KR102519878B1 - 금융기관 신용공여 사업에서의 인공지능 기반 리스크 관리 솔루션을 제공하기 위한 장치, 방법 및 명령을 기록한 기록 매체 - Google Patents

Abstract

본 개시의 일 측면에 따르면, 담보로서의 기업 주식에 대한 리스크를 평가하기 위한 장치가 제공될 수 있다. 본 개시에 따른 장치는, 하나 이상의 프로세서; 및 상기 하나 이상의 프로세서에 의한 실행 시, 상기 하나 이상의 프로세서가 연산을 수행하도록 하는 명령 및 재무제표를 분석하기 위해 학습된 제1 인공 신경망을 저장하는 하나 이상의 메모리를 포함하고, 상기 하나 이상의 프로세서는, 상기 명령에 따라, 기업의 재무제표에 기초하여, 상기 기업의 재무제표에 관한 하나 이상의 속성을 포함하는 제1 속성 그룹에 관한 데이터를 결정하고, 상기 제1 속성 그룹에 관한 데이터를 상기 제1 인공 신경망에 입력하고, 상기 제1 인공 신경망의 출력에 기초하여, 상기 기업의 재무 상태에 대한 위험도를 지시하는 제1 위험값을 결정하고, 상기 제1 위험값에 기초하여, 담보로서 상기 기업의 주식(stock)이 가지는 최종 위험값을 결정할 수 있다.

Description

금융기관 신용공여 사업에서의 인공지능 기반 리스크 관리 솔루션을 제공하기 위한 장치, 방법 및 명령을 기록한 기록 매체{APPARATUS, METHOD AND RECORDING MEDIUM STORING COMMANDS FOR PROVIDING ARTIFICIAL-INTELLIGENCE-BASED RISK MANAGEMENT SOLUTION IN CREDIT EXPOSURE BUSINESS OF FINANCIAL INSTITUTION}

본 개시는 인공지능 기술에 기반하여 담보로서의 기업 주식(stock)에 대한 리스크를 평가하기 위한 기술에 관한 것이다.

금융기관의 기존 신용공여사업에 있어서, 담보로서의 기업 주식에 대한 리스크 평가 방법은 소위 휴리스틱(heuristic)한 방식에 따라 수작업으로 수행되었다. 그러나 이러한 방식은 사람이 직접 의사결정을 수행한다는 점에서 의사결정 과정에 오류가 있을 수 있고, 개인에 따른 편차로 인해 리스크를 일관되게 평가 및 관리할 수 없는 문제점을 갖는다. 그에 따라 당업계에서는 보다 체계적이고 정확한 담보 주식에 대한 리스크 평가 방법의 수요가 증가해왔다.

본 개시는 인공지능 기술에 기반하여 담보로서의 기업 주식에 대한 리스크를 평가하기 위한 기술을 제공한다.

본 개시의 일 측면에 따르면, 담보로서의 기업 주식에 대한 리스크를 평가하기 위한 장치가 제공될 수 있다. 본 개시에 따른 장치는, 하나 이상의 프로세서; 및 상기 하나 이상의 프로세서에 의한 실행 시, 상기 하나 이상의 프로세서가 연산을 수행하도록 하는 명령 및 재무제표를 분석하기 위해 학습된 제1 인공 신경망을 저장하는 하나 이상의 메모리를 포함하고, 상기 하나 이상의 프로세서는, 상기 명령에 따라, 기업의 재무제표에 기초하여, 상기 기업의 재무제표에 관한 하나 이상의 속성을 포함하는 제1 속성 그룹에 관한 데이터를 결정하고, 상기 제1 속성 그룹에 관한 데이터를 상기 제1 인공 신경망에 입력하고, 상기 제1 인공 신경망의 출력에 기초하여, 상기 기업의 재무 상태에 대한 위험도를 지시하는 제1 위험값을 결정하고, 상기 제1 위험값에 기초하여, 담보로서 상기 기업의 주식이 가지는 최종 위험값을 결정할 수 있다.

일 실시예에 있어서, 상기 제1 속성 그룹에 포함된 적어도 하나의 속성은, 상기 기업의 재무제표에 포함된 복수의 로(raw) 데이터들 중 미리 결정된 길이의 기간에 포함된 로 데이터에 기초하여 값이 도출되는 속성일 수 있다.

일 실시예에 있어서, 상기 제1 인공 신경망은, 복수의 제1 속성 그룹에 관한 데이터들에 대해 위험 여부가 라벨링된 학습 데이터 셋에 기초하여 상기 학습 데이터 셋에 포함된 각각의 학습 데이터를 분류하도록 학습될 수 있다.

일 실시예에 있어서, 상기 하나 이상의 메모리는, 주식 거래를 분석하기 위해 학습된 제2 인공 신경망을 더 저장하고, 상기 하나 이상의 프로세서는, 상기 기업의 주식 거래에 관한 정보에 기초하여, 상기 기업의 주가 변동성에 관한 하나 이상의 속성을 포함하는 제2 속성 그룹에 관한 데이터를 결정하고, 상기 제2 속성 그룹에 관한 데이터를 상기 제2 인공 신경망에 입력하고, 상기 제2 인공 신경망의 출력에 기초하여, 상기 기업의 주가 변동성의 위험도를 지시하는 제2 위험값을 결정하고, 상기 제1 위험값 및 상기 제2 위험값에 기초하여, 상기 최종 위험값을 결정할 수 있다.

일 실시예에 있어서, 상기 제2 속성 그룹에 포함된 적어도 하나의 속성은, 상기 기업의 주식 거래에 관한 복수의 로 데이터들 중 미리 결정된 길이의 기간에 포함된 로 데이터에 기초하여 값이 도출되는 속성일 수 있다.

일 실시예에 있어서, 상기 미리 결정된 길이의 기간에 포함된 로 데이터에 기초하여 결정되는 상기 적어도 하나의 속성은, 롤링 윈도우(rolling window) 기법에 기초하여 결정될 수 있다.

일 실시예에 있어서, 상기 제2 인공 신경망은 적어도 하나의 가중치를 포함하고, 상기 하나 이상의 프로세서는, 복수의 제2 속성 그룹에 관한 데이터들에 대해 위험 여부가 라벨링된 학습 데이터 셋 및 상기 학습 데이터 셋에 관한 오차 역전파(Back Propagation) 알고리즘에 기초하여 상기 적어도 하나의 가중치를 결정하며, 상기 적어도 하나의 가중치는, 상기 제2 인공 신경망의 출력값과 상기 학습 데이터 셋의 레이블 값에 기초하여 산출된 오차가 최소가 되도록 결정될 수 있다.

일 실시예에 있어서, 상기 하나 이상의 메모리는, 기업 발행 채권을 분석하기 위해 학습된 제3 인공 신경망을 더 저장하고, 상기 하나 이상의 프로세서는, 상기 기업이 발행한 채권에 대한 정보에 기초하여, 상기 기업의 채권에 관한 하나 이상의 속성을 포함하는 제3 속성 그룹에 관한 데이터를 결정하고, 상기 제3 속성 그룹에 관한 데이터를 상기 제3 인공 신경망에 입력하고, 상기 제3 인공 신경망의 출력에 기초하여, 상기 기업의 채권에 관한 위험도를 지시하는 제3 위험값을 결정하고, 상기 제1 위험값 및 상기 제3 위험값에 기초하여, 상기 최종 위험값을 결정할 수 있다.

일 실시예에 있어서, 상기 제3 인공 신경망은, 동일한 등급을 갖는 서로 다른 기업의 채권 각각에 대해 결정된 상기 제3 속성 그룹에 관한 데이터가 입력될 경우, 기업이 발행한 채권의 전일대비 종가 변동성에 기초하여 각 채권에 대한 상기 제3 위험값을 결정하도록 학습될 수 있다.

일 실시예에 있어서, 상기 하나 이상의 메모리는, 비정형 데이터를 분석하기 위해 학습된 제4 인공 신경망을 더 저장하고, 상기 하나 이상의 프로세서는, 상기 기업의 비정형 데이터에 기초하여, 상기 기업에 관한 하나 이상의 속성을 포함하는 제4 속성 그룹에 관한 데이터를 결정하고, 상기 제4 속성 그룹에 관한 데이터를 상기 제4 인공 신경망에 입력하고, 상기 제4 인공 신경망의 출력에 기초하여, 상기 기업의 비정형 데이터에 기초한 상기 기업의 위험도를 지시하는 제4 위험값을 결정하고, 상기 제1 위험값 및 상기 제4 위험값에 기초하여, 상기 최종 위험값을 결정할 수 있다.

일 실시예에 있어서, 상기 기업의 비정형 데이터는, 상기 기업의 재무제표 상 주석 데이터, 상기 기업에 관한 뉴스 데이터 및 상기 기업에 관한 SNS(Social Network Service) 데이터를 포함할 수 있다.

일 실시예에 있어서, 상기 제4 인공 신경망은, 비정형 데이터에 관한 감정 분석을 위한 제4-1 서브 인공 신경망; 및 비정형 데이터에 관한 카테고리 분석을 위한 제4-2 서브 인공 신경망을 포함할 수 있다.

일 실시예에 있어서, 상기 하나 이상의 프로세서는, 상기 제4-1 서브 인공 신경망의 출력값과 상기 제4-2 서브 인공 신경망의 출력값을 가중합하여 상기 제4 위험값을 결정할 수 있다.

일 실시예에 있어서, 상기 하나 이상의 메모리는, 주식 거래를 분석하기 위해 학습된 제2 인공 신경망, 기업 발행 채권을 분석하기 위해 학습된 제3 인공 신경망 및 비정형 데이터를 분석하기 위해 학습된 제4 인공 신경망을 더 저장하고, 상기 하나 이상의 프로세서는, 상기 기업의 주식 거래에 관한 정보에 기초하여, 상기 기업의 주가 변동성에 관한 하나 이상의 속성을 포함하는 제2 속성 그룹에 관한 데이터를 결정하고, 상기 제2 속성 그룹에 관한 데이터를 상기 제2 인공 신경망에 입력하고, 상기 제2 인공 신경망의 출력에 기초하여, 상기 기업의 주가 변동성의 위험도를 지시하는 제2 위험값을 결정하고, 상기 기업이 발행한 채권에 대한 정보에 기초하여, 상기 기업의 채권에 관한 하나 이상의 속성을 포함하는 제3 속성 그룹에 관한 데이터를 결정하고, 상기 제3 속성 그룹에 관한 데이터를 상기 제3 인공 신경망에 입력하고, 상기 제3 인공 신경망의 출력에 기초하여, 상기 기업의 채권에 관한 위험도를 지시하는 제3 위험값을 결정하고, 상기 기업의 비정형 데이터에 기초하여, 상기 기업에 관한 하나 이상의 속성을 포함하는 제4 속성 그룹에 관한 데이터를 결정하고, 상기 제4 속성 그룹에 관한 데이터를 상기 제4 인공 신경망에 입력하고, 상기 제4 인공 신경망의 출력에 기초하여, 상기 기업의 비정형 데이터에 기초한 상기 기업의 위험도를 지시하는 제4 위험값을 결정하고, 상기 제1 위험값, 상기 제2 위험값, 상기 제3 위험값 및 상기 제4 위험값에 기초하여 최종 위험값을 결정할 수 있다.

본 개시의 다른 측면에 따르면, 담보로서의 기업 주식에 대한 리스크를 평가하기 위한 방법이 제공될 수 있다. 본 개시에 따른 방법은 하나 이상의 프로세서 및 상기 하나 이상의 프로세서에 의해 실행되기 위한 명령들이 저장된 하나 이상의 메모리를 포함하는 컴퓨터에서 수행되는 방법에 있어서, 상기 하나 이상의 메모리는, 상기 하나 이상의 프로세서가 연산을 수행하도록 하는 명령 및 재무제표를 분석하기 위해 학습된 제1 인공 신경망을 저장하고, 상기 하나 이상의 프로세서가, 상기 명령에 따라, 기업의 재무제표에 기초하여, 상기 기업의 재무제표에 관한 하나 이상의 속성을 포함하는 제1 속성 그룹에 관한 데이터를 결정하는 단계; 상기 제1 속성 그룹에 관한 데이터를 상기 제1 인공 신경망에 입력하는 단계; 상기 제1 인공 신경망의 출력에 기초하여, 상기 기업의 재무 상태에 대한 위험도를 지시하는 제1 위험값을 결정하는 단계; 및 상기 제1 위험값에 기초하여, 담보로서 상기 기업의 주식이 가지는 최종 위험값을 결정하는 단계를 포함할 수 있다.

일 실시예에 있어서, 상기 하나 이상의 메모리는, 주식 거래를 분석하기 위해 학습된 제2 인공 신경망을 더 저장하고, 상기 하나 이상의 프로세서가, 상기 기업의 주식 거래에 관한 정보에 기초하여, 상기 기업의 주가 변동성에 관한 하나 이상의 속성을 포함하는 제2 속성 그룹에 관한 데이터를 결정하는 단계; 상기 제2 속성 그룹에 관한 데이터를 상기 제2 인공 신경망에 입력하는 단계; 상기 제2 인공 신경망의 출력에 기초하여, 상기 기업의 주가 변동성의 위험도를 지시하는 제2 위험값을 결정하는 단계; 및 상기 제1 위험값 및 상기 제2 위험값에 기초하여, 상기 최종 위험값을 결정하는 단계를 더 포함할 수 있다.

일 실시예에 있어서, 상기 하나 이상의 메모리는, 기업 발행 채권을 분석하기 위해 학습된 제3 인공 신경망을 더 저장하고, 상기 하나 이상의 프로세서가, 상기 기업이 발행한 채권에 대한 정보에 기초하여, 상기 기업의 채권에 관한 하나 이상의 속성을 포함하는 제3 속성 그룹에 관한 데이터를 결정하는 단계; 상기 제3 속성 그룹에 관한 데이터를 상기 제3 인공 신경망에 입력하는 단계; 상기 제3 인공 신경망의 출력에 기초하여, 상기 기업의 채권에 관한 제3 위험값을 결정하는 단계; 및 상기 제1 위험값 및 상기 제3 위험값에 기초하여, 상기 최종 위험값을 결정하는 단계를 더 포함할 수 있다.

일 실시예에 있어서, 상기 하나 이상의 메모리는, 비정형 데이터를 분석하기 위해 학습된 제4 인공 신경망을 더 저장하고, 상기 하나 이상의 프로세서가, 상기 기업의 비정형 데이터에 기초하여, 상기 기업에 관한 하나 이상의 속성을 포함하는 제4 속성 그룹에 관한 데이터를 결정하는 단계; 상기 제4 속성 그룹에 관한 데이터를 상기 제4 인공 신경망에 입력하는 단계; 상기 제4 인공 신경망의 출력에 기초하여, 상기 기업의 비정형 데이터에 기초한 상기 기업의 위험도를 지시하는 제4 위험값을 결정하는 단계; 및 상기 제1 위험값 및 상기 제4 위험값에 기초하여, 상기 최종 위험값을 결정하는 단계를 더 포함할 수 있다.

일 실시예에 있어서, 상기 하나 이상의 메모리는, 주식 거래를 분석하기 위해 학습된 제2 인공 신경망, 기업 발행 채권을 분석하기 위해 학습된 제3 인공 신경망 및 비정형 데이터를 분석하기 위해 학습된 제4 인공 신경망을 더 저장하고, 상기 하나 이상의 프로세서가, 상기 기업의 주식 거래에 관한 정보에 기초하여, 상기 기업의 주가 변동성에 관한 하나 이상의 속성을 포함하는 제2 속성 그룹에 관한 데이터를 결정하는 단계; 상기 제2 속성 그룹에 관한 데이터를 상기 제2 인공 신경망에 입력하는 단계; 상기 제2 인공 신경망의 출력에 기초하여, 상기 기업의 주가 변동성의 위험도를 지시하는 제2 위험값을 결정하는 단계; 상기 기업이 발행한 채권에 대한 정보에 기초하여, 상기 기업의 채권에 관한 하나 이상의 속성을 포함하는 제3 속성 그룹에 관한 데이터를 결정하는 단계; 상기 제3 속성 그룹에 관한 데이터를 상기 제3 인공 신경망에 입력하는 단계; 상기 제3 인공 신경망의 출력에 기초하여, 상기 기업의 채권에 관한 제3 위험값을 결정하는 단계; 상기 기업의 비정형 데이터에 기초하여, 상기 기업에 관한 하나 이상의 속성을 포함하는 제4 속성 그룹에 관한 데이터를 결정하는 단계; 상기 제4 속성 그룹에 관한 데이터를 상기 제4 인공 신경망에 입력하는 단계; 상기 제4 인공 신경망의 출력에 기초하여, 상기 기업의 비정형 데이터에 기초한 상기 기업의 위험도를 지시하는 제4 위험값을 결정하는 단계; 및 상기 제1 위험값, 상기 제2 위험값, 상기 제3 위험값 및 상기 제4 위험값에 기초하여 최종 위험값을 결정하는 단계를 더 포함할 수 있다.

본 개시의 다른 측면에 따르면, 담보로서의 기업 주식에 대한 리스크를 평가하기 위해 컴퓨터 상에서 수행되기 위한 명령들을 기록한 비일시적 컴퓨터 판독 가능 기록 매체가 제공될 수 있다. 본 개시에 따른 기록 매체에 있어서 하나 이상의 메모리는, 하나 이상의 프로세서가 연산을 수행하도록 하는 명령 및 재무제표를 분석하기 위해 학습된 제1 인공 신경망을 저장하고, 상기 명령들은, 상기 하나 이상의 프로세서에 의한 실행시, 상기 하나 이상의 프로세서가, 기업의 재무제표에 기초하여, 상기 기업의 재무제표에 관한 하나 이상의 속성을 포함하는 제1 속성 그룹에 관한 데이터를 결정하고, 상기 제1 속성 그룹에 관한 데이터를 상기 제1 인공 신경망에 입력하고, 상기 제1 인공 신경망의 출력에 기초하여, 상기 기업의 재무 상태에 대한 위험도를 지시하는 제1 위험값을 결정하고, 상기 제1 위험값에 기초하여, 담보로서 상기 기업의 주식이 가지는 최종 위험값을 결정하도록 할 수 있다.

본 개시의 다양한 실시예들에 따르면, 재무제표에 기반하여 기업의 주식에 대한 빠르고 일관된 가치 평가를 수행할 수 있다.

본 개시의 다양한 실시예들에 따르면, 정량적으로 표현되지 않은 비정형 데이터(예: 텍스트 데이터)로부터 소정의 수치를 산출하고, 이에 기초하여 정확한 담보물로서의 기업 주식에 대한 리스크를 산출할 수 있다.

본 개시의 다양한 실시예들에 따르면, 담보물로서의 기업 주식에 대한 리스크를 재무제표, 주식 정보, 채권 정보, 비정형 데이터 등의 다양한 정보로부터 정량적으로 산출할 수 있다.

본 개시의 다양한 실시예들에 따르면, 인공 신경망 모델 또는 수치 모델의 성능을 증대시키기 위한 최적의 입력 데이터를 결정할 수 있다.

본 개시의 다양한 실시예들에 따르면, 기업의 재무제표, 기업 주식 변동성, 기업 채권의 가치, 기업에 대한 비정형 데이터 등을 실시간으로 획득하여, 기존에 대출가능종목으로 판단된 기업이라도 i) 최종 위험값을 결정하는데 기초가 되는 적어도 하나의 위험값을 이용하여 관리종목 지정 및 상장폐지 기준 충족, 코스닥 시장의 관리종목 편입 및 퇴출에 관한 규정 충족과 같은 이벤트가 발생하여 대출원리금의 회수가 불가능한 경우 또는 ii) 담보로서 기업의 주식이 급락하여 대출원리금의 회수가 일부 불가능한 경우 등을 지속적으로 모니터링할 수 있다. 또한, 기존에 대출불가능으로 판단된 기업이라도 해당 기업에 대해 산출된 위험값이 안정적으로 낮은 경우 그 기업을 대출 가능한 기업으로 의사를 결정함으로써 대출을 진행하지 않았을 때 얻지 못한 잠재적 손실을 최소화할 수 있다.

도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
도 2는 본 개시의 일 실시예에 따른 컴퓨팅 장치가 제1 인공 신경망의 출력에 기초하여 제1 위험값을 결정하는 과정을 나타내는 개념도이다.
도 3은 본 개시의 일 실시예에 따른 롤링 윈도우 기법을 나타내는 개념도이다.
도 4는 제1 인공 신경망의 학습 데이터를 개략적으로 도시한 예시도이다.
도 5는 본 개시의 일 실시예에 따른 컴퓨팅 장치가 제2 인공 신경망의 출력에 기초하여 제2 위험값을 결정하는 과정을 나타내는 개념도이다.
도 6은 본 개시의 일 실시예에 따른 컴퓨팅 장치가 제3 인공 신경망의 출력에 기초하여 제3 위험값을 결정하는 과정을 나타내는 개념도이다.
도 7은 본 개시의 일 실시예에 따른 컴퓨팅 장치가 제4 인공 신경망의 출력에 기초하여 제4 위험값을 결정하는 과정을 나타내는 개념도이다.
도 8은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 동작 흐름도이다.

본 문서에 기재된 다양한 실시예들은, 본 개시의 기술적 사상을 명확히 설명하기 위한 목적으로 예시된 것이며, 이를 특정한 실시 형태로 한정하려는 것이 아니다. 본 개시의 기술적 사상은, 본 문서에 기재된 각 실시예의 다양한 변경(modifications), 균등물(equivalents), 대체물(alternatives) 및 각 실시예의 전부 또는 일부로부터 선택적으로 조합된 실시예를 포함한다. 또한 본 개시의 기술적 사상의 권리 범위는 이하에 제시되는 다양한 실시예들이나 이에 대한 구체적 설명으로 한정되지 않는다.

기술적이거나 과학적인 용어를 포함해서, 본 문서에서 사용되는 용어들은, 달리 정의되지 않는 한, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 일반적으로 이해되는 의미를 가질 수 있다.

본 문서에서 사용되는 "포함한다", "포함할 수 있다", "구비한다", "구비할 수 있다", "가진다", "가질 수 있다" 등과 같은 표현들은, 대상이 되는 특징(예: 기능, 동작 또는 구성요소 등)이 존재함을 의미하며, 다른 추가적인 특징의 존재를 배제하지 않는다. 즉, 이와 같은 표현들은 다른 실시예를 포함할 가능성을 내포하는 개방형 용어(open-ended terms)로 이해되어야 한다.

본 문서에서 사용되는 단수형의 표현은, 문맥상 다르게 뜻하지 않는 한 복수형의 의미를 포함할 수 있으며, 이는 청구항에 기재된 단수형의 표현에도 마찬가지로 적용된다.

본 문서에서 사용되는 "제1", "제2", 또는 "첫째", "둘째" 등의 표현은, 문맥상 다르게 뜻하지 않는 한, 복수의 동종 대상들을 지칭함에 있어 한 대상을 다른 대상과 구분하기 위해 사용되며, 해당 대상들 간의 순서 또는 중요도를 한정하는 것은 아니다. 일 실시예에 있어서, 본 개시에 따른 복수 종류의 속성 그룹들은 "제1 속성 그룹", "제2 속성 그룹"과 같이 표현됨으로써 서로 구분될 수 있다. 일 실시예에 있어서, 본 개시에 따른 복수 종류의 인공 신경망들은 "제1 인공 신경망", "제2 인공 신경망"과 같이 표현됨으로써 서로 구분될 수 있다. 일 실시예에 있어서, 본 개시에 따른 복수 종류의 위험값들은 "제1 위험값", "제2 위험값"과 같이 표현됨으로써 서로 구분될 수 있다.

본 개시에서 "인공 신경망"은 입력 데이터에 대해 소정의 출력 데이터를 생성하기 위한 데이터 집합을 지칭할 수 있다. 이 경우 인공 신경망은 적어도 하나의 노드에 대한 가중치 또는 편향값 등을 포함할 수 있다. 일례로 인공 신경망은 "수치 모델"일 수 있으며, 이 경우 인공 신경망은 알고리즘 또는 수식에서 사용되는 가중치 등을 포함할 수 있다.

본 문서에서 사용되는 "A, B, 및 C", "A, B, 또는 C", "A, B, 및/또는 C" 또는 "A, B, 및 C 중 적어도 하나", "A, B, 또는 C 중 적어도 하나", "A, B, 및/또는 C 중 적어도 하나" 등의 표현은, 각각의 나열된 항목 또는 나열된 항목들의 가능한 모든 조합들을 의미할 수 있다. 예를 들어, "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A, (2) 적어도 하나의 B, (3) 적어도 하나의 A 및 적어도 하나의 B를 모두 지칭할 수 있다.

본 문서에서 사용되는 "부"라는 표현은, 소프트웨어, 또는 FPGA(field-programmable gate array), ASIC(application specific integrated circuit)과 같은 하드웨어 구성요소를 의미할 수 있다. 그러나, "부"는 하드웨어 및 소프트웨어에 한정되는 것은 아니다. "부"는 어드레싱할 수 있는 저장 매체에 저장되어 있도록 구성될 수도 있고, 하나 또는 그 이상의 프로세서들을 실행시키도록 구성될 수도 있다. 일 실시예에서, "부"는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세서, 함수, 프로시저, 서브루틴, 프로그램 코드의 세그먼트, 드라이버, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조, 테이블, 어레이 및 변수를 포함할 수 있다.

본 문서에서 사용되는 "~에 기초하여"라는 표현은, 해당 표현이 포함되는 어구 또는 문장에서 기술되는, 결정, 판단의 행위 또는 동작에 영향을 주는 하나 이상의 인자를 기술하는데 사용되고, 이 표현은 해당 결정, 판단의 행위 또는 동작에 영향을 주는 추가적인 인자를 배제하지 않는다.

본 문서에서 사용되는, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "연결되어" 있다거나 "접속되어" 있다는 표현은, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결 또는 접속되는 것뿐 아니라, 새로운 다른 구성요소(예: 제3 구성요소)를 매개로 하여 연결 또는 접속되는 것을 의미할 수 있다.

본 문서에서 사용된 표현 "~하도록 구성된(configured to)"은 문맥에 따라, "~하도록 설정된", "~하는 능력을 가지는", "~하도록 변경된", "~하도록 만들어진", "~를 할 수 있는" 등의 의미를 가질 수 있다. 해당 표현은, "하드웨어적으로 특별히 설계된"의 의미로 제한되지 않으며, 예를 들어 특정 동작을 수행하도록 구성된 프로세서란, 해당 특정 동작을 수행하도록, 프로그래밍을 통해 구조화된 특수 목적 컴퓨터(special purpose computer)를 의미할 수 있다.

본 개시에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미할 수 있다. 인공지능은 기계학습 내지 기계학습을 활용한 요소 기술 등을 포함할 수 있다. 기계학습은 입력되는 데이터를 분류하기 위해 적어도 하나의 학습용 데이터의 특징을 추출하는 알고리즘을 의미할 수 있다. 또한, 기계학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.

본 개시에서, 인공 신경망은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고 받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공 신경망에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 인공 신경망은, 예를 들어, 컨볼루션 신경망 모델(Convolution Neural Network) 등일 수 있다. 본 개시에서 인공 신경망은, 소정의 기계 학습 방식에 따라 학습된 모델로서, 학습되지 않은 모델에 포함된 적어도 하나의 네트워크 노드에 대한 가중치가 기계 학습에 의해 결정된 모델을 의미할 수 있다. 기계 학습은, 데이터 및 데이터를 처리한 경험을 이용한 학습을 통해, 컴퓨터 소프트웨어가 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 인공 신경망은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 인공 신경망은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 인공 신경망의 파라미터를 최적화 해나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 인공 신경망은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는 인공 신경망은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다. 본 개시에 있어서 "인공 신경망"은, "인공 신경망 모델" 이라는 용어와 상호 교환적으로 사용될 수 있다.

이하, 첨부된 도면들을 참조하여, 본 개시의 다양한 실시예들을 설명한다. 첨부된 도면 및 도면에 대한 설명에서, 동일하거나 실질적으로 동등한(substantially equivalent) 구성요소에는 동일한 참조부호가 부여될 수 있다. 또한, 이하 다양한 실시예들의 설명에 있어서, 동일하거나 대응하는 구성요소를 중복하여 기술하는 것이 생략될 수 있으나, 이는 해당 구성요소가 그 실시예에 포함되지 않는 것을 의미하지는 않는다.

도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 블록도이다. 본 개시의 컴퓨팅 장치(100)는 적어도 하나의 인공 신경망(Artificial Neural Network)에 기초하여, 담보로서 기업의 주식이 갖는 위험값을 결정할 수 있다. 컴퓨팅 장치(100)는 복수의 인공 신경망의 출력값을 앙상블(ensemble)하여 담보로서 기업의 주식이 갖는 위험값을 결정할 수 있다. 즉, 컴퓨팅 장치(100)는 복수의 인공 신경망의 출력값을 기초로, 담보로서 해당 기업 주식이 가지는 최종 위험값을 결정할 수 있다.

본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 기업의 재무제표에 기초하여 제1 인공 신경망에 입력되기 위한 입력 데이터(즉, 제1 속성 그룹에 관한 데이터)를 생성할 수 있다. 컴퓨팅 장치(100)는 제1 속성 그룹에 관한 데이터를 제1 인공 신경망에 입력하고, 제1 인공 신경망의 출력에 기초하여 기업의 재무 상태에 대한 위험도를 지시하는 제1 위험값을 결정할 수 있다.

본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 기업의 주식 거래에 관한 정보에 기초하여 제2 인공 신경망에 입력되기 위한 입력 데이터(즉, 제2 속성 그룹에 관한 데이터)를 생성할 수 있다. 컴퓨팅 장치(100)는 제2 속성 그룹에 관한 데이터를 제2 인공 신경망에 입력하고, 제2 인공 신경망의 출력에 기초하여 기업의 주가 변동성에 대한 위험도를 지시하는 제2 위험값을 결정할 수 있다.

본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 기업이 발행한 채권에 관한 정보에 기초하여 제3 인공 신경망에 입력되기 위한 입력 데이터(즉, 제3 속성 그룹에 관한 데이터)를 생성할 수 있다. 컴퓨팅 장치(100)는 제3 속성 그룹에 관한 데이터를 제3 인공 신경망에 입력하고, 제3 인공 신경망의 출력에 기초하여 기업의 채권에 관한 위험도를 지시하는 제3 위험값을 결정할 수 있다.

본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 기업에 관한 비정형 데이터에 기초하여 제4 인공 신경망에 입력되기 위한 입력 데이터(즉, 제4 속성 그룹에 관한 데이터)를 생성할 수 있다. 컴퓨팅 장치(100)는 제4 속성 그룹에 관한 데이터를 제4 인공 신경망에 입력하고, 제4 인공 신경망의 출력에 기초하여 기업의 비정형 데이터에 기초한 위험도를 지시하는 제4 위험값을 결정할 수 있다.

본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 상술한 제1 위험값 내지 제4 위험값 중 적어도 하나에 기초하여 최종 위험값을 결정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 제1 위험값 내지 제4 위험값을 가중평균하여 최종 위험값을 결정할 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 하나 이상의 프로세서(110) 및/또는 하나 이상의 메모리(120)를 구성요소로서 포함할 수 있다. 어떤 실시예에서는, 컴퓨팅 장치(100)의 이 구성요소들 중 적어도 하나가 생략되거나, 다른 구성요소가 컴퓨팅 장치(100)에 추가될 수 있다. 어떤 실시예에서는, 추가적으로 또는 대체적으로(in alternative to), 일부의 구성요소들이 통합되어 구현되거나, 단수 또는 복수의 개체로 구현될 수 있다. 본 개시에서, 하나 이상의 프로세서(110)는 프로세서(110)라고 표현될 수 있다. 프로세서(310)라는 표현은, 문맥상 명백히 다르게 표현하지 않는 이상, 하나 또는 그 이상의 프로세서의 집합을 의미할 수 있다. 본 개시에서, 하나 이상의 메모리(120)는 메모리(120)라고 표현될 수 있다. 메모리(120)라는 표현은, 문맥상 명백히 다르게 표현하지 않는 이상, 하나 또는 그 이상의 메모리의 집합을 의미할 수 있다.

컴퓨팅 장치(100) 내, 외부의 구성요소들 중 적어도 일부의 구성요소들은 버스, GPIO(general purpose input/output), SPI(serial peripheral interface) 또는 MIPI(mobile industry processor interface) 등을 통해 서로 연결되어, 데이터 및/또는 시그널을 주고 받을 수 있다.

프로세서(110)는 소프트웨어(예: 명령, 프로그램 등)를 구동하여 프로세서(110)에 연결된 컴퓨팅 장치(100)의 적어도 하나의 구성요소를 제어할 수 있다. 또한 프로세서(110)는 본 개시와 관련된 다양한 연산, 처리, 데이터 생성, 가공 등의 동작을 수행할 수 있다. 또한 프로세서(110)는 데이터 등을 메모리(120)로부터 로드하거나, 메모리(120)에 저장할 수 있다.

메모리(120)는 다양한 데이터를 저장할 수 있다. 메모리(120)에 저장되는 데이터는, 컴퓨팅 장치(100)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예: 명령, 프로그램 등)를 포함할 수 있다. 메모리(120)는 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 본 개시에서, 명령 내지 프로그램은 메모리(120)에 저장되는 소프트웨어로서, 컴퓨팅 장치(100)의 리소스를 제어하기 위한 운영체제, 어플리케이션 및/또는 어플리케이션이 컴퓨팅 장치(100)의 리소스들을 활용할 수 있도록 다양한 기능을 어플리케이션에 제공하는 미들 웨어 등을 포함할 수 있다. 일 실시예에서, 메모리(120)는 프로세서(110)에 의한 실행 시 프로세서(110)가 연산을 수행하도록 하는 명령들을 저장할 수 있다. 일 실시예에서, 메모리(120)는 하나 이상의 인공 신경망을 포함할 수 있다.

일 실시예에서, 컴퓨팅 장치(100)는 통신 회로(130)를 더 포함할 수 있다. 통신 회로(130)는, 컴퓨팅 장치(100)와 서버 또는 컴퓨팅 장치(100)와 다른 장치들 간의 무선 또는 유선 통신을 수행할 수 있다. 예를 들어, 통신 회로(130)는 eMBB(enhanced Mobile Broadband),　URLLC(Ultra Reliable Low-Latency Communications), MMTC(Massive Machine Type Communications), LTE(Long-Term Evolution), LTE-A(LTE Advance), NR(New Radio), UMTS(Universal Mobile Telecommunications System), GSM(Global System for Mobile communications), CDMA(Code Division Multiple Access), WCDMA(Wideband CDMA), WiBro(Wireless Broadband), WiFi(Wireless Fidelity), 블루투스(Bluetooth), NFC(Near Field Communication), GPS(Global Positioning System) 또는 GNSS(Global Navigation Satellite System) 등의 방식에 따른 무선 통신을 수행할 수 있다. 예를 들어, 통신 회로(130)는 USB(Universal Serial Bus), HDMI(High Definition Multimedia Interface), RS-232(Recommended Standard-232) 또는 POTS(Plain Old Telephone Service) 등의 방식에 따른 유선 통신을 수행할 수 있다. 일 실시예에서, 통신 회로(130)는 다른 장치와 통신을 수행할 수 있다.

본 개시의 다양한 실시예들에 따른 컴퓨팅 장치(100)는 다양한 형태의 장치가 될 수 있다. 예를 들어, 컴퓨팅 장치는 휴대용 통신 장치, 휴대용 멀티미디어 장치, 웨어러블 장치, 가전 장치 또는 상술한 장치들 중 하나 또는 그 이상의 조합에 따른 장치일 수 있다. 본 개시의 컴퓨팅 장치는 전술한 장치들에 한정되지 않는다.

도 2는 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)가 제1 인공 신경망의 출력에 기초하여 제1 위험값을 결정하는 과정을 나타내는 개념도이다. 이하 도 2를 참조하여 컴퓨팅 장치(100)가 제1 위험값을 결정하는 과정을 서술한다. 본 개시에 따른 메모리(120)는 재무제표를 분석하기 위해 학습된 제1 인공 신경망(220)을 저장할 수 있다.

프로세서(110)는 기업의 재무제표에 기초하여, 해당 기업의 재무제표에 관한 하나 이상의 속성을 포함하는 제1 속성 그룹에 관한 데이터를 결정할 수 있다. 본 개시에 있어서 제1 속성 그룹에 관한 데이터는 편의상 "제1 속성 그룹 데이터"로 지칭될 수 있다. 본 개시에서 재무제표란 기업의 재무상태나 경영성과 등을 보여주는 문서를 의미한다. 예를 들어, 재무제표에는 기업의 자산, 부채, 자본, 수익, 비용 등에 관한 정보가 포함될 수 있다. 본 개시에 있어서 "속성"이라는 용어는 인공 신경망에 입력되는 입력 데이터의 각 항목을 지칭하기 위한 단위로서 사용될 수 있다. 본 개시에 있어서 "속성"은 "피쳐(feature)"라는 용어와 상호 교환적으로 사용될 수 있다. 본 개시에 있어서 "속성 그룹"은 하나 이상의 "속성"을 포함할 수 있다. 본 개시에 있어서 속성 그룹은, 인공 신경망에 입력되는 입력 데이터에 포함된 각 항목들의 집합(set)일 수 있다.

본 개시의 일 실시예에 있어서 제1 속성 그룹은 재무제표에 포함된 각각의 계정 과목을 속성으로서 포함할 수 있다. 예를 들어, 제1 속성 그룹은 현금, 미수금, 상품, 토지, 건물, 특허권, 개발비, 예수금, 단기차입금, 미지급금, 선수수익, 사채, 자본금, 이익준비금, 주식매수선택권 등을 속성으로서 적어도 하나 포함할 수 있다. 제1 속성 그룹에 관한 데이터는 재무제표에 기재된 로(raw) 데이터를 포함할 수 있다. 제1 속성 그룹에 관한 데이터는 재무제표에 기재된 각 속성의 값으로부터 소정의 알고리즘에 따라 도출된 값일 수 있다. 이 때 값 도출을 위한 알고리즘은 특정 수식으로 정의될 수 있다. 일례로, 제1 속성 그룹에 포함된 일 속성은, "자본잠식률"일 수 있다. 자본잠식률은 아래의 수학식 1에 기초하여 산출될 수 있다.

프로세서(110)는 수학식 1의 좌변에 포함된 개별 속성의 값을 해당 기업의 재무제표로부터 획득할 수 있다. 프로세서(110)는 "자본잠식률"을 제1 속성 그룹의 일 속성으로 포함시킴으로써, 인공 신경망의 출력에 기초하여 위험값을 결정할 때 해당 기업이 관리종목으로 편입될 위험 또는 해당 기업의 상장폐지의 위험 등이 고려된 위험값을 결정할 수 있게 된다.

본 개시의 일 실시예에 있어서 제1 속성 그룹에 포함된 적어도 하나의 속성은, 기업의 재무제표에 포함된 복수의 로 데이터들 중 미리 결정된 길이의 기간에 포함된 로 데이터에 기초하여 값이 도출되는 속성일 수 있다. 미리 결정된 길이의 기간에 포함된 로 데이터는 복수의 서로 다른 시점에 공시된 재무제표들로부터 각각 획득된 데이터일 수 있다. 미리 결정된 길이의 기간에 포함된 로 데이터는 복수 개의 데이터를 포함할 수 있다. 이 때 미리 결정된 길이의 기간은, 예를 들어 3개월, 6개월, 12개월, 4년 등일 수 있다. 이하 설명의 편의상, 제1 속성 그룹에 포함된 속성 중 미리 결정된 길이의 기간에 포함된 로 데이터에 기초하여 결정되는 속성은, "P 속성"으로 지칭된다. P 속성은 복수 개 존재할 수 있으며, 구분을 위해 P-1 속성, P-2 속성 등으로 각각 지칭될 수 있다. 프로세서(110)는 기업의 재무제표에 포함된 복수의 로 데이터들에 기초하여 P 속성에 대한 값을 연산할 수 있다. 본 개시의 일 실시예에 따른 P 속성은 미리 결정된 길이의 기간에 포함된 로 데이터의 평균, 가중 평균, 분산 또는 표준 편차 등일 수 있다. 예를 들어, P 속성은 "직전 4분기 매출의 평균" 일 수 있다. 예를 들어, P 속성은 "직전 10년간의 당기순이익의 분산" 일 수 있다. 예를 들어, P 속성은 "최근 4 사업년도 영업손실" 일 수 있다. P속성에 관한 상기 예시는 설명을 위한 기재일 뿐 본 개시를 제한하지 않으며, 프로세서(110)는 상술한 바와 같이 미리 결정된 길이의 기간에 포함된 로 데이터에 기초하여 제1 속성 그룹에 포함될 속성을 정의함으로써, 과거 데이터의 경향을 나타내는 속성을 제1 인공 신경망의 입력 데이터로 설정할 수 있고, 그 결과 제1 위험값을 정확하게 결정할 수 있다.

본 개시에 따른 일 실시예에 있어서 프로세서(110)는 피쳐 엔지니어링(feature engineering)에 기초하여 제1 속성 그룹에 포함되는 적어도 하나의 속성을 결정할 수 있다. 피쳐 엔지니어링이란, 프로세서(110)가 출력으로서 소정의 위험값을 결정할 때, 프로세서(110)에 대한 입력으로서 최적의 속성(또는, 피쳐)을 결정하기 위한 기술을 의미한다. 프로세서(110)는 피쳐 엔지니어링에 따라 결정된 속성을 입력받아 인공 신경망에 기초하여 출력값을 산출할 수 있다. 피쳐 엔지니어링은 롤링 윈도우(rolling window) 기법을 포함할 수 있다.

도 3은 본 개시의 일 실시예에 따른 롤링 윈도우 기법을 나타내는 개념도이다. 본 개시에서 롤링 윈도우 기법은, 특정 속성의 정확성 또는 안정성을 전체 시계열 데이터에 걸쳐 검증하기 위한 기법이다. 롤링 윈도우 기법에 의한 검증 대상이 되는 속성은 소정의 수치 모델 또는 알고리즘에 의해 규정되는 속성일 수 있다. 즉, 프로세서(110)는 전체 시계열 데이터를 복수의 서브 시계열 데이터로 나누어 각각의 서브 데이터에 대한 연산에 기초하여 제1 속성 그룹에 포함되는 적어도 하나의 속성을 결정할 수 있다. 이 때, 시계열 데이터란 복수의 데이터가 시간 순서에 따라 나열된 데이터로서 순서에 의미가 있는 데이터를 의미한다. 롤링 윈도우를 수행하기 위한 전체 시계열 데이터는 과거 재무제표에 포함된 로(raw) 데이터일 수 있다.

프로세서(110)는 특정 속성을 롤링 윈도우 기법으로 검증하기 위해, 전체 시계열 데이터를 복수의 서브 시계열 데이터로 나눈 후, 각각의 서브 시계열 데이터에 기초한 단위 연산을 수행할 수 있다. 서브 시계열 데이터는, "윈도우(window)"로 지칭되는 시간적 범위에 의해 구분될 수 있다. 도 3에 있어서, 시계열 데이터의 전체 길이는 T (T는 1 이상의 자연수), 윈도우의 크기는 m (m ≤ T) 으로 지칭된다. 윈도우의 크기는 전체 시계열 데이터를 해당 윈도우를 통해 복수의 서브 시계열 데이터로 나눌 때, 한 서브 시계열 데이터의 크기가 된다. 또한 윈도우의 크기는 프로세서(110)에 의한 각 단위 연산 시 이용되는 데이터의 수를 결정한다. 즉, 윈도우의 크기가 m 이라는 것은, 특정 속성을 검증하기 위한 각 단위 연산에서 참조되는 데이터의 개수가 m개라는 것을 의미한다. 프로세서(110)는 각 윈도우에 기초하여 단위 연산을 수행함으로써 사전 결정된 개수의 데이터를 예측할 수 있다. 예를 들어, 윈도우의 크기가 m일 때, 예측하고자 하는 데이터의 개수는 마지막 n (n < m) 개일 수 있다. 이 경우, 프로세서(110)는 윈도우 내에서 선행하는 m-n 개의 데이터를 참조하여 후행하는 마지막 n 개의 데이터를 예측할 수 있다. 구체적으로 n 이 1인 경우, 프로세서(110)는 각 윈도우의 데이터들 중에서 선행하는 m-1 개의 데이터를 참조하여 후행하는 마지막 1 개의 데이터를 예측할 수 있다. 이하에서는 설명의 편의상 n이 1인 경우를 설명한다. 예컨대, 전체 시계열 데이터의 길이가 T 이고 윈도우의 크기가 m (m ≤ T) 일 때, 프로세서(110)는 총 T-m+1 개의 서브 시계열 데이터를 획득할 수 있다. 프로세서(110)는 T-m+1 개의 서브 시계열 데이터 각각에 대해 단위 연산을 수행함으로써, 각 서브 시계열 데이터에 포함된 마지막 1 개의 데이터에 대한 예측값을 결정할 수 있다. 프로세서(110)는 각 서브 데이터에 포함된 마지막 1 개의 데이터에 대한 예측값과 참값의 오차를 계산할 수 있다. 프로세서(110)는 T-m+1 개만큼 계산된 오차를 종합하여 해당 속성에 대한 오차를 산출할 수 있다. 예를 들어, 프로세서(110)는 T-m+1 개의 오차에 대한 평균 제곱근 오차(RMSE, Root Mean Square Error)를 산출함으로써 해당 속성에 대한 오차를 산출할 수 있다.

본 개시의 일 실시예에 따른 프로세서(110)는 복수의 수치 모델이 존재할 때, 도 3을 참조하여 상술한 바와 같이, 각 수치 모델에 대한 오차를 산출하고, 복수의 수치 모델에 대한 오차를 비교함으로써 복수의 수치 모델 중 가장 작은 오차 값을 갖는 수치 모델이 가장 좋은 예측 성능을 가지는 것으로 결정할 수 있다. 프로세서(110)는 롤링 윈도우 기법에 기초하여 복수의 수치 모델 중 소정의 오차 기준을 만족하는 몇몇 수치 모델을 제1 속성 그룹에 포함되는 속성으로 결정할 수 있다. 프로세서(110)는 롤링 윈도우 기법에 기초하여 제1 속성 그룹에 포함되는 적어도 하나의 속성을 결정할 수 있다. 프로세서(110)는 재무제표에 포함된 복수의 로 데이터들 중 미리 결정된 길이의 기간에 포함된 로 데이터에 기초하여 제1 속성 그룹에 포함될 속성(즉, P 속성)을 결정하되, 이를 롤링 윈도우 기법에 기초하여 결정할 수 있다.

도 4는 제1 인공 신경망(220)의 학습 데이터를 개략적으로 도시한 예시도이다. 제1 학습 데이터 셋(410)은 복수의 기업들 각각에 대해 산출된 제1 속성 그룹에 관한 데이터(210)를 포함할 수 있다. 제1 학습 데이터 셋(410)은 제1 속성 그룹 데이터에 대한 레이블(label) 값을 포함할 수 있다. 제1 속성 그룹 데이터에 대한 레이블은 해당 기업의 재무 상태에 대한 위험 여부를 나타내는 값일 수 있다. 레이블은 예를 들어 이진(binary) 값일 수 있다.

본 개시의 일 실시예에 있어서 프로세서(110)는, 복수의 기업들 각각에 대한 제1 속성 그룹 데이터에 있어서, 제1 속성 그룹 데이터마다 해당 기업의 재무 상태에 대한 위험 여부가 라벨링(labeling)된 제1 학습 데이터 셋(410)에 기초하여, 제1 인공 신경망(220)을 학습시킬 수 있다. 본 개시에 있어서 각 인공 신경망 모델 또는 수치 모델은 컴퓨팅 장치(100)와 독립된 서로 다른 외부 장치를 통해 학습된 후 메모리(120)에 저장될 수도 있다. 본 개시에서는 설명의 편의를 위해, 프로세서(110)에 의해서 인공 신경망 모델 또는 수치 모델이 학습되고 메모리(120)에 저장됨을 가정한다. 프로세서(110)는 상술한 제1 학습 데이터 셋(410)에 기초하여 분류(classification) 작업을 수행함으로써 제1 인공 신경망(220)을 학습시킬 수 있다. 프로세서(110)는 제1 학습 데이터 셋(410)을 이용하되 비례위험모형 또는 생존트리의사결정 모형에 기초하여 제1 인공 신경망(220)을 학습시킬 수 있다. 프로세서(110)는 제1 학습 데이터 셋(410)에 포함된 개별 학습 데이터에 대하여 제1 인공 신경망(220)이 위험여부에 대한 값(이하, 위험값)을 출력하도록 제1 인공 신경망(220)을 제어 또는 연산할 수 있다. 구체적으로, 프로세서(110)는 제1 인공 신경망(220)에 'A' 기업의 제1 속성 그룹에 관한 데이터를 입력하여 해당 입력에 따른 출력으로 위험값을 획득할 수 있다. 프로세서(110)는 다른 기업들(예: 'B' 기업, 'C' 기업 등)에 대하여도 제1 속성 그룹에 관한 데이터를 제1 인공 신경망(220)에 입력하여 각 입력에 따른 위험값을 획득할 수 있다. 프로세서(110)는 제1 인공 신경망(220)으로부터 획득된 복수의 위험값과 대응되는 레이블 값 사이의 오차를 최소화하는 방향으로 제1 인공 신경망(220)에 포함된 하나 이상의 노드 가중치를 갱신할 수 있다. 가중치의 갱신은 예를 들어, 역전파(backpropagation) 기법에 기초할 수 있다.

본 개시의 일 실시예에 따른 제1 인공 신경망(220)의 학습이 완료될 경우, 프로세서(110)는 제1 학습 데이터 셋에 포함된 개별 학습 데이터와 유사한 형태를 갖는 신규 입력 데이터를 제1 인공 신경망(220)에 입력하고, 입력에 따른 출력에 기초하여 신규 입력 데이터에 대한 위험값(즉, 제1 위험값)을 예측할 수 있다. 그 결과, 프로세서(110)는 제1 속성 그룹에 관한 데이터(210)를 제1 인공 신경망(220)에 입력하고, 제1 인공 신경망(220)의 출력에 기초하여 기업의 재무 상태에 대한 위험도를 지시하는 제1 위험값(230)을 결정할 수 있다.

본 개시의 일 실시예에 따른 프로세서(110)는 제1 위험값에 기초하여 담보로서 기업의 주식(stock)이 가지는 최종 위험값을 결정할 수 있다. 프로세서(110)는 제1 위험값을 유일한 고려 요소로 사용하여 기업의 주식이 갖는 최종 위험값을 결정할 수 있다. 프로세서(110)는 제1 위험값을 사전 결정된 임계값과 비교하여 최종 위험값을 결정할 수도 있다. 일례로 제1 위험값이 0.8이고 사전 결정된 임계 위험값이 0.7인 경우, 프로세서(110)는, 제1 위험값(0.8)이 사전 결정된 임계 위험값(0.7)을 초과함에 따라, 최종 위험값을 1로 결정할 수 있다. 프로세서(110)는 복수의 사전 결정된 임계 위험값을 이용하여 제1 위험값으로부터 최종 위험값을 결정할 수 있다.

일 실시예에서, 프로세서(110)는 제1 위험값에 기초할 뿐만 아니라 다른 인공 신경망의 출력에 추가적으로 기초하여 기업의 주식이 갖는 최종 위험값을 결정할 수도 있다. 프로세서(110)가 다른 인공 신경망의 출력에 추가적으로 기초하여 최종 위험값을 결정하는 실시예는 이하 자세히 설명된다.

도 5는 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)가 제2 인공 신경망(520)의 출력에 기초하여 제2 위험값(530)을 결정하는 과정을 나타내는 개념도이다. 일 실시예에 있어서, 메모리(120)는 주식 거래를 분석하기 위해 학습된 제2 인공 신경망(520)을 저장할 수 있다. 예를 들어, 제2 인공 신경망은 시그모이드 함수에 기초하는 회귀 모델일 수 있다. 프로세서(110)는 제2 인공 신경망(520)을 이용하여 기업의 주가 변동성의 위험도를 지시하는 제2 위험값을 결정할 수 있다.

이하 도 5를 참조하여 컴퓨팅 장치(100)가 제2 위험값(530)을 결정하는 과정을 서술한다. 프로세서(110)는 기업의 주식 거래에 관한 정보에 기초하여, 해당 기업의 주가 변동성에 관한 하나 이상의 속성을 포함하는 제2 속성 그룹에 관한 데이터(510)를 결정할 수 있다. 본 개시에 있어서 제2 속성 그룹에 관한 데이터는 편의상 "제2 속성 그룹 데이터"로 지칭될 수 있다. 예컨대 한국 주식 시장에 상장된 기업의 주식 거래에 관한 정보는 한국 거래소로부터 획득될 수 있다. 기업의 주식 거래에 관한 정보는, 예를 들어, 시가, 종가, 거래량, 전일 종가, 당일과 전일 종가 차이값, 당일과 전일 종가 비율, 직전 5일 최대 가격, 직전 5일 최소 가격, 거래량에 대한 로그값 등을 포함할 수 있다. 프로세서(110)는 기업의 주식 거래에 관한 정보로부터 제2 속성 그룹에 관한 데이터(510)를 결정할 수 있다. 제2 속성 그룹에 관한 데이터는 주식 거래에 관한 정보에 포함된 로 데이터를 포함할 수 있다. 제2 속성 그룹에 관한 데이터는 주식 거래에 관한 정보로부터 소정의 알고리즘에 따라 도출된 값일 수 있다.

본 개시에 따른 일 실시예에 있어서 제2 속성 그룹에 포함된 적어도 하나의 속성은, 기업의 주식 거래에 관한 복수의 로 데이터들 중 미리 결정된 길이의 기간에 포함된 로 데이터에 기초하여 값이 도출되는 속성일 수 있다. 미리 결정된 길이의 기간에 포함된 로 데이터는 복수 개의 데이터를 포함할 수 있다. 미리 결정된 길이의 기간에 포함된 로 데이터는 서로 다른 시점에 획득된 주식 거래 정보로부터 각각 획득된 데이터일 수 있다. 미리 결정된 길이의 기간은 예를 들어 1밀리초, 1분, 1시간, 1개월 등일 수 있다. 이하 설명의 편의상, 제2 속성 그룹에 포함된 속성 중 미리 결정된 길이의 기간에 포함된 로 데이터에 기초하여 결정되는 속성은, "Q 속성"으로 지칭될 수 있다. Q 속성은 복수 개 존재할 수 있으며, 구분을 위해 Q-1 속성, Q-2 속성 등으로 각각 지칭될 수 있다.

프로세서(110)는 기업의 주식 거래에 관한 복수의 로 데이터들 중 미리 결정된 길이의 기간에 포함된 로 데이터에 기초하여 Q 속성에 대한 값을 연산할 수 있다. 예를 들어, Q 속성은 미리 결정된 길이의 기간에 포함된 일봉 차트 종가의 평균일 수 있다. 이 때 미리 결정된 길이의 기간은 1초, 1시간, 1일, 1개월, 1년 등으로 다양하게 설정될 수 있다.

본 개시에 따른 일 실시예에 있어서 프로세서(110)는 롤링 윈도우 기법에 기초하여 제2 속성 그룹에 포함되는 적어도 하나의 속성을 결정할 수 있다. 롤링 윈도우 기법의 기본 원리는 제1 속성 그룹과 관련하여 전술한 바와 동일하므로 이하 차이점을 위주로 설명한다. 프로세서(110)는 기업의 주식 거래 정보에 기초하여 기업 주식 가격의 하락 안정성을 나타내는 적어도 하나의 후보 속성을 정의할 수 있다. 적어도 하나의 후보 속성은 소정의 수치 모델에 의해 정의될 수 있다. 예를 들어, 기업 주식 가격의 하락 안정성을 나타내는 후보 속성은 n일 간의 주가를 입력받아 n+1일 째의 주가 하락 확률을 값으로 반환하는 수학식일 수 있다.

본 개시의 일 실시예에 있어서 프로세서(110)는, 복수의 제2 속성 그룹에 관한 데이터들에 대해 위험 여부가 라벨링된 제2 학습 데이터 셋에 기초하여, 제2 인공 신경망(520)을 결정할 수 있다. 제2 학습 데이터 셋은 도 4를 참조하여 설명된 제1 학습 데이터 셋(410)과 유사한 형태로 마련될 수 있다. 제2 학습 데이터 셋에 있어서 각 레이블 값은 기업의 주식 정보에 따른 담보물로서의 위험 여부를 나타내는 값일 수 있다. 프로세서(110)는 제2 학습 데이터 셋에 기초하여 CNN(Convolution Neural Network) 모델의 학습, LSTM(Long Short Term Memory) 모델의 학습 또는 로지스틱 회귀분석(Logistic Regression) 작업 등을 수행함으로써 제2 인공 신경망(520)을 결정할 수 있다. 본 개시에 따른 제2 인공 신경망은 CNN 모델 구조를 갖는 데이터 집합일 수 있다. 본 개시에 따른 제2 인공 신경망은 LSTM 모델 구조를 갖는 데이터 집합일 수 있다. 본 개시에 따른 제2 인공 신경망은 로지스틱 회귀 모델 구조를 갖는 데이터 집합일 수 있다. 이하 수학식 2 내지 3을 참조하여, 본 개시의 제2 인공 신경망이 로지스틱 회귀 모델의 구조를 갖는 경우를 예로 들어 설명한다.

본 개시에 따른 로지스틱 회귀분석은 "입력 데이터(즉, 제2 속성 그룹 데이터) - 출력 데이터(즉, 레이블 값)"로 구성된 데이터 쌍에 있어서, 각 입력 데이터에 대한 출력 데이터를 가장 정확히 예측하는 함수를 도출하기 위한 분석 작업이다. 일례로, 제2 인공 신경망은 시그모이드 함수에 기초하는 수치 모델로서 아래의 수학식 2와 같이 표현될 수 있다.

수학식 2에 있어서,

는 제2 인공 신경망에 입력되는 값을 벡터 형태로 표현한 기호이다.

는 제2 인공 신경망에 입력되는 속성의 개수와 같은 크기의 벡터일 수 있다.

는 입력 벡터(

)의 각각의 속성 값과 곱해지는 가중치들을 포함하는 가중치 벡터를 나타낸다. 가중치 벡터(

)는 입력 벡터(

)와 같은 차원일 수 있다. 프로세서(110)는 제2 학습 데이터 셋에 기초하여

에 포함된 가중치들을 결정함으로써 제2 인공 신경망을 결정할 수 있다.

다른 일례로, 제2 인공 신경망은 시그모이드 함수에 기초하는 수치 모델로서 아래의 수학식 3과 같이 표현될 수도 있다.

수학식 3에 있어서,

는 제2 인공 신경망에 입력되는 값을 간략히 표현한 기호이다.

와

는 프로세서(110)가 결정해야 하는 가중치일 수 있다.

는 시그모이드 함수로서의 제2 인공 신경망의 곡선 경사도를 의미하는 가중치일 수 있다.

가 클수록 제2 인공 신경망의 S자 커브의 경사도가 크고 (즉, S자 커브가 계단 모양에 가까워지고),

가 작을수록 제2 인공 신경망의 S자 커브의 경사도가 작아질 수 있다(즉, S자 커브가 평면 모양에 가까워짐).

는 시그모이드 함수로서의 제2 인공 신경망의 평행 이동을 의미하는 가중치일 수 있다. 프로세서(110)는 제2 학습 데이터 셋에 기초하여 수학식 3에 있어서 좌변의

를 결정함으로써 제2 인공 신경망을 결정할 수 있다.

프로세서(110)는 제2 인공 신경망(520)에 기초하여 입력 데이터로부터 출력 데이터를 예측하고, 그 오차에 따라 제2 인공 신경망(520)에 포함된 적어도 하나의 가중치를 갱신 및/또는 결정할 수 있다. 프로세서(110)는 복수의 제2 속성 그룹에 관한 데이터들에 대해 위험 여부가 라벨링된 학습 데이터 셋 및 오차 역전파(Back Propagation) 알고리즘에 기초하여, 제2 인공 신경망(520)의 적어도 하나의 가중치를 결정할 수 있다. 제2 인공 신경망(520)의 적어도 하나의 가중치는 제2 인공 신경망(520)의 출력값과 학습 데이터 셋의 레이블 값에 기초하여 산출된 오차가 최소가 되도록 결정될 수 있다. 구체적으로, 프로세서(110)는 복수의 제2 속성 그룹에 관한 데이터들에 대해 위험 여부가 라벨링된 학습 데이터 셋에 있어서, 임의의 제2 속성 그룹 데이터를 제2 인공 신경망(520)에 입력하여 출력값을 획득할 수 있다. 프로세서(110)는 학습 데이터 셋으로부터 해당 제2 속성 그룹 데이터의 레이블 값을 확인하고, 이를 획득된 제2 인공 신경망(520)의 출력값과 비교하여 오차를 산출할 수 있다. 프로세서(110)는 산출된 오차가 최소가 되도록 제2 인공 신경망(520)의 적어도 하나의 가중치를 갱신 및/또는 결정할 수 있다. 이 때, 프로세서(110)는 각 학습 데이터별 오차를 제곱하여 합산함으로써 오차의 총합을 계산할 수 있다. 제2 인공 신경망(520)의 가중치 갱신은 경사 하강법(Gradient Descent)에 따라 소정 개수의 학습 데이터마다 반복적으로(iteratively) 수행될 수 있다. 제2 인공 신경망(520)의 가중치 갱신 과정은 제2 인공 신경망(520)의 "학습 과정"이라고 표현될 수 있다.

프로세서(110)는, 제2 인공 신경망(520)이 입력 데이터(즉, 제2 속성 그룹에 관한 데이터)에 대해 출력하는 예측값과 해당 입력 데이터에 대한 레이블 값의 차이가 적어지도록 제2 인공 신경망(520)을 학습시킬 수 있다. 여기서 예측값과 레이블 값의 차이가 적어지도록 제2 인공 신경망(520)을 학습시킨다는 것은, 오차의 총합이 최소가 되도록하는 반복 연산(iteration)이 수행됨에 따라 제2 인공 신경망(520)이 출력으로 예측하는 특정 학습 데이터에 대한 예측값(예: 0.9, 0.99 등)이 해당 학습 데이터에 대한 레이블 값(예: 1)과 동일해진다는 것을 의미한다. 그 결과, 예를 들어 제2 속성 그룹 데이터에 대한 레이블 값이 0과 1로 구성될 경우, 프로세서(110)는 '1'로 라벨링된 기존의 제2 속성 그룹 데이터와 유사한 패턴을 갖는 신규의 제2 속성 그룹 데이터에 대해 '1' 또는 '1'과 유사한 예측값을 출력하도록 제2 인공 신경망(520)을 결정할 수 있다. 또한, 프로세서(110)는 '0'으로 라벨링된 기존의 제2 속성 그룹 데이터와 유사한 패턴을 갖는 신규의 제2 속성 그룹 데이터에 대해서는 '0' 또는 '0'과 유사한 예측값을 출력하도록 제2 인공 신경망(520)을 결정할 수 있다.

프로세서(110)는 제2 속성 그룹에 관한 데이터(510)를 제2 인공 신경망(520)에 입력하고, 제2 인공 신경망(520)의 출력에 기초하여, 기업의 주가 변동성의 위험도를 지시하는 제2 위험값(530)을 결정할 수 있다.

전술한 바와 같이 프로세서(110)는 제1 인공 신경망(220)의 출력에 기초하여 제1 위험값(230)을 결정할 수 있다. 프로세서(110)는 제2 인공 신경망(520)의 출력에 기초하여 제2 위험값(530)을 결정할 수 있다. 프로세서(110)는 제1 위험값(230) 및 제2 위험값(530)에 기초하여 담보로서 기업의 주식이 가지는 최종 위험값을 결정할 수 있다. 프로세서(110)는 각 인공 신경망의 출력에 가중치를 부여함으로써 최종 위험값을 결정할 수 있다. 예를 들어, 프로세서(110)는 제1 위험값에 0.6의 가중치를 부여하고, 제2 위험값에 0.4의 가중치를 부여함으로써, 최종 위험값을 "0.6 * 제1 위험값 + 0.4 * 제2 위험값"으로 결정할 수 있다. 여기서 예시된 가중치의 구체적 수치는 설명을 위한 예시일 뿐 본 개시를 제한하지 않는다.

도 6은 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)가 제3 인공 신경망(620)의 출력에 기초하여 제3 위험값(630)을 결정하는 과정을 나타내는 개념도이다. 일 실시예에서, 메모리(120)는 기업 발행 채권을 분석하기 위해 학습된 제3 인공 신경망(620)을 저장할 수 있다. 프로세서(110)는 기업의 채권에 대한 정보를 기초로, 제3 인공 신경망(620)을 통해 기업의 채권에 관한 위험도를 지시하는 제3 위험값(630)을 결정할 수 있다.

구체적으로, 프로세서(110)는 기업이 발행한 채권에 대한 정보에 기초하여, 해당 기업의 채권에 관한 하나 이상의 속성을 포함하는 제3 속성 그룹에 관한 데이터를 결정할 수 있다. 본 개시에 있어서 제3 속성 그룹에 관한 데이터는 편의상 "제3 속성 그룹 데이터"로 지칭될 수 있다. 기업이 발행한 채권에 대한 정보는, 예를 들어, 기업의 채권발행 유무, 발행채권의 등급, 상장채권의 등급 변화, 상장채권의 종가 변화 등을 포함할 수 있다.

프로세서(110)는, 복수의 제3 속성 그룹에 관한 데이터들에 대해 정크 채권 여부가 라벨링된 제3 학습 데이터 셋에 기초하여, 제3 인공 신경망(620)을 학습시킬 수 있다. 제3 학습 데이터 셋은 도 4를 참조하여 설명된 제1 학습 데이터 셋(410)과 유사한 형태로 마련될 수 있다. 정크 채권(junk bond)이란, 기업의 경영 악화나 실적 부진으로 인해 해당 기업의 채권에 투자할 경우 원금 손실이 일어날 위험성이 높은 채권을 의미한다. 제3 학습 데이터 셋에는 각 기업의 제3 속성 그룹 데이터에 대해 정크 채권 여부가 라벨링 되어 있을 수 있다. 예컨대, 제3 학습 데이터 셋에 있어서 발행채권의 등급이 BB(더블 B) 이하인 채권은 정크 채권으로 라벨링 되어 있을 수 있다. 또한, 제3 학습 데이터 셋에 있어서 발행채권의 등급이 BB(더블 B) 초과이지만, 상장채권의 등급이 소정 단위 기간당 2 단계 이상 하락 한 경우, 해당 기업의 채권은 정크 채권으로 라벨링 되어 있을 수 있다. 프로세서(110)는 제3 학습 데이터 셋을 이용하여 제3 인공 신경망(620)으로 하여금 입력 데이터에 대해 정크 채권 여부를 분류하도록 학습시킬 수 있다. 본 개시의 일 실시예에 있어서 프로세서(110)는, 동일한 등급을 갖는 서로 다른 기업의 채권 각각에 대해 결정된 제3 속성 그룹에 관한 데이터가 제3 인공 신경망(620)에 입력될 경우, 기업이 발행한 채권의 전일대비 종가 변동성에 기초하여 제3 인공 신경망(620)이 각 채권에 대한 제3 위험값을 결정하도록 제3 인공 신경망(620)을 학습시킬 수 있다. 예를 들어, 제3 속성 그룹에 관한 데이터에 있어서, A 기업과 B 기업의 채권이 갖는 "채권 등급" 속성이 정크 채권으로 분류되지 않는 양호한 수준의 동일 등급이라도, A 기업 채권의 "전일대비 종가 변동성" 속성의 값이 일정 수준을 벗어나 변동성이 큰 것으로 판단될 경우, A 기업의 채권은 정크 채권으로 라벨링 될 수 있다. 이에 따라, 프로세서(110)는 제3 인공 신경망(620)으로 하여금 채권의 등급 뿐만 아니라 채권 가격의 종가 변동성을 추가로 고려하여 담보물로서의 안정성을 평가하도록 할 수 있다. 학습된 제3 인공 신경망(620)은 기업의 채권에 관한 신규의 입력 데이터(즉, 제3 속성 그룹 데이터)에 대하여 해당 기업의 채권이 정크 채권일 확률을 위험값으로 출력할 수 있다.

프로세서(110)는 제3 속성 그룹에 관한 데이터(610)를 제3 인공 신경망(620)에 입력하고, 제3 인공 신경망(620)의 출력에 기초하여, 기업의 채권에 관한 위험도를 지시하는 제3 위험값(630)을 결정할 수 있다. 프로세서(110)는 제1 위험값 및 제3 위험값에 기초하여 담보로서 기업의 주식이 가지는 최종 위험값을 결정할 수 있다. 프로세서(110)가 제1 위험값 및 제3 위험값에 기초하여 최종 위험값을 결정하는 과정은 제1 위험값 및 제2 위험값에 기초하여 최종 위험값을 결정하는 과정과 유사하게 각 위험값에 가중치를 부여하여 수행될 수 있다.

도 7은 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)가 제4 인공 신경망(720)의 출력에 기초하여 제4 위험값(730)을 결정하는 과정을 나타내는 개념도이다. 일 실시예에서, 메모리(120)는 비정형 데이터를 분석하기 위해 학습된 제4 인공 신경망(720)을 저장할 수 있다. 프로세서(110)는 제4 인공 신경망(720)을 통해, 기업에 관한 각종 비정형 데이터에 기초한 기업의 위험도를 지시하는 제4 위험값(730)을 결정할 수 있다. 본 개시에 있어서 기업의 비정형 데이터는, 예를 들어, 기업의 재무제표 상 주석 데이터, 상기 기업에 관한 뉴스 데이터 및 상기 기업에 관한 SNS(Social Network Service) 데이터를 포함할 수 있다. 재무제표 상 주석 데이터는 재무제표에서 정량적으로 표현되기 힘든 부분의 데이터를 의미하며, 예를 들어, 재무제표 상에서 "특수관계인 간의 거래", "특수관계인의 보증 여부", "관계-종속 기업 간의 거래", "기타충당보증부채", "장기체화재고" 등의 어구(phrase)를 포함하는 텍스트 데이터일 수 있다. 기업에 관한 뉴스 데이터 및/또는 SNS(Social Network Service) 데이터는 언론사에 의해 작성된 기사, 포털 사이트에 작성된 글 등을 포함하며, 텍스트 데이터일 수 있다.

구체적으로, 프로세서(110)는 기업의 비정형 데이터에 기초하여 기업에 관한 하나 이상의 속성을 포함하는 제4 속성 그룹에 관한 데이터(710)를 결정할 수 있다. 본 개시에 있어서 제4 속성 그룹에 관한 데이터는 편의상 "제4 속성 그룹 데이터"로 지칭될 수 있다. 제4 속성 그룹 데이터는, 적어도 하나의 워드 임베딩 벡터(word embedding vector)를 포함할 수 있다. 프로세서(110)는 기업의 비정형 데이터에 기초하여 제4 속성 그룹에 관한 데이터(710)를 결정하기 위해, 기업의 비정형 데이터를 전처리하여 복수의 토큰(token)을 생성하고, 워드 임베딩 방법에 기초하여 각 토큰에 대응되는 워드 임베딩 벡터를 결정할 수 있다. 워드 임베딩 방법에 대하여는 구체적으로 후술한다.

본 개시의 일 실시예에 따른 프로세서(110)는 기업의 비정형 데이터에 대해 형태소 분석 동작 또는 토크나이징(tokenizing) 동작 등을 수행함으로써, 기업의 비정형 데이터로부터 복수의 토큰을 생성할 수 있다.

프로세서(110)는 형태소 분석 동작을 통해 기업의 비정형 데이터에 포함된 단어 또는 구를 형태소 단위로 분류할 수 있다. 프로세서(110)는 비정형 데이터에 포함된 단어 또는 구를 실질형태소와 형식형태소로 분류할 수 있다. 프로세서(110)는 비정형 데이터에 포함된 단어 또는 구를 어휘형태소와 문법형태소로 분류할 수도 있다. 프로세서(110)는 형태소 분석 결과를 각 단어 또는 구에 대해 태깅(tagging)할 수 있다. 구체적으로, 프로세서(110)가 “집에 갔습니다”라는 텍스트에 대해 형태소 분석 동작을 수행하는 경우, 해당 텍스트는 “집/명사 + 에/격조사 + 가/동사 + 았/선어말어미 + 습니다/어말어미”와 같이 분석될 수 있다. 다른 예를 들어 “산이 푸르다”라는 텍스트에 대해 프로세서(110)가 형태소 분석 동작을 수행하는 경우, 해당 텍스트는 “산/명사 + 이/보조사 + 푸른/형용사 + 다/어말어미”로 분석될 수 있다.

프로세서(110)는 기업의 비정형 데이터로부터 복수의 토큰을 추출하는 토크나이징 동작을 수행할 수 있다. 토크나이징 동작은 상술한 형태소 분석 동작 이후 수행될 수 있다. 프로세서(110)는 비정형 데이터에 대한 형태소 분석 결과로부터 "실질 형태소" 또는 "어휘 형태소"로 분류된 단어 또는 구를 토큰으로서 추출할 수 있다. 프로세서(110)는 형태소 분석 결과로부터 "실질 형태소" 또는 "어휘 형태소"로 분류된 단어 또는 구의 원형을 토큰으로서 추출될 수 있다. 예를 들어, 특정 텍스트에 있어서 “집” 및 “가-” 두 형태소가 실질 형태소로 분석된 경우, 프로세서(110)는 “집” 및 “가다”를 각각 토큰으로서 추출할 수 있다. 전술한 기업의 비정형 데이터에 대해 형태소 분석 동작 또는 토크나이징(tokenizing) 동작에 관한 기재는 설명을 위한 예시에 불과하며, 본 개시는 기업의 비정형 데이터를 전처리하여 복수의 토큰을 추출하기 위한 다양한 방법을 제한없이 포함한다.

프로세서(110)는 기업의 비정형 데이터로부터 복수의 토큰을 추출한 후, 워드 임베딩 방법에 기초하여 각 토큰에 대응되는 워드 임베딩 벡터를 결정할 수 있다. 본 개시에서 "워드 임베딩"이란, 단어(word) 또는 구(phrase)를 벡터로 표현하기 위한 방법을 지칭하는 용어일 수 있다. 본 개시에서 "워드 임베딩 벡터"는 워드 임베딩 방법에 따라 단어(word) 또는 구(phrase)에 대응되는 벡터를 지칭하는 용어일 수 있다. 워드 임베딩 벡터는 희소 표현(Sparse Representation) 방식에 따른 워드 벡터일 수 있다. 희소 표현 방식에 따른 워드 벡터는 예를 들어, 원 핫 인코딩(One Hot Encoding) 방식을 통해 생성된 원 핫 벡터(One Hot Vector)일 수 있다. 원 핫 벡터는 표현하고자 하는 단어의 인덱스 값이 1이며, 나머지 인덱스 값은 0으로 표현될 수 있다. 워드 임베딩 벡터는 밀집 표현(Dense Representation) 방식에 따른 워드 벡터일 수 있다. 밀집 표현 방식에 따른 워드 벡터는 원 핫 벡터로부터 예를 들어, CBOW(Continuous Bag Of Word) 또는 Skip-Gram 등의 알고리즘에 따라 생성될 수 있다. 희소 표현 방식에서는 벡터 또는 행렬의 원소의 값이 대부분 0으로 표현된다. 이에 반해 밀집 표현 방식에서는 벡터 또는 행렬의 원소의 값이 실수값을 가질 수 있다. 본 명세서에 있어서 워드 임베딩 벡터는 밀집 표현 방식에 따른 워드 벡터를 가정한다. 본 개시에 따른 워드 임베딩 방법은 word2vec, FastText, Glove 등을 포함할 수 있다. 상술한 바와 같이, 본 개시에서 기업에 관한 제4 속성 그룹 데이터는, 프로세서(110)가 기업의 비정형 데이터를 전처리함에 따라 생성된 복수의 토큰 각각에 대응되는 워드 임베딩 벡터를 포함할 수 있다.

본 개시의 일 실시예에서 프로세서(110)는 제4 속성 그룹에 관한 데이터(710)를 제4 인공 신경망(720)에 입력하고, 제4 인공 신경망(720)의 출력에 기초하여, 기업의 비정형 데이터에 기초한 기업의 위험도를 지시하는 제4 위험값(730)을 결정할 수 있다. 비정형 데이터를 처리하기 위한 제4 인공 신경망(720)은 입력 데이터 사이에 순서가 존재하는 시퀀스(sequence)를 처리하기 위한 인공 신경망일 수 있다. 예를 들어, 제4 인공 신경망(720)은 순환 신경망(RNN, Recurrent Neural Network) 구조를 갖는 인공 신경망 모델일 수 있다. 제4 인공 신경망(720)은 일정 순서를 갖는 복수의 워드 임베딩 벡터를 순차적으로 입력받아 해당 입력에 대한 위험도를 출력하도록 학습될 수 있다.

본 개시의 일 실시예에 있어서 제4 인공 신경망(720)은, 비정형 데이터에 관한 감정 분석을 위한 제4-1 서브 인공 신경망 및 비정형 데이터에 관한 카테고리 분석을 위한 제4-2 서브 인공 신경망을 포함할 수 있다.

프로세서(110)는 제 4-1 서브 인공 신경망에 제4 속성 그룹 데이터를 입력하고, 입력에 따른 출력값에 기초하여 입력에 대한 긍정/부정 판단을 수행할 수 있다. 예를 들어, 제 4-1 서브 인공 신경망은 특정 기업에 대한 비정형 데이터가 주로 해당 기업에 대해 긍정적인 표현들로 구성된 경우, 1에 가까운 확률값을 출력할 수 있다. 반대로 제 4-1 서브 인공 신경망은 특정 기업에 대한 비정형 데이터가 주로 해당 기업에 대해 부정적인 표현들로 구성된 경우, 0에 가까운 확률값을 출력할 수 있다.

프로세서(110)는 제 4-2 서브 인공 신경망에 제4 속성 그룹 데이터를 입력하고, 입력에 따른 출력값에 기초하여 입력에 대한 카테고리 분류를 수행할 수 있다. 프로세서(110)는 제 4-2 서브 인공 신경망에 기초하여 제4 속성 그룹 데이터를 사전 결정된 복수의 카테고리 중 하나로 분류할 수 있다. 사전 결정된 복수의 카테고리는 각각 소정의 키워드 집합에 대응될 수 있다. 또한, 각각의 카테고리는 소정의 가중치에 대응될 수 있다. 예를 들어, 제1 카테고리는 "정지", "감사범위", "횡령", "검토의견" 등의 키워드를 포함하는 키워드 집합에 대응될 수 있다. 또한 제1 카테고리는 가중치로서 '2'에 대응될 수 있다. 다른 예를 들어, 제2 카테고리는 "부실화", "기업심사위원회", "파산신청", "기업회생" 등의 키워드를 포함하는 키워드 집합에 대응될 수 있다. 또한 제2 카테고리는 가중치로서 '3'에 대응될 수 있다. 프로세서(110)는 제 4-2 서브 인공 신경망에 기업의 비정형 데이터에 대한 제4 속성 그룹 데이터를 입력하고, 카테고리 분류 작업을 통해 가장 유사한 카테고리 및 유사 확률을 도출할 수 있다. 가장 유사한 카테고리는, 각 카테고리에 대응되는 키워드 집합에 포함된 키워드의 워드 임베딩 벡터와 제4 속성 그룹 데이터에 포함된 워드 임베딩 벡터들 사이의 벡터 거리에 기초하여 판단될 수 있다.

본 개시의 일 실시예에 있어서 프로세서(110)는, 제4-1 서브 인공 신경망의 출력값과 제4-2 서브 인공 신경망의 출력값을 가중합하여 제4 위험값(730)을 결정할 수 있다. 예를 들어, 프로세서(110)는 제4-2 서브 인공 신경망의 출력값에 따른 카테고리 유사 확률에 해당 카테고리에 대응되는 가중치를 곱한 후, 제4-1 서브 인공 신경망의 출력값을 더하여 제4 위험값(730)을 결정할 수 있다. 상술한 바와 같이 본 개시의 제4 인공 신경망(720)은 제4-1 서브 인공 신경망과 제4-2 서브 인공 신경망을 포함함으로써, 프로세서(110)는 비정형 데이터에 관한 감정 분석과 카테고리 분류를 병렬적으로 수행하고 이를 모두 고려한 제4 위험값(730)을 결정할 수 있다.

본 개시의 다양한 실시예들에 따르면, 컴퓨팅 장치(100)는 복수의 인공 신경망 모델 또는 수치 모델에 기초하여 복수의 위험값을 결정하고, 복수의 위험값 중 적어도 하나에 기초하여 최종 위험값을 결정할 수 있다.

구체적으로, 프로세서(110)는 도 2를 참조하여 전술한 바와 같이, 기업의 재무제표에 관한 하나 이상의 속성을 포함하는 제1 속성 그룹에 관한 데이터(210)를 결정하고, 제1 속성 그룹에 관한 데이터(210)를 재무제표를 분석하기 위해 학습된 제1 인공 신경망(220)에 입력하고, 제1 인공 신경망(220)의 출력에 기초하여 기업의 재무 상태에 대한 위험도를 지시하는 제1 위험값(230)을 결정할 수 있다. 프로세서(110)는 도 5를 참조하여 전술한 바와 같이, 기업의 주가 변동성에 관한 하나 이상의 속성을 포함하는 제2 속성 그룹에 관한 데이터(510)를 결정하고, 제2 속성 그룹에 관한 데이터(510)를 주식 거래를 분석하기 위해 학습된 제2 인공 신경망(520)에 입력하고, 제2 인공 신경망(520)의 출력에 기초하여, 기업의 주가 변동성의 위험도를 지시하는 제2 위험값(530)을 결정할 수 있다. 프로세서(110)는 도 6을 참조하여 전술한 바와 같이, 기업의 채권에 관한 하나 이상의 속성을 포함하는 제3 속성 그룹에 관한 데이터(610)를 결정하고, 제3 속성 그룹에 관한 데이터(610)를 기업의 발행 채권을 분석하기 위해 학습된 제3 인공 신경망(620)에 입력하고, 제3 인공 신경망(620)의 출력에 기초하여, 기업의 채권에 관한 위험도를 지시하는 제3 위험값(630)을 결정할 수 있다. 프로세서(110)는 도 7을 참조하여 전술한 바와 같이, 기업에 관한 하나 이상의 속성을 포함하는 제4 속성 그룹에 관한 데이터(710)를 결정하고, 제4 속성 그룹에 관한 데이터(710)를 비정형 데이터를 분석하기 위해 학습된 제4 인공 신경망(720)에 입력하고, 제4 인공 신경망(720)의 출력에 기초하여, 기업의 비정형 데이터에 기초한 위험도를 지시하는 제4 위험값(730)을 결정할 수 있다. 이 때, 각 인공 신경망들의 구조, 작동 방법 및 학습 방법은 자세히 전술한 바 중복되는 내용의 설명은 생략한다.

프로세서(110)는 제1 위험값(230), 제2 위험값(530), 제3 위험값(630) 및 제4 위험값(730) 중 적어도 하나에 기초하여 최종 위험값을 결정할 수 있다. 이하에서는 설명을 위해 제1 위험값(230), 제2 위험값(530), 제3 위험값(630) 및 제4 위험값(730) 모두에 기초하여 최종 위험값을 결정하는 과정을 서술한다. 프로세서(110)는 각각의 인공 신경망에 기초하여 결정된 위험값을 평균(소위, Soft Voting 방식)하여 최종 위험값을 결정할 수 있다. 프로세서(110)는 각각의 인공 신경망에 기초하여 결정된 위험값을 가중평균(소위, Weighted Voting 방식)하여 최종 위험값을 결정할 수 있다. 예를 들어, 최종 위험값은 아래의 수학식 4와 같이 계산될 수 있다.

이 때 제1 가중치, 제2 가중치 등 각 모델에 대응되는 가중치는 사전 결정되어 메모리(120)에 저장될 수 있다. 수학식 4에서의 N은 인공 신경망의 개수를 나타내는 인자로서, 자연수일 수 있다.

본 개시의 일 실시예에 따라 프로세서(110)는 복수의 기업에 대해서 상술한 수학식 4와 같은 방식에 따라 각 기업의 주식이 갖는 최종 위험값을 결정할 수 있다. 프로세서(110)는 전체 기업의 최종 위험값들을 사전 결정된 임계값과 비교하여 대출 가능 주식과 대출 불가능 주식을 결정할 수 있다. 프로세서(110)는 복수의 사전 결정된 구간 임계값에 기초하여, 기업의 최종 위험값에 따라 대출 등급을 결정할 수도 있다.

본 개시의 일 실시예에 따라 프로세서(110)는 최종 위험값을 결정하는데 기초가 되는 적어도 하나의 위험값(즉, 제1 위험값 내지 제4 위험값 중 적어도 하나의 위험값)을 이용하여 관리종목 지정 및 상장폐지 기준 충족, 코스닥 시장의 관리종목 편입 및 퇴출에 관한 규정 충족과 같은 이벤트 발생으로 인해 대출원리금의 회수가 이루어지지 않는 제1 리스크, 기업의 주식 가격 하락으로 인해 대출원리금의 회수가 일부 이루어지지 않는 제2 리스크, 및 기업에 대출을 하지 않을 경우 발생 가능한 기회비용 측면의 제3 리스크 중 적어도 하나의 리스크에 대한 존재 여부를 판단할 수 있다.

본 개시에서 제1 리스크는 특정 기업에 대해 대출이 가능한 것으로 판단하여 대출이 이뤄졌으나, 해당 기업이 관리종목 지정 및 상장폐지 기준 충족, 코스닥 시장의 관리종목 편입 및 퇴출에 관한 규정 충족, 부도, 관리 또는 회생절차 등을 이유로 대출원리금의 회수가 불가능한 경우의 리스크를 의미할 수 있다. 프로세서(110)는 기업의 재무제표를 분석하기 위해 학습된 제1 인공 신경망으로부터 획득되는 제1 위험값 또는 기업의 비정형 데이터를 분석하기 위해 학습된 제4 인공 신경망으로부터 획득되는 제4 위험값 등에 기초하여 제1 리스크의 존재 여부를 판단할 수 있다. 예를 들어, 제1 위험값 또는 제4 위험값이 각각의 임계치 이상일 경우, 프로세서(110)는 해당 기업에 관리종목 지정 및 상장폐지 기준 충족, 코스닥 시장의 관리종목 편입 및 퇴출에 관한 규정 충족, 부도, 관리 등의 부정적인 이벤트가 발생한 것으로 판단하여 제1 리스크가 존재하는 것으로 판단할 수 있다.

본 개시에서 제2 리스크는 특정 기업에 대해 대출이 가능한 것으로 판단하여 대출이 이뤄졌으나, 담보물인 해당 기업의 주식 가치가 급락하여 담보 비율 이상으로 손실이 발생하여 대출원리금이 일부 회수 불가능한 경우의 리스크를 의미할 수 있다. 프로세서(110)는 기업의 주식 거래를 분석하기 위해 학습된 제2 인공 신경망으로부터 획득되는 제2 위험값 또는 기업에서 발행한 채권을 분석하기 위해 학습된 제3 인공 신경망으로부터 획득되는 제3 위험값 등에 기초하여 제2 리스크의 존재 여부를 판단할 수 있다. 예를 들어, 제2 위험값 또는 제3 위험값이 각각의 임계치 이상일 경우, 프로세서(110)는 해당 기업의 주식이 급격히 하락할 우려가 있는 것으로 판단하여 제2 리스크가 존재하는 것으로 판단할 수 있다.

본 개시에서 제3 리스크는 특정 기업에 대해 대출이 불가능한 것으로 판단하여 대출이 이뤄지지 않았으나, 추후 결과적으로 대출이 가능했던 것으로 확인되어 얻지 못한 기대수익에 관한 잠재적 손실 측면의 리스크를 의미할 수 있다. 프로세서(110)는 제1 위험값 내지 제4 위험값에 기초하여 제3 리스크의 존재 여부를 판단할 수 있다. 예를 들어, 특정 기업이 현재 대출 불가능하다고 판단된 상태이면서 해당 기업에 대해 산출된 제1 위험값 내지 제4 위험값이 모두 각각의 임계치 이하일 경우, 프로세서(110)는 해당 기업에 대해 잠재적 손실로서 제3 리스크가 존재하는 것으로 판단할 수 있다. 즉, 제1 리스크 또는 제2 리스크와 달리, 제3 리스크가 존재할 경우에 프로세서(110)는 해당 기업에 대해 대출이 가능한 것으로 판단하고 작업자에게 소정의 방법으로 이를 알릴 수 있다.

본 개시의 다양한 실시예들에 따르면, 컴퓨팅 장치(100)는 기업이 직접 공시하고 기업의 영업 실적을 확인할 수 있는 재무제표에 기초하여 담보물로서의 기업 주식에 대한 리스크를 정확하게 측정할 수 있다. 다시 말해, 본 개시에 따른 컴퓨팅 장치(100)는 재무제표에 기반하여 기업의 주식에 대한 빠르고 일관된 가치 평가를 수행할 수 있다.

본 개시의 다양한 실시예들에 따르면, 컴퓨팅 장치(100)는 기업의 재무제표 뿐만 아니라 기업 주식의 가치 변동을 나타내는 주식 거래 정보 및 기업이 발행한 채권 정보 등을 함께 고려하여 최종 위험값을 산출하므로, 담보물로서의 기업 주식에 대한 리스크를 다양한 정보로부터 정량적으로 산출할 수 있다.

본 개시의 다양한 실시예들에 따르면, 컴퓨팅 장치(100)는 기업의 재무제표 뿐만 아니라 기업의 비정형 데이터를 함께 고려하여 최종 위험값을 산출하므로, 정량적으로 표현되지 않은 비정형 데이터(예: 텍스트 데이터)로부터 소정의 수치를 산출하고 이에 기초하여 보다 정확한 담보물로서의 기업 주식에 대한 리스크를 산출할 수 있다.

본 개시의 다양한 실시예들에 따르면, 컴퓨팅 장치(100)는 제1 인공 신경망 또는 제2 인공 신경망에 입력될 적어도 하나의 속성을 롤링 윈도우 기법에 기초하여 결정하므로, 인공 신경망의 성능을 증대시키기 위한 최적의 입력 데이터를 결정할 수 있다. 그 결과 본 개시에 따른 컴퓨팅 장치(100)는 제1 인공 신경망 또는 제2 인공 신경망에 기초하여 높은 정확도로 기업의 주식에 대한 위험값을 도출할 수 있다.

본 개시의 다양한 실시예들에 따르면, 컴퓨팅 장치(100)는 기업의 재무제표, 기업 주식의 가치, 기업 채권의 가치, 기업에 대한 비정형 데이터 등을 실시간으로 획득하여, 기존에 대출가능종목으로 판단된 기업이라도 i) 최종 위험값을 결정하는데 기초가 되는 적어도 하나의 위험값을 이용하여 관리종목 지정 및 상장폐지 기준, 코스닥 시장의 관리종목 편입 및 퇴출에 관한 규정과 같은 이벤트가 발생하여 대출원리금의 회수가 불가능한 경우 또는 ii) 담보로서 기업의 주식이 급락하여 대출원리금의 회수가 일부 불가능한 경우 등을 지속적으로 모니터링할 수 있다. 또한, 기존에 대출불가능으로 판단된 기업이라도 해당 기업에 대해 산출된 위험값이 안정적으로 낮은 경우 그 기업을 대출 가능한 기업으로 의사를 결정함으로써 대출을 진행하지 않았을 때 얻지 못한 잠재적 손실을 최소화할 수 있다.

도 8은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 동작 흐름도이다. 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는, 동작 S810에서, 기업의 재무제표에 기초하여, 기업의 재무제표에 관한 하나 이상의 속성을 포함하는 제1 속성 그룹에 관한 데이터를 결정할 수 있다. 제1 속성 그룹은 재무제표에 포함된 각각의 계정 과목을 속성으로서 포함할 수 있다. 예를 들어, 제1 속성 그룹은 현금, 미수금, 상품, 토지, 건물, 특허권, 개발비, 예수금, 단기차입금, 미지급금, 선수수익, 사채, 자본금, 이익준비금, 주식매수선택권 등을 속성으로서 적어도 하나 포함할 수 있다. 제1 속성 그룹에 관한 데이터는 재무제표에 기재된 로(raw) 데이터를 포함할 수 있다. 제1 속성 그룹에 관한 데이터는 재무제표에 기재된 각 속성의 값으로부터 소정의 알고리즘에 따라 도출된 값일 수 있다.

본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는, 동작 S820에서, 제1 속성 그룹에 관한 데이터를 제1 인공 신경망에 입력할 수 있다. 제1 인공 신경망은 제1 속성 그룹 데이터마다 해당 기업의 재무 상태에 대한 위험 여부가 라벨링(labeling)된 제1 학습 데이터 셋에 기초하여 학습될 수 있다. 제1 인공 신경망은 제1 학습 데이터 셋에 포함된 각 학습 데이터를 잘 분류(classification)하도록 학습될 수 있다.

본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는, 동작 S830에서, 제1 인공 신경망의 출력에 기초하여, 기업의 재무 상태에 대한 위험도를 지시하는 제1 위험값을 결정할 수 있다. 프로세서(110)는 제1 학습 데이터 셋에 포함된 개별 학습 데이터와 유사한 형태를 갖는 신규 입력 데이터를 제1 인공 신경망에 입력하고, 입력에 따른 출력에 기초하여 신규 입력 데이터에 대한 위험값(즉, 제1 위험값)을 예측할 수 있다.

본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는, 동작 S840에서, 제1 위험값에 기초하여, 담보로서 기업의 주식(stock)이 가지는 최종 위험값을 결정할 수 있다. 프로세서(110)는 제1 위험값에 다른 인공 신경망에 기초하여 도출된 위험값을 추가적으로 반영하여 최종 위험값을 결정할 수 있다. 프로세서(110)는 결정된 최종 위험값과 사전 결정된 임계값을 비교하여 최종적으로 특정 기업에 대한 대출 가능 또는 대출 불가능 여부를 결정할 수 있다.

본 개시에 도시된 각 흐름도에서 본 개시에 따른 방법 또는 알고리즘의 각 단계들이 순차적인 순서로 설명되었지만, 각 단계들은 순차적으로 수행되는 것 외에, 본 개시에 의해 임의로 조합될 수 있는 순서에 따라 수행될 수도 있다. 본 흐름도에 따른 설명은, 방법 또는 알고리즘에 변화 또는 수정을 가하는 것을 제외하지 않으며, 임의의 단계가 필수적이거나 바람직하다는 것을 의미하지 않는다. 일 실시예에서, 적어도 일부의 단계가 병렬적, 반복적 또는 휴리스틱하게 수행될 수 있다. 일 실시예에서, 적어도 일부의 단계가 생략되거나, 다른 단계가 추가될 수 있다.

본 개시의 다양한 실시예들은 기기(machine)가 읽을 수 있는 저장매체(machine-readable storage medium)에 소프트웨어로 구현될 수 있다. 소프트웨어는 본 개시의 다양한 실시예들을 구현하기 위한 소프트웨어일 수 있다. 소프트웨어는 본 개시가 속하는 기술분야의 프로그래머들에 의해 본 개시의 다양한 실시예들로부터 추론될 수 있다. 예를 들어 소프트웨어는 기기가 읽을 수 있는 명령어(예: 코드 또는 코드 세그먼트)를 포함하는 프로그램일 수 있다. 기기는 저장 매체로부터 호출된 명령어에 따라 동작이 가능한 장치로서, 예를 들어 컴퓨터일 수 있다. 일 실시예에서, 기기는 본 개시의 실시예들에 따른 컴퓨팅 장치(100)일 수 있다. 일 실시예에서, 기기의 프로세서는 호출된 명령어를 실행하여, 기기의 구성요소들이 해당 명령어에 해당하는 기능을 수행하게 할 수 있다. 일 실시예에서, 프로세서는 본 개시의 실시예들에 따른 프로세서(310)일 수 있다. 저장 매체는 기기에 의해 읽혀질 수 있는, 데이터가 저장되는 모든 종류의 기록 매체(recording medium)를 의미할 수 있다. 저장 매체는, 예를 들어 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장장치 등을 포함할 수 있다. 일 실시예에서, 저장 매체는 메모리(320)일 수 있다. 일 실시예에서, 저장매체는 네트워크로 연결된 컴퓨터 시스템 등에 분산된 형태로서 구현될 수도 있다. 소프트웨어는 컴퓨터 시스템 등에 분산되어 저장되고, 실행될 수 있다. 저장 매체는 비일시적(non-transitory) 저장매체일 수 있다. 비일시적 저장매체는, 데이터가 반영구적 또는 임시적으로 저장되는 것과 무관하게 실재하는 매체(tangible medium)를 의미하며, 일시적(transitory)으로 전파되는 신호(signal)를 포함하지 않는다.

이상 다양한 실시예들에 의해 본 개시의 기술적 사상이 설명되었지만, 본 개시의 기술적 사상은 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 이해할 수 있는 범위에서 이루어질 수 있는 다양한 치환, 변형 및 변경을 포함한다. 또한, 그러한 치환, 변형 및 변경은 첨부된 청구범위 내에 포함될 수 있는 것으로 이해되어야 한다.

Claims (20)

1. 하나 이상의 프로세서; 및
   상기 하나 이상의 프로세서에 의한 실행 시, 상기 하나 이상의 프로세서가 연산을 수행하도록 하는 명령, 재무제표를 분석하기 위해 학습된 제1 인공 신경망 및 재무제표 상 주석 데이터를 포함하는 비정형 데이터를 분석하기 위해 학습된 제4 인공 신경망을 저장하는 하나 이상의 메모리를 포함하고,
   상기 하나 이상의 프로세서는, 상기 명령에 따라,
   기업의 재무제표에 관한 하나 이상의 속성을 롤링 윈도우 기법을 통해 검증하고,
   상기 검증에 기초하여, 상기 기업의 재무제표에 관한 하나 이상의 속성의 적어도 일부를 포함하는 제1 속성 그룹을 정의하고,
   상기 기업의 재무제표에 기초하여, 상기 제1 속성 그룹에 관한 데이터를 결정하고,
   상기 제1 속성 그룹에 관한 데이터를 상기 제1 인공 신경망에 입력하고,
   상기 제1 인공 신경망의 출력에 기초하여, 상기 기업의 재무 상태에 대한 위험도를 지시하는 제1 위험값을 결정하고,
   상기 기업의 비정형 데이터에 기초하여, 상기 기업에 관한 하나 이상의 속성을 포함하는 제4 속성 그룹에 관한 데이터를 결정하고,
   상기 제4 속성 그룹에 관한 데이터를 상기 제4 인공 신경망에 입력하고,
   상기 제4 인공 신경망의 출력에 기초하여, 상기 기업의 비정형 데이터에 기초한 상기 기업의 위험도를 지시하는 제4 위험값을 결정하고,
   상기 제1 위험값 및 상기 제4 위험값에 기초하여, 담보로서 상기 기업의 주식(stock)이 가지는 최종 위험값을 결정하는, 장치.
   
2. 제1항에 있어서,
   상기 제1 속성 그룹에 포함된 적어도 하나의 속성은,
   상기 기업의 재무제표에 포함된 복수의 로(raw) 데이터들 중 미리 결정된 길이의 기간에 포함된 로 데이터에 기초하여 값이 도출되는 속성인, 장치.
   
3. 제1항에 있어서,
   상기 제1 인공 신경망은, 복수의 제1 속성 그룹에 관한 데이터들에 대해 위험 여부가 라벨링된 학습 데이터 셋에 기초하여 상기 학습 데이터 셋에 포함된 각각의 학습 데이터를 분류하도록 학습되는, 장치.
   
4. 제1항에 있어서,
   상기 하나 이상의 메모리는, 주식 거래를 분석하기 위해 학습된 제2 인공 신경망을 더 저장하고,
   상기 하나 이상의 프로세서는,
   상기 기업의 주식 거래에 관한 정보에 기초하여, 상기 기업의 주가 변동성에 관한 하나 이상의 속성을 포함하는 제2 속성 그룹에 관한 데이터를 결정하고,
   상기 제2 속성 그룹에 관한 데이터를 상기 제2 인공 신경망에 입력하고,
   상기 제2 인공 신경망의 출력에 기초하여, 상기 기업의 주가 변동성의 위험도를 지시하는 제2 위험값을 결정하고,
   상기 제1 위험값, 상기 제4 위험값 및 상기 제2 위험값에 기초하여, 상기 최종 위험값을 결정하는, 장치.
   
5. 제4항에 있어서,
   상기 제2 속성 그룹에 포함된 적어도 하나의 속성은,
   상기 기업의 주식 거래에 관한 복수의 로 데이터들 중 미리 결정된 길이의 기간에 포함된 로 데이터에 기초하여 값이 도출되는 속성인, 장치.
   
6. 제2항 또는 제5항에 있어서,
   상기 미리 결정된 길이의 기간에 포함된 로 데이터에 기초하여 결정되는 상기 적어도 하나의 속성은,
   롤링 윈도우(rolling window) 기법에 기초하여 결정되는, 장치.
   
7. 제4항에 있어서,
   상기 제2 인공 신경망은 적어도 하나의 가중치를 포함하고,
   상기 하나 이상의 프로세서는, 복수의 제2 속성 그룹에 관한 데이터들에 대해 위험 여부가 라벨링된 학습 데이터 셋 및 상기 학습 데이터 셋에 관한 오차 역전파(Back Propagation) 알고리즘에 기초하여 상기 적어도 하나의 가중치를 결정하며,
   상기 적어도 하나의 가중치는, 상기 제2 인공 신경망의 출력값과 상기 학습 데이터 셋의 레이블 값에 기초하여 산출된 오차가 최소가 되도록 결정되는, 장치.
   
8. 제1항에 있어서,
   상기 하나 이상의 메모리는, 기업 발행 채권을 분석하기 위해 학습된 제3 인공 신경망을 더 저장하고,
   상기 하나 이상의 프로세서는,
   상기 기업이 발행한 채권에 대한 정보에 기초하여, 상기 기업의 채권에 관한 하나 이상의 속성을 포함하는 제3 속성 그룹에 관한 데이터를 결정하고,
   상기 제3 속성 그룹에 관한 데이터를 상기 제3 인공 신경망에 입력하고,
   상기 제3 인공 신경망의 출력에 기초하여, 상기 기업의 채권에 관한 위험도를 지시하는 제3 위험값을 결정하고,
   상기 제1 위험값, 상기 제4 위험값 및 상기 제3 위험값에 기초하여, 상기 최종 위험값을 결정하는, 장치.
   
9. 제8항에 있어서,
   상기 제3 인공 신경망은,
   동일한 등급을 갖는 서로 다른 기업의 채권 각각에 대해 결정된 상기 제3 속성 그룹에 관한 데이터가 입력될 경우, 기업이 발행한 채권의 전일대비 종가 변동성에 기초하여 각 채권에 대한 상기 제3 위험값을 결정하도록 학습되는, 장치.
   
10. 삭제
11. 삭제
12. 제1항에 있어서,
    상기 제4 인공 신경망은,
    비정형 데이터에 관한 감정 분석을 위한 제4-1 서브 인공 신경망; 및
    비정형 데이터에 관한 카테고리 분석을 위한 제4-2 서브 인공 신경망;
    을 포함하는, 장치.
    
13. 제12항에 있어서,
    상기 하나 이상의 프로세서는,
    상기 제4-1 서브 인공 신경망의 출력값과 상기 제4-2 서브 인공 신경망의 출력값을 가중합하여 상기 제4 위험값을 결정하는, 장치.
    
14. 제1항에 있어서,
    상기 하나 이상의 메모리는, 주식 거래를 분석하기 위해 학습된 제2 인공 신경망 및 기업 발행 채권을 분석하기 위해 학습된 제3 인공 신경망을 더 저장하고,
    상기 하나 이상의 프로세서는,
    상기 기업의 주식 거래에 관한 정보에 기초하여, 상기 기업의 주가 변동성에 관한 하나 이상의 속성을 포함하는 제2 속성 그룹에 관한 데이터를 결정하고,
    상기 제2 속성 그룹에 관한 데이터를 상기 제2 인공 신경망에 입력하고,
    상기 제2 인공 신경망의 출력에 기초하여, 상기 기업의 주가 변동성의 위험도를 지시하는 제2 위험값을 결정하고,
    상기 기업이 발행한 채권에 대한 정보에 기초하여, 상기 기업의 채권에 관한 하나 이상의 속성을 포함하는 제3 속성 그룹에 관한 데이터를 결정하고,
    상기 제3 속성 그룹에 관한 데이터를 상기 제3 인공 신경망에 입력하고,
    상기 제3 인공 신경망의 출력에 기초하여, 상기 기업의 채권에 관한 위험도를 지시하는 제3 위험값을 결정하고,
    상기 제1 위험값, 상기 제2 위험값, 상기 제3 위험값 및 상기 제4 위험값에 기초하여 최종 위험값을 결정하는, 장치.
    
15. 하나 이상의 프로세서 및 상기 하나 이상의 프로세서에 의해 실행되기 위한 명령들이 저장된 하나 이상의 메모리를 포함하는 컴퓨터에서 수행되는 방법에 있어서,
    상기 하나 이상의 메모리는, 상기 하나 이상의 프로세서가 연산을 수행하도록 하는 명령, 재무제표를 분석하기 위해 학습된 제1 인공 신경망 및 재무제표 상 주석 데이터를 포함하는 비정형 데이터를 분석하기 위해 학습된 제4 인공 신경망을 저장하고,
    상기 하나 이상의 프로세서가, 상기 명령에 따라,
    기업의 재무제표에 관한 하나 이상의 속성을 롤링 윈도우 기법을 통해 검증하는 단계;
    상기 검증에 기초하여, 상기 기업의 재무제표에 관한 하나 이상의 속성의 적어도 일부를 포함하는 제1 속성 그룹을 정의하는 단계;
    상기 기업의 재무제표에 기초하여, 상기 제1 속성 그룹에 관한 데이터를 결정하는 단계;
    상기 제1 속성 그룹에 관한 데이터를 상기 제1 인공 신경망에 입력하는 단계;
    상기 제1 인공 신경망의 출력에 기초하여, 상기 기업의 재무 상태에 대한 위험도를 지시하는 제1 위험값을 결정하는 단계;
    상기 기업의 비정형 데이터에 기초하여, 상기 기업에 관한 하나 이상의 속성을 포함하는 제4 속성 그룹에 관한 데이터를 결정하는 단계;
    상기 제4 속성 그룹에 관한 데이터를 상기 제4 인공 신경망에 입력하는 단계;
    상기 제4 인공 신경망의 출력에 기초하여, 상기 기업의 비정형 데이터에 기초한 상기 기업의 위험도를 지시하는 제4 위험값을 결정하는 단계; 및
    상기 제1 위험값 및 상기 제4 위험값에 기초하여, 담보로서 상기 기업의 주식(stock)이 가지는 최종 위험값을 결정하는 단계를 포함하는, 방법.
    
16. 제15항에 있어서,
    상기 하나 이상의 메모리는, 주식 거래를 분석하기 위해 학습된 제2 인공 신경망을 더 저장하고,
    상기 하나 이상의 프로세서가,
    상기 기업의 주식 거래에 관한 정보에 기초하여, 상기 기업의 주가 변동성에 관한 하나 이상의 속성을 포함하는 제2 속성 그룹에 관한 데이터를 결정하는 단계;
    상기 제2 속성 그룹에 관한 데이터를 상기 제2 인공 신경망에 입력하는 단계;
    상기 제2 인공 신경망의 출력에 기초하여, 상기 기업의 주가 변동성의 위험도를 지시하는 제2 위험값을 결정하는 단계; 및
    상기 제1 위험값, 상기 제4 위험값 및 상기 제2 위험값에 기초하여, 상기 최종 위험값을 결정하는 단계를 더 포함하는, 방법.
    
17. 제15항에 있어서,
    상기 하나 이상의 메모리는, 기업 발행 채권을 분석하기 위해 학습된 제3 인공 신경망을 더 저장하고,
    상기 하나 이상의 프로세서가,
    상기 기업이 발행한 채권에 대한 정보에 기초하여, 상기 기업의 채권에 관한 하나 이상의 속성을 포함하는 제3 속성 그룹에 관한 데이터를 결정하는 단계;
    상기 제3 속성 그룹에 관한 데이터를 상기 제3 인공 신경망에 입력하는 단계;
    상기 제3 인공 신경망의 출력에 기초하여, 상기 기업의 채권에 관한 제3 위험값을 결정하는 단계; 및
    상기 제1 위험값, 상기 제4 위험값 및 상기 제3 위험값에 기초하여, 상기 최종 위험값을 결정하는 단계를 더 포함하는, 방법.
    
18. 삭제
19. 제15항에 있어서,
    상기 하나 이상의 메모리는, 주식 거래를 분석하기 위해 학습된 제2 인공 신경망 및 기업 발행 채권을 분석하기 위해 학습된 제3 인공 신경망을 더 저장하고,
    상기 하나 이상의 프로세서가,
    상기 기업의 주식 거래에 관한 정보에 기초하여, 상기 기업의 주가 변동성에 관한 하나 이상의 속성을 포함하는 제2 속성 그룹에 관한 데이터를 결정하는 단계;
    상기 제2 속성 그룹에 관한 데이터를 상기 제2 인공 신경망에 입력하는 단계;
    상기 제2 인공 신경망의 출력에 기초하여, 상기 기업의 주가 변동성의 위험도를 지시하는 제2 위험값을 결정하는 단계;
    상기 기업이 발행한 채권에 대한 정보에 기초하여, 상기 기업의 채권에 관한 하나 이상의 속성을 포함하는 제3 속성 그룹에 관한 데이터를 결정하는 단계;
    상기 제3 속성 그룹에 관한 데이터를 상기 제3 인공 신경망에 입력하는 단계;
    상기 제3 인공 신경망의 출력에 기초하여, 상기 기업의 채권에 관한 제3 위험값을 결정하는 단계; 및
    상기 제1 위험값, 상기 제2 위험값, 상기 제3 위험값 및 상기 제4 위험값에 기초하여 최종 위험값을 결정하는 단계를 더 포함하는, 방법.
    
20. 컴퓨터 상에서 수행되기 위한 명령들을 기록한 비일시적 컴퓨터 판독 가능 기록 매체에 있어서,
    하나 이상의 메모리는, 하나 이상의 프로세서가 연산을 수행하도록 하는 명령, 재무제표를 분석하기 위해 학습된 제1 인공 신경망 및 재무제표 상 주석 데이터를 포함하는 비정형 데이터를 분석하기 위해 학습된 제4 인공 신경망을 저장하고,
    상기 명령들은, 상기 하나 이상의 프로세서에 의한 실행시, 상기 하나 이상의 프로세서가,
    기업의 재무제표에 관한 하나 이상의 속성을 롤링 윈도우 기법을 통해 검증하고,
    상기 검증에 기초하여, 상기 기업의 재무제표에 관한 하나 이상의 속성의 적어도 일부를 포함하는 제1 속성 그룹을 정의하고,
    상기 기업의 재무제표에 기초하여, 상기 제1 속성 그룹에 관한 데이터를 결정하고,
    상기 제1 속성 그룹에 관한 데이터를 상기 제1 인공 신경망에 입력하고,
    상기 제1 인공 신경망의 출력에 기초하여, 상기 기업의 재무 상태에 대한 위험도를 지시하는 제1 위험값을 결정하고,
    상기 기업의 비정형 데이터에 기초하여, 상기 기업에 관한 하나 이상의 속성을 포함하는 제4 속성 그룹에 관한 데이터를 결정하고,
    상기 제4 속성 그룹에 관한 데이터를 상기 제4 인공 신경망에 입력하고,
    상기 제4 인공 신경망의 출력에 기초하여, 상기 기업의 비정형 데이터에 기초한 상기 기업의 위험도를 지시하는 제4 위험값을 결정하고,
    상기 제1 위험값 및 상기 제4 위험값에 기초하여, 담보로서 상기 기업의 주식(stock)이 가지는 최종 위험값을 결정하도록 하는, 컴퓨터 판독 가능 기록 매체.
    

Images