KR102567495B1 - 오피니언 마이닝 및 인공신경망을 이용한 비지도학습에 기반한 주식 정보 제공 시스템, 주식 정보 제공 방법 및 기록 매체에 저장된 프로그램 - Google Patents

Abstract

본 발명의 일 실시예에 따른 주식 정보 제공 시스템은, 애널리스트의 분석 결과에 따라 결정된 복수의 후보 종목을 등록하는 후보 종목 등록부; 등록된 상기 후보 종목에 관한 온라인 상의 데이터에 대하여 오피니언 마이닝(opinion mining)을 수행하여 상기 후보 종목에 대한 선호도 데이터를 산출하는 오피니언 마이닝부; 상기 후보 종목에 대하여 산출된 선호도 데이터와 상기 후보 종목의 주가 데이터에 기초하여 상기 후보 종목에 대한 주가 예측 모형을 생성하는 예측 모형 생성부; 등록된 상기 후보 종목 중에서 거래량 및 주가 등락률을 포함하는 매칭 조건에 만족하는지를 판단하고, 상기 매칭 조건에 만족하는 상기 후보 종목을 추천 종목으로 제공하는 추천 종목 제공부; 및 상기 주가 예측 모형에 기초하여 상기 추천 종목에 대하여 추정된 주가 예측 데이터에 기초하여 상기 추천 종목의 매도 타이밍 정보를 제공하는 매도 타이밍 제공부를 포함할 수 있다.

Description

오피니언 마이닝 및 인공신경망을 이용한 비지도학습에 기반한 주식 정보 제공 시스템, 주식 정보 제공 방법 및 기록 매체에 저장된 프로그램{STOCK INFORMATION PROVISION SYSTEM, STOCK INFORMATION PROVISION METHOD, AND PROGRAM STORED IN RECORDING MEDIUM BASED ON OPINION MINING AND UNSUPERVISED LEARNING USING ARTIFICIAL NEURAL NETWORKS}

본 발명은 주식 정보에 관한 것으로서, 더욱 상세하게는, 고객에게 맞춤형 주식 매도/매수 정보를 제공하기 위한 주식 정보 제공 시스템, 주식 정보 제공 방법 및 기록 매체에 저장된 프로그램에 관한 것이다.

최근 인공지능 기술에 관한 관심이 증폭되면서, 기계학습(machine learning), 딥러닝(deep learning) 등에 대한 연구가 활발히 진행되고 있다. 특히 핀테크(Fin-tech) 산업에서는 결제 시스템, 금융 서비스, 은행융자 서비스, 투자 자산운용, 보험 및 시장 인프라 등을 중심으로 기존의 금융 서비스에 큰 변화를 줄 수 있는 혁신이 이루어지고 있다.

또한, 해외 글로벌 ICT(Information and communication technology) 선진 기업들과 여러 스타트업(Start-up) 기업들을 선두로 하여 핀테크 산업이 점점 더 활성화 되고 있다. 특히, 소셜 네트워크 서비스 중 하나인 트위터 게시글 분석을 통해 고객의 성향을 파악하고, 이를 기반으로 한 맞춤형 정보 및 서비스를 제공함으로써 수익 성장률을 향상시키고 있다.

인공지능의 한 분야인 기계 학습은 훈련 데이터를 통해 학습된 속성을 기반으로 예측할 수 있어, 시점 별로 많은 양이 누적된 주가 데이터나 재무제표에 기계 학습을 적용하여 주가를 예측하려는 시도가 많이 이루어 졌으나, 예측 수준으로만 진행되었으며 실제 성공사례가 거의 없다.

또한, 2020년에 시작된 코로나19(COVID-19)가 전 세계로 확산되고 장기화됨에 따라 주식 시장에 등장한 신조어인 "동학개미운동"은 코로나19로 증시 폭락이 거듭되는 가운데 개인 투자자들의 대규모 매수세와 외국인 투자자들의 대규모 매도세가 맞물리는 상황을 1894년에 일어난 동학 농민 운동에 빗댄 것이다.

이와 같이, 개인 투자자들의 주식 시장의 참여가 증가하고 있는 상황에서는 개인 투자자들이 기관 투자자 또는 외국인 투자자의 규모를 능가하는 하나의 세력을 형성할 수 있다. 그러나, 개인 투자자들의 특정 종목에 대한 관심도 또는 선호도를 파악하거나 예측할 수 있는 정보를 제공하는 서비스가 아직 존재하지 않는다. 또한, 개인 투자자들의 특정 종목에 대한 관심도 또는 선호도와 해당 종목의 주가 간의 상관 관계에 대한 정보를 제공하는 서비스도 아직 존재하지 않는다.

본 발명이 해결하고자 하는 과제는, 상술한 종래 기술의 문제점들을 해결하기 위한 것으로서, 투자자들의 투자 수익률이 향상되고, 투자자들의 손실이 최소화될 수 있도록 주식 투자자들의 투자 의사결정을 어시스트하기 위한 주식 정보 제공 시스템, 주식 정보 제공 방법 및 프로그램을 제공하는 것이다.

상술한 과제를 해결하기 위한 수단으로서, 본 발명의 일 실시예에 따른 주식 정보 제공 시스템은, 애널리스트의 분석 결과에 따라 결정된 복수의 후보 종목을 등록하는 후보 종목 등록부; 등록된 상기 후보 종목에 관한 온라인 상의 데이터에 대하여 오피니언 마이닝(opinion mining)을 수행하여 상기 후보 종목에 대한 선호도 데이터를 산출하는 오피니언 마이닝부; 상기 후보 종목에 대하여 산출된 선호도 데이터와 상기 후보 종목의 주가 데이터에 기초하여 상기 후보 종목에 대한 주가 예측 모형을 생성하는 예측 모형 생성부; 등록된 상기 후보 종목 중에서 거래량 및 주가 등락률을 포함하는 매칭 조건에 만족하는지를 판단하고, 상기 매칭 조건에 만족하는 상기 후보 종목을 추천 종목으로 제공하는 추천 종목 제공부; 및 상기 주가 예측 모형에 기초하여 상기 추천 종목에 대하여 추정된 주가 예측 데이터에 기초하여 상기 추천 종목의 매도 타이밍 정보를 제공하는 매도 타이밍 제공부를 포함할 수 있다.

일 실시예에서, 상기 오피니언 마이닝부는, 상기 후보 종목에 대한 소셜 미디어 데이터 및 웹 데이터를 포함하는 인터넷 텍스트 데이터를 수집하는 크롤링 모듈; 수집된 상기 인터넷 텍스트 데이터로부터 상기 후보 종목에 대하여 긍정적으로 평가하거나 또는 부정적으로 평가하는 감성 단어를 추출하는 감성 단어 추출 모듈; 및 상기 후보 종목에 대하여 감성 단어별 감성의 정도와 극성 정보에 기초하여 상기 후보 종목에 대한 선호도 데이터를 산출하는 선호도 산출 모듈을 포함할 수 있다.

일 실시예에서, 상기 후보 종목은 공시 정보, 재무 제표 데이터, 기업 IR 데이터, 외환 거래 데이터, 선물 옵션 거래 데이터, 외국인 및 기관 거래 데이터 중 적어도 하나 이상에 기초하여 결정될 수 있다.

일 실시예에서, 상기 예측 모형 생성부는, 상기 선호도 데이터와 상기 주가 데이터를 적층 디노이징 오토인코더(stacked denoising autoencoder)를 이용하여 학습함에 따라 각각의 피처(feature)를 추출하는 피처 추출 모듈; 및 상기 추출된 각각의 피처를 심층 인공 신경망의 입력층에 입력하고, 상기 심층 인공신경망에 입력된 각각의 피처를 합성하여 주가 예측 모형을 생성하는 모형 생성 모듈을 포함할 수 있다.

일 실시예에서, 상기 피처 추출 모듈은, 상기 선호도 데이터와 상기 주가 데이터를 0과 1사이의 값으로 스케일링하는 전처리를 수행하고, 전처리가 수행된 상기 선호도 데이터와 상기 주가 데이터를 복수 개의 적층 디노이징 오토인코더를 이용하여 비지도 학습에 기반하여 각각의 특징을 추출하고, 상기 모형 생성 모듈은, 상기 주가 데이터에 잡음을 부여하여 오류 데이터를 생성하고, 입력층, 은닉층 및 출력층으로 구성된 제N(N은 자연수) 오토인코더를 사용하여 은닉층에서 특징을 추출하고, 상기 은닉층에서 추출된 특징을 제N+1 오토인코더의 입력층으로 입력하는 과정을 반복함으로써 복수의 은닉층으로부터 추출된 특징을 쌓는 적층 디노이징 오토인코더(Stacked denoising autoencoder; SDAE)를 구축하고, 상기 적층 디노이징 오토인코더를 통하여 출력된 출력 데이터인 각각의 특징을 FNN 신경망의 입력층에 연결시키고, 상기 적층 디노이징 오토인코더와 FNN으로 구성된 신경망(SDAE-FNN)을 구축하고, 역전파 알고리즘에 기반하여 상기 적층 디노이징 오토인코더와 FNN으로 구성된 신경망(SDAE-FNN)을 학습시킬 수 있다.

일 실시예에서, 상기 매칭 조건은, 거래량 회전률이 상위 100위 이내이고, 5일 평균 거래량이 500,000주 이상 999,999,999주 이하의 범위 내이며, 전날의 종가가 전날의 시가 보다 2% 이상 상승하고, 전날의 종가가 1000원 이상 9,999,999원 이하의 범위 내이며, 전날 주가 등락률 순위가 상위 100위 이내인 조건을 포함하는 테마 주도주 매칭 조건일 수 있다.

또는, 상기 매칭 조건은, 일 거래량이 100,000 이상 999,999,999 이하이고, 전날 종가 대비 당일 종가가 3% 이상 상승하고, 전날 종가가 1,000원 이상이고 1,000,000원 이하이며, 일봉상 양봉이 최소 1봉 이상 나타나고, 1분봉 차트에서 120일 이동평균선, 60일 이동평균선, 20일 이동평균선, 10일 이동평균선, 현재가의 순으로 증가하는 정배열을 나타내며, 1분봉 차트에서 MACD Osc(12,26,9)가 0선 이상이고, 일봉 차트에서 5일 이동평균선보다 종가가 높으며, 전일 동시간대 대비 거래량 비율이 200% 이상이고, 1분봉 차트에서 직전 1분봉의 시가가 당해 1분봉의 시가보다 낮거나 동일하며, 5분봉 차트에서 해당 캔들의 시가가 Bollinger Band(20,2)의 상한선 이상이거나, 5분봉 차트에서 해당 캔들의 고가가 Bollinger Band(20,2)의 상한선 이상이거나, 5분봉 차트에서 해당 캔들의 저가가 Bollinger Band(20,2)의 상한선 이상이거나, 또는 5분봉 차트에서 해당 캔들의 종가가 Bollinger Band(20,2)의 상한선 이상 중 어느 하나인 조건을 포함하는 스캘핑 매칭 조건일 수 있다.

또는, 상기 매칭 조건은, 하루 거래량이 100,000주 이상 999,999,999주 이하이고, 하루의 주가 등락률이 10% 이상이며, 전일 종가가 1,000원 이상 200,000 이하이며, 일봉 차트에서 적어도 1봉의 양봉이 발생하고, 30분봉 차트에서 120일 이동평균선, 60일 이동평균선, 20일 이동평균선, 10일 이동평균선, 현재가의 순으로 증가하는 정배열을 나타내며, 1분봉 차트에서 MACD Osc(12,26,9)가 0선 이상이고, 10분봉 차트에서 MACD Osc(12,26,9)가 0선 이상이며, 일봉 차트에서 5일 이동평균선 보다 종가가 높고, 전일 동시간 대비 거래량 비율이 200% 이상이며, 1분봉 차트에서 직전 1분봉의 시가가 당해 1분봉의 시가보다 낮거나 동일한 조건을 포함하는 세력 수급 매칭 조건일 수 있다.

또한, 상기 매칭 조건은, 최근 5일간 상한가가 나왔고, 일봉 차트에서 당일 캔들의 저가와 3일 이동평균선이 5일 중에서 1회 이상 2% 이내로 근접하며, 일봉 차트에서 당일 캔들의 저가가 3일 이동평균선 보다 1회 이상 위에 있고, 5일 평균 거래량이 300,000주 이상 999,999,999주 이하인 조건을 포함하는 급등후 눌림목 매칭 조건일 수 있다.

일 실시예에서, 상기 예측 모형 생성부는 선호도 데이터와 주가 데이터에 기초하여 생성된 상기 예측 모형에 따라 예측된 상기 후보 종목에 대한 주가 예측 데이터의 정확도를 평가하고, 상기 추천 종목 제공부는 상기 매칭 조건에 만족하는 상기 후보 종목 중 주가 예측 데이터의 정확도가 가장 높은 후보 종목을 추천 종목으로 제공할 수 있다.

상술한 과제를 해결하기 위한 수단으로서, 본 발명의 일 실시예에 따른 주식 정보 제공 시스템에 의해 수행되는 주식 정보 제공 방법은, 애널리스트의 분석 결과에 따라 결정된 복수의 후보 종목을 등록하는 후보 종목 등록 단계; 등록된 상기 후보 종목에 관한 온라인 상의 데이터에 대하여 오피니언 마이닝(opinion mining)을 수행하여 상기 후보 종목에 대한 선호도 데이터를 산출하는 오피니언 마이닝 단계; 상기 후보 종목에 대하여 산출된 선호도 데이터와 상기 후보 종목의 주가 데이터에 기초하여 상기 후보 종목에 대한 주가 예측 모형을 생성하는 예측 모형 생성 단계; 등록된 상기 후보 종목 중에서 거래량 및 주가 등락률을 포함하는 매칭 조건에 만족하는지를 판단하고, 상기 매칭 조건에 만족하는 상기 후보 종목을 추천 종목으로 제공하는 추천 종목 제공 단계; 및 상기 주가 예측 모형에 기초하여 상기 추천 종목에 대하여 추정된 주가 예측 데이터에 기초하여 상기 추천 종목의 매도 타이밍 정보를 제공하는 매도 타이밍 제공 단계를 포함할 수 있다.

상술한 과제를 해결하기 위한 수단으로서, 본 발명의 일 실시예에 따른 주식 정보 제공 방법을 컴퓨터에 의해 수행하기 위해 기록 매체에 저장된 프로그램이 제공될 수 있다.

본 발명의 실시예에 따르면, 등록된 후보 종목에 관한 온라인 상의 데이터에 대하여 오피니언 마이닝을 수행하여 후보 종목에 대한 선호도 데이터를 산출하고, 후보 종목에 대하여 산출된 선호도 데이터와 후보 종목의 주가 데이터에 기초하여 후보 종목에 대한 주가 예측 모형을 생성하며, 매칭 조건에 만족하는 후보 종목을 추천 종목으로 제공하고, 생성된 주가 예측 모형에 기초하여 추천 종목에 대하여 추정된 주가 예측 데이터에 기초하여 추천 종목의 매도 타이밍 정보를 제공함으로써, 투자자들의 투자 수익률이 향상되고, 투자자들의 손실이 최소화될 수 있는 주식 정보 제공 시스템, 주식 정보 제공 방법 및 프로그램이 제공될 수 있다.

도 1은 본 발명의 일 실시예에 따른 주식 정보 제공 시스템의 네트워크 연결 구조를 도시한다.
도 2는 본 발명의 일 실시예에 따른 주식 정보 제공 시스템의 구성을 나타내는 블록도이다.
도 3은 본 발명의 일 실시예에 따른 주식 정보 제공 시스템의 예측 모형 생성부의 구성을 나타내는 블록도이다.
도 4는 본 발명의 일 실시예에 따른 주식 정보 제공 시스템의 예측 모형 생성부에서 적층 디노이징 오토인코더를 구축하는 것을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 주식 정보 제공 시스템의 예측 모형 생성부에서 적층 디노이징 오토인코더를 통하여 특징을 추출하는 방법을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 주식 정보 제공 시스템이 수행하는 주식 정보 제공 방법의 흐름도이다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명하기로 한다.

본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다

명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나 이상의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.

아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 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.

도 1은 본 발명의 일 실시예에 따른 주식 정보 제공 시스템(100)의 네트워크 연결 구조를 도시한다.

도 1을 참조하면, 주식 정보 제공 시스템(100)은 통신 네트워크(N)를 통하여 복수의 통신 단말기(200A, 200B, 200C, ??200N)와 접속될 수 있다.

통신 단말기(200A, 200B, 200C, ??200N)는 네트워크를 통해 서버나 타 단말에 접속할 수 있는 컴퓨터나 휴대용 단말기로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), VR HMD(예를 들어, HTC VIVE, Oculus Rift, GearVR, DayDream, PSVR 등)등을 포함할 수 있다. 여기서, VR HMD 는 PC용 (예를 들어, HTC VIVE, Oculus Rift, FOVE, Deepon 등)과 모바일용(예를 들어, GearVR, DayDream, 폭풍마경, 구글 카드보드 등) 그리고 콘솔용(PSVR)과 독립적으로 구현되는 Stand Alone 모델(예를 들어, Deepon, PICO 등) 등을 모두 포함한다.

휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 스마트폰(smart phone), 태블릿 PC, 웨어러블 디바이스뿐만 아니라, 블루투스(BLE, Bluetooth Low Energy), NFC, RFID, 초음파(Ultrasonic), 적외선, 와이파이(WiFi), 라이파이(LiFi) 등의 통신 모듈을 탑재한 각종 디바이스를 포함할 수 있다.

또한, 통신 네트워크는 단말기들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷 (WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(WiFi), 블루투스 통신, 적외선 통신, 초음파 통신, 가시광 통신(VLC: Visible Light Communication), 라이파이(LiFi) 등이 포함되나 이에 한정되지는 않는다.

네트워크(N)를 통하여 주식 정보 제공 시스템(100)에 접속된 복수의 통신 단말기(200A, 200B, 200C, ??200N)는 주식 정보 제공 시스템(100)으로부터 제공되는 주식 정보를 제공받을 수 있다. 주식 정보 제공 시스템(100)은 복수의 통신 단말기(200A, 200B, 200C, ??200N)의 유저를 위하여 추천 종목 리스트, 추천 종목의 매수 타이밍 및 매도 타이밍에 관한 주식 정보를 제공할 수 있다.

주식 정보 제공 시스템(100)이 제공하는 주식 정보는 유료 또는 무료로 유저에 제공될 수 있다. 일 실시예에서, 이용료를 결제한 유저의 통신 단말기(200A, 200B, 200C, ??200N)에 대하여만 주식 정보 제공 시스템(100)으로의 액세스가 제공되어, 주식 정보 제공 시스템(100)으로부터 주식 정보가 제공될 수 있다.

도 2는 본 발명의 일 실시예에 따른 주식 정보 제공 시스템(100)의 구성을 나타내는 블록도이다.

도 2를 참조하면, 주식 정보 제공 시스템(100)은 후보 종목 등록부(10), 오피니언 마이닝부(20), 예측 모형 생성부(30), 추천 종목 제공부(40) 및 매도 타이밍 제공부(50)를 포함할 수 있다.

후보 종목 등록부(10)는 애널리스트의 분석 결과에 따라 결정된 복수의 후보 종목을 등록할 수 있다. 후보 종목은 공시 정보, 재무 제표 데이터, 기업 IR 데이터, 외환 거래 데이터, 선물 옵션 거래 데이터, 외국인 및 기관 거래 데이터 중 적어도 하나 이상에 기초하여 결정될 수 있다.

애널리스트는 관리 종목, 투자 주의 종목, 불성실 공시 기업, ETF, 투자경고/위험 종목, 환기 종목, 단기과열 종목, 우선주, 거래정지 종목, 정리매매 종목을 후보 종목으로부터 제외할 수 있다.

오피니언 마이닝부(20)는 등록된 후보 종목에 관한 온라인 상의 데이터에 대하여 오피니언 마이닝(opinion mining)을 수행하여 후보 종목에 대한 선호도 데이터를 산출할 수 있다.

오피니언 마이닝부(20)는 소셜 미디어 데이터 및 증시 관련 웹데이터로부터 후보 종목에 대한 텍스트 데이터를 수집할 수 있다. 텍스트 데이터는 소셜 미디어 또는 증시 관련 웹 사이트에 게시 또는 저장된 html, PDF, 이미지 및 동영상 중 적어도 하나로부터 수집될 수 있다.

소셜 미디어 데이터는 인터넷 등의 네트워크와 접속되는 고정형 컴퓨터 또는 모바일 기기를 통해 입력되는 미디어 데이터로서, 네트워크와 접속된 다른 사용자와 상호 공유될 수 있는 데이터이다. 예컨대, 소셜 미디어 데이터는 소셜 미디어 서버에서 운영하는 소셜 미디어 사이트들 및 다양한 포털 사이트 등에서 운영하며 개인화된 컨텐츠가 포함된 블로그 사이트들일 수 있다. 소셜 미디어 사이트들은 소위 SNS로서, 트위터(twitter), 페이스북(facebook), 다양한 포털 사이트에서 서비스하는 소셜 미디어일 수 있다.

증시 관련 웹데이터는 언론사, 공중파 방송사, 케이블 방송사, 포털 사이트 뉴스, 금융사, 증시 관련 기관 등으로부터 제공되는 웹데이터로서, 소셜 미디어 데이터에 비해 전문적이거나 공신력있는 증시 관련 데이터이다. 이러한 증시 관련 웹데이터는 언론사, 방송사, 포털 사이트 뉴스로부터 서비스되는 증시 관련 뉴스 사이트들, 은행, 증권사, 보험 등의 금융사에서 증시와 관련하여 서비스되는 금융사 포털 사이트들 및 증시 관련 공공 기관 또는 사설 기관에서 증시와 관련된 분석 정보를 제공하는 증시 관련 통계 사이트들일 수 있다.

소셜 미디어 데이터 및 증시 관련 웹데이터로부터 대량의 문서를 수집하는 경우에, 크롤링 모듈(22)은 모든 문서를 수집하는 것이 아니라, 키워드 데이터베이스(미도시)를 참조하여 적어도 하나의 개별 종목과 관련된 문서를 수집할 수 있다.

키워드 데이터베이스는 개별 종목에 해당하는 기업마다 카테고리화되어 있는 키워드 군을 포함할 수 있다. 구체적으로 개별 종목의 기업명과 관련된 메인 키워드와 아울러서, 기업에서 출시하는 상품, 서비스에 관한 제품/서비스 관련 키워드, 기업의 경영진 등에 관한 인적 관련 키워드 및 개별 종목에 영향을 미칠 수 있는 단어, 컨텍스트에 관한 기업 상황 관련 키워드 등을 포함하는 서브 키워드를 저장할 수 있다. 서브 키워드는 해당 기업 특유의 단어, 컨텍스트 등으로서, 해당 기업마다 분류되어 카테고리화된 형태로 존재할 수 있다.

예컨대, 메인 키워드는 삼성전자, 엘지전자, KT 등과 같이 증시에 상장된 개별 종목의 기업명일 수 있으며, 삼성전자의 경우에 제품/서비스 관련 키워드는 "갤럭시", "스마트폰", "하우젠", "태블릿", "앱 마켓" 등일 수 있으며, 인적 관련 키워드는 삼성전자의 주요 임원진, 삼성전자와 거래하는 기업의 임원진 등일 수 있으며, 기업 상황 관련 키워드는 삼성전자의 주가에 영향을 미칠 수 있는 단어 등으로서, "사상최대", "실적", "호조", "애플", "불만", "악화" 등으로 다양한 단어를 포함할 수 있다.

오피니언 마이닝부(20)는 수집된 복수의 문서에 포함된 표현에서 전술한 키워드 중 메인 키워드, 제품/서비스 관련 키워드 및 인적 관련 키워드가 포함되는 문서들을 추출함으로써, 감성 평가에 적합한 문서 데이터를 효율적으로 선정할 수 있다.

오피니언 마이닝부(20)는 형태소 분석에 적합한 형태로 추출된 문서들을 저장할 수 있다. 즉, 개별 종목 그룹마다 추출된 문서들의 포맷별, 예컨대 html, pdf, 이미지, 동영상 등으로 분산 저장될 수 있다.

오피니언 마이닝부(20)는 감성 평가에 적합한 형태로 처리하기 위한 전처리로서, 저장된 복수의 문서의 포맷에 대하여 의미를 갖는 최소의 언어 단위인 형태소를 분석하여 각 품사를 특정하는 처리를 수행할 수 있다.

또한, 오피니언 마이닝부(20)는 문서의 포맷에 포함된 표현에서 문장, 컨텍스트 등을 어절 단위로 분류하고, 개별 종목과 관련된 키워드에 인접한 키워드들을 파싱(parsing)할 수 있다. 예를 들어 설명하면, 특정인의 블로그 사이트에서 삼성전자와 관련된 문장 및 엘지전자와 관련된 문장이 함께 존재하는 경우에, 오피니언 마이닝부(20)는 문장 구조, 접속 구조, 구문 등을 고려하여 블로그 사이트의 텍스트를 어절 단위로 분류하고, 이후에 삼성전자 또는 엘지전자의 명칭, 상품/서비스, 인적 사항 등의 키워드를 검색하여, 이에 인접한 단어, 구문들을 파싱하고, 삼성전자 및 엘지전자 별 키워드들로 분류하여 저장한다.

오피니언 마이닝부(20)는 처리된 키워드마다 긍정 및 부정 중 어느 하나로 감성 평가함으로써 복수의 문서 전체에 대한 감성을 평가하고, 형태소 분석 처리된 키워드를 통계 처리한다.

오피니언 마이닝부(20)은 형태소 분석된 키워드마다 긍정, 중립 또는 부정에 대한 평가 및 이 평가와 연계된 스코어를 저장하는 감성 사전 데이터베이스를 참조하여, 추출된 키워드에 대하여 긍정, 중립 및 부정 중 어느 하나로 평가하고, 평가 결과를 스코어링한다. 이때, 스코어링 알고리즘은 Naive bayes 알고리즘, Simple voter 알고리즘, KNN(K Nearest Neighborhood), SVM(Support Vector Machine) 일 수 있다. 이 중 Simple voter 알고리즘을 예로 들어 설명하면, 감성 사전 데이터베이스는 키워드에 대한 감성 평가로서 긍정, 중립, 부정마다의 키워드를 테이블 형태로 저장할 수 있다. 이러한 감성 평가와 관련된 키워드의 품사의 대부분은 명사, 형용사로 구성될 수 있다.

감성 사전 데이터베이스는 긍정, 중립 부정 평가의 테이블을 포함할 수 있다. 예컨대 긍정 평가의 테이블에서는 "상승", "사상최대", "오르다" 등의 키워드가 존재하고, 각 키워드에 부여되는 스코어 "1"이다. 또한, 부정 평가의 테이블에서는 "불황", "내리다", "불만" 등의 키워드가 존재하고, 각 키워드에 부여되는 스코어 "-1"이다. 중립 평가 테이블에 저장된 키워드에 부여되는 스코어는 "0"이다. 이러한 스코어는 긍정과 부정을 구별하기 위한 것으로 예시되고 있으나, 이와는 달리, 긍정 또는 부정 평가와 연계된 스코어는 시장 참가자들이 해당 키워드에 느끼는 감성의 정도에 따라, 해당 키워드의 가중치를 달리하여 서로 다른 스코어로 구성될 수도 있다.

오피니언 마이닝부(20)가 산출한 선호도 데이터는 후보 종목에 대하여 일자별 선호도의 변동 추이를 나타내는 시계열적인 변화를 갖는 데이터일 수 있다. 특정 종목에 대한 선호도 데이터가 일자별 선호도의 변동 추이를 나타냄으로써, 특정 종목에 대한 대중의 선호도가 날짜별로 파악될 수 있고, 후술하는 바와 같이 과거의 날짜별 선호도의 변화 추이와 해당 종목의 주가 데이터의 상관 관계를 이용하여 현재의 선호도 값에 기초한 주가 데이터를 예측할 수 있다.

예측 모형 생성부(30)는 후보 종목에 대하여 산출된 선호도 데이터와 후보 종목의 주가 데이터에 기초하여 후보 종목에 대한 주가 예측 모형을 생성할 수 있다. 예측 모형 생성부(30)는 선호도 데이터와 주가 데이터에 기초하여 생성된 예측 모형에 따라 예측된 후보 종목에 대한 주가 예측 데이터의 정확도를 평가할 수 있다 예측 모형 생성부(30)가 주가 예측 모형을 생성하는 구체적인 방법에 대하여는 도 3을 참조하여 후술한다.

추천 종목 제공부(40)는 등록된 후보 종목 중에서 거래량 및 주가 등락률 등을 포함하는 미리 정해진 매칭 조건에 만족하는지를 판단하고, 매칭 조건에 만족하는 후보 종목을 추천 종목으로 제공할 수 있다. 매칭 조건은 테마 주도주 매칭 조건, 스캘핑 매칭 조건, 세력 수급 매칭 조건 및 급등후 눌림목 매칭 조건 중 어느 하나일 수 있다.

테마 주도주 매칭 조건(R1)은 아래의 조건들(A1~E1)이 모두 만족하는 조건(A1~E1이 모두 and 조건)일 수 있다.

A1: 거래량 회전률이 상위 100위 이내일 것

B1: 5일 평균 거래량이 500,000주 이상 999,999,999주 이하의 범위일 것

C1: 전날의 종가가 전날의 시가 보다 2% 이상 상승할 것

D1: 전날의 종가가 1000원 이상 9,999,999원 이하의 범위일 것

E1: 전날 주가 등략률 순위가 상위 100위 이내일 것

테마 주도주 매칭 조건(R1)은 당일 회전률이 좋은 순위 100위 내의 종목으로서, 최근 거래량이 일정수 이상이고, 종가가 시가 대비 2프로 이상 오른 종목 중에서 주가가 1000원 미만의 저가 주식이 제외된다. 또한, 종목의 개별 이슈가 좋더라도 전체 이슈 100위 내에 들지 못하는 종목은 거래의 급격한 감소 및 미래를 예측할 때 안정적인 수익을 위한 변동성이 급감할 수 있으므로 제외된다.

스캘핑 매칭 조건(R2)은 아래의 조건들(A2~J2)을 모두 만족하는 조건(A2~J2가 모두 and 조건)일 수 있다.

A2: 일 거래량이 100,000주 이상 999,999,999주 이하일 것

B2: 전날 종가 대비 당일 종가가 3% 이상 상승할 것

C2: 전날 종가가 1,000원 이상이고 1,000,000원 이하일 것

D2: 일봉상 양봉이 최소 1봉 이상 나타날 것

E2: 1분봉 차트에서 120일 이동평균선, 60일 이동평균선, 20일 이동평균선, 10일 이동평균선, 현재가의 순으로 증가하는 정배열을 나타낼 것

F2: 1분봉 차트에서 MACD Osc(12,26,9)가 0선 이상일 것

G2: 일봉 차트에서 5일 이동평균선보다 종가가 높을 것

H2: 전일 동시간대 대비 거래량 비율이 200% 이상일 것

I2: 1분봉 차트에서 직전 1분봉의 시가가 당해 1분봉의 시가보다 낮거나 동일할 것

J2: 5분봉 차트에서 해당 캔들의 시가가 Bollinger Band(20,2)의 상한선 이상이거나, 5분봉 차트에서 해당 캔들의 고가가 Bollinger Band(20,2)의 상한선 이상이거나, 5분봉 차트에서 해당 캔들의 저가가 Bollinger Band(20,2)의 상한선 이상이거나, 또는 5분봉 차트에서 해당 캔들의 종가가 Bollinger Band(20,2)의 상한선 이상인 조건 중 어느 하나의 조건을 만족할 것

스캘핑 매칭 조건(R2)은 일 거래량이 최소 10만주 이상이고, 전일 종가 대비 3% 이상 상승한 종목 중에서 1000원 이하의 저가 주식이 제외된다. 또한, 스캘핑 매칭 조건(R2)은 일봉상 양봉이 최소 1봉 이상 나타난 상승이 시작된 종목으로서, 이동평균선 배열이 정배열이고, 골든 크로스가 발행하며, 그 추세가 120일선 중장기 선까지 영향을 미친 종목이 해당된다.

스캘핑 매칭 조건(R2)에 들어 있는 MACD osc 조건은 추세 판단을 위해 넣은 보조 지표로서 기존 MACD 보다 빠른 추세 판단을 할 수 있다. Osc 값이 0선을 돌파하고 상승하면 단기적인 상승 국면으로 전환된다. 1분봉 차트와 비교하여 10분봉 차트를 이용하면 1분봉의 심한 변동성을 10분봉과 교차할 때 변동성을 32% 다운시키고 정확도가 향상되며, 안정된 추세를 확인하는 지표가 될 수 있다.

스캘핑 매칭 조건(R2)의 볼린저 밴드에 관한 조건은 1시간을 12봉으로 나누어 안정감 있는 5분봉을 사용하여 분봉의 변동성을 축소시킬 수 있다. 또한, 가격이 볼린저 밴드의 상한선을 돌파하면 순간적으로 매수세가 유입되는 원리를 이용하여, 시가부터 강하게 상승하여 매수세가 유입되는 종목을 포착할 수 있다. 그리고, 볼린저 밴드의 설정값을 기본 설정값 보다 좁게 설정하여 지표의 신뢰성을 높이고 확률을 증가시킬 수 있다.

세력 수급 매칭 조건(R3)은 아래의 조건들(A3~J3)이 모두 만족하는 조건(A3~J3이 모두 and 조건)일 수 있다.

A3: 하루 거래량이 100,000주 이상 999,999,999주 이하일 것

B3: 하루의 주가 등락률이 10% 이상일 것

C3: 전일 종가가 1,000원 이상 200,000원 이하일 것

D3: 일봉 차트에서 적어도 1봉의 양봉이 발생할 것

E3: 30분봉 차트에서 120일 이동평균선, 60일 이동평균선, 20일 이동평균선, 10일 이동평균선, 현재가의 순으로 증가하는 정배열을 나타낼 것

F3: 1분봉 차트에서 MACD Osc(12,26,9)가 0선 이상일 것

G3: 10분봉 차트에서 MACD Osc(12,26,9)가 0선 이상일 것

H3: 일봉 차트에서 5일 이동평균선 보다 종가가 높을 것

I3: 전일 동시간 대비 거래량 비율이 200% 이상일 것

J3: 1분봉 차트에서 직전 1분봉의 시가가 당해 1분봉의 시가보다 낮거나 동일할 것

세력 수급 매칭 조건(R3)은 하루 거래량이 10만주 이상이고, 하루의 등락률이 10% 이상이며, 1000원 미만의 소형주와 20만원 이상의 대형주가 제외된다. 또한, 세력 수급 매칭 조건(R3)은 최소 1봉의 양봉이 발행한 종목으로서, 30분 단위의 골든 크로스가 120일 이동평균선까지 다다른 종목이고, MACD Osc 값에 의해 단기적 상승 국면 및 안정된 추세를 나타내고, 5일 이동평균선 보다 종가가 높은 종목으로서 추세가 살아있는 종목이며, 전일 동시간대에 거래량이 최소 200% 이상 증가한 종목이고, 오늘의 시작가가 전일 시가보다 같거나 높은 종목이다.

급등후 눌림목 매칭 조건(R4)은 아래의 조건들(A4~D4)을 모두 만족하는 조건(A4~D4가 모두 and 조건)일 수 있다.

A4: 최근 5일간 상한가가 나왔을 것

B4: 일봉 차트에서 당일 캔들의 저가와 3일 이동평균선이 5일 중에서 1회 이상 2% 이내로 근접할 것

C4: 일봉 차트에서 당일 캔들의 저가가 3일 이동평균선 보다 1회 이상 위에 있을 것

D4: 5일 평균 거래량이 300,000주 이상 999,999,999주 이하일 것

추천 종목 제공부(40)는 매칭 조건에 만족하는 후보 종목 중 주가 예측 데이터의 정확도가 가장 높은 후보 종목을 추천 종목으로 제공할 수 있다.

매도 타이밍 제공부(50)는 생성된 주가 예측 모형에 기초하여 추천 종목에 대하여 추정된 주가 예측 데이터에 기초하여 추천 종목의 매도 타이밍 정보를 제공할 수 있다.

도 3은 본 발명의 일 실시예에 따른 주식 정보 제공 시스템(100)의 예측 모형 생성부(30)의 구성을 나타내는 블록도이다.

도 3을 참조하면, 예측 모형 생성부(30)는 피처 추출 모듈(32) 및 모형 생성 모듈(34)를 포함할 수 있다. 예측 모형 생성부(30)는 피처 추출 모듈(32) 및 모형 생성 모듈(34)을 이용하여 후보 종목에 대하여 산출된 선호도 데이터와 후보 종목의 주가 데이터에 기초하여 후보 종목에 대한 주가 예측 모형을 생성할 수 있다.

피처 추출 모듈(32)은 선호도 데이터와 주가 데이터를 적층 디노이징 오토인코더(stacked denoising autoencoder)를 이용하여 학습함에 따라 각각의 피처(feature)를 추출할 수 있다.

피처 추출 모듈(32)은 선호도 데이터와 주가 데이터를 0과 1사이의 값으로 스케일링하는 전처리를 수행하고, 전처리가 수행된 선호도 데이터와 주가 데이터를 복수 개의 적층 디노이징 오토인코더를 이용하여 비지도 학습에 기반하여 선호도 데이터와 주가 데이터 각각의 특징을 추출할 수 있다.

모형 생성 모듈(34)은 추출된 각각의 피처를 심층 인공 신경망의 입력층에 입력하고, 심층 인공 신경망에 입력된 각각의 피처를 합성하여 주가 예측 모형을 생성할 수 있다.

모형 생성 모듈(34)은 주가 데이터에 잡음을 부여하여 오류 데이터를 생성하고, 입력층, 은닉층 및 출력층으로 구성된 제N(N은 자연수) 오토인코더를 사용하여 은닉층에서 특징을 추출하고, 은닉층에서 추출된 특징을 제N+1 오토인코더의 입력층으로 입력하는 과정을 반복함으로써 복수의 은닉층으로부터 추출된 특징을 쌓는 적층 디노이징 오토인코더(Stacked Denoising AutoEncoder; SDAE)를 구축하고, 적층 디노이징 오토인코더를 통하여 출력된 출력 데이터인 각각의 특징을 FNN 신경망의 입력층에 연결시키고, 적층 디노이징 오토인코더와 FNN으로 구성된 신경망(SDAE-FNN)을 구축하고, 역전파 알고리즘에 기반하여 적층 디노이징 오토인코더와 FNN으로 구성된 신경망(SDAE-FNN)을 학습시킬 수 있다.

도 4는 본 발명의 일 실시예에 따른 주식 정보 제공 시스템(100)의 예측 모형 생성부(30)에서 적층 디노이징 오토인코더를 구축하는 것을 설명하기 위한 도면이다.

적층 디노이징 오토인코더를 구축하는 과정에 대하여 설명하기로 한다. 후보 종목의 주가 데이터에 일정한 잡음을 부여하여 오류 데이터(Corrupted data)를 생성할 수 있다.

일반적으로 오토인코더는 어떤 감독 없이도, 다시 말해서, 레이블되어 있지 않은 훈련 데이터를 사용하여 입력 데이터의 효율적인 코드(예를 들면, 부호화)를 학습할 수 있는 인공 신경망을 의미한다. 오토인코더는 입력을 내부 표현으로 변환하는 인코더(인지 네트워크)와 내부 표현을 출력으로 변환하는 디코더(생성 네트워크)로 구성될 수 있다. 오토인코더는 복수 개의 은닉층을 가질 수 있으며, 이런 경우를 적층 오토인코더 또는 심층 오토인코더라고 한다. 오토인코더는 입력층, 은닉층 및 출력층으로 구성될 수 있다. 오토인코더는 오토인코더에서 입력층의 입력 데이터와 오토인코더에서 출력층의 출력 데이터 간의 오차를 최소화하는 방식으로 최적화되며, 이와 같이 최적화되는 과정에서 은닉층은 기 설정된 기준 이상(고차원)의 레벨 특징을 추출하게 된다.

입력층, 은닉층 및 출력층으로 구성된 단위 오토인코더에 대하여 복수 개의 오토인코더의 은닉층을 적층함으로써 적층 디노이징 오토인코더가 구성될 수 있다. 적층 디노이징 오토인코더는 주가 데이터에 잡음을 부여하여 오류 데이터(Corrupted data)를 생성하고, 입력층, 은닉층 및 출력층으로 구성된 제 N(N은 자연수) 오토인코더를 사용하여 은닉층에서 특징을 추출하고, 은닉층에서 추출된 특징을 제N+1 오토인코더의 입력층으로 입력하는 과정을 반복함으로써 복수의 은닉층으로부터 추출된 특징을 쌓는 적층 디노이징 오토인코더(Stacked denoising autoencoder; SDAE)를 구축할 수 있다. 다시 말해서, 단위 오토인코더를 사용하여 은닉층에서 추출된 특징을 다음 오토 인코더의 입력층으로 사용할 수 있다.

예측 모형 생성부(30)는 오토인코더를 이용하여 은닉층에서 추출된 주가 데이터의 압축된 특징을 적층함으로써 기설정된 기준 이상(고수준(High-level))의 특징을 획득할 수 있다. 마찬가지로, 오토인코더를 이용하여 은닉층에서 추출된 선호도 데이터의 압축된 특징을 쌓음으로써 기 설정된 기준 이상의 특징을 획득할 수 있다.

도 5는 본 발명의 일 실시예에 따른 주식 정보 제공 시스템(100)의 예측 모형 생성부(30)에서 적층 디노이징 오토인코더를 통하여 특징을 추출하는 방법을 설명하기 위한 도면이다.

예측 모형 생성부(30)는 피드포워드 신경망(Deep feedforward neural network: FNN)의 입력층에 적층 디노이징 오토인코더를 연결해 하이브리드 모형(SDAE-FNN) 모형을 구축할 수 있다. 피드포워드 신경망은 다층 퍼셉트론에서 정보의 흐름이 입력층에서 시작하여 은닉층을 거쳐 출력층으로 진행된다. 예측 시스템은 하이브리드 모형(SDAE-FNN)을 역전파(backpropagation) 알고리즘을 활용하여 학습(Training)시킬 수 있다. 역전파란 레이블된 학습 데이터를 가지고 복수 개의 은닉층을 가지는 피드포워드 신경망(FNN)을 학습시킬 때 사용되는 대표적인 지도 학습 알고리즘이다. 실시예에서 적층 디노이징 오토인코더를 연결하기 위한 심층 신경망으로 FNN을 예를 들어 설명한 것일 뿐, FNN에 한정되는 것은 아니다.

도 5는 적층 디노이징 오토인코더의 하이 레벨 특징을 추출하는 방법을 나타낸 것이다. 구체적으로, 주가 데이터(Stock Data) 및 선호도 데이터(Preference Data)에 대한 각각의 적층 디노이징 오토인코더를 나타낸 것이다. 각각의 적층 디노이징 오토인코더를 통하여 출력된 출력 데이터가 FNN 신경망의 입력층(도 5에 도시된 Fusion Layer)에 연결될 수 있다. 적층 디노이징 인코더와 FNN으로 구성된 전체 신경망(하이브리드모형)은 역전파 알고리즘에 기반하여 하이퍼 파라미터를 튜닝할 수 있다.

도 6은 본 발명의 일 실시예에 따른 주식 정보 제공 시스템(100)이 수행하는 주식 정보 제공 방법의 흐름도이다.

도 5을 참조하면, 주식 정보 제공 시스템(100)이 수행하는 주식 정보 제공 방법은 후보 종목 등록 단계(S10), 오피니언 마이닝 단계(S20), 예측 모형 생성 단계(S30), 추천 종목 제공 단계(S40) 및 매도 타이밍 제공 단계(S50)를 포함할 수 있다.

후보 종목 등록 단계(S10)에서, 후보 종목 등록부(10)가 애널리스트의 분석 결과에 따라 결정된 복수의 후보 종목을 등록받을 수 있다. 일 실시예에서, 애널리스트는 공시 정보, 재무 제표 데이터, 기업 IR 데이터, 외환 거래 데이터, 선물 옵션 거래 데이터, 외국인 및 기관 거래 데이터 중 적어도 하나 이상에 기초하여 후보 종목을 결정할 수 있다. 애널리스트는 공시 정보에 기초하여 관리 종목, 투자 주의 종목, 불성실 공시 기업, ETF, 투자경고/위험 종목, 환기 종목, 단기과열 종목, 우선주, 거래정지 종목, 정리매매 종목을 제외하여 후보 종목을 결정할 수 있다. 예를 들면, 애널리스트가 A 기업, B 기업, C 기업 및 D 기업을 공시 정보 등에 기초하여 후보 종목으로 결정하고, 주식 정보 시스템(100)에 접속하여 후보 종목 등록부(10)를 통하여 결정된 후보 종목인 A 기업, B 기업, C 기업 및 D 기업을 등록할 수 있다.

오피니언 마이닝 단계(S20)에서, 오피니언 마이닝부(20)는 등록된 후보 종목에 관한 온라인 상의 데이터에 대하여 오피니언 마이닝(opinion mining)을 수행하여 후보 종목에 대한 선호도 데이터를 산출할 수 있다.

예를 들면, 오피니언 마이닝부(20)는 후보 종목으로 등록된 A 기업, B 기업, C 기업 및 D 기업에 대하여 트위터(twitter), 페이스북(facebook), 다양한 포털 사이트에서 서비스하는 소셜 미디어 데이터와, 언론사, 공중파 방송사, 케이블 방송사, 포털 사이트 뉴스, 금융사, 증시 관련 기관 등으로부터 제공되는 웹데이터를 수집하고, 수집된 소셜 미디어 데이터와 웹데이터에 기초하여 오피니언 마이닝 처리를 통하여 A 기업, B 기업, C 기업 및 D 기업에 대한 선호도 데이터를 산출할 수 있다. 산출된 선호도 데이터는 각 기업에 대한 선호도의 날짜별 변동 추이를 나타내는 시계열적인 변화 데이터일 수 있다.

예측 모형 생성 단계(S30)에서, 예측 모형 생성부(30)는 후보 종목에 대하여 산출된 선호도 데이터와 후보 종목의 주가 데이터에 기초하여 후보 종목에 대한 주가 예측 모형을 생성할 수 있다. 예를 들면, 예측 모형 생성부(30)는 후보 종목인 A 기업, B 기업, C 기업 및 D 기업에 대하여 산출된 선호도 데이터와 각 기업의 주가 데이터에 기초하여 각 기업의 주가 예측 모형을 생성할 수 있다. 또한, 예측 모형 생성부(30)는 예측 모형에 따라 예측된 A 기업, B 기업, C 기업 및 D 기업의 주가 예측 데이터의 정확도를 평가할 수 있다

추천 종목 제공 단계(S40)에서, 추천 종목 제공부(40)는 등록된 후보 종목 중에서 거래량 및 주가 등락률을 포함하는 매칭 조건에 만족하는지를 판단하고, 매칭 조건에 만족하는 후보 종목을 추천 종목으로 제공할 수 있다.

예를 들면, 추천 종목 제공부(40)는 A 기업, B 기업, C 기업 및 D 기업 각각이 테마 주도주 매칭 조건(R1), 스캘핑 매칭 조건(R2), 세력 수급 매칭 조건(R3) 또는 급등후 눌림목 매칭 조건(R4)을 만족하는지 판단할 수 있다. 일 실시예에서, A 기업이 테마 주도주 매칭 조건(R1)을 만족하고, B 기업이 스캘핑 매칭 조건(R2)에 매칭하고, C 기업이 세력 수급 매칭 조건(R3)에 만족하고, D 기업은 어떠한 조건도 만족하지 않는 경우에, 추천 종목 제공부(40)는 A 기업, B 기업 및 C 기업을 추천 종목으로 제공할 수 있다. 다른 실시예에서, A 기업이 테마 주도주 매칭 조건(R1)을 만족하고, B 기업이 스캘핑 매칭 조건(R2)에 매칭하고, C 기업이 세력 수급 매칭 조건(R3)에 만족하고, D 기업은 어떠한 조건도 만족하지 않고, A ~ D 기업 중 A 기업에 대한 주가 예측 데이터의 정확도가 가장 높은 것으로 평가된 경우에, 추천 종목 제공부(40)는 A 기업만을 추천 종목으로 제공할 수 있다.

매도 타이밍 제공 단계(S50)에서, 매도 타이밍 제공부(50)는 생성된 주가 예측 모형에 기초하여 추천 종목에 대하여 추정된 주가 예측 데이터에 기초하여 추천 종목의 매도 타이밍 정보를 제공할 수 있다. 예를 들면, A 기업, B 기업 및 C 기업이 추천 종목으로 제공된 경우에, A 기업, B 기업 및 C 기업 각각에 대한 주가 예측 데이터에 기초하여 각 기업의 주가가 예측될 수 있고, 예측된 주가 데이터에 기초하여 적절한 매도 타이밍에 대한 정보가 제공될 수 있다.

이상에서 설명된 단계 또는 프로세스는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합에 의해 실행될 수 있다. 예를 들어, 실시예들에서 설명된 단계 또는 프로세스는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable 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 실행될 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.

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.

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 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.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 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.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (12)

1. 애널리스트의 분석 결과에 따라 결정된 복수의 후보 종목을 등록하는 후보 종목 등록부;
   등록된 상기 후보 종목에 관한 온라인 상의 데이터에 대하여 오피니언 마이닝(opinion mining)을 수행하여 상기 후보 종목에 대한 선호도 데이터를 산출하는 오피니언 마이닝부;
   상기 후보 종목에 대하여 산출된 선호도 데이터와 상기 후보 종목의 주가 데이터에 기초하여 상기 후보 종목에 대한 주가 예측 모형을 생성하는 예측 모형 생성부;
   등록된 상기 후보 종목 중에서 거래량 및 주가 등락률을 포함하는 매칭 조건에 만족하는지를 판단하고, 상기 매칭 조건에 만족하는 상기 후보 종목을 추천 종목으로 제공하는 추천 종목 제공부; 및
   상기 주가 예측 모형에 기초하여 상기 추천 종목에 대하여 추정된 주가 예측 데이터에 기초하여 상기 추천 종목의 매도 타이밍 정보를 제공하는 매도 타이밍 제공부
   를 포함하고,
   상기 매칭 조건은,
   거래량 회전률이 상위 100위 이내이고,
   5일 평균 거래량이 500,000주 이상 999,999,999주 이하의 범위 내이며,
   전날의 종가가 전날의 시가 보다 2% 이상 상승하고,
   전날의 종가가 1000원 이상 9,999,999원 이하의 범위 내이며,
   전날 주가 등락률 순위가 상위 100위 이내
   인 조건을 포함하는 주식 정보 제공 시스템.
2. 제1항에 있어서,
   상기 오피니언 마이닝부는,
   상기 후보 종목에 대한 소셜 미디어 데이터 및 웹 데이터를 포함하는 인터넷 텍스트 데이터를 수집하는 크롤링 모듈;
   수집된 상기 인터넷 텍스트 데이터로부터 상기 후보 종목에 대하여 긍정적으로 평가하거나 또는 부정적으로 평가하는 감성 단어를 추출하는 감성 단어 추출 모듈; 및
   상기 후보 종목에 대하여 감성 단어별 감성의 정도와 극성 정보에 기초하여 상기 후보 종목에 대한 선호도 데이터를 산출하는 선호도 산출 모듈
   을 포함하는 주식 정보 제공 시스템.
3. 제1항에 있어서,
   상기 후보 종목은 공시 정보, 재무 제표 데이터, 기업 IR 데이터, 외환 거래 데이터, 선물 옵션 거래 데이터, 외국인 및 기관 거래 데이터 중 적어도 하나 이상에 기초하여 결정되는 주식 정보 제공 시스템.
4. 제1항에 있어서,
   상기 예측 모형 생성부는,
   상기 선호도 데이터와 상기 주가 데이터를 적층 디노이징 오토인코더(stacked denoising autoencoder)를 이용하여 학습함에 따라 각각의 피처(feature)를 추출하는 피처 추출 모듈; 및
   상기 추출된 각각의 피처를 심층 인공 신경망의 입력층에 입력하고, 상기 심층 인공신경망에 입력된 각각의 피처를 합성하여 주가 예측 모형을 생성하는 모형 생성 모듈
   을 포함하는 주식 정보 제공 시스템.
5. 제4항에 있어서,
   상기 피처 추출 모듈은,
   상기 선호도 데이터와 상기 주가 데이터를 0과 1사이의 값으로 스케일링하는 전처리를 수행하고, 전처리가 수행된 상기 선호도 데이터와 상기 주가 데이터를 복수 개의 적층 디노이징 오토인코더를 이용하여 비지도 학습에 기반하여 각각의 특징을 추출하고,
   상기 모형 생성 모듈은,
   상기 주가 데이터에 잡음을 부여하여 오류 데이터를 생성하고, 입력층, 은닉층 및 출력층으로 구성된 제N(N은 자연수) 오토인코더를 사용하여 은닉층에서 특징을 추출하고, 상기 은닉층에서 추출된 특징을 제N+1 오토인코더의 입력층으로 입력하는 과정을 반복함으로써 복수의 은닉층으로부터 추출된 특징을 쌓는 적층 디노이징 오토인코더(Stacked denoising autoencoder; SDAE)를 구축하고, 상기 적층 디노이징 오토인코더를 통하여 출력된 출력 데이터인 각각의 특징을 FNN 신경망의 입력층에 연결시키고, 상기 적층 디노이징 오토인코더와 FNN으로 구성된 신경망(SDAE-FNN)을 구축하고, 역전파 알고리즘에 기반하여 상기 적층 디노이징 오토인코더와 FNN으로 구성된 신경망(SDAE-FNN)을 학습시키는 주식 정보 제공 시스템.
6. 삭제
7. 애널리스트의 분석 결과에 따라 결정된 복수의 후보 종목을 등록하는 후보 종목 등록부;
   등록된 상기 후보 종목에 관한 온라인 상의 데이터에 대하여 오피니언 마이닝(opinion mining)을 수행하여 상기 후보 종목에 대한 선호도 데이터를 산출하는 오피니언 마이닝부;
   상기 후보 종목에 대하여 산출된 선호도 데이터와 상기 후보 종목의 주가 데이터에 기초하여 상기 후보 종목에 대한 주가 예측 모형을 생성하는 예측 모형 생성부;
   등록된 상기 후보 종목 중에서 거래량 및 주가 등락률을 포함하는 매칭 조건에 만족하는지를 판단하고, 상기 매칭 조건에 만족하는 상기 후보 종목을 추천 종목으로 제공하는 추천 종목 제공부; 및
   상기 주가 예측 모형에 기초하여 상기 추천 종목에 대하여 추정된 주가 예측 데이터에 기초하여 상기 추천 종목의 매도 타이밍 정보를 제공하는 매도 타이밍 제공부
   를 포함하고,
   상기 매칭 조건은,
   일 거래량이 100,000 이상 999,999,999 이하이고,
   전날 종가 대비 당일 종가가 3% 이상 상승하고,
   전날 종가가 1,000원 이상이고 1,000,000원 이하이며,
   일봉상 양봉이 최소 1봉 이상 나타나고,
   1분봉 차트에서 120일 이동평균선, 60일 이동평균선, 20일 이동평균선, 10일 이동평균선, 현재가의 순으로 증가하는 정배열을 나타내며,
   1분봉 차트에서 MACD Osc(12,26,9)가 0선 이상이고,
   일봉 차트에서 5일 이동평균선보다 종가가 높으며,
   전일 동시간대 대비 거래량 비율이 200% 이상이고,
   1분봉 차트에서 직전 1분봉의 시가가 당해 1분봉의 시가보다 낮거나 동일하며,
   5분봉 차트에서 해당 캔들의 시가가 Bollinger Band(20,2)의 상한선 이상이거나, 5분봉 차트에서 해당 캔들의 고가가 Bollinger Band(20,2)의 상한선 이상이거나, 5분봉 차트에서 해당 캔들의 저가가 Bollinger Band(20,2)의 상한선 이상이거나, 또는 5분봉 차트에서 해당 캔들의 종가가 Bollinger Band(20,2)의 상한선 이상 중 어느 하나
   인 조건을 포함하는 스캘핑 매칭 조건인 주식 정보 제공 시스템.
8. 애널리스트의 분석 결과에 따라 결정된 복수의 후보 종목을 등록하는 후보 종목 등록부;
   등록된 상기 후보 종목에 관한 온라인 상의 데이터에 대하여 오피니언 마이닝(opinion mining)을 수행하여 상기 후보 종목에 대한 선호도 데이터를 산출하는 오피니언 마이닝부;
   상기 후보 종목에 대하여 산출된 선호도 데이터와 상기 후보 종목의 주가 데이터에 기초하여 상기 후보 종목에 대한 주가 예측 모형을 생성하는 예측 모형 생성부;
   등록된 상기 후보 종목 중에서 거래량 및 주가 등락률을 포함하는 매칭 조건에 만족하는지를 판단하고, 상기 매칭 조건에 만족하는 상기 후보 종목을 추천 종목으로 제공하는 추천 종목 제공부; 및
   상기 주가 예측 모형에 기초하여 상기 추천 종목에 대하여 추정된 주가 예측 데이터에 기초하여 상기 추천 종목의 매도 타이밍 정보를 제공하는 매도 타이밍 제공부
   를 포함하고,
   상기 매칭 조건은,
   하루 거래량이 100,000주 이상 999,999,999주 이하이고,
   하루의 주가 등락률이 10% 이상이며,
   전일 종가가 1,000원 이상 200,000 이하이며,
   일봉 차트에서 적어도 1봉의 양봉이 발생하고,
   30분봉 차트에서 120일 이동평균선, 60일 이동평균선, 20일 이동평균선, 10일 이동평균선, 현재가의 순으로 증가하는 정배열을 나타내며,
   1분봉 차트에서 MACD Osc(12,26,9)가 0선 이상이고,
   10분봉 차트에서 MACD Osc(12,26,9)가 0선 이상이며,
   일봉 차트에서 5일 이동평균선 보다 종가가 높고,
   전일 동시간 대비 거래량 비율이 200% 이상이며,
   1분봉 차트에서 직전 1분봉의 시가가 당해 1분봉의 시가보다 낮거나 동일한
   조건을 포함하는 세력 수급 매칭 조건인 주식 정보 제공 시스템.
9. 애널리스트의 분석 결과에 따라 결정된 복수의 후보 종목을 등록하는 후보 종목 등록부;
   등록된 상기 후보 종목에 관한 온라인 상의 데이터에 대하여 오피니언 마이닝(opinion mining)을 수행하여 상기 후보 종목에 대한 선호도 데이터를 산출하는 오피니언 마이닝부;
   상기 후보 종목에 대하여 산출된 선호도 데이터와 상기 후보 종목의 주가 데이터에 기초하여 상기 후보 종목에 대한 주가 예측 모형을 생성하는 예측 모형 생성부;
   등록된 상기 후보 종목 중에서 거래량 및 주가 등락률을 포함하는 매칭 조건에 만족하는지를 판단하고, 상기 매칭 조건에 만족하는 상기 후보 종목을 추천 종목으로 제공하는 추천 종목 제공부; 및
   상기 주가 예측 모형에 기초하여 상기 추천 종목에 대하여 추정된 주가 예측 데이터에 기초하여 상기 추천 종목의 매도 타이밍 정보를 제공하는 매도 타이밍 제공부
   를 포함하고,
   상기 매칭 조건은,
   최근 5일간 상한가가 나왔고,
   일봉 차트에서 당일 캔들의 저가와 3일 이동평균선이 5일 중에서 1회 이상 2% 이내로 근접하며,
   일봉 차트에서 당일 캔들의 저가가 3일 이동평균선 보다 1회 이상 위에 있고,
   5일 평균 거래량이 300,000주 이상 999,999,999주 이하
   인 조건을 포함하는 급등후 눌림목 매칭 조건인 주식 정보 제공 시스템.
10. 제1항에 있어서,
    상기 예측 모형 생성부는 선호도 데이터와 주가 데이터에 기초하여 생성된 상기 예측 모형에 따라 예측된 상기 후보 종목에 대한 주가 예측 데이터의 정확도를 평가하고,
    상기 추천 종목 제공부는 상기 매칭 조건에 만족하는 상기 후보 종목 중 주가 예측 데이터의 정확도가 가장 높은 후보 종목을 추천 종목으로 제공하는 주식 정보 제공 시스템.
11. 애널리스트의 분석 결과에 따라 결정된 복수의 후보 종목을 등록하는 후보 종목 등록 단계;
    등록된 상기 후보 종목에 관한 온라인 상의 데이터에 대하여 오피니언 마이닝(opinion mining)을 수행하여 상기 후보 종목에 대한 선호도 데이터를 산출하는 오피니언 마이닝 단계;
    상기 후보 종목에 대하여 산출된 선호도 데이터와 상기 후보 종목의 주가 데이터에 기초하여 상기 후보 종목에 대한 주가 예측 모형을 생성하는 예측 모형 생성 단계;
    등록된 상기 후보 종목 중에서 거래량 및 주가 등락률을 포함하는 매칭 조건에 만족하는지를 판단하고, 상기 매칭 조건에 만족하는 상기 후보 종목을 추천 종목으로 제공하는 추천 종목 제공 단계; 및
    상기 주가 예측 모형에 기초하여 상기 추천 종목에 대하여 추정된 주가 예측 데이터에 기초하여 상기 추천 종목의 매도 타이밍 정보를 제공하는 매도 타이밍 제공 단계
    를 포함하고,
    상기 매칭 조건은,
    거래량 회전률이 상위 100위 이내이고,
    5일 평균 거래량이 500,000주 이상 999,999,999주 이하의 범위 내이며,
    전날의 종가가 전날의 시가 보다 2% 이상 상승하고,
    전날의 종가가 1000원 이상 9,999,999원 이하의 범위 내이며,
    전날 주가 등락률 순위가 상위 100위 이내
    인 조건을 포함하는 주식 정보 제공 방법.
12. 제11항에 기재된 주식 정보 제공 방법을 컴퓨터에 의해 수행하기 위해 기록 매체에 저장된 프로그램.