KR102504880B1 - System and method for producing customized investment portfolio - Google Patents
System and method for producing customized investment portfolio Download PDFInfo
- Publication number
- KR102504880B1 KR102504880B1 KR1020220111422A KR20220111422A KR102504880B1 KR 102504880 B1 KR102504880 B1 KR 102504880B1 KR 1020220111422 A KR1020220111422 A KR 1020220111422A KR 20220111422 A KR20220111422 A KR 20220111422A KR 102504880 B1 KR102504880 B1 KR 102504880B1
- Authority
- KR
- South Korea
- Prior art keywords
- investment
- user
- data
- reinforcement learning
- deep reinforcement
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 title 1
- 230000002787 reinforcement Effects 0.000 claims abstract description 103
- 230000000694 effects Effects 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000010586 diagram Methods 0.000 description 7
- 239000003795 chemical substances by application Substances 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 230000029305 taxis Effects 0.000 description 2
- 238000004260 weight control Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
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
- 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
- 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)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
Description
본 발명은 맞춤형 투자 포트폴리오 생성 방법 및 그 시스템에 관한 것이다. 보다 구체적으로는, 심층 강화 학습 기반의 사용자 맞춤형 투자 포트폴리오를 생성 방법 및 그 시스템에 관한 것이다.The present invention relates to a method and system for creating a customized investment portfolio. More specifically, it relates to a method and system for generating a user-customized investment portfolio based on deep reinforcement learning.
자산 투자에 있어서, 투자 종목 내지 포트폴리오는 고객의 목표 수익률을 포함하는 고객 투자 성향을 기초로 추천된다.In asset investment, investment stocks or portfolios are recommended based on the customer's investment propensity, including the customer's target rate of return.
이러한 투자 종목 내지 포트폴리오 추천은, 일반적으로는 영업점 직원 등을 통한 전문적인 상담을 통해 이루어지고 있지만, 최근에는 로봇 어드바이저와 같은 자동화된 포트폴리오 작성 도구를 통해 이루어지는 경우도 많다.Such investment items or portfolio recommendations are generally made through professional consultation through branch staff, etc., but recently, in many cases, they are made through automated portfolio creation tools such as robot advisors.
로봇 어드바이저와 같은 현재의 자동화된 투자 종목 내지 포트폴리오의 경우, 고객의 투자 성향이 설문 문항을 통해 파악되고, 이를 통해 적절한 포트폴리오 모델이 자동으로 제안된다.In the case of current automated investment items or portfolios such as robot advisors, the customer's investment propensity is identified through survey questions, and an appropriate portfolio model is automatically suggested.
그러나, 이러한 설문 문항은 개인 별로 달리 제공되는 것이 아니라 일괄적으로 동일하기 때문에, 개인의 투자 성향을 정확히 여러 측면에서 파악하기 어려운 문제점이 있다. 또한, 이러한 문제점으로 인해, 투자 목표도 개인 별로 맞춤식으로 설정되기 어렵다.However, there is a problem in that it is difficult to accurately grasp the individual's investment propensity in various aspects because these questionnaire items are not provided differently for each individual but are identical in bulk. In addition, due to these problems, it is difficult to set investment goals customized for each individual.
또한, 이러한 투자 성향 파악의 한계로 인해, 설문 문항으로 파악되는 투자 성향은 복수의 그룹으로 그룹핑되는 정도에 불과하고, 투자 종목 내지 포트폴리오의 결정은 마켓 상황을 위주로 결정되는 면이 있었다. In addition, due to the limitations of identifying such investment propensity, the investment propensity identified by the survey questions is only to the extent that it is grouped into a plurality of groups, and the decision of the investment item or portfolio is based on the market situation.
본 발명은 상술한 문제점을 해결하기 위한 것으로서, 사용자의 투자 앱 활동 데이터를 이용하여 사용자의 투자 성향 내지 투자 목표를 파악하고 그에 맞는 투자 포트폴리오를 제공할 수 있는, 심층 강화 학습 기반의 사용자 맞춤형 투자 포트폴리오 생성 방법 및 그 시스템을 제공하고자 한다. The present invention is to solve the above problems, using the user's investment app activity data to identify the user's investment propensity or investment goal and to provide a customized investment portfolio based on deep reinforcement learning. It is intended to provide a generation method and a system therefor.
본 발명의 해결 과제는 위에서 언급한 내용으로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들을 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.The problem to be solved by the present invention is not limited to the contents mentioned above, and other technical problems not mentioned will be clearly understood by those skilled in the art from the description below.
본 발명의 일 실시예에 따른, 맞춤형 투자 포트폴리오 생성 방법은, 사용자 단말에 투자 앱을 제공하는 단계와, 투자 앱을 통해 사용자의 투자 앱 활동 데이터를 저장하는 단계와, 투자 앱을 통해 사용자의 투자 목표 데이터를 저장하는 단계와, 마켓 데이터와 사용자의 자산 데이터를 저장하는 단계와, 상기 마켓 데이터, 상기 자산 데이터, 상기 투자 앱 활동 데이터, 상기 투자 목표 데이터를 학습 데이터로 이용하여 매수 제안 종목을 결정하기 위한 심층 강화학습 모델을 학습시키는 단계와, 상기 심층 강화학습 모델을 통해 매수 제안 종목을 결정하는 단계를 포함하고, 상기 심층 강화학습 모델의 적어도 제1 심층 강화학습 알고리즘은, 사용자의 투자 목표에 따른 매수 제안 종목을 결정하기 위한 알고리즘으로서, 제1 심층 강화학습 알고리즘은, 종목의 매수, 매도 또는 홀딩을 취했을 때 얻게 되는 보상의 값을 결정하는 보상 함수를 이용하고, 상기 보상 함수는 상기 투자 목표에 따라 다르게 정의되고, 사용자의 투자 목표 달성을 기준으로 평가된다.
상기 심층 강화 학습 모델의 제1 심층 강화 학습 알고리즘은 사용자별 자산 데이터와 마켓 데이터를 학습 데이터로 하여 학습된다.
상기 심층 강화 학습 모델은 적어도 제2 심층 강화 학습 알고리즘을 사용하고, 상기 제2 심층 강화 학습 알고리즘은, 사용자의 선호도를 산출하기 위한 알고리즘으로서, 사용자별 앱 활동 데이터, 사용자별 자산 데이터를 학습 데이터로 하여 학습된다.According to an embodiment of the present invention, a method for creating a customized investment portfolio includes providing an investment app to a user terminal, storing user's investment app activity data through the investment app, and investing the user through the investment app. The step of storing target data, the step of storing market data and asset data of the user, and determining the purchase proposal item by using the market data, the asset data, the investment app activity data, and the investment target data as learning data. Learning a deep reinforcement learning model to perform a deep reinforcement learning model; As an algorithm for determining a proposed item to buy according to, the first deep reinforcement learning algorithm uses a reward function that determines a value of a reward obtained when buying, selling, or holding an item, and the reward function is the investment target. It is defined differently depending on the user's investment goal, and is evaluated based on the achievement of the user's investment goal.
The first deep reinforcement learning algorithm of the deep reinforcement learning model is learned using asset data and market data for each user as learning data.
The deep reinforcement learning model uses at least a second deep reinforcement learning algorithm, and the second deep reinforcement learning algorithm is an algorithm for calculating user preference, and uses app activity data for each user and asset data for each user as learning data. is learned by
상기 심층 강화 학습 모델은 적어도 제3 심층 강화 학습 알고리즘을 사용하고, 상기 제3 심층 강화 학습 알고리즘은, 상기 사용자의 투자 목표를 산출하기 위한 알고리즘으로서, 제1 심층 강화 학습 알고리즘과 제2 심층 강화 학습 알고리즘의 결과값들과 사용자별 투자 목표 데이터를 학습 데이터로 하여 학습된다.The deep reinforcement learning model uses at least a third deep reinforcement learning algorithm, and the third deep reinforcement learning algorithm is an algorithm for calculating an investment target of the user, and includes a first deep reinforcement learning algorithm and a second deep reinforcement learning algorithm. It is learned using the result values of the algorithm and investment target data for each user as learning data.
삭제delete
삭제delete
상기 사용자별 투자 목표는 적어도 목표 수익율, 최대 손실율 및 투자 기간을 포함하고, 상기 보상 함수는 The investment target for each user includes at least a target rate of return, a maximum loss rate, and an investment period, and the reward function is
로 정의된다.is defined as
상기 심층 강화 학습 모델을 이용하여 매수 제안 종목을 결정하는 단계는, 제1 심층 강화 학습 알고리즘을 통해 복수의 매수 제안 종목으로 구성된 매수 제안 종목 풀을 선정하는 단계와, 제2 심층 강화 학습 알고리즘을 통해 산출된 사용자의 선호도로 상기 매수 제안 종목 풀의 매수 제안 종목들을 스코링하여 높은 순위로 복수 개의 매수 제안 종목을 매수 제안 종목으로 결정하는 단계를 포함할 수 있다.The step of determining a purchase offer item using the deep reinforcement learning model includes selecting a buy offer item pool consisting of a plurality of buy offer items through a first deep reinforcement learning algorithm, and using a second deep reinforcement learning algorithm. The method may include scoring the purchase proposal items of the purchase offer item pool based on the calculated preference of the user, and determining a plurality of purchase offer items in a high order as the purchase offer items.
본 발명의 일 실시예에 따른, 맞춤형 투자 포트폴리오 생성 시스템으로서,As a customized investment portfolio creation system according to an embodiment of the present invention,
사용자 단말에 투자 앱을 제공하여 투자 서비스를 제공하는 투자 앱 서비스 모듈과, 사용자별 투자 앱 활동 데이터, 사용자별 자산 데이터, 마켓 데이터, 사용자별 목표 데이터를 포함하는 데이터베이스부와, 매수 제안 종목을 결정하는 투자 포트폴리오 생성 모듈을 포함하고, 상기 투자 포트폴리오 생성 모듈에는, 상기 마켓 데이터, 상기 자산 데이터, 상기 투자 앱 활동 데이터, 상기 투자 목표 데이터를 학습 데이터로 이용하여 매수 제안 종목을 결정하도록 학습된 심층 강화학습 모델이 적용되고, 상기 심층 강화학습 모델의 적어도 제1 심층 강화학습 알고리즘은, 사용자의 투자 목표에 따른 매수 제안 종목을 결정하기 위한 알고리즘으로서, 제1 심층 강화학습 알고리즘은, 종목의 매수, 매도 또는 홀딩을 취했을 때 얻게 되는 보상의 값을 결정하는 보상 함수를 이용하고, 상기 보상 함수는 상기 투자 목표에 따라 다르게 정의되고, 사용자의 투자 목표 달성을 기준으로 평가될 수 있다.An investment app service module that provides investment services by providing investment apps to user terminals, and a database unit including investment app activity data for each user, asset data for each user, market data, and target data for each user, and determining purchase proposal items In the investment portfolio creation module, the deep reinforcement learned to determine a purchase offer item using the market data, the asset data, the investment app activity data, and the investment target data as learning data. A learning model is applied, and at least a first deep reinforcement learning algorithm of the deep reinforcement learning model is an algorithm for determining a purchase proposal item according to a user's investment goal, and the first deep reinforcement learning algorithm is to buy or sell an item. Alternatively, a compensation function for determining a value of compensation obtained when holding is used, and the compensation function may be defined differently according to the investment target and evaluated based on the achievement of the user's investment target.
본 발명의 일 실시예에 따른 사용자 맞춤형 투자 포트폴리오 생성 방법 및 그 시스템에 따르면, 사용자의 투자 앱 활동 데이터를 이용하여 사용자의 투자 성향 내지 투자 목표를 파악하고 그에 맞는 투자 포트폴리오를 제공할 수 있다.According to the user-customized investment portfolio generation method and system according to an embodiment of the present invention, the user's investment propensity or investment goal can be identified using the user's investment app activity data, and an investment portfolio suitable for it can be provided.
도 1은 본 발명의 실시예에 따른 전체 시스템, 즉 맞춤형 투자 포트폴리오 생성 시스템(10)을 개략적으로 도시한 개념도이다.
도2는 투자 앱에서 제공하는 투자 정보(공모주 정보) 스크린의 예를 도시한다. 도3은 투자 앱을 통해 사용자가 지정한 관심 종목 리스트의 스크린의 예를 도시한다. 도4는 투자 앱을 통해 사용자가 투자 관련 컨텐츠 내지 관심 종목에 대한 의견을 다른 사용자들과 공유하는 스크린의 예를 도시한다. 도5는 투자 앱을 통해 사용자에게 매수 제안 종목을 제공하는 스크린의 예를 도시한다.
도6은 본 발명의 일 실시예에 따른 데이터베이스의 구성도이다.
도7은 투자 포트폴리오 생성 모듈(200)의 심층 강화 학습 알고리즘들을 설명하는 예시도이다.
도8은 본 발명의 일 실시예에 따라, 맞춤형 투자 포트폴리오 생성 방법을 나타낸 동작 흐름도이다.1 is a conceptual diagram schematically illustrating an entire system, that is, a customized investment
2 shows an example of an investment information (public offering stock information) screen provided by an investment app. 3 shows an example of a screen of a list of items of interest designated by a user through an investment app. 4 shows an example of a screen through which a user shares investment-related content or opinions on items of interest with other users through an investment app. FIG. 5 shows an example of a screen that provides a purchase offer item to a user through an investment app.
6 is a configuration diagram of a database according to an embodiment of the present invention.
7 is an exemplary view illustrating deep reinforcement learning algorithms of the investment
8 is an operational flow diagram illustrating a method for creating a customized investment portfolio according to an embodiment of the present invention.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예가 상세하게 설명된다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고, 도면에서 본 발명의 실시예를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략되었다.Hereinafter, embodiments of the present invention will be described in detail so that those skilled in the art can easily practice with reference to the accompanying drawings. However, the present invention may be embodied in many different forms and is not limited to the embodiments described herein. In addition, in order to clearly describe the embodiment of the present invention in the drawings, parts irrelevant to the description are omitted.
본 명세서에서 사용된 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도로 사용된 것이 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.Terms used in this specification are only used to describe specific embodiments and are not intended to limit the present invention. Singular expressions may include plural expressions unless the context clearly dictates otherwise.
본 명세서에서, "포함하다", "가지다" 또는 "구비하다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것으로서, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해될 수 있다.In this specification, terms such as "include", "have" or "have" are intended to designate that there is a feature, number, step, operation, component, part, or combination thereof described in the specification, and one Or it may be understood that it does not exclude in advance the possibility of the existence or addition of other features, numbers, steps, operations, components, parts, or combinations thereof.
또한, 본 발명의 실시예에 나타나는 구성부들은 서로 다른 특징적인 기능들을 나타내기 위해 독립적으로 도시되는 것으로, 각 구성부들이 분리된 하드웨어나 하나의 소프트웨어 구성단위로 이루어짐을 의미하지 않는다. 즉, 각 구성부는 설명의 편의상 각각의 구성부로 나열하여 기술되고, 각 구성부 중 적어도 두 개의 구성부가 합쳐져 하나의 구성부로 이루어지거나, 하나의 구성부가 복수 개의 구성부로 나뉘어져 기능을 수행할 수 있다. 이러한 각 구성부의 통합된 실시예 및 분리된 실시예도 본 발명의 본질에서 벗어나지 않는 한 본 발명의 권리 범위에 포함된다.In addition, the components appearing in the embodiments of the present invention are shown independently to represent different characteristic functions, and it does not mean that each component is made of separate hardware or a single software component unit. That is, each component is listed and described as each component for convenience of description, and at least two components of each component may be combined to form one component, or one component may be divided into a plurality of components to perform a function. An integrated embodiment and a separate embodiment of each of these components are also included in the scope of the present invention unless departing from the essence of the present invention.
또한, 이하의 실시예들은 당 업계에서 평균적인 지식을 가진 자에게 보다 명확하게 설명하기 위해서 제공되는 것으로서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.In addition, the following embodiments are provided to more clearly explain to those with average knowledge in the art, and the shapes and sizes of elements in the drawings may be exaggerated for clearer explanation.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 일 실시예를 상세히 설명하기로 한다.Hereinafter, a preferred embodiment according to the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 실시예에 따른 전체 시스템, 즉 맞춤형 투자 포트폴리오 생성 시스템(10)을 개략적으로 도시한 개념도이다. 도 1을 참조하면, 본 발명의 실시예에 따른 맞춤형 투자 포트폴리오 시스템(10)은, 투자 앱 서비스 모듈(100), 투자 포트폴리오 생성 모듈(200) 및 데이터베이스부(300)를 포함하는 서버로 구성될 수 있다. 여기서, 맞춤형 투자 포트폴리오 시스템(10)은, 하나의 서버 또는 복수의 서버로 구성될 수 있다. 즉, 하나의 서버에서 수행되는 기능이 복수의 서버로 분할되어 수행될 수도 있다. 이하에서는, 편의상 하나의 서버에서 모든 기능이 수행되는 것을 전제로 하여 설명하도록 한다.1 is a conceptual diagram schematically illustrating an entire system, that is, a customized investment
여기서, 투자 앱 서비스란, 사용자 단말에 투자 관련 앱이 설치되어 제공되는 방식의 서비스로서, 통상적으로는 투자 관련 플랫폼 서비스 제공업체(투자 정보 제공부터 거래 연결, 자산 관리에 이르기까지의 투자 관련 서비스를 제공하는 업체)가 제공하는 서비스이다. 투자 앱 서비스 모듈(100)은 사용자 단말에 설치된 투자 앱과 통신하여, 투자 관련 서비스를 제공하고, 사용자의 투자 앱 활동 사항들을 투자 앱으로부터 전송받아 이를 데이터베이스부(300)에 저장한다. Here, the investment app service is a service in which an investment-related app is installed and provided on a user terminal, and is typically provided by an investment-related platform service provider (investment-related services from provision of investment information to transaction connection and asset management). service provider). The investment
예컨대, 도2는 투자 앱에서 제공하는 투자 정보(공모주 정보) 스크린의 예를 도시한다. 도3은 투자 앱을 통해 사용자가 지정한 관심 종목 리스트의 스크린의 예를 도시한다. 도4는 투자 앱을 통해 사용자가 투자 관련 컨텐츠 내지 관심 종목에 대한 의견을 다른 사용자들과 공유하는 스크린의 예를 도시한다. 도5는 투자 앱을 통해 사용자에게 매수 제안 종목을 제공하는 스크린의 예를 도시한다.For example, FIG. 2 shows an example of an investment information (public offering stock information) screen provided by an investment app. 3 shows an example of a screen of a list of items of interest designated by a user through an investment app. 4 shows an example of a screen through which a user shares investment-related content or opinions on items of interest with other users through an investment app. FIG. 5 shows an example of a screen that provides a purchase offer item to a user through an investment app.
이와 같이, 투자 앱에서는 투자 관련 컨텐츠를 사용자에게 제공하며, 사용자는 관심 종목을 지정하거나, 투자 관련 컨텐츠 내지 관심 종목에 대한 의견을 다른 사용자들과 공유할 수 있다. 또한, 사용자가 투자 앱을 통해 소정 종목을 매수 또는 매도하는 경우 사용자는 이를 기록한 매매일지를 작성하여 사용자에게 제공할 수도 있으며, 투자 앱은 사용자에게 매수 제안 종목을 제공할 수 있다. 후술하는 바와 같이, 본 발명의 일 실시예에 따른 매수 제안 종목 결정(즉, 투자 포트폴리오 생성)은 투자 포트폴리오 생성 모델(200)을 통해 수행될 수 있으며, 결정된 매수 제안 종목이 투자 앱을 통해 사용자에게 제공될 수 있다.As such, the investment app provides investment-related content to the user, and the user can designate an item of interest or share an opinion on the investment-related content or item of interest with other users. In addition, when a user purchases or sells a predetermined item through an investment app, the user may write a trading diary recording the record and provide it to the user, and the investment app may provide the user with a purchase proposal item. As will be described later, the determination of purchase proposal items (ie, investment portfolio creation) according to an embodiment of the present invention can be performed through the investment
도6은 본 발명의 일 실시예에 따른 데이터베이스의 구성도이다. 도6에 도시된 바와 같이, 데이터베이스부(300)는 사용자별 투자 앱 활동 데이터(310), 사용자별 자산 데이터(330), 마켓 데이터(350), 사용자별 목표 데이터(370) 및 학습 데이터(390)를 포함할 수 있다.6 is a configuration diagram of a database according to an embodiment of the present invention. As shown in FIG. 6, the
사용자별 투자 앱 활동 데이터(310), 사용자별 자산 데이터(330), 사용자별 목표 데이터(370)는 사용자별로 저장되는 데이터이다.The investment app activity data for each
사용자별 투자 앱 활동 데이터(310)는 사용자가 회원 가입한 투자 앱을 통해 활동한 사항이 투자 서비스 모듈(100)로 전송되는데, 이를 저장한 데이터를 의미한다. 예컨대, 사용자가 투자 앱을 사용함에 따라, 투자 앱 활동 데이터로서, 사용자 별로 (1) 매매일지 작성 기록, (2) 매매일지 작성 주기, (3) 관심 종목, (4) 관심 종목 등록 주기, (5) 관심있는 컨텐츠의 성격, (6) 작성한 컨텐츠의 성격, (7) 앱 활성 주기(앱 로그 정보)를 저장할 수 있다. 여기서, 관심있는 컨텐츠의 성격이란, 예컨대 사용자가 관심 컨텐츠로 지정한 컨텐츠의 성격으로서, 성격은 컨텐츠의 카테고리일 수 있다(예컨대, 공모주, 미국 주식). 또한, 작성한 컨텐츠의 성격이란 사용자가 투자 관련 컨텐츠에 대한 의견을 다른 사용자들과 공유한 경우, 이러한 투자 관련 컨텐츠의 카테고리일 수 있다.The user-specific investment
사용자별 자산 데이터(330)는 개인별 자산 데이터로서, 금융사로부터 제공받을 수 있다. 예컨대, 개인 정보를 이용하여 마이데이터 API 서비스를 통해 복수의 금융사로부터 보유 자산 정보, 매도 매수 내역 정보 등 자산 데이터를 제공받을 수 있다. 금융사로부터 제공받은 정보는 정제되어, 본 발명에서 사용할 사용자별 자산 데이터로서, (1) 종목별 현황 정보, (2) 상품별 현황 정보, (3) 현금 보유 현황 정보, (4) 평균 보유 기간 정보, (5) 리스크 선호도 정보가 저장될 수 있다. 여기서, 리스크 선호도 정보는 평균 손절 금액 정보, 실현 수익율 정보일 수 있다.The
마켓 데이터(350)는 투자 시장 데이터로서, 코스콤, 나스닥, 레피니티브 등을 통해 제공받을 수 있다. 예컨대, 마켓 데이터는, 국가별 종목의 섹터 및 상품 정보를 포함할 수 있다.The
사용자별 투자 목표 데이터(370)는 투자 앱을 통해 사용자로부터 수집될 수 있다. 예컨대, 사용자는 투자 앱을 통해 목표 수익율, 최대 손실율, 투자 기간을 입력할 수 있고, 이러한 투자 목표 정보는 투자 앱을 통해 투자 앱 서비스 모듈(100)로 전송되어, 사용자별 투자 목표 데이터(370)에 저장될 수 있다.User-specific
학습 데이터(390)는 후술하는 투자 포트폴리오 생성 모듈(200)의 심층 강화 학습 알고리즘을 학습시키기 위한 학습 데이터로서, 상기 사용자별 투자 앱 활동 데이터(310), 사용자별 자산 데이터(330), 마켓 데이터(350), 사용자별 목표 데이터(370)로부터 정제/통합되어 구축될 수 있다. 여기서, 정제/통합이란, 상기 분리된 데이터들을 통합하고, 데이터 포맷을 정제하는 것을 포함한다. 특히, 사용자별 투자 앱 활동 데이터(310), 마켓 데이터(350), 사용자별 자산 데이터(330)는 최초 작성자가 다르기 때문에(예컨대, 사용자별 자산 데이터(330)는 금융사로부터 제공받은 것임), 이들 데이터를 심층 강화 학습 알고리즘을 위한 학습 데이터로 사용하기 위해서는, 이들 데이터를 정제/통합하는 것이 필요할 수 있다. The learning
도7은 투자 포트폴리오 생성 모듈(200)의 심층 강화 학습 알고리즘들을 설명하는 예시도이다. 도7에 도시된 바와 같이, 투자 포트폴리오 생성 모듈(200)은, 제1 심층 강화 학습 알고리즘(220), 제2 심층 강화 학습 알고리즘(240), 제3 심층 강화 학습 알고리즘(260)을 포함할 수 있다. 7 is an exemplary view illustrating deep reinforcement learning algorithms of the investment
본 발명의 일 실시예에 따르면, 투자 포트폴리오 생성 모듈(200)은 학습 데이터(390)를 이용하여, 제1 심층 강화 학습 알고리즘(220), 제2 심층 강화 학습 알고리즘(240), 제3 심층 강화 학습 알고리즘(260)을 학습시키고, 학습된 제1 심층 강화 학습 알고리즘(220), 제2 심층 강화 학습 알고리즘(240), 제3 심층 강화 학습 알고리즘(260)에 개별 사용자의 투자 앱 활동 데이터, 자산 데이터와, 마켓 데이터를 입력하여, 개별 사용자를 위한 투자 포트폴리오를 결정할 수 있다. 후술하는 바와 같이, 개별 사용자의 투자 목표 데이터는 사용자가 투자 앱에 입력한 값이 입력될 수도 있고, 제3 심층 강화 학습 알고리즘(260)에 의해 산출된 값이 입력될 수도 있다. According to an embodiment of the present invention, the investment
먼저, 제1 심층 강화 학습 알고리즘(220)에 대해 설명하면, 아래와 같다. 제1 심층 강화 학습 알고리즘(240)은 개별 사용자에 의해 입력되거나 제3 심층 강화 학습 알고리즘(260)에 의해 산출된 투자 목표를 기초로 사용자의 투자 목표 달성 가능한 매수 제안 종목을 결정하기 위한 알고리즘이다. 예컨대, 개별 사용자의 투자 목표가 입력되면, 종목 별로 당해 종목의 매수를 통해 개별 사용자의 투자 목표 달성 확률을 지수화한 값을 결과값으로 출력할 수 있다. First, the first deep
제1 심층 강화 학습 알고리즘(220)은, 종목의 매수, 매도 또는 홀딩을 취했을 때 얻게 되는 보상의 값을 결정하는 보상 함수를 이용하되, 보상 함수는 사용자별 투자 목표에 따라 다르게 정의될 수 있다. 다시 말해서, 제1 심층 강화 학습 알고리즘(220)은 사용자별 투자 목표를 반영할 수 있도록 보상 함수를 정의한다. 여기서, 보상 함수란 강화 학습에서 에이전트가 어떤 액션을 취했을 때 얻게 되는 보상의 값을 결정하는 함수를 의미하며, 이를 통해 에이전트는 어떻게 행동해야 하는가를 학습하게 된다. The first deep
에이전트는 최대의 보상을 얻기 위해 시행착오를 거치며 여러 번의 반복으로 가장 효율적인 길을 스스로 탐색 학습하게 되는데, 여기서 에이전트의 액션은 종목의 매도, 매수, 홀딩이다. 즉, 사용자의 투자 성향을 잘 반영하기 위해 사용자의 자산 데이터 및 사용자의 투자 활동 데이터를 이용하여, 사용자의 맞춤식 투자 목표를 설정하고, 이러한 맞춤화된 투자 목표를 반영한 보상 함수를 적용함으로써, 사용자별 맞춤식 투자 포트폴리오를 제공하는 것이 가능해진다.The agent goes through trial and error to obtain the maximum reward and learns to explore the most efficient path by itself through several iterations. Here, the action of the agent is selling, buying, or holding the item. In other words, by using the user's asset data and the user's investment activity data to better reflect the user's investment propensity, the user's customized investment goal is set, and a reward function that reflects the customized investment goal is applied. It becomes possible to provide an investment portfolio.
제1 심층 강화 학습 알고리즘(220)은 매수 종목 풀을 선택하는 알고리즘으로, 사용자의 과거 거래 내역 및 매수 행태, 투자 성향을 반영해 관심을 가질 만한 매수 종목 풀을 선택하는 것이다. 따라서 사용자별 자산 데이터와 마켓 데이터가 학습 데이터로 활용된다.The first deep
예컨대, 보상 함수는 아래와 같을 수 있다.For example, the compensation function may be as follows.
(1)번 항목은 포트폴리오 자산이 목표 금액보다 작을 때 패널티를 주는 항목이다. Item (1) is a penalty item when the portfolio assets are less than the target amount.
α: 가중치 조절을 위한 상수α: Constant for weight adjustment
Pt+1: 시간 t에서 시간 t+1 사이의 포트폴리오 수익Pt+1: portfolio return from time t to time t+1
GOAL: 목표 금액GOAL: Goal Amount
min: minimum의 약자로서 (Pt+1 - GOAL)값과 0 중 작은 숫자를 선택하는 연산이다. 포트폴리오 수익(Pt+1)이 목표 금액(GOAL)에 아직 못 미친다면(즉, (Pt+1 - GOAL < 0), 그 차이만큼 페널티를 부과하고, 만약 포트폴리오 수익(Pt+1)이 목표금액(GOAL)을 넘어섰다면(즉, Pt+1 - GOAL > 0) 목표 달성을 한 것이므로 0을 선택해 페널티를 주지 않게 된다.min: As an abbreviation of minimum, it is an operation that selects the smaller number between (Pt+1 - GOAL) and 0. If the portfolio return (Pt+1) is still less than the target amount (GOAL) (i.e. (Pt+1 - GOAL < 0), a penalty equal to the difference is imposed, and if the portfolio return (Pt+1) is less than the target amount If (GOAL) is exceeded (i.e., Pt+1 - GOAL > 0), the goal has been achieved, so 0 is selected and no penalty is given.
(1) 번 항목에서 Exponential 함수를 사용한 것은, 현재 자산 금액이 목표 금액보다 많이 못 미칠수록 더 큰 패널티를 부과하기 위한 것이다.(1) The use of the Exponential function in item No. 1 is to impose a larger penalty when the current asset amount falls far short of the target amount.
(2)번 항목은 수익을 냈을 때 보상을 주기 위한 항목으로서, 단순히 현재 포트폴리오의 수익만을 값으로 취하는 것이 아니라 벤치마크 수익보다 얼마나 초과하는지를 값으로 취한다. 벤치마크 포트폴리오는 총 자산에 균등하게 배분하는 것으로 사용한다.Item (2) is an item for giving compensation when a profit is made, and it does not simply take the return of the current portfolio as a value, but takes as a value how much it exceeds the benchmark return. The benchmark portfolio is used as an equal distribution of total assets.
β: 가중치 조절을 위한 상수β: constant for weight control
Bt+1: 시간 t에서 t+1 사이의 벤치마크 수익Bt+1: Benchmark return from time t to t+1
(3)번 항목은 샤프 비율(Sharp ratio)에 관한 항목이다. 샤프 비율은 위험 단위 당 초과 수익을 나타내는 지표로서, 리스크 조절 역할을 한다.Item (3) is an item related to Sharp ratio. The Sharpe ratio is an indicator of excess return per unit of risk and serves as a risk adjustment.
(4)번 항목은 (3)번 항목, 즉 샤프 비율 항목과 비슷하게 모델이 너무 공격적인 선택을 하지 않도록 리스크를 조절하는 항목이다.Item (4) is similar to item (3), that is, the Sharpe ratio item, which adjusts the risk so that the model does not make too aggressive choices.
θ: 가중치 조절을 위한 상수θ: Constant for weight control
MDD (Max Drawdown): 새로운 고점에 도달하기 전에 포트폴리오의 고점에서 저점까지 관찰된 최대 손실MDD (Max Drawdown): The maximum observed loss from the peak to the trough of a portfolio before reaching a new peak.
(5)번 항목은 transaction cost를 의미한다. 즉, 투자를 할 때 거래 수수료, 거래세, 양도세 등 여러 부가적인 비용을 반영한 항목이다.Item (5) means transaction cost. In other words, it is an item that reflects various additional costs such as transaction fees, transaction taxes, and transfer taxes when investing.
μ: 가중치 조절을 위한 상수μ: Constant for weight adjustment
It: 시간 t에서 부가적인 투자It: additional investment at time t
상술한 바와 같이, 보상 함수는 사용자별 투자 목표에 따라 다르게 정의될 수 있다. 사용자로부터 사용자별 투자 목표(목표 수익률, 최대 손실률, 투자 기간)를 입력 받지만, 실제로 보상 함수에 입력이 될 때는 GOAL이라고 하는 목표 금액으로 환산되어 반영된다.As described above, the reward function may be defined differently according to each user's investment goal. Each user's investment goal (target rate of return, maximum loss rate, investment period) is input from the user, but when it is actually input to the reward function, it is converted into a target amount called GOAL and reflected.
Xt는 현재 포트폴리오 상태, Ut는 시간 t에 수행할 액션(어떤 종목을 매도/매수/홀딩 할지), Ct는 Xt와 Ut에 따라 결정되는 다음 포트폴리오 상태를 의미한다.Xt is the current portfolio state, Ut is the action to be performed at time t (which stock to sell/buy/hold), and Ct is the next portfolio state determined by Xt and Ut.
다음으로, 제2 심층 강화 학습 알고리즘(240)은, 사용자의 선호도에 따라 매수 제안 종목을 결정하기 위한 심층 강화 학습 알고리즘이다. 예컨대, 개별 사용자의 투자 앱 활동 데이터(310)와 자산 데이터(330)가 입력되면, 심층 강화 학습 알고리즘은 종목 별로 개별 사용자의 선호도(개별 사용자가 당해 종목을 선호할 확률을 지수화함)을 결과값으로 출력할 수 있다.Next, the second deep
상술한 바와 같이, 사용자별 투자 앱 활동 데이터에는 사용자가 어떠한 종목들에 관심이 있는지, 투자 기간은 어느 정도인지 등과 관련된 사용자의 활동 정보가 저장되어 있고, 사용자별 자산 데이터에는 사용자가 실제로 어떠한 종목들을 현재 보유하고 있고, 과거에 어떠한 종목들을 매도, 매수했는지 등과 관련된 사용자 정보가 저장되어 있다. 또한, 투자 포트폴리오 생성 모듈(200)에 의해 결정된 매수 제안 종목이 투자 앱을 통해 사용자에게 추천되고, 그 결과(즉, 사용자의 매수 여부)가 투자 앱을 통해 데이터베이스부(300)의 사용자별 투자 앱 활동 데이터에 저장될 수 있다. As described above, the investment app activity data for each user stores user activity information related to which stocks the user is interested in and how long the investment period is, and the asset data for each user stores the user's actual stocks. User information related to what stocks he currently holds and which stocks he has sold or bought in the past is stored. In addition, the purchase proposal item determined by the investment
따라서, 이러한 데이터를 학습 데이터로 하여, 사용자가 선호하는 매수 제안 종목을 결정하도록 제2 심층 강화 학습 알고리즘(240)을 학습시킬 수 있다. Accordingly, the second deep
제2 심층 강화 학습 알고리즘(240)은 사용자의 선호도를 산출하기 위한 알고리즘으로서, 사용자의 앱 활동 데이터가 가장 중요한 데이터이다. 즉, 사용자의 앱 활동 데이터, 자산 테이터를 결합해 사용자의 선호도 결과를 학습한다.The second deep
제3 심층 강화학습 알고리즘은, 제1 심층 강화학습 알고리즘(매수 종목 후보 풀)과 제2 심층 강화학습 알고리즘(사용자 선호도)의 결과값에 더해 투자 목표 데이터를 학습/입력 데이터로 활용한다. 이를 통해, 사용자별 투자 목표(목표 수익률, 최대 손실율 및 투자 기간)을 예측하도록 제3 심층 강화 학습 알고리즘(260)을 학습시킬 수 있다. 이러한 경우, 산출된 투자 목표는 투자 앱을 통해 자동으로 사용자에게 제공되고, 사용자는 필요에 따라 자동으로 제시된 투자 목표를 수정할 수 있다. 수정 입력된 투자 목표는 데이터베이스부(300)에 저장되어, 학습 데이터로 사용될 수 있다.The third deep reinforcement learning algorithm uses the investment target data as learning/input data in addition to the results of the first deep reinforcement learning algorithm (pool of stock candidates to buy) and the second deep reinforcement learning algorithm (user preference). Through this, the third deep
후술하는 바와 같이, 투자 포트폴리오 생성 모듈(200)은 상술한 제1 심층 강화 학습 알고리즘(220), 제2 심층 강화 학습 알고리즘(240), 제3 심층 강화 학습 알고리즘(260)를 이용하여, 개별 사용자에 대하여 매수 제안 종목을 결정할 수 있다.As will be described later, the investment
예컨대, 개별 사용자의 투자 목표는 제3 심층 강화 학습 알고리즘(260)을 통해 산출된 투자 목표가 사용되거나, 개별 사용자가 투자 앱을 통해 입력한 값이 사용될 수 있다. For example, an investment goal calculated through the third deep
예컨대, 제1 심층 강화 학습 알고리즘(220)을 이용하여, 사용자의 투자 목표 달성 가능한 매수 제안 종목들을 추려서, 이를 풀로 선정할 수 있다. 이후, 풀 내의 매수 제안 종목들에 대하여, 제2 심층 강화 학습 알고리즘(240)을 이용하여, 사용자의 선호도를 산출할 수 있다. 산출된 사용자의 선호도로 매수 제안 종목들을 스코링하여 높은 순위로 복수 개를 선택 제안할 수 있다. 도5는 풀 내에서 매수 제안 종목을 사용자의 선호도에 따라 스코링하여 높은 순위로 3개 선택하여, 선택된 매수 제안 종목을 사용자에 추천하는 앱 창의 예시도이다.For example, by using the first deep
본 발명의 상술한 실시예에 따르면, 같은 포트폴리오를 보유하고 있는 복수의 사용자들이라도, (1) 맞춤화된 투자 목표에 따라 투자 포트폴리오 생성 모듈이 서로 다른 매수 제안 종목들로 이루어진 풀을 생성하게 되고, (2) 사용자의 선호도에 따라 풀 내의 매수 제안 종목도 다르게 선택되므로, 사용자는 서로 다른 매수 제안 종목(즉, 사용자별 맞춤식 투자 포트폴리오)을 추천받게 된다. According to the above-described embodiment of the present invention, even if a plurality of users have the same portfolio, (1) the investment portfolio creation module creates a pool of different purchase proposals according to customized investment goals; (2) Since the purchase proposal items in the pool are also selected differently according to the user's preference, the user is recommended different purchase proposal items (ie, customized investment portfolio for each user).
도8은 본 발명의 일 실시예에 따라, 맞춤형 투자 포트폴리오 생성 방법을 나타낸 동작 흐름도이다.8 is an operational flow diagram illustrating a method for creating a customized investment portfolio according to an embodiment of the present invention.
도8을 참조하면, 본 발명의 일 실시예에 따라, 서버는 사용자 단말에 투자 앱을 제공한다(S100). 사용자가 투자 앱에서 활동한 사항들은 서버의 투자 앱 활동 데이터에 저장된다(S200). 또한, 사용자가 투자 앱을 통해 입력한 사용자의 투자 목표는 서버로 전송되어, 서버의 투자 목표 데이터에 저장된다(S300).Referring to Figure 8, according to an embodiment of the present invention, the server provides an investment app to the user terminal (S100). The user's activities in the investment app are stored in the investment app activity data of the server (S200). In addition, the user's investment goal entered through the investment app by the user is transmitted to the server, and stored in the investment target data of the server (S300).
서버는 사용자별 자산 데이터 및 마켓 데이터를 저장한다(S400). 사용자별 자산 데이터는 금융사로부터 제공받을 수 있다. The server stores asset data and market data for each user (S400). Asset data for each user may be provided from a financial institution.
다음으로, 서버의 투자 포트폴리오 생성 엔진은 마켓 데이터, 자산 데이터, 투자 앱 활동 데이터, 투자 목표를 학습 데이터로 이용하여 매수 제안 종목을 결정하기 위한 심층 강화학습 모델을 학습시킨다(S500).Next, the investment portfolio creation engine of the server uses market data, asset data, investment app activity data, and investment goals as learning data to train a deep reinforcement learning model for determining purchase proposals (S500).
여기서, 심층 강화학습 모델은 적어도 제1 심층 강화학습 알고리즘, 제2 심층 강화학습 알고리즘, 제3 심층 강화학습 알고리즘을 포함할 수 있다.Here, the deep reinforcement learning model may include at least a first deep reinforcement learning algorithm, a second deep reinforcement learning algorithm, and a third deep reinforcement learning algorithm.
제1 심층 강화학습 알고리즘은, 사용자의 투자 목표에 따른 매수 제안 종목을 결정하기 위한 알고리즘이며, 제2 심층 강화학습 알고리즘은, 사용자의 선호도에 따른 매수 제안 종목을 결정하기 위한 알고리즘이며, 제3 심층 강화학습 알고리즘은, 사용자의 투자 목표를 결정하기 위한 알고리즘이다.The first deep reinforcement learning algorithm is an algorithm for determining purchase proposal stocks according to the user's investment goal, the second deep reinforcement learning algorithm is an algorithm for determining purchase proposal stocks according to the user's preference, and the third deep reinforcement learning algorithm is an algorithm for determining purchase proposal stocks according to the user's preference. The reinforcement learning algorithm is an algorithm for determining the user's investment goal.
다음으로, 서버는 심층 강화학습 모델을 통해 매수 제안 종목을 결정한다(S600). 예컨대, 제1 심층 강화학습 알고리즘을 이용하여, 사용자의 투자 목표 달성 가능한 매수 제안 종목을 추려서, 이를 풀로 선정한 후, 풀 내의 매수 제안 종목들에 대하여, 제2 알고리즘을 이용하여, 사용자의 선호도를 산출할 수 있다. 산출된 사용자의 선호도로 매수 제안 종목들을 스코링하여 높은 순위로 복수 개의 매수 제안 종목이 최종적인 매수 제안 종목으로 결정될 수 있다.Next, the server determines a purchase offer item through a deep reinforcement learning model (S600). For example, by using the first deep reinforcement learning algorithm, the user's investment goal can be achieved by selecting the proposed purchase items, selecting them as a pool, and then calculating the user's preference for the proposed purchase items in the pool using a second algorithm. can do. By scoring the purchase offer stocks based on the user's calculated preference, a plurality of buy offer stocks with high rankings may be determined as the final purchase offer stocks.
100: 투자 앱 서비스 모듈
200: 투자 포트폴리오 생성 모듈
300: 데이터베이스부
310: 사용자별 투자 앱 활동 데이터
330: 사용자별 자산 데이터
350: 마켓 데이터
370: 사용자별 투자 목표 데이터
390: 학습 데이터100: investment app service module
200: investment portfolio creation module
300: database unit
310: investment app activity data per user
330: asset data per user
350: market data
370: investment target data by user
390: learning data
Claims (11)
사용자 단말에 투자 앱을 제공하는 단계와,
투자 앱으로부터 수신된 사용자별 투자 앱 활동 데이터를 저장하는 단계와,
투자 앱으로부터 수신된 사용자별 투자 목표 데이터를 저장하는 단계와,
마켓 데이터와 사용자별 자산 데이터를 저장하는 단계와,
상기 마켓 데이터, 상기 사용자별 자산 데이터, 상기 사용자별 투자 앱 활동 데이터, 상기 사용자별 투자 목표 데이터를 학습 데이터로 이용하여 매수 제안 종목을 결정하기 위한 심층 강화학습 모델을 학습시키는 단계와,
상기 심층 강화학습 모델을 통해 매수 제안 종목을 결정하는 단계를 포함하고,
상기 심층 강화학습 모델은 적어도 제1 심층 강화학습 알고리즘, 제2 심층 강화학습 알고리즘, 제3 심층 강화학습 알고리즘을 포함하고,
제1 심층 강화학습 알고리즘은, 사용자의 투자 목표에 따른 매수 제안 종목을 결정하기 위한 알고리즘으로서, 제1 심층 강화학습 알고리즘은, 종목의 매수, 매도 또는 홀딩을 취했을 때 얻게 되는 보상의 값을 결정하는 보상 함수를 이용하고, 상기 보상 함수는 상기 투자 목표에 따라 다르게 정의되고, 사용자의 투자 목표 달성을 기준으로 평가되고,
제1 심층 강화학습 알고리즘은 상기 사용자별 자산 데이터와 마켓 데이터를 학습 데이터로 하여 학습되고,
제2 심층 강화학습 알고리즘은, 사용자의 선호도를 산출하기 위한 알고리즘으로서, 상기 사용자별 투자 앱 활동 데이터, 상기 사용자별 자산 데이터를 학습 데이터로 하여 학습되고,
제3 심층 강화학습 알고리즘은, 상기 사용자의 투자 목표를 산출하기 위한 알고리즘으로서, 제1 심층 강화학습 알고리즘과 제2 심층 강화학습 알고리즘의 결과값들과 상기 사용자별 투자 목표 데이터를 학습 데이터로 하여 학습되고,
상기 사용자별 투자 목표 데이터는 적어도 목표 수익율, 최대 손실율 및 투자 기간을 포함하고,
상기 사용자별 투자 앱 활동 데이터는 관심 종목, 관심 종목 등록 주기, 앱 활성 주기를 포함하는,
맞춤형 투자 포트폴리오 생성 방법. As a method of generating a customized investment portfolio performed in the investment app service server,
providing an investment app to a user terminal;
storing investment app activity data for each user received from the investment app;
Storing the user-specific investment target data received from the investment app;
Storing market data and asset data for each user;
Learning a deep reinforcement learning model for determining purchase proposal items using the market data, the asset data for each user, the investment app activity data for each user, and the investment target data for each user as learning data;
Determining a purchase offer item through the deep reinforcement learning model,
The deep reinforcement learning model includes at least a first deep reinforcement learning algorithm, a second deep reinforcement learning algorithm, and a third deep reinforcement learning algorithm,
The first deep reinforcement learning algorithm is an algorithm for determining a purchase proposal item according to the user's investment goal, and the first deep reinforcement learning algorithm determines the value of the reward obtained when buying, selling, or holding the item. A compensation function is used, and the compensation function is defined differently according to the investment goal and evaluated based on the achievement of the user's investment goal,
The first deep reinforcement learning algorithm is learned using the user-specific asset data and market data as learning data,
The second deep reinforcement learning algorithm is an algorithm for calculating user preferences, and is learned using investment app activity data for each user and asset data for each user as learning data,
The third deep reinforcement learning algorithm is an algorithm for calculating the investment goal of the user, and the result values of the first deep reinforcement learning algorithm and the second deep reinforcement learning algorithm and the user-specific investment target data are used as learning data. become,
The investment target data for each user includes at least a target return rate, a maximum loss rate, and an investment period,
The investment app activity data for each user includes an item of interest, a period of registering an item of interest, and an active period of the app.
How to create a custom investment portfolio.
상기 보상 함수는
로 정의되는,
맞춤형 투자 포트폴리오 생성 방법.According to claim 1,
The reward function is
defined as,
How to create a custom investment portfolio.
상기 심층 강화학습 모델을 이용하여 매수 제안 종목을 결정하는 단계는,
제1 심층 강화학습 알고리즘을 통해 복수의 매수 제안 종목으로 구성된 매수 제안 종목 풀을 선정하는 단계와,
제2 심층 강화학습 알고리즘을 통해 산출된 사용자의 선호도로 상기 매수 제안 종목 풀의 매수 제안 종목들을 스코링하여 높은 순위로 복수 개의 매수 제안 종목을 매수 제안 종목으로 결정하는 단계를 포함하는,
맞춤형 투자 포트폴리오 생성 방법.According to claim 1,
In the step of determining stocks to offer to buy using the deep reinforcement learning model,
Selecting a purchase offer stock pool consisting of a plurality of buy offer stocks through a first deep reinforcement learning algorithm;
Scoring the purchase proposal items in the purchase proposal pool with the user's preferences calculated through a second deep reinforcement learning algorithm and determining a plurality of purchase proposal items as purchase proposal items with a high rank,
How to create a custom investment portfolio.
사용자 단말에 투자 앱을 제공하여 투자 서비스를 제공하는 투자 앱 서비스 모듈과,
사용자별 투자 앱 활동 데이터, 사용자별 자산 데이터, 마켓 데이터, 사용자별 투자 목표 데이터를 포함하는 데이터베이스부와,
매수 제안 종목을 결정하는 투자 포트폴리오 생성 모듈을 포함하고,
상기 투자 포트폴리오 생성 모듈에는, 상기 마켓 데이터, 상기 사용자별 자산 데이터, 상기 사용자별 투자 앱 활동 데이터, 상기 사용자별 투자 목표 데이터를 학습 데이터로 이용하여 매수 제안 종목을 결정하도록 학습된 심층 강화학습 모델이 적용되고,
상기 심층 강화학습 모델의 적어도 제1 심층 강화학습 알고리즘은, 사용자의 투자 목표에 따른 매수 제안 종목을 결정하기 위한 알고리즘으로서, 제1 심층 강화학습 알고리즘은, 종목의 매수, 매도 또는 홀딩을 취했을 때 얻게 되는 보상의 값을 결정하는 보상 함수를 이용하고, 상기 보상 함수는 상기 투자 목표에 따라 다르게 정의되고, 사용자의 투자 목표 달성을 기준으로 평가되고,
상기 심층 강화학습 모델의 제1 심층 강화학습 알고리즘은 상기 사용자별 자산 데이터와 상기 마켓 데이터를 학습 데이터로 하여 학습되고,
상기 심층 강화학습 모델은 적어도 제2 심층 강화학습 알고리즘을 사용하고, 상기 제2 심층 강화학습 알고리즘은, 사용자의 선호도를 산출하기 위한 알고리즘으로서, 상기 사용자별 투자 앱 활동 데이터, 상기 사용자별 자산 데이터를 학습 데이터로 하여 학습되고,
상기 심층 강화학습 모델은 적어도 제3 심층 강화학습 알고리즘을 사용하고, 상기 제3 심층 강화학습 알고리즘은, 상기 사용자의 투자 목표를 산출하기 위한 알고리즘으로서, 제1 심층 강화학습 알고리즘과 제2 심층 강화학습 알고리즘의 결과값들과 상기 사용자별 투자 목표 데이터를 학습 데이터로 하여 학습되고,
상기 사용자별 투자 목표 데이터는 적어도 목표 수익율, 최대 손실율 및 투자 기간을 포함하고,
상기 사용자별 투자 앱 활동 데이터는 관심 종목, 관심 종목 등록 주기, 앱 활성 주기를 포함하는,
맞춤형 투자 포트폴리오 생성 시스템.As a customized investment portfolio creation system,
An investment app service module that provides an investment service by providing an investment app to a user terminal;
A database unit including investment app activity data for each user, asset data for each user, market data, and investment target data for each user;
Includes an investment portfolio creation module that determines stocks to buy,
In the investment portfolio creation module, a deep reinforcement learning model learned to determine purchase proposals using the market data, the asset data for each user, the investment app activity data for each user, and the investment target data for each user as learning data applied,
At least the first deep reinforcement learning algorithm of the deep reinforcement learning model is an algorithm for determining a purchase proposal item according to the user's investment goal, and the first deep reinforcement learning algorithm is obtained when buying, selling, or holding an item. A reward function for determining the value of the reward is used, and the reward function is defined differently according to the investment goal and evaluated based on the achievement of the user's investment goal,
The first deep reinforcement learning algorithm of the deep reinforcement learning model is learned using the user-specific asset data and the market data as learning data,
The deep reinforcement learning model uses at least a second deep reinforcement learning algorithm, and the second deep reinforcement learning algorithm is an algorithm for calculating user preference, and the investment app activity data for each user and the asset data for each user are used. It is learned using the learning data,
The deep reinforcement learning model uses at least a third deep reinforcement learning algorithm, and the third deep reinforcement learning algorithm is an algorithm for calculating the investment target of the user, and the first deep reinforcement learning algorithm and the second deep reinforcement learning algorithm are used. It is learned using the result values of the algorithm and the investment target data for each user as learning data,
The investment target data for each user includes at least a target return rate, a maximum loss rate, and an investment period,
The investment app activity data for each user includes an item of interest, a period of registering an item of interest, and an active period of the app.
A custom investment portfolio creation system.
상기 보상 함수는
로 정의되는,
맞춤형 투자 포트폴리오 생성 시스템.According to claim 7,
The reward function is
defined as,
A custom investment portfolio creation system.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220171699A KR102610223B1 (en) | 2021-09-10 | 2022-12-09 | System and method for producing customized investment portfolio |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20210120866 | 2021-09-10 | ||
KR1020210120866 | 2021-09-10 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220171699A Division KR102610223B1 (en) | 2021-09-10 | 2022-12-09 | System and method for producing customized investment portfolio |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102504880B1 true KR102504880B1 (en) | 2023-02-28 |
Family
ID=85327055
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220111422A KR102504880B1 (en) | 2021-09-10 | 2022-09-02 | System and method for producing customized investment portfolio |
KR1020220171699A KR102610223B1 (en) | 2021-09-10 | 2022-12-09 | System and method for producing customized investment portfolio |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220171699A KR102610223B1 (en) | 2021-09-10 | 2022-12-09 | System and method for producing customized investment portfolio |
Country Status (1)
Country | Link |
---|---|
KR (2) | KR102504880B1 (en) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160111500A (en) * | 2014-01-23 | 2016-09-26 | 로커스, 엘피 | Stratified composite portfolios of investment securities |
KR101913591B1 (en) * | 2017-08-25 | 2018-12-28 | 경희대학교 산학협력단 | Method for recommending financial product using user data |
KR20210004812A (en) | 2020-04-08 | 2021-01-13 | (주)크래프트테크놀로지스 | Apparatus, method and computer program for producing portfolio based on deep learning |
KR20210035598A (en) * | 2019-09-24 | 2021-04-01 | 주식회사 디셈버앤컴퍼니자산운용 | Automatic transaction system and method for individual accounts |
-
2022
- 2022-09-02 KR KR1020220111422A patent/KR102504880B1/en active
- 2022-12-09 KR KR1020220171699A patent/KR102610223B1/en active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160111500A (en) * | 2014-01-23 | 2016-09-26 | 로커스, 엘피 | Stratified composite portfolios of investment securities |
KR101913591B1 (en) * | 2017-08-25 | 2018-12-28 | 경희대학교 산학협력단 | Method for recommending financial product using user data |
KR20210035598A (en) * | 2019-09-24 | 2021-04-01 | 주식회사 디셈버앤컴퍼니자산운용 | Automatic transaction system and method for individual accounts |
KR20210004812A (en) | 2020-04-08 | 2021-01-13 | (주)크래프트테크놀로지스 | Apparatus, method and computer program for producing portfolio based on deep learning |
Also Published As
Publication number | Publication date |
---|---|
KR20230038131A (en) | 2023-03-17 |
KR102610223B1 (en) | 2023-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8688575B2 (en) | Customizable investment fund and investing education | |
US6018722A (en) | S.E.C. registered individual account investment advisor expert system | |
US8099350B2 (en) | Personal or family financial accounting and management system | |
US8676689B1 (en) | Financial status measurement and management tool | |
US20020152151A1 (en) | Integrated investment portfolio management system and method | |
US20060155632A1 (en) | Automated, user specific tax analysis of investment transactions using a personal tax profile | |
US20050010516A1 (en) | Dynamic rebalancing of assets in an investment portfolio | |
WO2001079963A2 (en) | Method and system for delivering foreign exchange risk management advisory solutions to a designated market | |
US20020138385A1 (en) | Matching angel investors with entrepreneurs | |
JP2002507015A (en) | Method and apparatus for enabling individuals or small investors to cost effectively build and manage portfolios of securities or other assets or liabilities | |
US20110137787A1 (en) | Trading system and method | |
Leitch et al. | Multinational transfer pricing: Objectives and constraints | |
JP2019215938A (en) | Advice data generation system | |
US20080228614A1 (en) | Consumer-driven system and method for promoting philanthropic giving/lending and social activism based on customer purchases | |
US12039604B2 (en) | Dynamically-generated electronic database for portfolio selection | |
CN110678894A (en) | System for performing selections from dynamically generated electronic databases | |
WO2021059247A1 (en) | Dynamically-generated electronic database for portfolio selection | |
KR102504880B1 (en) | System and method for producing customized investment portfolio | |
Knott et al. | Uncovering potential barriers of using initial coin offerings to finance artistic projects | |
KR20000058889A (en) | System and method for personal financial planning over the internet | |
US11954733B1 (en) | Customizable investment platform | |
Soteriou et al. | Delivering e-banking services: An emerging internet business model and a case study | |
Azhdari et al. | Designing an organizational entrepreneurship model effective on the financial performance of insurance companies with an emphasis on customer satisfaction (Case study: Parsian insurance company) | |
Nagadeepa et al. | Upsurge of Robo Advisors: Integrating Customer Acceptance | |
Smullen | Financial management information and analysis for retail banks |