KR102508875B1 - Method and system for determining investment weight using similarity of time-series data - Google Patents

Method and system for determining investment weight using similarity of time-series data Download PDF

Info

Publication number
KR102508875B1
KR102508875B1 KR1020190175285A KR20190175285A KR102508875B1 KR 102508875 B1 KR102508875 B1 KR 102508875B1 KR 1020190175285 A KR1020190175285 A KR 1020190175285A KR 20190175285 A KR20190175285 A KR 20190175285A KR 102508875 B1 KR102508875 B1 KR 102508875B1
Authority
KR
South Korea
Prior art keywords
investment
strategies
proportion
strategy
cluster
Prior art date
Application number
KR1020190175285A
Other languages
Korean (ko)
Other versions
KR20210082879A (en
Inventor
구기환
최소은
Original Assignee
주식회사 하나금융티아이
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 하나금융티아이 filed Critical 주식회사 하나금융티아이
Priority to KR1020190175285A priority Critical patent/KR102508875B1/en
Publication of KR20210082879A publication Critical patent/KR20210082879A/en
Application granted granted Critical
Publication of KR102508875B1 publication Critical patent/KR102508875B1/en

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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Technology Law (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Economics (AREA)
  • Algebra (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 시계열 데이터의 유사도를 이용한 투자 비중 결정 방법 및 시스템에 관한 것으로, 본 발명에 따른 방법은 (a) 복수의 투자전략을 선정받는 단계, (b) 복수의 투자전략 각각의 투자성과 데이터를 수집하는 단계, (c) 복수의 투자전략 각각의 투자성과 데이터를 이용하여 투자전략 쌍별 시계열적 유사도를 측정하는 단계, (d) 측정된 시계열적 유사도가 가장 가까운 한 쌍의 투자전략을 투자전략 클러스터로 묶는 단계, (e) 투자전략 클러스터의 투자성과 데이터를 산출하는 단계, 그리고 (f) 복수의 투자전략 중 투자전략 클러스터로 묶이지 않은 나머지 투자전략과 투자전략 클러스터에 대해서 (c) 단계 내지 (e) 단계를 반복하여 상기 복수의 투자전략을 순차적으로 묶은 투자전략 클러스터 계층 구조를 생성하는 단계를 포함한다. 생성된 투자전략 클러스터 계층 구조에 기초하여 복수의 투자전략 각각의 투자 비중을 결정하는 단계를 더 포함할 수 있다.The present invention relates to a method and system for determining an investment proportion using similarity of time series data. The method according to the present invention includes (a) selecting a plurality of investment strategies, (b) determining the investment performance data of each of the plurality of investment strategies. (c) measuring the time-series similarity of each pair of investment strategies using the investment performance data of each of a plurality of investment strategies; (d) selecting a pair of investment strategies with the closest measured time-series similarity as an investment strategy cluster (e) calculating the investment performance data of the investment strategy cluster, and (f) steps (c) to (e) for the remaining investment strategies and investment strategy clusters that are not grouped into investment strategy clusters among multiple investment strategies. ) to create an investment strategy cluster hierarchical structure in which the plurality of investment strategies are sequentially grouped. The method may further include determining an investment weight of each of a plurality of investment strategies based on the generated investment strategy cluster hierarchy.

Description

시계열 데이터의 유사도를 이용한 투자 비중 결정 방법 및 시스템{Method and system for determining investment weight using similarity of time-series data}Method and system for determining investment weight using similarity of time-series data

본 발명은 시계열 데이터의 유사도를 이용한 투자 비중 결정 방법 및 시스템에 관한 것으로, 보다 자세하게는 투자전략별 투자성과 유사도에 기초하여 투자전략 클러스터 트리 형태의 계층 구조를 결정하고, 결정된 계층 구조에 따른 투자전략별 투자 비중을 결정하는 방법 및 시스템에 관한 것이다.The present invention relates to a method and system for determining an investment proportion using the similarity of time series data. It relates to a method and system for determining the proportion of each investment.

투자란 다음의 5가지 의사결정(① 무엇을, ② 언제 ③ 얼마나 매수하고, ④ 언제 ⑤ 얼마나 매도할 것인가)의 집합이다. 가령 특정 종목을 매수 후 지속보유 하는 것도 하나의 투자전략이며, 하나의 투자대상이다.Investment is a set of five decisions (① what, ② when ③ how much to buy, ④ when ⑤ how much to sell). For example, buying and holding a specific stock is an investment strategy and an investment target.

투자의 효율성은 투자전략간 투자비중 결정 로직, 즉 자금 배분 로직에 의해 큰 영향을 받는다.The efficiency of investment is greatly influenced by the logic of determining the investment proportion between investment strategies, that is, the logic of fund allocation.

투자전략간 자금 배분 로직 중 다음 형태의 배분 로직이 있다. 투자전략별 투자 수익률 시계열 데이터를 구하고, 각각의 투자 수익률 시계열 데이터 간 선형성을 측정 후, 측정된 수익률 간 선형성에 기반하여 미리 정해진 알고리즘에 따라 투자전략간 투자 비중을 결정한다.Among the logics for allocating funds between investment strategies, there is the following type of distribution logic. After obtaining the time-series data of the rate of return for each investment strategy, and measuring the linearity between the time-series data of each rate of return, the proportion of investment between the investment strategies is determined according to a predetermined algorithm based on the linearity between the measured rates of return.

그런데 이러한 종래 방법의 한계 중 하나는 시계열 데이터의 특징에 대한 고려없이 "투자 수익률 간 선형성"에만 기반하여 투자전략간 투자 비중을 결정하였다. 따라서 시간의 흐름에 따라 진행되는 투자활동에 대해 적용하는데는 한계가 있었다.However, one of the limitations of these conventional methods is that the proportion of investments between investment strategies is determined based only on "linearity between returns on investment" without considering the characteristics of time series data. Therefore, there is a limit to its application to investment activities that progress over time.

일본공개특허 제2008-250975호(공개일자: 2008.10.16)Japanese Patent Laid-Open No. 2008-250975 (Publication date: 2008.10.16)

본 발명이 이루고자 하는 기술적 과제는 투자전략별 투자성과 유사도에 기초하여 투자전략 클러스터 트리 형태의 계층 구조를 결정하고, 결정된 계층 구조에 따른 투자전략별 투자 비중을 결정하는 방법 및 시스템을 제공하는 것이다.The technical problem to be achieved by the present invention is to provide a method and system for determining a hierarchical structure in the form of a cluster tree of investment strategies based on similarities in investment performance for each investment strategy, and determining the investment weight for each investment strategy according to the determined hierarchical structure.

상기한 기술적 과제를 해결하기 위한 본 발명의 한 실시예에 따른 시계열 데이터의 유사도를 이용한 투자 비중 결정 방법은, (a) 복수의 투자전략을 선정받는 단계, (b) 상기 복수의 투자전략 각각의 투자성과 데이터를 수집하는 단계, (c) 상기 복수의 투자전략 각각의 투자성과 데이터를 이용하여 투자전략 쌍별 시계열적 유사도를 측정하는 단계, (d) 상기 측정된 시계열적 유사도가 가장 가까운 한 쌍의 투자전략을 투자전략 클러스터로 묶는 단계, (e) 상기 투자전략 클러스터의 투자성과 데이터를 산출하는 단계, 그리고 (f) 상기 복수의 투자전략 중 투자전략 클러스터로 묶이지 않은 나머지 투자전략과 투자전략 클러스터에 대해서 상기 (c) 단계 내지 상기 (e) 단계를 반복하여 상기 복수의 투자전략을 순차적으로 묶은 투자전략 클러스터 계층 구조를 생성하는 단계를 포함한다.The method for determining the investment proportion using the similarity of time series data according to an embodiment of the present invention for solving the above technical problem is (a) selecting a plurality of investment strategies, (b) each of the plurality of investment strategies Collecting investment performance data; (c) measuring the time-series similarity of each pair of investment strategies using the investment performance data of each of the plurality of investment strategies; Grouping investment strategies into investment strategy clusters; (e) calculating investment performance data of the investment strategy cluster; and generating an investment strategy cluster hierarchical structure in which the plurality of investment strategies are sequentially grouped by repeating steps (c) to (e) above.

상기 방법은, (g) 상기 생성된 투자전략 클러스터 계층 구조에 기초하여 상기 복수의 투자전략 각각의 투자 비중을 결정하는 단계를 더 포함할 수 있다.The method may further include (g) determining an investment weight of each of the plurality of investment strategies based on the generated investment strategy cluster hierarchy.

상기 복수의 투자전략 각각의 투자성과 데이터는, 상기 복수의 투자전략 각각의 미리 정해진 기간의 수익률 시계열 데이터일 수 있다.The investment performance data of each of the plurality of investment strategies may be time-series data of returns of each of the plurality of investment strategies for a predetermined period.

상기 수익률 시계열 데이터는, 상기 미리 정해진 기간의 일별 종가 기준 수익률이나 주별, 월별, 분기별 또는 연별 말일 종가 기준 수익률로 이루어질 수 있다.The rate of return time series data may include a rate of return based on the daily closing price of the predetermined period or a rate of return based on the closing price at the end of each week, month, quarter, or year.

상기 (c) 단계에서, 상기 투자전략 쌍별 유사도를 DTW(Dynamic Time Wrapping), CBDTW(Correlation Based Dynamic Time Wrapping) 및 GAK(Global Alignment Kernels) 중 적어도 하나의 방법으로 측정할 수 있다.In the step (c), the similarity of each investment strategy pair may be measured by at least one of Dynamic Time Wrapping (DTW), Correlation Based Dynamic Time Wrapping (CBDTW), and Global Alignment Kernels (GAK).

투자전략 클러스터로 묶인 한 쌍의 투자전략 간의 투자 비중은 동등하게 정해지거나, 한 쌍의 투자전략 간의 리스크량을 동등하게 맞춰주는 방식으로 정해질 수 있다.The proportion of investment between a pair of investment strategies grouped into an investment strategy cluster can be set equally, or it can be set in such a way as to equalize the amount of risk between the pair of investment strategies.

상기 투자전략 클러스터의 투자성과 데이터는, 상기 투자전략 클러스터로 묶인 투자전략의 투자 비중을 고려하여 산출될 수 있다.The investment performance data of the investment strategy cluster may be calculated in consideration of the investment proportions of the investment strategies grouped into the investment strategy cluster.

상기 생성된 계층 구조에 기초하여 결정된 투자 비중에 따라 상기 복수의 투자전략에 미리 정해진 기간 투자한 투자 성과를 상기 복수의 투자전략 각각의 투자성과 데이터에 추가한 후, 상기 (c) 내지 상기 (g) 단계를 반복할 수 있다.After adding the investment performance invested in the plurality of investment strategies for a predetermined period according to the investment proportion determined based on the generated hierarchical structure to the investment performance data of each of the plurality of investment strategies, the above (c) to (g) ) steps can be repeated.

상기한 기술적 과제를 해결하기 위한 본 발명의 한 실시예에 따른 컴퓨터에 상기한 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 포함할 수 있다.A computer-readable recording medium in which a program for executing the method is recorded on a computer according to an embodiment of the present invention to solve the above technical problem may be included.

상기한 기술적 과제를 해결하기 위한 본 발명의 한 실시예에 따른 시계열 데이터의 유사도를 이용한 투자 비중 결정 시스템은 복수의 투자전략 각각의 투자성과 데이터를 수집하는 데이터 수집부, 상기 복수의 투자전략 각각의 투자성과 데이터를 이용하여 투자전략 쌍별 시계열적 유사도를 측정하는 유사도 측정부, 상기 측정된 시계열적 유사도가 가장 가까운 한 쌍의 투자전략을 투자전략 클러스터로 묶는 계층적 군집화부, 그리고 상기 투자전략 클러스터의 투자성과 데이터를 산출하는 데이터 산출부를 포함한다.The investment weight determination system using the similarity of time series data according to an embodiment of the present invention for solving the above technical problem is a data collection unit for collecting investment performance data of each of a plurality of investment strategies, each of the plurality of investment strategies A similarity measurement unit that measures the time-series similarity of each investment strategy pair using investment performance data, a hierarchical clustering unit that groups the pair of investment strategies with the closest time-series similarity into an investment strategy cluster, and the investment strategy cluster It includes a data calculation unit that calculates investment performance data.

상기 계층적 군집화부는 상기 복수의 투자전략 중 투자전략 클러스터로 묶이지 않은 나머지 투자전략과 투자전략 클러스터에 대해서 다시 시계열적 유사도가 가장 가까운 한 쌍을 투자전략 클러스터로 묶는 과정을 반복하여, 상기 복수의 투자전략을 순차적으로 묶은 투자전략 클러스터 계층 구조를 생성한다.The hierarchical clustering unit time-series again for the remaining investment strategies and investment strategy clusters that are not grouped into investment strategy clusters among the plurality of investment strategies. A process of grouping a pair having the closest similarity into an investment strategy cluster is repeated to create an investment strategy cluster hierarchy in which the plurality of investment strategies are sequentially grouped.

상기 시스템은, 상기 생성된 투자전략 클러스터 계층 구조에 기초하여 상기 복수의 투자전략 각각의 투자 비중을 결정하는 투자 비중 결정부를 더 포함할 수 있다.The system may further include an investment proportion determining unit for determining an investment proportion of each of the plurality of investment strategies based on the generated investment strategy cluster hierarchical structure.

본 발명에 의하면 투자전략 간 유사도, 계층 구조를 보다 정확히 파악할 수 있고, 원하는 수의 군집으로 재분류 가능하다. 또한 다양한 투자대상을 유사도 순으로 정확히 분류함으로써 투자 효율성 제고할 수 있으며, 자산운용 투자 수익률 제고하고 정밀한 투자 위험관리 및 통제가 가능한 장점이 있다.According to the present invention, it is possible to more accurately grasp the similarity and hierarchical structure between investment strategies, and it is possible to reclassify into a desired number of clusters. In addition, it is possible to improve investment efficiency by accurately classifying various investment targets in order of similarity, and has the advantage of improving the rate of return on investment in asset management and enabling precise investment risk management and control.

도 1은 본 발명의 일 실시예에 따른 시계열 데이터의 유사도를 이용한 투자 비중 결정 시스템의 구성도이다.
도 2는 계층적 군집화를 통해 복수의 개별 개체가 순차적 계층적으로 결합되는 순서를 나타내는 트리 형태 구조인 덴드로그램을 나타낸 것이다.
도 3은 본 발명의 일 실시예에 따라 생성되는 클러스터-트리 형태의 투자전략 계층 구조를 예시한 것이다.
도 4는 본 발명의 일 실시예에 따른 시계열 데이터의 유사도를 이용한 투자 비중 결정 방법을 설명하기 위한 흐름도이다.1 is a block diagram of a system for determining investment proportion using similarity of time series data according to an embodiment of the present invention.
2 shows a dendrogram, which is a tree-type structure, representing an order in which a plurality of individual objects are sequentially and hierarchically combined through hierarchical clustering.
3 illustrates an investment strategy hierarchical structure in the form of a cluster-tree created according to an embodiment of the present invention.
4 is a flowchart illustrating a method for determining an investment proportion using similarity of time series data according to an embodiment of the present invention.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Hereinafter, with reference to the accompanying drawings, embodiments of the present invention will be described in detail so that those skilled in the art can easily carry out the present invention. However, the present invention may be embodied in many different forms and is not limited to the embodiments described herein. And in order to clearly explain the present invention in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.

명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.Throughout the specification, when a certain component is said to "include", it means that it may further include other components without excluding other components unless otherwise stated.

또한, 명세서에 기재된 "…부", "…모듈" 의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.In addition, the terms "...unit" and "...module" described in the specification mean a unit that processes at least one function or operation, which may be implemented by hardware, software, or a combination of hardware and software.

도 1은 본 발명의 일 실시예에 따른 시계열 데이터의 유사도를 이용한 투자 비중 결정 시스템의 구성도이다.1 is a block diagram of a system for determining investment proportion using similarity of time series data according to an embodiment of the present invention.

도 1을 참고하면, 본 발명에 따른 투자 비중 결정 시스템(100)은 투자전략 입력부(110), 데이터 수집부(120), 유사도 측정부(130), 계층적 군집화부(140), 데이터 산출부(150) 및 투자 비중 결정부(160)를 포함할 수 있다.Referring to FIG. 1, the investment proportion determination system 100 according to the present invention includes an investment strategy input unit 110, a data collection unit 120, a similarity measurement unit 130, a hierarchical clustering unit 140, and a data calculation unit. (150) and an investment proportion determining unit (160).

투자전략 입력부(110)는 사용자로부터 선정된 복수의 투자전략을 입력받을 수 있다. 여기서 투자전략은 가장 간단하게는 하나의 투자대상 종목일 수 있다. 즉 해당 투자대상 종목을 매수 후 지속 보유하는 것 자체가 하나의 투자전략일 수 있다. 여기서 투자대상 종목은 증권거래소에서 거래되는 종목일 수 있으며, 펀드 등의 종목일 수도 있고, 선물거래 종목, 옵션거래 종목 등 다양한 투자상품 종목일 수 있다. The investment strategy input unit 110 may receive a plurality of investment strategies selected from the user. Here, the investment strategy can be the simplest investment item. In other words, buying and holding the investment target stock may itself be an investment strategy. Here, the investment target item may be an item traded on a stock exchange, may be an item such as a fund, or may be various investment product items such as a futures trading item and an option trading item.

한편 복수의 투자대상 종목을 어떤 비중으로 매수하여 보유할 것인지도 하나의 투자전략일 수 있다. 가령 A라는 종목을 60%, B라는 종목을 40% 매수 후 보유하는 것도 하나의 투자전략 일 수 있다. On the other hand, one investment strategy may be how to purchase and hold multiple stocks for investment. For example, buying and holding 60% of stock A and 40% of stock B can be an investment strategy.

그리고 투자대상 종목을 언제 사고 언제 매도할 것인지 등도 투자전략일 수 있다. 예컨대 A라는 종목을 매수 후 보유하고 있다가 일정 조건이 되면 A 종목을 매도하고 B 종목을 매수하는 것도 하나의 투자전략 일 수 있다.Also, when to buy and when to sell stocks to invest in can be an investment strategy. For example, buying stock A and then holding it, then selling stock A and buying stock B when certain conditions are met can be an investment strategy.

데이터 수집부(120)는 복수의 투자전략 각각의 투자성과 데이터를 수집할 수 있다. 여기서 각 투자전략에 대한 투자성과 데이터는 미리 정해진 기간의 해당 투자전략에 따라 얻어진 수익률로 이루어진 시계열 데이터일 수 있다. 예컨대 일정한 기간 동안 해당 종목의 일별 종가 기준 수익률로 이루어진 시계열 데이터나, 월별 종가 기준 수익률로 이루어진 시계열 데이터일 수 있다. 물론 2개 이상의 종목인 경우 투자 비중까지 반영한 일별 또는 월별 종가 기준 수익률로 이루어진 시계열 데이터일 수도 있다. 물론 일별, 월별 종가 기준이 아닌 다른 기준에 의해 정해지는 수익률로 이루어진 시계열 데이터일 수도 있다.The data collection unit 120 may collect investment performance data of each of a plurality of investment strategies. Here, the investment performance data for each investment strategy may be time series data consisting of returns obtained according to the corresponding investment strategy for a predetermined period. For example, it may be time series data consisting of returns based on the daily closing price of the stock for a certain period of time, or time series data consisting of returns based on monthly closing prices. Of course, in the case of two or more stocks, it may be time series data consisting of returns based on daily or monthly closing prices that reflect the proportion of investments. Of course, it may be time-series data consisting of returns determined by standards other than daily and monthly closing prices.

데이터 수집부(120)는 각 투자대상 종목의 수익률에 대한 데이터베이스를 구축하고 있는 데이터베이스 서버(도시하지 않음)로부터 수집할 수 있다.The data collection unit 120 may collect data from a database server (not shown) constructing a database on the rate of return of each investment item.

유사도 측정부(130)는 투자전략 각각의 투자성과 데이터를 이용하여 투자전략 쌍별 유사도를 측정할 수 있다. 앞서 설명한 것과 같이 투자전략 각각의 투자성과 데이터는 수익률로 이루어진 시계열 데이터일 수 있다. 이 경우 서로 다른 두 시계열 데이터 쌍의 유사도를 구함으로써 투자전략 쌍별 시계열적 유사도를 측정할 수 있다.The similarity measuring unit 130 may measure the similarity of each investment strategy pair using the investment performance data of each investment strategy. As described above, the investment performance data of each investment strategy may be time series data consisting of returns. In this case, the time-series similarity of each investment strategy pair can be measured by obtaining the similarity of two different time-series data pairs.

유사도 측정부(130)는 수익률로 이루어진 시계열 데이터인 한 쌍의 투자성과 데이터에 DTW(Dynamic Time Wrapping), CBDTW(Correlation Based Dynamic Time Wrapping) 및 GAK(Global Alignment Kernels) 등의 방법으로 시계열적 유사도를 측정할 수 있다. The similarity measurement unit 130 determines the time series similarity to a pair of investment performance data, which is time series data consisting of returns, by methods such as DTW (Dynamic Time Wrapping), CBDTW (Correlation Based Dynamic Time Wrapping), and GAK (Global Alignment Kernels). can be measured

DTW, CBDTW 및 GAK 방법 등은 서로 다른 시계열 데이터 간의 시계열적 유사도를 구하는 방법으로 널리 알려져 있으므로 여기서 자세한 설명은 생략한다. DTW 방법은 특히 서로 길이가 다른 두 시계열 데이터 간의 유사도를 구할 수 있다. Since DTW, CBDTW, and GAK methods are widely known as methods for obtaining time-series similarities between different time-series data, detailed descriptions thereof are omitted here. In particular, the DTW method can obtain a similarity between two time series data having different lengths.

계층적 군집화부(140)는 복수의 투자전략에 대해서 계층적 군집화(Hierarchical Clustering)을 수행하여 복수의 투자전략을 순차적으로 묶은 투자전략 클러스터 계층 구조를 생성할 수 있다.The hierarchical clustering unit 140 may perform hierarchical clustering on a plurality of investment strategies to generate an investment strategy cluster hierarchical structure in which a plurality of investment strategies are sequentially grouped.

도 2는 계층적 군집화를 통해 복수의 개별 개체가 순차적 계층적으로 결합되는 순서를 나타내는 트리 형태 구조인 덴드로그램(dendrogram)을 나타낸 것이다.FIG. 2 shows a dendrogram, which is a tree-type structure, showing an order in which a plurality of individual objects are sequentially and hierarchically combined through hierarchical clustering.

본 발명에 따른 계층적 군집화부(140)는 복수의 투자전략을 도 2에 예시한 것과 같은 트리 형태 구조를 가지는 투자전략 클러스터 계층 구조로 묶을 수 있다.The hierarchical clustering unit 140 according to the present invention may group a plurality of investment strategies into an investment strategy cluster hierarchical structure having a tree-like structure as illustrated in FIG. 2 .

도 3은 본 발명의 일 실시예에 따라 생성되는 클러스터-트리 형태의 투자전략 계층 구조를 예시한 것이다.3 illustrates an investment strategy hierarchical structure in the form of a cluster-tree created according to an embodiment of the present invention.

계층적 군집화부(140)는 복수의 투자전략 중 투자전략 클러스터로 묶이지 않은 나머지 투자전략과 투자전략 클러스터에 대해서 다시 시계열적 유사도가 가장 가까운 한 쌍을 투자전략 클러스터로 묶는 과정을 반복하여, 복수의 투자전략을 순차적으로 묶은 투자전략 클러스터 계층 구조를 생성할 수 있다.The hierarchical clustering unit 140 repeats the process of grouping a pair with the closest time-series similarity into an investment strategy cluster for the remaining investment strategies and investment strategy clusters that are not grouped into investment strategy clusters among the plurality of investment strategies. You can create an investment strategy cluster hierarchy in which investment strategies are sequentially grouped.

가령 투자전략 A, B, C, D 및 E에 대해서 투자전략 쌍별 시계열적 유사도를 측정한 결과 A와 B의 유사도가 가장 높으면, 도 3에 예시한 것과 같이 투자전략 쌍 A와 B를 먼저 묶어서 하나의 클러스터 AB를 만든다. 그리고 클러스터 AB를 하나의 투자전략으로 간주하여, 다시 클러스터 AB, 투자전략 C, D, E에 대해서 투자전략 쌍별 유사도를 측정할 수 있다. 그리고 클러스터 AB와 투자전략 C의 유사도가 가장 높으면, 클러스터 AB와 투자전략 C를 묶어서 클러스터 ABC를 만든다. 계층적 군집화부(140)는 위와 같은 방식을 반복하면서 투자전략 클러스터 계층 구조를 생성할 수 있다.For example, as a result of measuring the time-series similarity of each investment strategy pair for investment strategies A, B, C, D, and E, if A and B have the highest similarity, as illustrated in FIG. 3, investment strategy pairs A and B are first grouped into one Create cluster AB of In addition, cluster AB is considered as one investment strategy, and the similarity of each pair of investment strategies can be measured for cluster AB and investment strategies C, D, and E again. If the similarity between cluster AB and investment strategy C is the highest, cluster ABC is created by combining cluster AB and investment strategy C. The hierarchical clustering unit 140 may generate a hierarchical investment strategy cluster structure while repeating the above method.

데이터 산출부(150)는 계층적 군집화부(140)에서 투자전략이 클러스터로 묶일 때마다 해당 클러스터의 투자성과 데이터를 산출할 수 있다. 데이터 산출부(150)는 투자전략 클러스터로 묶인 투자전략의 투자 비중을 고려하여 해당 클러스터의 투자성과 데이터를 산출할 수 있다.The data calculator 150 may calculate investment performance data of the corresponding cluster whenever an investment strategy is grouped into a cluster in the hierarchical clustering unit 140 . The data calculation unit 150 may calculate the investment performance data of the cluster by considering the investment weight of the investment strategy grouped into the investment strategy cluster.

투자 비중 결정부(160)는 투자전략이 클러스터로 묶일 때마다 해당 클러스터로 묶인 투자전략의 투자비중을 결정한 결과를 데이터 산출부(150)에 제공할 수 있다. The investment proportion determination unit 160 may provide the result of determining the investment proportion of the investment strategy grouped in the corresponding cluster to the data calculation unit 150 whenever the investment strategy is grouped into a cluster.

클러스터 투자성과 데이터를 산출할 때, 투자전략 간 투자 비중을 동등하게 적용하거나 다르게 적용할 수 있다. 동등하게 적용하면 양 투자전략의 수익률의 평균값으로 이루어진 시계열 데이터로 투자성과 데이터가 산출될 수 있다.When calculating cluster investment performance data, the investment proportions between investment strategies can be applied equally or differently. Equally applied, investment performance data can be calculated as time series data consisting of the average of the returns of both investment strategies.

물론 투자전략 클러스터로 묶인 한 쌍의 투자전략 간의 리스크량을 동등하게 맞춰주는 방식, 예컨대 리스크 패리티(risk parity) 방식으로 투자 비중을 결정하고, 그에 따른 투자성과 데이터를 산출할 수 있다. 가령 리스크 패리티 방식으로 정해진 투자전략 A의 비중이 20%이고, 투자전략 B의 비중이 80%이면, 투자전략 A의 수익률에 가중치 0.2를 주고, 투자전략 B의 수익률에 가중치 0.8 부여하여, 투자전략 A와 B가 묶인 클러스터의 수익률 데이터를 산출할 수 있다.Of course, it is possible to determine the proportion of investment in a method that equalizes the amount of risk between a pair of investment strategies grouped into an investment strategy cluster, such as a risk parity method, and calculate investment performance data accordingly. For example, if the proportion of investment strategy A determined by the risk parity method is 20% and the proportion of investment strategy B is 80%, a weight of 0.2 is given to the rate of return of investment strategy A and a weight of 0.8 is given to the rate of return of investment strategy B, and the investment strategy The yield data of the cluster where A and B are tied can be calculated.

개별 자산의 수익률 변동이 포트폴리오 전체 위험에 기여하는 정도를 동일하도록 구성하는 리스크 패리티 방식은 이미 잘 알려져 있으므로 자세한 설명은 생략한다.The risk parity method, which configures the degree of contribution of individual asset yield fluctuations to the overall risk of the portfolio, is already well known, so a detailed description will be omitted.

투자 비중 결정부(160)는 계층적 군집화부(140)에서 생성된 투자전략 클러스터 계층 구조에 기초하여 복수의 투자전략 각각의 투자 비중을 결정할 수 있다.The investment proportion determination unit 160 may determine the investment proportion of each of a plurality of investment strategies based on the investment strategy cluster hierarchical structure generated by the hierarchical clustering unit 140 .

도 3을 참고하면, 가령 클러스터 ABC에 50%, 클러스터 DC에 50%를 분배한다. 그리고 한 계층 내려가서 클러스터 ABC에 50% 분배된 것을 클러스터 AB에 25%, 투자전략 C에 25%를 분배한다. 그리고 클러스터 DC에 50% 분배된 것으로 투자전략 D와 E에 각각 25% 씩 분배한다. 마지막으로 클러스터 AB에 25% 분배된 것으로 12.5% 씩 클러스터 A와 B에 분배할 수 있다. 물론 리스크 패리티 방식으로 클러스터별 위험량을 동등하게 맞춰나가면서 각 투자전략에 대한 투자비중을 결정하는 것도 가능하다.Referring to FIG. 3, for example, 50% is distributed to cluster ABC and 50% to cluster DC. Then, going down one level, 50% of the distribution to cluster ABC is distributed to 25% to cluster AB and 25% to investment strategy C. And 50% is distributed to cluster DC, 25% each to investment strategies D and E. Finally, 25% is distributed to cluster AB, which can be distributed to clusters A and B by 12.5%. Of course, it is also possible to determine the investment proportion for each investment strategy by equalizing the amount of risk for each cluster using the risk parity method.

도 4는 본 발명의 일 실시예에 따른 시계열 데이터의 유사도를 이용한 투자 비중 결정 방법을 설명하기 위한 흐름도이다.4 is a flowchart illustrating a method for determining an investment proportion using similarity of time series data according to an embodiment of the present invention.

도 1 및 도 4를 참고하면, 먼저 투자전략 입력부(110)는 사용자로부터 선정된 복수의 투자전략을 입력받을 수 있다(S410).Referring to FIGS. 1 and 4 , first, the investment strategy input unit 110 may receive a plurality of investment strategies selected from the user (S410).

그러면 데이터 수집부(120)는 단계(S410)에서 입력된 복수의 투자전략 각각의 투자성과 데이터를 수집할 수 있다(S420). 여기서 미리 정해진 기간의 해당 투자전략에 따라 얻어진 수익률로 이루어진 시계열 데이터일 수 있다. 가령 해당 투자전략에 따라 얻어진 일별 종가 기준 수익률, 월별 말일 종가 기준 수익률 등의 시계열 데이터일 수 있다.Then, the data collection unit 120 may collect investment performance data of each of the plurality of investment strategies input in step S410 (S420). Here, it may be time-series data consisting of returns obtained according to a corresponding investment strategy for a predetermined period. For example, it may be time-series data such as yields based on the closing price for each day and returns based on the closing price at the end of each month obtained according to the corresponding investment strategy.

다음으로 유사도 측정부(130)는 단계(S420)에서 수집된 복수의 투자전략 각각의 투자성과 데이터를 이용하여 투자전략 쌍별 시계열적 유사도를 측정할 수 있다(S430). 투자전략 쌍별 시계열적 유사도는 각 투자전략의 수익률 시계열 데이터에 대해서 DTW(Dynamic Time Wrapping), CBDTW(Correlation Based Dynamic Time Wrapping) 및 GAK(Global Alignment Kernels) 등의 방법으로 측정할 수 있다.Next, the similarity measurement unit 130 may measure the time-series similarity of each investment strategy pair using the investment performance data of each of the plurality of investment strategies collected in step S420 (S430). The time-series similarity of each investment strategy pair can be measured by methods such as DTW (Dynamic Time Wrapping), CBDTW (Correlation Based Dynamic Time Wrapping), and GAK (Global Alignment Kernels) for the return time series data of each investment strategy.

이후 계층적 군집화부(140)는 단계(S420)에서 측정된 시계열적 유사도가 가장 가까운 한 쌍의 투자전략을 투자전략 클러스터로 묶을 수 있다(S440).Thereafter, the hierarchical clustering unit 140 may group a pair of investment strategies having the closest temporal similarity measured in step S420 into an investment strategy cluster (S440).

그리고 데이터 산출부(150)는 단계(S440)에서 묶인 투자전략 클러스터의 투자성과 데이터를 산출할 수 있다(S450). 단계(S450)에서 투자성과 데이터는 하나의 투자전략 클러스터로 묶인 투자전략의 투자 비중을 고려하여 해당 클러스터의 투자성과 데이터를 산출할 수 있다.In addition, the data calculation unit 150 may calculate investment performance data of the investment strategy cluster bundled in step S440 (S450). In step S450, the investment performance data of one investment strategy cluster can be calculated by considering the investment proportion of the investment strategies grouped into one investment strategy cluster.

다음으로 계층적 군집화부(140)는 복수의 투자전략 중 투자전략 클러스터로 묶이지 않은 나머지 투자전략과 투자전략 클러스터에 대해서 단계(S430) 내지 단계(S450)를 반복하여 단계(S410)에서 입력된 복수의 투자전략을 순차적으로 묶은 투자전략 클러스터 계층 구조를 생성할 수 있다(S460).Next, the hierarchical clustering unit 140 repeats steps S430 to S450 for the remaining investment strategies and investment strategy clusters that are not tied to the investment strategy cluster among the plurality of investment strategies, and then repeats the plurality of investment strategies input in step S410. An investment strategy cluster hierarchical structure in which investment strategies are sequentially grouped may be generated (S460).

이후 투자 비중 결정부(160)는 단계(S460)에서 생성된 투자전략 클러스터 계층 구조에 기초하여 복수의 투자전략 각각의 투자 비중을 결정할 수 있다(S470).Thereafter, the investment proportion determination unit 160 may determine the investment proportion of each of a plurality of investment strategies based on the investment strategy cluster hierarchical structure generated in step S460 (S470).

다음으로 단계(S470)에서 결정된 투자 비중에 따라 복수의 투자전략에 미리 정해진 기간 투자할 수 있다(S480).Next, it is possible to invest in a plurality of investment strategies for a predetermined period according to the investment ratio determined in step S470 (S480).

그리고 데이터 수집부(120)는 단계(S480)에서 투자 성과를 수집하여 복수의 투자전략 각각의 투자성과 데이터에 추가할 수 있다(S490). 그리고 투자 비중 결정 시스템(100)은 단계(S430) 내지 단계(S470)를 반복할 수 있다.And the data collection unit 120 may collect the investment performance in step (S480) and add it to the investment performance data of each of a plurality of investment strategies (S490). And the investment proportion determination system 100 may repeat steps (S430) to (S470).

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The embodiments described above may be implemented as hardware components, software components, and/or a combination of hardware components and software components. For example, the devices, methods and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate (FPGA). array), programmable logic units (PLUs), microprocessors, or any other device capable of executing and responding to instructions. A processing device may run an operating system (OS) and one or more software applications running on the operating system. A processing device may also access, store, manipulate, process, and generate data in response to execution of software. For convenience of understanding, there are cases in which one processing device is used, but those skilled in the art will understand that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that it can include. For example, a processing device may include a plurality of processors or a processor and a controller. Other processing configurations are also possible, such as parallel processors.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.Software may include a computer program, code, instructions, or a combination of one or more of the foregoing, which configures a processing device to operate as desired or processes independently or collectively. The device can be commanded. Software and/or data may be any tangible machine, component, physical device, virtual equipment, computer storage medium or device, intended to be interpreted by or provide instructions or data to a processing device. , or may be permanently or temporarily embodied in a transmitted signal wave. Software may be distributed on networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer readable media.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer readable medium. The computer readable medium may include program instructions, data files, data structures, etc. alone or in combination. Program commands recorded on the medium may be specially designed and configured for the embodiment or may be known and usable to those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. - includes hardware devices specially configured to store and execute program instructions, such as magneto-optical media, and ROM, RAM, flash memory, and the like. Examples of program instructions include high-level language codes that can be executed by a computer using an interpreter, as well as machine language codes such as those produced by a compiler. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described with limited drawings, those skilled in the art can apply various technical modifications and variations based on the above. For example, the described techniques may be performed in an order different from the method described, and/or components of the described system, structure, device, circuit, etc. may be combined or combined in a different form than the method described, or other components may be used. Or even if it is replaced or substituted by equivalents, appropriate results can be achieved.

100: 투자 비중 결정 시스템
110: 투자전략 입력부
120: 데이터 수집부
130: 유사도 측정부
140: 계층적 군집화부
150: 데이터 산출부
160: 투자 비중 결정부100: investment proportion determination system
110: investment strategy input unit
120: data collection unit
130: similarity measuring unit
140: hierarchical clustering unit
150: data calculation unit
160: investment proportion determining unit

Claims (17)

컴퓨팅 장치를 통해 수행되는 투자 비중 결정 방법에서,
투자전략 입력부가 복수의 투자전략을 선정받는 단계;
데이터 수집부가 상기 복수의 투자전략 각각의 미리 정해진 기간의 수익률 시계열 데이터를 수집하는 단계;
계층적 군집화부가 상기 복수의 투자전략에 대해서 수익률 시계열 데이터의 시계열적 유사도가 가장 높은 한 쌍을 하나의 투자전략으로 묶는 것을 상기 복수의 투자전략이 최종적으로 하나로 묶일 때까지 반복하는 계층적 군집화를 수행하고, 상기 계층적 군집화 수행을 통해 상기 복수의 투자전략이 결합된 순서를 트리 형태 구조로 나타낸 투자전략 클러스터 계층 구조 데이터를 생성하는 단계 - 상기 계층적 군집화를 수행할 때 한 쌍의 투자전략을 묶은 투자전략 클러스터는 하나의 투자전략으로 간주됨 - ; 및
투자 비중 결정부가 상기 생성된 투자전략 클러스터 계층 구조 데이터에 기초하여 상기 복수의 투자전략 각각의 투자 비중을 결정하는 단계 - 투자전략 클러스터로 묶인 한 쌍의 투자전략 간의 투자 비중은 동등하게 정해짐 - ;
를 포함하는 투자 비중 결정 방법.In the method for determining the proportion of investment performed through a computing device,
The investment strategy input unit receiving a plurality of investment strategies selected;
Collecting, by a data collection unit, time-series data of returns for a predetermined period of each of the plurality of investment strategies;
The hierarchical clustering unit performs hierarchical clustering by repeating grouping a pair with the highest time-series similarity of return time series data into one investment strategy for the plurality of investment strategies until the plurality of investment strategies are finally grouped into one. and generating investment strategy cluster hierarchical structure data representing the order in which the plurality of investment strategies are combined in a tree structure through the hierarchical clustering - When performing the hierarchical clustering, a pair of investment strategies are bundled - An investment strategy cluster is regarded as an investment strategy; and
determining the investment proportion of each of the plurality of investment strategies based on the generated investment strategy cluster hierarchical structure data by the investment proportion determination unit - the investment proportion between a pair of investment strategies grouped in an investment strategy cluster is determined equally;
How to determine the proportion of investment that includes. 삭제delete 삭제delete 제 1 항에서,
상기 수익률 시계열 데이터는,
상기 미리 정해진 기간의 일별 종가 기준 수익률이나 주별 또는 월별 또는 분기별 또는 연별 말일 종가 기준 수익률로 이루어지는 투자 비중 결정 방법.In claim 1,
The yield time series data,
A method for determining an investment proportion comprising a rate of return based on the daily closing price of the predetermined period or a rate of return based on the closing price at the end of each week, month, quarter, or year. 제 1 항에서,
상기 컴퓨팅 장치는,
상기 시계열적 유사도를 DTW(Dynamic Time Wrapping), CBDTW(Correlation Based Dynamic Time Wrapping) 및 GAK(Global Alignment Kernels) 중 어느 하나의 방법으로 측정하는 투자 비중 결정 방법.In claim 1,
The computing device,
A method for determining the investment proportion by measuring the time-series similarity by any one of Dynamic Time Wrapping (DTW), Correlation Based Dynamic Time Wrapping (CBDTW), and Global Alignment Kernels (GAK). 삭제delete 삭제delete 제 1 항에서,
상기 투자 비중 결정부가 상기 생성된 투자전략 클러스터 계층 구조 데이터에 기초하여 상기 복수의 투자전략 각각의 투자 비중을 결정하는 단계 이후에,
상기 데이터 수집부가 상기 생성된 투자전략 클러스터 계층 구조 데이터에 기초하여 결정된 투자 비중에 따라 상기 복수의 투자전략에 투자한 투자 성과에 대응하는 수익률 시계열 데이터를 상기 복수의 투자전략 각각의 미리 정해진 기간의 수익률 시계열 데이터에 추가하는 단계,
상기 계층적 군집화부가 다시 투자전략 클러스터 계층 구조 데이터를 생성하는 단계, 및
상기 투자 비중 결정부가 상기 다시 생성된 투자전략 클러스터 계층 구조 데이터에 기초하여 상기 복수의 투자전략 각각의 투자 비중을 다시 결정하는 단계
를 더 포함하는 투자 비중 결정 방법.In claim 1,
After the investment proportion determining unit determines the investment proportion of each of the plurality of investment strategies based on the generated investment strategy cluster hierarchical structure data,
The data collection unit converts the return rate time series data corresponding to the investment performance invested in the plurality of investment strategies according to the investment proportion determined based on the generated investment strategy cluster hierarchical structure data to the return rate of each of the plurality of investment strategies for a predetermined period. adding to time series data,
generating investment strategy cluster hierarchical structure data again by the hierarchical clustering unit; and
Re-determining the investment proportion of each of the plurality of investment strategies based on the regenerated investment strategy cluster hierarchical structure data by the investment proportion determining unit
How to determine the proportion of investment further comprising a. 컴퓨터에 제1항, 제4항, 제5항 및 제8항 중 어느 한 항에 기재된 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.A computer-readable recording medium recording a program for executing the method according to any one of claims 1, 4, 5, and 8 on a computer. 복수의 투자전략 각각의 미리 정해진 기간의 수익률 시계열 데이터를 수집하는 데이터 수집부,
상기 복수의 투자전략에 대해서 수익률 시계열 데이터의 시계열적 유사도가 가장 높은 한 쌍을 하나의 투자전략으로 묶는 것을 상기 복수의 투자전략이 최종적으로 하나로 묶일 때까지 반복하는 계층적 군집화를 수행하고, 상기 계층적 군집화 수행을 통해 상기 복수의 투자전략이 결합된 순서를 트리 형태 구조로 나타낸 투자전략 클러스터 계층 구조 데이터를 생성하는 계층적 군집화부, 및
상기 생성된 투자전략 클러스터 계층 구조 데이터에 기초하여 상기 복수의 투자전략 각각의 투자 비중을 결정하는 투자 비중 결정부
를 포함하고,
상기 계층적 군집화를 수행할 때 한 쌍의 투자전략을 묶은 투자전략 클러스터는 하나의 투자전략으로 간주하며,
투자전략 클러스터로 묶인 한 쌍의 투자전략 간의 투자 비중은 동등하게 정해지는 투자 비중 결정 장치.A data collection unit for collecting time-series data of the rate of return of each of a plurality of investment strategies for a predetermined period;
For the plurality of investment strategies, hierarchical clustering is performed by repeating grouping a pair with the highest time-series similarity of return time series data into one investment strategy until the plurality of investment strategies are finally grouped into one, and the hierarchy A hierarchical clustering unit for generating investment strategy cluster hierarchical structure data representing the order in which the plurality of investment strategies are combined in a tree-like structure by performing clustering; and
An investment proportion determination unit for determining an investment proportion of each of the plurality of investment strategies based on the generated investment strategy cluster hierarchical structure data.
including,
When performing the hierarchical clustering, an investment strategy cluster that bundles a pair of investment strategies is regarded as one investment strategy,
An investment proportion determining device in which the investment proportion between a pair of investment strategies grouped in an investment strategy cluster is equally determined. 삭제delete 삭제delete 제 10 항에서,
상기 수익률 시계열 데이터는,
상기 미리 정해진 기간의 일별 종가 기준 수익률이나 주별 또는 월별 또는 분기별 또는 연별 말일 종가 기준 수익률로 이루어지는 투자 비중 결정 장치.In paragraph 10,
The yield time series data,
An investment proportion determining device comprising a rate of return based on the daily closing price of the predetermined period or a rate of return based on the closing price at the end of each week, month, quarter, or year. 제 10 항에서,
상기 시계열적 유사도를 DTW(Dynamic Time Wrapping), CBDTW(Correlation Based Dynamic Time Wrapping) 및 GAK(Global Alignment Kernels) 중 어느 하나의 방법으로 측정하는 유사도 측정부를 더 포함하는 투자 비중 결정 장치.In paragraph 10,
Further comprising a similarity measuring unit for measuring the time-series similarity by any one of Dynamic Time Wrapping (DTW), Correlation Based Dynamic Time Wrapping (CBDTW), and Global Alignment Kernels (GAK). 삭제delete 삭제delete 제 10 항에서,
상기 데이터 수집부가 상기 생성된 투자전략 클러스터 계층 구조 데이터에 기초하여 결정된 투자 비중에 따라 상기 복수의 투자전략에 투자한 투자 성과에 대응하는 수익률 시계열 데이터를 상기 복수의 투자전략 각각의 미리 정해진 기간의 수익률 시계열 데이터에 추가한 후,
상기 계층적 군집화부가 다시 투자전략 클러스터 계층 구조 데이터를 생성하고
상기 투자 비중 결정부가 상기 다시 생성된 투자전략 클러스터 계층 구조 데이터에 기초하여 상기 복수의 투자전략 각각의 투자 비중을 다시 결정하는 투자 비중 결정 장치.In paragraph 10,
The data collection unit converts the return rate time series data corresponding to the investment performance invested in the plurality of investment strategies according to the investment proportion determined based on the generated investment strategy cluster hierarchical structure data to the return rate of each of the plurality of investment strategies for a predetermined period. After adding to the time series data,
The hierarchical clustering unit again generates investment strategy cluster hierarchical structure data,
The investment proportion determining unit for re-determining the investment proportion of each of the plurality of investment strategies based on the regenerated investment strategy cluster hierarchical structure data.
KR1020190175285A 2019-12-26 2019-12-26 Method and system for determining investment weight using similarity of time-series data KR102508875B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190175285A KR102508875B1 (en) 2019-12-26 2019-12-26 Method and system for determining investment weight using similarity of time-series data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190175285A KR102508875B1 (en) 2019-12-26 2019-12-26 Method and system for determining investment weight using similarity of time-series data

Publications (2)

Publication Number Publication Date
KR20210082879A KR20210082879A (en) 2021-07-06
KR102508875B1 true KR102508875B1 (en) 2023-03-09

Family

ID=76861136

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190175285A KR102508875B1 (en) 2019-12-26 2019-12-26 Method and system for determining investment weight using similarity of time-series data

Country Status (1)

Country Link
KR (1) KR102508875B1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102644004B1 (en) 2022-11-25 2024-03-06 주식회사 랩투아이 Module, system and method for predicting time series data

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008250975A (en) 2007-03-08 2008-10-16 Just Syst Corp Time-series information processor, method and program
KR102104783B1 (en) * 2017-08-16 2020-05-29 이정일 Apparatus and method for providing information through analysis of movement patterns between stock prices

Also Published As

Publication number Publication date
KR20210082879A (en) 2021-07-06

Similar Documents

Publication Publication Date Title
Boyd et al. Multi-period trading via convex optimization
US8578023B2 (en) Computer resource utilization modeling for multiple workloads
US8515850B2 (en) System and method for forecasting realized volatility via wavelets and non-linear dynamics
CN101185097A (en) Method and apparatus for advanced mortgage diagnostic analytics
US9111227B2 (en) Monitoring data analyzing apparatus, monitoring data analyzing method, and monitoring data analyzing program
US20190005591A1 (en) Computational architecture and method for a time-varying control system
US8924275B2 (en) Hybrid multi-thread and multi-process computer simulation system and method
US8964953B2 (en) Incremental valuation based network capacity allocation
Mahoto et al. An Intelligent Business Model for Product Price Prediction Using Machine Learning Approach.
KR102508875B1 (en) Method and system for determining investment weight using similarity of time-series data
Huang et al. Research on retailer data clustering algorithm based on spark
Andersen Knowledge productivity and the returns to agricultural research: a review
CN111667307B (en) Method and device for predicting financial product sales volume
US20210182963A1 (en) System and Process for Option Trading
Sen et al. Optimum risk portfolio and eigen portfolio: a comparative analysis using selected stocks from the Indian stock market
KR20210082878A (en) Method and system for determining investment weight using copula function
Tahir et al. What Determines Price-to-Earnings Ratios: An Empirical Evidence from Banking Sector of Pakistan
Nguyen et al. Identifying price index classes for electricity consumers via dynamic gradient boosting
CN111210110A (en) Method and device for generating prevention strategy based on stress test and electronic equipment
Lin et al. Bond Price Prediction Using Technical Indicators and Machine Learning Techniques.
Umino et al. Modeling the Momentum Effect in Stock Markets to Propose a New Portfolio Algorithm
CN112200672B (en) Intelligent contract processing method
Petra et al. A high-performance computing framework for analyzing the economic impacts of wind correlation
Nord et al. Monte Carlo option pricing with graphics processing units
Cartlidge et al. Estimating demand for dynamic pricing in electronic markets

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
E902 Notification of reason for refusal
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant