되도록 할 수 있다.
실시예에 따르면, 이와 같은 펀드의 가격의 흐름은 설정된 확률 분포 내에서 어떠한 값이나 범위가 난수 생성에 의해 선택되는지에 따라 상이할 수 있으므로, 시뮬레이션 수행시마다 상이한 결과를 획득하여 이용할 수 있다.
본 발명의 경우, s23 단계를 통해 분석 대상이 되는 시계열 데이터가 부족한 문제를 해결하도록 한다. 이를 위하여, 블랙숄즈머튼 모형을 이용할 수 있다.
블랙숄즈머튼 모형은 옵션평가모형으로 입력값에 대한 옵션 가격이 생성되는 모형이다.　 실시예에 따르면, 이를 적용해 금융 시계열에 대한 구조(correlation matrix)를 활용하여 금융 시계열 데이터를 생성하도록 할 수 있다. 이러한 방법을 활용하면 하나의 금융 시계열 구조에 대하여 다양한 금융 시계열 데이터를 생성할 수 있으며 이는 행렬의 행(row)를 폭발적으로 생성시킬 수 있는 장점이 존재하게 된다.
또한, 이는 금융 시계열에 대한 구조를 만족시키는 다양한 패턴을 생성해 내므로 모델에 의해 학습되는 decision boundary가 과최적화 되는 문제를 해결할 수 있다. 현재 생성된 금융 시계열 구조는 5개로 추출되었으므로 s23 단계에서는 5개의 금융 시계열 구조들에 대하여 시뮬레이션 데이터를 생성할 수 있다.
결과적으로, 본 발명의 경우, s23 단계를 통해 시계열 데이터의 부족 문제를 해결할 수 있으며, 이에 따라 분석 대상이 되는 시계열 데이터의 모수를 증폭시켜 충분한 양의 시계열 데이터에 기초해 후술할 과정들을 수행할 수 있게 된다.
프로세서(10)는 획득된 몬테카를로 시뮬레이션 데이터를 메모리(20)에 저장할 수 있다.
프로세서(10)는 시뮬레이션 데이터에 대한 자산 배분 정보를 산출할 수 있다(s24).
실시예에 따르면, 프로세서(10)는 몬테카를로 시뮬레이션 수행으로 획득된 몬테카를로 시뮬레이션 데이터에 대한 자산 배분 정보를 산출할 수 있다.
실시예에 따르면, 프로세서(10)는 몬테카를로 시뮬레이션 데이터를 메모리(20)로부터 독출하거나 실시간 생성 데이터를 이용하여 자산 배분 정보를 산출하는 데 이용할 수 있다.
실시예에 따르면, 자산 배분 정보는 자산 배분 비중을 포함할 수 있으나, 본 발명의 권리범위가 이에 제한되지 않는다.
실시예에 따르면, 프로세서(10)는 몬테카를로 시뮬레이션 데이터를 입력데이터로 하는 자산 배분 정보 산출 모델(21)을 통해 몬테카를로 시뮬레이션 데이터에 대한 자산 배분 정보를 획득할 수 있다.
실시예에 따르면, 프로세서(10)는 학습용 몬테카를로 시뮬레이션 데이터를 입력데이터로 하는 학습을 통해 자산 배분 정보 산출 모델(21)을 획득할 수 있으며, 이러한 학습 과정에 대해서는 도 5 내지 도 6을 참조하여 후술한다.
실시예에 따르면, 프로세서(10)는 소정의 시점에서의 몬테카를로 시뮬레이션 데이터에 대한 자산 배분 정보를 산출할 수 있다.
실시예에 따르면, 프로세서(10)는 학습을 통해 자산 배분 정보 산출 모델(21)을 복수 개 생성할 수 있으며, 복수 개의 자산 배분 정보 산출 모델(21) 중 자산 배분 정보를 산출하고자 하는 소정의 시점에 대응하는 자산 배분 정보 산출 모델(21)을 적어도 하나 선택하여, 해당 선택된 적어도 하나의 자산 배분 정보 산출 모델(21)로부터 각각에 대응하는 자산 배분 정보를 산출할 수 있다.
실시예에 따르면, 프로세서(10)는 소정의 시점에 대응하여 자산 배분 정보를 산출하고자 하는 몬테카를로 시뮬레이션 데이터를 자산 배분 정보 산출 모델(21)에 입력시킬 수 있다.
실시예에 따라 도 7을 참조하면, 프로세서(10)는 학습을 통해 생성된 복수 개의 자산 배분 정보 산출 모델(21) 중 t 시점에 대응하는 자산 배분 정보 산출 모델(21a 내지 21d, CNN1 내지 CNN4)을 선택하여, 각 자산 배분 정보 산출 모델(21a 내지 21d)로부터 각각에 대응하는 자산 배분 정보를 산출할 수 있다.
그리고, 프로세서(10)는 각 자산 배분 정보 산출 모델(21a 내지 21d)로부터 산출된 자산 배분 정보들을 이용하여 최종 자산 배분 정보를 산출할 수 있다.
구체적으로, 아래 수식10과 같이, 각 자산 배분 정보 산출 모델(21a 내지 21d)로부터 산출된 자산 배분 정보들의 평균값을 최종 자산 배분 정보로 산출할 수 있다.
수식10:
Figure 112021091674307-pat00050
한편, 지금까지는 프로세서(10)의 자산 배분 정보 산출 모델(21)을 통한 자산 배분 정보 산출을 예시하였으며, 아래에서는 도 5 내지 도 6을 참조하여 신경망 학습을 통한 자산 배분 정보 산출 모델(21)의 획득 과정에 대하여 기술한다.
프로세서(10)는 학습용 몬테카를로 시뮬레이션 데이터를 입력받아 신경망을 학습시켜 자산 배분 정보 산출 모델(21)을 획득할 수 있으며, 이를 위하여 데이터 획득부(11), 전처리부(12), 학습 데이터 선택부(13), 신경망 모델 학습부(14), 및 신경망 모델 평가부(15)를 포함할 수 있다.
구체적으로, 도 5 및 도 6을 함께 참조하면, 데이터 획득부(11)는 도 2에서 전술한 s21 내지 s23을 통해 학습용 몬테카를로 시뮬레이션 데이터를 획득할 수 있다.
데이터 획득부(11)는 학습용 몬테카를로 시뮬레이션 데이터를 생성하여 메모리(20)에 저장한 후, 메모리(20)로부터 독출하거나 실시간 생성하여 획득할 수 있다.
데이터 획득부(11)는 학습용 몬테카를로 시뮬레이션 데이터로 데이터 셋트를 구성하여 신경망 모델(NM, Neural Network Model)에 입력시켜 학습이 수행되도록 할 수 있다.
전처리부(12)는 획득된 학습용 몬테카를로 시뮬레이션 데이터를 전처리할 수 있다.
전처리부(12)는 자산 배분 정보를 출력하는데 학습용 몬테카를로 시뮬레이션 데이터가 이용되기 적합한 형태로 가공하여 전처리를 수행할 수 있다.
학습 데이터 선택부(13)는 전처리된 데이터 중 학습에 필요한 데이터를 선택할 수 있다.
신경망 모델 학습부(14)는 학습용 몬테카를로 시뮬레이션 데이터를 학습 데이터로 신경망 모델(NM)에 입력시켜 어떻게 자산 배분 정보를 산출할 수 있을 지에 관한 기준을 학습할 수 있다.
신경망 모델 학습부(14)는 학습용 몬테카를로 시뮬레이션 데이터를 입력데이터로 신경망 모델(NM)에 입력시켜 자산 배분 정보를 출력데이터로 출력시키는 과정을 통해 신경망 모델(NM)을 학습시킬 수 있다.
실시예에 따르면, 신경망 모델(NM)은 CNN(convolution neural network)일 수 있으나, 이외에도 DNN(Deep Neural Network), RNN(Recurrent Neural Network), FCN(Fully Convolution Network) 등의 경우에도 본 발명이 동일/유사하게 적용될 수 있다.
신경망 모델(NM)에서 복수의 네트워크 노드들은 서로 다른 깊이(또는, 레이어)에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다.
신경망 모델 학습부(14)는 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradientdescent)을 포함하는 학습 알고리즘 등을 이용하여 신경망 모델(NM)을 학습시킬 수 있다.
실시예에 따르면, 신경망 모델 학습부(14)는 학습용 몬테카를로 시뮬레이션 데이터를 입력데이터로 하는 지도 학습(supervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다.
실시예에 따르면, 신경망 모델 학습부(14)는 학습용 몬테카를로 시뮬레이션 데이터에 기초하여 어떻게 자산 배분 정보를 출력 정보로 결정할지의 판단을 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다.
실시예에 따르면, 신경망 모델 학습부(14)는 복수의 신경망 모델(NM1 내지 NMk)을 병행하여 학습시킬 수 있다.
구체적으로, 각 신경망 모델(NM1 내지 NMk)은 각각의 처리부(14a 내지 14k)에 의한 처리 프로세스에 의해 독립적으로 병행하여 학습될 수 있다. 즉, 각 신경망 모델(NM1 내지 NMk)은 각각의 처리부(14a 내지 14k)에 일대일 대응하여 독립적으로 학습될 수 있다.
실시예에 따르면, 신경망 모델 학습부(14)는 학습용 몬테카를로 시뮬레이션 데이터에 기초하여 어떻게 자산 배분 정보를 출력 정보로 결정할지에 대한 피드백을 강화하는 강화 학습(reinforcement learning)을 통하여, 각 신경망 모델(NM1 내지 NMk)을 학습시킬 수 있다.
실시예에 따르면, 각각의 처리부(14a 내지 14k)는 강화 학습을 통해 각 신경망 모델(NM1 내지 NMk)을 학습시킬 수 있다.
실시예에 따르면, 강화 학습은 아래 수식11과 같은 가치 함수(value function, V)를 이용해 수행될 수 있다.
수식11:
Figure 112021091674307-pat00051
(여기서,
Figure 112021091674307-pat00052
은 상태,
Figure 112021091674307-pat00053
은 보상,
Figure 112021091674307-pat00054
은 정책,
Figure 112021091674307-pat00055
은 탐험을 통해 해당 상태에서의 해당 정책의 누적 보상치의 추정 평가를 위한 함수로 정의할 수 있다.)
실시예에 따르면, 위와 같이 강화 학습 시 다양한 탐험(Exploration)에 의해 가치 함수를 제대로 활용하여 신경망 모델을 학습시키기 위해서 처리부(14a 내지 14k) 및/또는 신경망 모델(NM1 내지 NMk)을 복수 개 이용할 수 있다.
실시예에 따르면, 학습이 수행되면 각 신경망 모델 및/또는 각 신경망 모델을 통해 학습된 결과는 메모리(20)에 저장될 수 있다.
실시예에 따르면, 신경망 모델 평가부(15)는 메모리(20)로부터 학습 데이터 중 일부를 샘플링하여 추출할 수 있으며, 추출한 샘플 데이터를 이용해 다시 신경망 모델을 학습시킬 수 있다.
실시예에 따르면, 신경망 모델 학습 과정에서 가중치를 반복적으로 변경시키며, 학습된 가중치는 신경망 모델 학습부(14)에 정기적으로 복사될 수 있다. 그리고, 최종적으로 학습 수행된 신경망 모델은 메모리(20)에 저장되어 자산 배분 정보 산출 모델로써 기능을 수행할 수 있게 된다.
이상에서 실시예들에 설명된 특징, 구조, 효과 등은 본 발명의 하나의 실시예에 포함되며, 반드시 하나의 실시예에만 한정되는 것은 아니다. 나아가, 각 실시예에서 예시된 특징, 구조, 효과 등은 실시예들이 속하는 분야의 통상의 지식을 가지는 자에 의해 다른 실시예들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
또한, 이상에서 실시예를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시예에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (11)

  1. (a) 프로세서에 의해, 두 개의 금융 자산과 관련된 시계열 데이터를 수집하는 단계;
    (b) 상기 프로세서에 의해, 상기 시계열 데이터를 이용해 상기 두 개의 금융 자산 사이의 상관 관계를 분석한 분석 결과를 생성하는 단계;
    (d) 상기 프로세서에 의해, 상기 분석 결과를 이용해 상기 시계열 데이터에 대응하는 시뮬레이션 데이터를 생성하는 단계; 및
    (e) 상기 프로세서에 의해, 자산 배분 정보 산출 모델들을 통해 상기 시뮬레이션 데이터에 대한 최종 자산 배분 비중을 산출하는 단계;를 포함하고,
    상기 (b)는,
    (b-1) 상기 프로세서에 의해, 상기 두 개의 금융 자산 사이의 상관 관계를 나타내는 상관 계수들을 산출하는 단계;
    (b-2) 상기 프로세서에 의해, 상기 산출된 상관 계수들로 구성된 복수의 상관 행렬을 획득하는 단계; 및
    (b-3) 상기 프로세서에 의해, 상기 복수의 상관 행렬 중 임의의 두 개의 상관 행렬을 군집화하여 적어도 하나의 군집을 생성하는 단계;를 포함하고,
    상기 분석 결과는 상기 적어도 하나의 군집 각각의 대표값을 포함하며,
    상기 적어도 하나의 군집 각각의 대표값은 각 군집에 포함된 상기 임의의 두 개의 상관 행렬의 동일 요소에 대응되는 상관 계수들의 평균에 기초해 획득된 데이터이고,
    상기 시뮬레이션 데이터는 상기 시계열 데이터에 대응하는 몬테카를로 시뮬레이션 수행으로 생성된 것인,
    시뮬레이션 데이터를 이용한 자산 배분 정보 산출 방법.
  2. 삭제
  3. 제 1항에 있어서,
    상기 (b-3)는,
    상기 프로세서에 의해, 상기 복수의 상관 행렬 중 상기 임의의 두 개의 상관 행렬 사이의 거리를 산출하는 단계;를 포함하는,
    시뮬레이션 데이터를 이용한 자산 배분 정보 산출 방법.
  4. 제 3항에 있어서,
    상기 복수의 상관 행렬 중 상기 임의의 두 개의 상관 행렬 사이의 거리는 상기 프로세서에 의해, 상기 임의의 두 개의 상관 행렬의 동일 요소에 대응되는 상관 계수들 사이의 차이값에 기초해 산출되는,
    시뮬레이션 데이터를 이용한 자산 배분 정보 산출 방법.
  5. 제 1항에 있어서,
    상기 상관 계수는 상기 프로세서에 의해, 소정 시점에서의 상기 두 개의 금융 자산 각각의 수익율을 기초로 산출되고, 상기 두 개의 금융 자산 각각에 대한 수익율은 하기 수식에 의해 산출되는,
    수식:
    Figure 112022120558032-pat00056

    (
    Figure 112022120558032-pat00057
    : i번째 자산의 t시점에서의 수익율,
    Figure 112022120558032-pat00058
    : i번째 자산의 t시점에서의 가격,
    Figure 112022120558032-pat00059
    : i번째 자산의 t-1 시점에서의 가격)
    시뮬레이션 데이터를 이용한 자산 배분 정보 산출 방법.
  6. 삭제
  7. 삭제
  8. 삭제
  9. 제 1항에 있어서,
    상기 자산 배분 정보 산출 모델들은 상기 프로세서에 의해, CNN(convolution neural network)을 학습시켜 생성된,
    시뮬레이션 데이터를 이용한 자산 배분 정보 산출 방법.
  10. 삭제
  11. 프로세서; 및
    상기 프로세서에 의해 실행 가능한 명령어들을 저장하는 메모리;를 포함하고,
    상기 프로세서는,
    상기 명령어들을 실행함으로써,
    두 개의 금융 자산과 관련된 시계열 데이터를 수집하고, 상기 시계열 데이터를 이용해 상기 두 개의 금융 자산 사이의 상관 관계를 분석한 분석 결과를 생성하며, 상기 분석 결과를 이용해 상기 시계열 데이터에 대응하는 시뮬레이션 데이터를 생성하고, 자산 배분 정보 산출 모델들을 통해 상기 시뮬레이션 데이터에 대한 최종 자산 배분 비중을 산출하고,
    상기 프로세서는,
    상기 두 개의 금융 자산 사이의 상관 관계를 나타내는 상관 계수들을 산출하고, 상기 산출된 상관 계수들로 구성된 복수의 상관 행렬을 획득하며, 상기 복수의 상관 행렬 중 임의의 두 개의 상관 행렬을 군집화하여 적어도 하나의 군집을 생성함으로써 상기 두 개의 금융 자산 사이의 상기 상관 관계를 분석한 상기 분석 결과를 생성하며,
    상기 분석 결과는 상기 적어도 하나의 군집 각각의 대표값을 포함하고,
    상기 적어도 하나의 군집 각각의 대표값은 각 군집에 포함된 상기 임의의 두 개의 상관 행렬의 동일 요소에 대응되는 상관 계수들의 평균에 기초해 획득된 데이터이며,
    상기 시뮬레이션 데이터는 상기 시계열 데이터에 대응하는 몬테카를로 시뮬레이션 수행으로 생성된 것인,
    시뮬레이션 데이터를 이용한 자산 배분 정보 산출 장치.
KR1020210104681A 2021-07-14 2021-08-09 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 방법 및 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 장치 KR102496501B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210092019 2021-07-14
KR20210092019 2021-07-14

Publications (2)

Publication Number Publication Date
KR20230012388A KR20230012388A (ko) 2023-01-26
KR102496501B1 true KR102496501B1 (ko) 2023-02-07

Family

ID=85110542

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210104681A KR102496501B1 (ko) 2021-07-14 2021-08-09 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 방법 및 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 장치

Country Status (1)

Country Link
KR (1) KR102496501B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101623860B1 (ko) * 2015-04-08 2016-05-24 서울시립대학교 산학협력단 문서 요소에 대한 유사도를 산출하는 방법
KR101819078B1 (ko) * 2010-01-12 2018-01-16 지티이 코포레이션 크로네커 곱에 기반한 공간적 채널 상태 정보 피드백을 위한 방법 및 시스템

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102161256B1 (ko) * 2018-11-23 2020-09-29 광운대학교 산학협력단 주식 포트폴리오 구성을 위한 주식 종목 선택 장치 및 그 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101819078B1 (ko) * 2010-01-12 2018-01-16 지티이 코포레이션 크로네커 곱에 기반한 공간적 채널 상태 정보 피드백을 위한 방법 및 시스템
KR101623860B1 (ko) * 2015-04-08 2016-05-24 서울시립대학교 산학협력단 문서 요소에 대한 유사도를 산출하는 방법

Also Published As

Publication number Publication date
KR20230012388A (ko) 2023-01-26

Similar Documents

Publication Publication Date Title
Thawornwong et al. The adaptive selection of financial and economic variables for use with artificial neural networks
Moody Economic forecasting: Challenges and neural network solutions
Chen et al. Stock index modeling using EDA based local linear wavelet neural network
Bhattacharjee et al. Stock price prediction: a comparative study between traditional statistical approach and machine learning approach
Markova Convolutional neural networks for forex time series forecasting
Lemke et al. Self-organizing data mining for a portfolio trading system
Liu et al. Deep Inception Networks: A General End-to-End Framework for Multi-asset Quantitative Strategies
Moody Forecasting the economy with neural nets: a survey of challenges and solutions
KR102496501B1 (ko) 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 방법 및 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 장치
Zhang et al. Granular neural web agents for stock prediction
Sharma et al. Stock Price Prediction Using LSTM, ARIMA and UCM
Nguyen et al. The efficiency of various types of input layers of LSTM model in investment strategies on S&P500 index
Khandelwal et al. Financial Data Time Series Forecasting Using Neural Networks and a Comparative Study
CN114529063A (zh) 一种基于机器学习的金融领域数据预测方法、设备及介质
Berry et al. Applying neural networks to the extraction of knowledge from accounting reports: A classification study
Wysocki et al. An investment strategy for the stock exchange using neural networks
Deng et al. Prediction and trading in crude oil markets using multi-class classification and multi-objective optimization
Ramlall Artificial intelligence: neural networks simplified
Goyal Financial Time Series Stock Price Prediction using Deep Learning
Pongsena et al. Deep Learning for Financial Time-Series Data Analytics: An Image Processing Based Approach
Moodi et al. Evaluation of feature selection performance for identification of best effective technical indicators on stock market price prediction
Vanderhaeghen Selecting mutual funds using machine learning classifiers
Qiang et al. Bitcoin High-Frequency Trend Prediction with Convolutional and Recurrent Neural Networks
CN115454988B (zh) 基于随机森林网络的卫星电源系统缺失数据补全方法
Irawan et al. Long Short-Term Memory Algorithm for Stock Price Prediction

Legal Events

Date Code Title Description
AMND Amendment
AMND Amendment
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant