KR102496502B1 - 인공지능을 이용한 금융 지표 생성 방법 및 인공지능을 이용한 금융 지표 생성 장치 - Google Patents

인공지능을 이용한 금융 지표 생성 방법 및 인공지능을 이용한 금융 지표 생성 장치 Download PDF

Info

Publication number
KR102496502B1
KR102496502B1 KR1020210109488A KR20210109488A KR102496502B1 KR 102496502 B1 KR102496502 B1 KR 102496502B1 KR 1020210109488 A KR1020210109488 A KR 1020210109488A KR 20210109488 A KR20210109488 A KR 20210109488A KR 102496502 B1 KR102496502 B1 KR 102496502B1
Authority
KR
South Korea
Prior art keywords
artificial intelligence
variable data
processor
intelligence model
model
Prior art date
Application number
KR1020210109488A
Other languages
English (en)
Other versions
KR20230011833A (ko
Inventor
오중석
서지완
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 KR20230011833A publication Critical patent/KR20230011833A/ko
Application granted granted Critical
Publication of KR102496502B1 publication Critical patent/KR102496502B1/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Accounting & Taxation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

실시예에 따른 인공지능을 이용한 금융 지표 생성 방법은 (a) 금융시장에 영향을 미치는 변수 데이터를 수집하는 단계; (b) 복수의 인공지능모델이 상기 변수 데이터를 입력받아 상기 금융 시장에 미치는 영향의 정도를 나타내는 정도 지표를 출력하도록 학습을 수행시키는 단계; (c) 상기 복수의 인공지능모델 중 소정의 기준을 만족하는 적어도 하나의 인공지능모델을 선택하는 단계; 및 (d) 상기 선택된 적어도 하나의 인공지능모델을 이용해 상기 금융 시장에 미치는 영향을 평가하는 평가 지표를 생성하는 단계;를 포함할 수 있다.

Description

인공지능을 이용한 금융 지표 생성 방법 및 인공지능을 이용한 금융 지표 생성 장치{Method for generating financial indicators using artificial intelligence}
본 발명은 인공지능을 이용한 금융 지표 생성 방법 및 인공지능을 이용한 금융 지표 생성 장치에 관한 것으로, 보다 구체적으로 금융 시장에 영향을 미치는 변수 데이터를 이용해 학습된 인공지능모델의 성능을 평가하여 일부 인공지능모델을 선택하고, 선택한 인공지능모델을 이용해 금융 시장에 미치는 영향을 평가하는 평가 지표를 생성하는 방법을 제공하기 위한, 인공지능을 이용한 금융 지표 생성 방법 및 인공지능을 이용한 금융 지표 생성 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.
이와 더불어, 금융 상품을 다루는 금융 기업의 입장에서 금융 시장의 리스크를 감지하는 것은 매우 중요한 일이다. 금융 시장 리스크란, 시장 지수가 단기간에 특정 수치 이상으로 하락하는 것을 의미한다. 최근 세계를 강타한 COVID-19의 경우, 미국 시장 지수인 S&P 500 기준으로 약 3,300 포인트에서 2,200 포인트까지 30% 이상 지수가 감소하였으며, 이러한 경우 시장에 리스크가 발생한 것으로 판단할 수 있다.
만약, 금융 기업 입장에서 이렇게 시장 리스크가 발생할 수 있다는 경보를 받을 수 있다면, 여러 리스크 대비 전략을 수립하고 실천하는 것을 통해 시장 리스크에 대해 대처할 수 있으므로, 이에 대한 필요성이 대두되고 있다.
본 발명은 전술한 필요성에 의해 도출된 것으로, 금융 시장에 대한 면밀한 분석을 통해 시장 리스크를 조기에 감지하는 경보 시스템을 구축할 수 있는 방법을 제공하고자 하는 데에 그 목적이 있다.
실시예에 따른 인공지능을 이용한 금융 지표 생성 방법은 (a) 금융시장에 영향을 미치는 변수 데이터를 수집하는 단계; (b) 복수의 인공지능모델이 상기 변수 데이터를 입력받아 상기 금융 시장에 미치는 영향의 정도를 나타내는 정도 지표를 출력하도록 학습을 수행시키는 단계; (c) 상기 복수의 인공지능모델 중 소정의 기준을 만족하는 적어도 하나의 인공지능모델을 선택하는 단계; 및 (d) 상기 선택된 적어도 하나의 인공지능모델을 이용해 상기 금융 시장에 미치는 영향을 평가하는 평가 지표를 생성하는 단계;를 포함할 수 있다.
상기 (c)는, 상기 복수의 인공지능모델 중, 상기 정도 지표와 기 설정된 레이블과의 유사도에 기초해 결정되는 성능이 소정의 기준치 이상인 상기 적어도 하나의 인공지능모델을 선택하는 단계;를 포함할 수 있다.
상기 (c)는, 하기 수식을 참조해 상기 적어도 하나의 인공지능모델을 선택할 수 있다.
Figure 112021095652778-pat00001
(j: 각각의 인공지능모델, I: 유효 구간 중 일부 구간, R: 해당 인공지능모델의 성능의 순위,
Figure 112021095652778-pat00002
: 유효 구간 중 일부 구간 동안 해당 인공지능모델의 성능의 순위의 표준 편차,
Figure 112021095652778-pat00003
: 유효 구간 중 일부 구간 동안 모든 인공지능모델의 성능의 순위의 표준 편차의 평균, k: 소정의 제1 상수)
상기 (c)는, 하기 수식을 더 참조해 상기 적어도 하나의 인공지능모델을 선택할 수 있다.
Figure 112021095652778-pat00004
(j: 각각의 인공지능모델, I: 유효 구간 중 일부 구간, R: 해당 인공지능모델의 성능의 순위, k': 소정의 제2 상수)
상기 (b)는, 상기 복수의 인공지능모델 각각에 대해 상기 변수 데이터 중 일부가 상이하게 조합된 선택 변수 데이터를 기초로 상기 학습을 수행시키는 단계를 포함할 수 있다.
상기 복수의 인공지능모델은 CNN(Convolution Neural Network)과 FNN(Fully Connected Neural Network)으로 구성될 수 있다.
상기 변수 데이터는 정형 변수 데이터, 비정형 변수 데이터, 및 이벤트 변수 데이터 중 적어도 하나를 포함할 수 있다.
상기 정도 지표는 상기 변수 데이터가 상기 금융 시장에 미치는 악영향에 따른 리스크 강도를 나타낼 수 있다.
상기 (d)는, 상기 선택된 적어도 하나의 인공지능모델에 입력되는 선택 변수 데이터 및 상기 선택된 적어도 하나의 인공지능모델로부터 출력된 정도 지표 중 적어도 하나를 이용해 상기 평가 지표를 생성하는 단계;를 포함할 수 있다.
상기 평가 지표는 상기 선택된 적어도 하나의 인공지능모델로부터 출력된 정도 지표의 평균값을 나타내는 인덱스 정보를 포함할 수 있다.
상기 평가 지표는 상기 인덱스가 소정의 기준치 미만으로 하락하는 시점을 나타내는 포인트 정보를 더 포함할 수 있다.
실시예에 따른 인공지능을 이용한 금융 지표 생성 장치는 프로세서; 및 상기 프로세서에 의해 실행 가능한 명령어들을 저장하는 메모리;를 포함하고,
상기 프로세서는, 상기 명령어들을 실행함으로써, 금융 시장에 영향을 미치는 변수 데이터를 수집하고, 복수의 인공지능모델이 상기 변수 데이터를 입력받아 상기 금융 시장에 미치는 영향의 정도를 나타내는 정도 지표를 출력하도록 학습을 수행시키고, 상기 복수의 인공지능모델 중 소정의 기준을 만족하는 적어도 하나의 인공지능모델을 선택하고, 상기 선택된 적어도 하나의 인공지능모델을 이용해 상기 금융 시장에 미치는 영향을 평가하는 평가 지표를 생성할 수 있다.
본 발명에 따르면, 금융 시장에 대한 분석을 통해 시장 리스크를 감지하는 경보 시스템을 구축할 수 있게 된다.
도 1은 실시예에 따른 인공지능을 이용한 금융 지표 생성 장치의 블록도이다.
도 2는 실시예에 따른 인공지능을 이용한 금융 지표 생성 방법을 설명하는 순서도이고, 도 3 내지 도 6은 도 2의 방법을 설명하는 데 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 인공지능을 이용한 금융 지표 생성 장치(1)의 블록도이다.
도 1에 도시한 바와 같이, 실시예에 따른 인공지능을 이용한 금융 지표 생성 장치 (1)는 프로세서(10)와 메모리(20)를 포함할 수 있다.
메모리(20)는 인공지능을 이용한 금융 지표 생성 장치(1)의 동작에 필요한 각종 프로그램 및 데이터 등을 저장할 수 있다.
실시예에 따른 메모리(20)는 금융 시장에 영향을 미치는 변수 데이터, 변수 데이터에 대한 레이블(리워드), 금융 시장에 미치는 영향의 정도를 나타내는 정도 지표 등을 저장할 수 있다.
실시예에 따른 메모리(20)는 인공지능모델(21)을 저장할 수 있다.
실시예에 따르면, 인공지능모델(21)은 변수 데이터를 입력받아 정도 지표를 출력하기 위한 학습을 수행하는 신경망일 수 있다.
실시예에 따르면, 인공지능모델(21)은 복수 개가 구현되어, 프로세서(10)에 의해 선택적으로 제어될 수 있다.
프로세서(10)는 인공지능을 이용한 금융 지표 생성 장치(1)의 전반적인 동작을 제어할 수 있다.
실시예에 따르면, 프로세서(10)는 금융 시장에 영향을 미치는 변수 데이터를 수집하고, 복수의 인공지능모델이 변수 데이터를 입력받아 금융 시장에 미치는 영향의 정도를 나타내는 정도 지표를 출력하도록 학습을 수행시키며, 복수의 인공지능모델 중 소정의 기준을 만족하는 적어도 하나의 인공지능모델을 선택하여, 선택된 적어도 하나의 인공지능모델을 이용해 금융 시장에 미치는 영향을 평가하는 평가 지표를 생성하도록 제어할 수 있다.
도 2는 실시예에 따른 인공지능을 이용한 금융 지표 생성 방법을 설명하는 순서도이고, 도 3 내지 도 6은 도 2의 방법을 설명하는 데 참조되는 도면이다.
도 2에 도시한 바와 같이, 프로세서(10)는 금융 시장에 영향을 미치는 변수 데이터를 수집할 수 있다(s21).
실시예에 따르면, 프로세서(10)는 금융 시장에 영향을 주는 다양한 요인을 요소별 데이터화하여 변수 데이터로 수집될 수 있다.
실시예에 따르면, 변수 데이터는 시계열 데이터의 형태로 수집될 수 있다.
실시예에 따르면, 변수 데이터는 정형 변수 데이터, 비정형 변수 데이터, 및 이벤트 변수 데이터 중 적어도 하나를 포함할 수 있다.
정형 변수 데이터는 국채 금리, 현물환(환율), 금융 상품 가격 변동을 나타내는 시장 지수 등 경제 지표가 되는 변수 데이터를 포함할 수 있다. 실시예에 따르면, 정형 변수 데이터는 종가가 결정되는 시점에 형성될 수 있고, 1일 1 데이터를 가질 수 있다.
비정형 변수 데이터는 글로벌 중앙 은행의 스탠스, 뉴스나 보고서로부터 전달되는 변수 데이터로, 해당 시장에 대해 긍정/부정 등의 형태로 평가되어 생성되는 데이터일 수 있다. 실시예에 따르면, 비정형 변수 데이터는 1일 1 데이터를 가질 수 있고, 사전 작업을 통해 -1에서 1 사이의 값으로 정규화 처리될 수 있다.
이벤트 변수 데이터는 현업 전문가가 선택한 과거 시장에 영향을 주었던 주요 이벤트(오일, 가격 변동, 북한 핵실험 등)등 특정 이벤트를 기초로 생성되는 데이터일 수 있다. 실시예에 따르면, 이벤트 변수 데이터는 1일 1데이터를 가질 수 있고, 사전 작업을 통해 0 또는 1의 이진값을 가질 수 있다.
실시예에 따르면, 변수 데이터 중 적어도 하나는 각각 인공지능모델(21)에서 학습되기 위하여 날짜별 변수 데이터의 형태로 수집될 수 있다. 구체적으로, 날짜와 변수 데이터가 각각 하나의 축을 형성하여 행렬 및/그래프 중 적어도 하나의 형태로 수집될 수 있다.
실시예에 따르면, 프로세서(10)는 수집된 변수 데이터를 전처리할 수 있다(s22).
프로세서(10)는 수집된 변수 데이터의 시계열적 특성을 반영해 변수 데이터가 인공지능모델(21)에서 활용되기 적합한 형태로 가공하여 전처리를 수행할 수 있다.
실시예에 따르면, 프로세서(10)는 수집된 정형 변수 데이터, 비정형 변수 데이터, 및 이벤트 변수 데이터 중 적어도 일부를 전처리할 수 있다.
실시예에 따라 짧은 기간을 두고 개별 변수 데이터들을 관측하면, 개별 변수 데이터들이 하락과 상승을 반복하지만, 긴 기간에서 변수 데이터들을 관측하면 우상향하는 경향을 나타내는 것을 알 수 있다. 예를 들어, S&P 500 지수의 경우, 짧은 기간을 보면 하락과 상승을 반복하지만, 긴 기간을 두고 보면 결국 지수가 우상향하는 것을 알 수 있다.
본 발명에서는 변수 데이터의 시계열적인 특성과 함께 시간이 경과함에 따라 해당 변수 데이터의 스케일이 특정 방향으로 변화할 수 있다는 특성을 함께 고려하기 위하여 변수 데이터에 대한 전처리를 수행할 수 있다. 즉, 이러한 효과가 과대/과소 평가되어 인공지능모델의 성능에 영향을 주지 않도록 하기 위하여 전처리를 수행할 수 있다.
실시예에 따른 전처리는 아래 수식1을 참조하여 수행될 수 있다.
수식1:
Figure 112021095652778-pat00005
(여기서,
Figure 112021095652778-pat00006
는 t시점을 기준으로 전처리가 수행된 변수 데이터,
Figure 112021095652778-pat00007
는 전처리가 수행되기 전의 t시점을 기준으로 한 변수 데이터,
Figure 112021095652778-pat00008
는 t시점 이전의 특정 구간 동안 발생한 변수 데이터들,
Figure 112021095652778-pat00009
는
Figure 112021095652778-pat00010
의 평균값,
Figure 112021095652778-pat00011
은
Figure 112021095652778-pat00012
의 표준 편차를 의미할 수 있다.)
예를 들어, t일을 기준으로 하고, 특정 구간을 240 영업일로 설정한 경우, t일을 기준으로 과거 240 영업일 동안 발생한 변수 데이터들의 평균값과 표준 편차를 이용하여 t일에서의 변수 데이터의 전처리 수행 결과를 획득할 수 있다.
실시예에 따르면 상기 수식1의 시점은 일/시간/분/초 등의 단위로 산출될 수 있다.
이와 같이, 변수 데이터에 대한 시계열 특성을 고려한 전처리를 수행함으로써 정형 변수 데이터, 비정형 변수 데이터, 이벤트 변수 데이터 중 적어도 하나를 각각 -1 내지 1의 값으로 가공할 수 있다.
프로세서(10)는 복수의 인공지능모델(21)이 변수 데이터를 입력받아 금융 시장에 미치는 영향의 정도를 나타내는 정도 지표를 출력하도록 학습을 수행시킬 수 있다(s23).
프로세서(10)는 복수의 인공지능모델(21)이 전처리된 변수 데이터를 입력받아 학습을 수행하도록 할 수 있다.
실시예에 따르면, 정도 지표는 입력된 변수 데이터가 금융 시장에 미치는 영향의 정도를 나타내는 것으로, 예를 들어, 금융 시장에 미치는 악영향에 따른 리스크 강도를 나타낼 수 있다. 즉, 금융 시장이 급락이나 붕괴한 레벨을 나타낼 수 있으며, 해당 시점에 리스크에 따른 경고 신호를 출력하도록 설정할 수 있다.
실시예에 따르면, 정도 지표는 -1 내지 1의 값으로 수치화되어 출력될 수 있다. 만일, 정도 지표가 리스크 강도를 나타내면, 1에 가까울수록 리스크 강도가 높은 것을 나타내도록 설정할 수 있다.
다만, 이는 일 실시예이며, 리스크 강도에 대응하는 수치는 다양한 방식에 의해 표현될 수 있다.
실시예에 따르면, 프로세서(10)는 복수의 인공지능모델(21)이 변수 데이터를 학습 데이터로 입력받아 학습을 수행하도록 할 수 있다. 학습 데이터는 복수의 인공지능모델(21) 각각을 훈련시키기 위해 입력되는 데이터들의 집합을 의미한다.
인공지능모델(21)이 입력된 변수 데이터를 분석하여 목적하는 정도 지표를 출력하기 위해 반복적으로 기계 학습을 수행할 수 있다.
프로세서(10)는 변수 데이터를 학습 데이터로 인공지능모델(21)에 입력시켜 어떻게 정도 지표를 산출할 수 있을 지에 관한 기준을 학습할 수 있다.
프로세서(10)는 변수 데이터를 입력데이터로 인공지능모델(21)에 입력시켜 정도 지표를 출력데이터로 출력시키는 과정을 통해 인공지능모델(21)을 학습시킬 수 있다.
실시예에 따르면, 인공지능모델(21)은 CNN(convolution neural network)일 수 있으나, 이외에도 DNN(Deep Neural Network), RNN(Recurrent Neural Network), FCN(Fully Convolution Network)등이거나 각 네트워크가 적어도 하나 연결된 경우에도 본 발명이 동일/유사하게 적용될 수 있다.
인공지능모델(21)에서 복수의 네트워크 노드들은 서로 다른 깊이(또는, 레이어)에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다.
인공지능모델(21)은 복수의 신경망 레이어들로 구성될 수 있고, 각 레이어는 복수의 가중치들을 가지고 있으며, 이전 레이어의 연산 결과와 복수의 가중치의 연산을 통해 현 레이어의 연산을 수행할 수 있다.
프로세서(10)는 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradientdescent)을 포함하는 학습 알고리즘 등을 이용하여 인공지능모델(21)을 학습시킬 수 있다.
실시예에 따르면, 프로세서(10)는 변수 데이터를 입력데이터로 하는 지도 학습(supervised learning)을 통하여, 인공지능모델(21)을 학습시킬 수 있다.
실시예에 따르면, 프로세서(10)는 변수 데이터에 기초하여 어떻게 정도 지표를 출력 정보로 결정할지의 판단을 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 인공지능모델(21)을 학습시킬 수 있다.
프로세서(10)는 인공지능모델(21)을 통해 출력되는 결과의 정확도를 높이기 위해, 변수 데이터에 근거해 출력 레이어에서 입력 레이어 방향으로 기계 학습을 반복적으로 수행하며 출력된 정도 지표의 정확도가 높아지도록 가중치값들을 수정할 수 있다.
실시예에 따르면, 프로세서(10)는 변수 데이터 중 적어도 일부가 상이하게 조합되도록 변수 데이터를 선택하고, 선택된 변수 데이터가 복수의 인공지능모델(21)을 통해 학습되도록 제어할 수 있다. 즉, 복수의 인공지능모델(21) 각각에 대하여 선택 변수 데이터를 기초로 학습을 수행시킬 수 있다.
실시예에 따르면, 변수 데이터는 수많은 종류가 생성될 수 있으므로, 이 중 샘플링된 다양한 변수 데이터의 조합에 기초해 각 인공지능모델(21)을 학습시켜 각 인공지능모델(21)의 성능을 개별적으로 평가할 수 있도록 하며, 특히, 이 중 좋은 성능을 가진 인공지능모델(21)을 선택할 수 있게 된다.
구체적으로, 도 3을 참조하면, 변수 데이터는 수많은 종류가 생성될 수 있고, 이 중 샘플링된 다양한 변수 데이터의 조합(sampling_1 내지 sampling_#) 각각을 각각에 대응하는 인공지능모델(21, 21a 내지 21n)에 입력시켜 학습시킬 수 있다.
실시예에 따르면, 프로세서(10)는 각 인공지능모델(21, 21a 내지 21n)에 대한 학습 수행 시, 소정의 시점(또는 구간)을 기준으로 학습을 수행시킬 수 있다.
실시예에 따르면, 프로세서(10)는 선택 변수 데이터를 소정의 시점(예> 일/시간/분/초)별로 각 인공지능모델(21, 21a 내지 21n)에 입력시키고, 해당 소정의 시점별로 정도 지표를 출력시킬 수 있다.
프로세서(10)는 복수의 인공지능모델(21) 중 소정의 기준을 만족하는 적어도 하나의 인공지능모델을 선택할 수 있다(s24).
실시예에 따르면, 프로세서(10)는 복수의 인공지능모델(21) 중 소정의 기준치 이상의 성능을 가진 적어도 하나의 인공지능모델을 선택할 수 있다.
실시예에 따르면, 프로세서(10)는 소정의 기준을 만족하는 적어도 하나의 인공지능모델을 선택해 하나의 군(Prime Committee)을 형성할 수 있다.
실시예에 따르면, 복수의 인공지능모델(21) 각각의 성능은 각각의 정도 지표와 기 설정된 레이블과의 유사도에 기초해 결정될 수 있다.
실시예에 따르면, 레이블('리워드'로 명명할 수도 있다.)은 변수 데이터가 금융 시장에 미치는 영향의 정도를 나타내는 기준값으로 학습을 위해 미리 획득될 수 있다.
실시예에 따르면, 레이블은 금융 시장에 미치는 악영향에 따른 리스크 강도를 나타낼 수 있다. 즉, 금융 시장이 급락이나 붕괴한 레벨을 나타낼 수 있다.
실시예에 따르면, 레이블은 소정의 시점(일/시간/분/초)을 기준으로 획득될 수 있다.
예를 들어, 특정 금융 시장을 나타내는 지수가 20 영업일 이내에 6% 이상 하락한 구간을 경고 신호를 부여해야 하는 구간으로 설정한 경우, 해당 구간 동안에는 소정의 시점별로 높은 점수를 부여한 레이블을 획득하고, 해당 구간을 벗어난 경우에는 상대적으로 낮은 점수를 부여한 레이블을 획득할 수 있다.
프로세서(10)는 변수 데이터를 각 인공지능모델(21)에 입력시켜 출력되는 정도 지표를 기 설정된 레이블과 비교하는 과정을 반복적으로 학습하고, 정도 지표가 기 설정된 레이블과 더 유사해지도록 하는 것을 목표로 학습을 수행하게 된다. 다시 말해, 더 많은 양의 리워드를 획득하도록 하는 것을 목표로 학습을 수행할 수 있다.
프로세서(10)는 학습 과정에서 변수 데이터에 대응해 각 인공지능모델(21)로부터 출력되는 정도 지표가 기 설정된 레이블과 얼마나 유사한지 여부에 따라 각 인공지능모델(21)의 성능을 결정할 수 있다.
실시예에 따르면, 프로세서(10)는 하기 수식2 및/또는 수식3을 참조해 소정의 기준치 이상의 성능을 가지는 인공지능모델을 선택할 수 있다.
수식2:
Figure 112021095652778-pat00013
(j: 각각의 인공지능모델, I: 유효 구간 중 일부 구간, R: 해당 인공지능모델의 성능의 순위,
Figure 112021095652778-pat00014
: 유효 구간 중 일부 구간 동안 해당 인공지능모델의 성능의 순위의 표준 편차,
Figure 112021095652778-pat00015
: 유효 구간 중 일부 구간 동안 모든 인공지능모델의 성능의 순위의 표준 편차의 평균, k: 소정의 제1 상수)
수식3:
Figure 112021095652778-pat00016
(j: 각각의 인공지능모델, I: 유효 구간 중 일부 구간, R: 해당 인공지능모델의 성능의 순위, k': 소정의 제2 상수)
참고로, 본 발명에서 '유효 구간'은 시계열 데이터인 변수 데이터에 대한 학습을 수행하기 위해 선택된 구간으로 정의할 수 있고, 모든 인공지능모델은 동일한 '유효 구간' 동안을 기준으로 학습을 수행할 수 있다. 그리고, '유효 구간'은 군(Prime Committee)을 형성하기 위해 인공지능모델을 선택하기 위한 작업을 반복 수행하기 위한 복수 개의 '일부 구간'을 포함할 수 있다.
예를 들어, '유효 구간'이 240일이고, '일부 구간'이 30일인 경우, 8번의 인공지능모델 선택 작업을 수행할 수 있다.
실시예에 따르면, R은 I구간 동안 나타내는 해당 인공지능모델의 성능의 순위로, R이 높을수록 다른 인공지능모델에 비해 I구간에 대한 예측력이 높은 것을 의미할 수 있다. 즉, R이 높을수록, 해당 인공지능모델로부터 출력되는 정도 지표의 기 설정된 레이블(리워드)과의 유사도가 높은 것을 의미할 수 있다.
이에 따라, 본 발명에서 '군'은 유효 구간 동안 출력되는 정도 지표의 기 설정된 레이블(리워드)와의 유사도가 높은 인공지능모델(21)로 구성된 집합인 것으로 정의할 수 있다.
도 4를 참조하면, 개별적으로 학습된 각 인공지능모델(21, 21a 내지 21n) 중 유효 구간 동안 소정의 기준을 만족하는 적어도 하나의 인공지능모델을 선택해 하나의 군(Prime Committee)를 형성하게 되는 것을 알 수 있다.
참고로, 도 4에서는 하나의 군을 예시하였으나, 선택된 인공지능모델을 이용해 복수의 군을 형성하는 경우에도 본 발명이 동일/유사하게 적용될 수 있다.
실시예에 따르면, 프로세서(10)는 해당 유효 구간 중 일부 구간 동안 개별 인공지능모델에 대해 소정의 시점별(일/시간/분/초) 발생하는 오차를 이용해 소정의 시점별(일/시간/분/초) 성능의 순위를 판별할 수 있다.
전술한 수식2에 따르면, 프로세서(10)는 유효 구간 중 일부 구간 동안 모든 인공지능모델의 성능에 대비한 해당 인공지능모델의 성능이 소정의 제1 임계치 미만인 인공지능모델을 제외시키는 작업을 수행할 수 있다. 즉, 유효 구간 중 일부 구간 동안 판별된 임의의 인공지능모델의 성능의 순위의 변화(표준편차에 따른)가, 동일 일부 구간 동안 판별된 모든 인공지능모델의 성능의 순위의 변화(표준편차에 따른)의 평균보다 낮은 경우, 해당 임의의 인공지능모델을 추려내는 작업을 수행할 수 있다.
즉, 전술한 수식2에 따르면, 프로세서(10)는 특정 구간 동안 일정한 수준의 성능을 꾸준하게 나타내는 인공지능모델을 추려낼 수 있게 된다.
한편, 전술한 수식3에 따르면, 프로세서(10)는 유효 구간 중 일부 구간 동안 임의의 인공지능모델의 성능의 순위가 소정의 제2 임계치를 초과하는 경우, 해당 임의의 인공지능모델을 선택하는 작업을 수행할 수 있다.
즉, 전술한 수식3에 따르면, 프로세서(10)는 특정 구간 동안 상대적으로 좋은 성능을 나타내는 인공지능모델을 추려낼 수 있게 된다.
결과적으로, 프로세서(10)는 수식2와 같이 일정 수준의 성능을 나타내는 인공지능모델을 1차적으로 선별한 후, 수식3과 같이 이 중에서도 상대적으로 더 좋은 성능을 나타내는 인공지능모델을 2차적으로 선별하여 군에 포함시킬 수 있다. 이에 따르면, 수식2를 통해 일정 수준의 성능을 나타내지만 상대적으로 성능이 낮은 인공지능모델인 경우에도 선별될 수 있으므로, 수식3을 통해 최종적으로 좋은 성능을 나타내는 인공지능모델만을 선별할 수 있게 된다.
프로세서(10)는 군에 포함된 적어도 하나의 인공지능모델을 이용해 금융 시장에 미치는 영향을 평가하는 평가 지표를 생성할 수 있다(s25).
실시예에 따르면, 프로세서(10)는 군에 포함된 적어도 하나의 인공지능모델에 입력되는 선택 변수 데이터 및 적어도 하나의 인공지능모델로부터 출력되는 정도 지표 중 적어도 하나를 이용해 평가 지표를 생성할 수 있다.
즉, 학습이 수행되고 좋은 성능을 나타내어 선택된 일부 인공지능모델을 참조하여, 선택된 일부 인공지능모델의 입력 데이터와 출력 데이터를 이용해 평가 지표를 생성할 수 있다.
실시예에 따르면, 평가 지표는 금융 시장에 미치는 영향을 평가하기 위한 기준이 되는 데이터일 수 있다.
실시예에 따르면, 평가 지표는 금융 시장에 미치는 영향을 평가하기 위한 요인이 되는 요소 데이터 및/또는 해당 요인에 기초해 금융 시장에 미치는 영향이 평가된 결과 데이터를 포함할 수 있다.
실시예에 따르면, 프로세서(10)는, 군에 포함된 인공지능모델의 선택 변수 데이터를 이용해 요소 데이터를 생성할 수 있다. 예를 들어, 프로세서(10)는, 군에 포함된 인공지능모델들이 공통적으로 가지는 선택 변수 데이터를 주요 변수 데이터로 판단하여 이를 리스트화하여 요소 데이터로 생성할 수 있다.
실시예에 따르면, 프로세서(10)는, 군에 포함된 인공지능모델이 가지는 선택 변수 데이터의 중요도를 판별하여 요소 데이터로 생성할 수 있다. 즉, 인공지능모델이 공통적으로 가지는 선택 변수 데이터 중 상대적으로 중요도가 높은 선택 변수 데이터를 선별하여 이를 리스트화하여 요소 데이터로 생성할 수 있다.
예를 들어, 도 5를 참조하면, 리스트화된 선택 변수 데이터를 나타낸다.
실시예에 따르면, 프로세서(10)는, 군에 포함된 인공지능모델로부터 출력되는 정도 지표를 이용해 금융 시장에 미치는 영향이 평가된 결과 데이터를 생성할 수 있다.
실시예에 따르면, 금융 시장에 미치는 영향이 평가된 결과 데이터는 경고 인덱스 및/또는 경고 포인트를 포함할 수 있다.
예를 들어, 도 6의 (a)는 특정 금융 시장 지수의 화면으로, 경고 포인트(원점)를 나타내며, 깃발 표기 부분은 위험 국면에 진입하게 된 시점을 나타낸다. 그리고, 도 6의 (b)는 경고 인덱스를 예시한다.
실시예에 따르면, 정도 지표가 금융 시장에 미치는 악영향에 따른 리스크 강도를 나타내는 경우, 프로세서(10)는 해당 리스크 강도의 평균값을 산출할 수 있다. 즉, 프로세서(10)는 선택된 개별 인공지능모델로부터 출력되는 리스크 강도의 평균값을 산출하고, 이를 나타내는 경고 인덱스를 생성할 수 있다.
실시예에 따르면, 경고 인덱스는 -1 내지 1의 수치로 생성될 수 있으며, 후처리 과정에서, 해당 경고 인덱스에 대한 반전 및/또는 정규화 과정을 통해 최종적으로 0 내지 1의 수치로 가공될 수 있다.
실시예에 따르면, 해당 경고 인덱스가 0에 가까울수록 향후 부정적인 금융 시장임을 예측할 수 있고, 1에 가까울수록 향후 긍정적인 금융 시장임을 예측할 수 있게 된다.
실시예에 따르면, 프로세서(10)는 생성한 경고 인덱스가 소정의 기준치(예> 0.5) 미만으로 하락하게 되는 시점을 나타내는 경고 포인트를 생성할 수 있다.
즉, 소정의 기준치 미만으로 하락하게 되는 시점을 향후 금융 시장이 긍정적인 분위기에서 부정적인 분위기로 전환하게 된 시점으로 판단할 수 있게 된다.
실시예에 따르면, 프로세서(10)는 해당 구간의 해당 경고 포인트 시점에 한번만 경고 신호를 출력하도록 설정할 수 있다. 즉, 반복적으로 출력되지 않도록 출력되는 경고 신호의 횟수를 설정할 수 있다. 이 경우, 경고 신호를 출력하게 되면, 특정 기간 이상 경고 포인트를 출력하지 않도록 설정할 수 있다.
한편, 지금까지는 인공지능모델(21)에 대한 학습을 기술하였으나, 다른 실시예에 따라 인공지능모델(21)에 대한 추론을 더 수행할 수도 있다.
실시예에 따르면, 프로세서(21)는 도 2의 s23 과정을 수행한 후, 동일 인공지능모델에 대해 변수 데이터를 입력하여 정도 지표를 출력하는 추론 과정을 더 수행하도록 제어할 수 있다.
이 경우, 도 2의 s24 내지 s25 과정은 추론 수행 과정에서 이루어질 수 있다.
다른 실시예에 따르면, 프로세서(21)는 s25 과정을 수행하여 새로운 평가 지표를 생성한 후, 해당 평가 지표에 기반해 인공지능모델에 대한 추론을 수행할 수도 있다. 즉, 선택된 적어도 하나의 인공지능모델에 대해 금융 시장에 미치는 영향을 평가하기 위한 요인이 되는 요소 데이터를 입력하여 해당 요인에 기초해 금융 시장에 미치는 영향이 평가된 결과 데이터를 출력하는 추론 과정을 수행하도록 제어할 수 있다.
본 발명에 따르면, 이와 같이 인공지능모델들을 이용해 금융 시장의 리스크를 감지하여 위험에 대해 정량적으로 표현하는 경고 인덱스 등의 지표를 생성하게 됨으로써, 이를 기반으로 금융 시장에 리스크가 예측되는 경우 경고 신호를 출력하여 사용자가 리스크에 대비할 수 있도록 할 수 있게 된다.
또한, 인공지능모델들에 중요하게 적용되는 변수 리스트를 통해 전문가에게 큐레이션을 제공할 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 (12)

  1. (a) 프로세서에 의해, 금융 시장에 영향을 미치는 요인이 시계열 데이터화된 변수 데이터를 수집하는 단계;
    (b) 상기 프로세서에 의해, 복수의 인공지능모델이 상기 변수 데이터를 입력받아 상기 변수 데이터가 상기 금융 시장에 미치는 영향의 정도를 나타내는 정도 지표를 출력하도록 상기 복수의 인공지능모델을 학습시키는 단계;
    (c) 상기 프로세서에 의해, 상기 복수의 인공지능모델 중 소정의 기준을 만족하는 적어도 하나의 인공지능모델을 선택해 하나의 군을 생성하는 단계; 및
    (d) 상기 프로세서에 의해, 상기 하나의 군에 포함된 상기 적어도 하나의 인공지능모델로부터 출력된 정도 지표를 이용해 상기 변수 데이터가 상기 금융 시장에 미치는 영향을 평가하는 평가 지표를 생성하는 단계;를 포함하고,
    상기 소정의 기준은, 하기 수식1 및 수식2를 포함하는,
    수식1:
    Figure 112022120559718-pat00027

    (j: 각각의 인공지능모델, I: 유효 구간 중 일부 구간, R: 해당 인공지능모델의 성능의 순위,
    Figure 112022120559718-pat00028
    : 유효 구간 중 일부 구간 동안 해당 인공지능모델의 성능의 순위의 표준 편차,
    Figure 112022120559718-pat00029
    : 유효 구간 중 일부 구간 동안 모든 인공지능모델의 성능의 순위의 표준 편차의 평균, k: 소정의 제1 상수)
    수식2:
    Figure 112022120559718-pat00030

    (j: 각각의 인공지능모델, I: 유효 구간 중 일부 구간, R: 해당 인공지능모델의 성능의 순위, k': 소정의 제2 상수)
    인공지능을 이용한 금융 지표 생성 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 제 1항에 있어서,
    상기 정도 지표는 상기 변수 데이터가 상기 금융 시장에 미치는 악영향에 따른 리스크 강도를 나타내는,
    인공지능을 이용한 금융 지표 생성 방법.
  9. 삭제
  10. 삭제
  11. 삭제
  12. 프로세서; 및
    상기 프로세서에 의해 실행 가능한 명령어들을 저장하는 메모리;를 포함하고,
    상기 프로세서는,
    상기 명령어들을 실행함으로써,
    금융 시장에 영향을 미치는 요인이 시계열 데이터화된 변수 데이터를 수집하고, 복수의 인공지능모델이 상기 변수 데이터를 입력받아 상기 변수 데이터가 상기 금융 시장에 미치는 영향의 정도를 나타내는 정도 지표를 출력하도록 상기 복수의 인공지능모델을 학습시키고, 상기 복수의 인공지능모델 중 소정의 기준을 만족하는 적어도 하나의 인공지능모델을 선택해 하나의 군을 생성하고, 상기 하나의 군에 포함된 상기 적어도 하나의 인공지능모델로부터 출력된 정도 지표를 이용해 상기 변수 데이터가 상기 금융 시장에 미치는 영향을 평가하는 평가 지표를 생성하고,
    상기 소정의 기준은, 하기 수식1 및 수식2를 포함하는,
    수식1:
    Figure 112022120559718-pat00031

    (j: 각각의 인공지능모델, I: 유효 구간 중 일부 구간, R: 해당 인공지능모델의 성능의 순위,
    Figure 112022120559718-pat00032
    : 유효 구간 중 일부 구간 동안 해당 인공지능모델의 성능의 순위의 표준 편차,
    Figure 112022120559718-pat00033
    : 유효 구간 중 일부 구간 동안 모든 인공지능모델의 성능의 순위의 표준 편차의 평균, k: 소정의 제1 상수)
    수식2:
    Figure 112022120559718-pat00034

    (j: 각각의 인공지능모델, I: 유효 구간 중 일부 구간, R: 해당 인공지능모델의 성능의 순위, k': 소정의 제2 상수)
    인공지능을 이용한 금융 지표 생성 장치.
KR1020210109488A 2021-07-14 2021-08-19 인공지능을 이용한 금융 지표 생성 방법 및 인공지능을 이용한 금융 지표 생성 장치 KR102496502B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210092020 2021-07-14
KR20210092020 2021-07-14

Publications (2)

Publication Number Publication Date
KR20230011833A KR20230011833A (ko) 2023-01-25
KR102496502B1 true KR102496502B1 (ko) 2023-02-06

Family

ID=85109668

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210109488A KR102496502B1 (ko) 2021-07-14 2021-08-19 인공지능을 이용한 금융 지표 생성 방법 및 인공지능을 이용한 금융 지표 생성 장치

Country Status (1)

Country Link
KR (1) KR102496502B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101885155B1 (ko) * 2017-09-22 2018-08-03 아시아골드 주식회사 실시간 시세 기반 귀금속 매매 서비스 제공 방법
KR102094377B1 (ko) * 2019-04-12 2020-03-31 주식회사 이글루시큐리티 비지도학습 이상탐지를 위한 모델 선택 시스템 및 그 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100445247B1 (ko) * 2001-05-08 2004-08-21 차문현 금융자산 운용방법
KR20140009640A (ko) * 2012-07-12 2014-01-23 (주) 소프트브리지 투자 분석 시스템 및 그 방법
KR102138967B1 (ko) * 2018-03-22 2020-07-28 (주)다음소프트 빅데이터 기반 소비자심리지수 제공 시스템 및 그 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101885155B1 (ko) * 2017-09-22 2018-08-03 아시아골드 주식회사 실시간 시세 기반 귀금속 매매 서비스 제공 방법
KR102094377B1 (ko) * 2019-04-12 2020-03-31 주식회사 이글루시큐리티 비지도학습 이상탐지를 위한 모델 선택 시스템 및 그 방법

Also Published As

Publication number Publication date
KR20230011833A (ko) 2023-01-25

Similar Documents

Publication Publication Date Title
Zhao et al. Time-weighted LSTM model with redefined labeling for stock trend prediction
US9934470B2 (en) Production equipment including machine learning system and assembly and test unit
CN111553543A (zh) 基于TPA-Seq2Seq的电力负荷预测方法及相关组件
Kompella et al. Stock market prediction using machine learning methods
Fdez-Riverola et al. A hybrid cbr model for forecasting in complex domains
Lauguico et al. A fuzzy logic-based stock market trading algorithm using bollinger bands
Suryo et al. Improved time series prediction using LSTM neural network for smart agriculture application
Khan et al. A study of forecasting stocks price by using deep Reinforcement Learning
Mourelatos et al. Financial indices modelling and trading utilizing deep learning techniques: the ATHENS SE FTSE/ASE large cap use case
CN113988220A (zh) 一种采煤机健康状态评估方法
KR102496502B1 (ko) 인공지능을 이용한 금융 지표 생성 방법 및 인공지능을 이용한 금융 지표 생성 장치
US20230214668A1 (en) Hyperparameter adjustment device, non-transitory recording medium in which hyperparameter adjustment program is recorded, and hyperparameter adjustment program
KR102355255B1 (ko) Lstm 신경망과 텍스트 마이너를 이용한 주가 실시간 예측 시스템
Jackson et al. Machine learning for classification of economic recessions
Wang et al. Research on House Price Forecast Based on Hyper Parameter Optimization Gradient Boosting Regression Model
Ghasemieh et al. Deep Learning Vs. Machine Learning in Predicting the Future Trend of Stock Market Prices
Wang The Prediction of Stock Index Movements Based on Machine Learning
Yadav Vanguri et al. Extraction of Technical Indicators and Data Augmentation-Based Stock Market Prediction Using Deep LSTM Integrated Competitive Swarm Feedback Algorithm
KR102433930B1 (ko) 세그먼트별 트래킹을 기반으로 크레딧 투 맵을 조정하는 방법 및 이러한 방법을 수행하는 장치
Lubis et al. Measurement of Detection Rate Accuracy in Forecasting Crude Palm Oil Production using Fuzzy Time Series
KR102433932B1 (ko) 세그먼트별 크레딧 투 맵을 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치
Kochegurova et al. Recurrent penalized splines for real-time forecasting of the parameters of technical systems
KR102606328B1 (ko) 빅데이터에 기반한 골재 매입 매도 시점 추천 시스템
McHugh et al. Technical Indicators and Prediction for Energy Market Forecasting
Asmai et al. Time series prediction techniques for estimating remaining useful lifetime of cutting tool failure

Legal Events

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