KR102568752B1 - Method and apparatus for rebalancing on specific data using a neural network - Google Patents
Method and apparatus for rebalancing on specific data using a neural network Download PDFInfo
- Publication number
- KR102568752B1 KR102568752B1 KR1020220139037A KR20220139037A KR102568752B1 KR 102568752 B1 KR102568752 B1 KR 102568752B1 KR 1020220139037 A KR1020220139037 A KR 1020220139037A KR 20220139037 A KR20220139037 A KR 20220139037A KR 102568752 B1 KR102568752 B1 KR 102568752B1
- Authority
- KR
- South Korea
- Prior art keywords
- trading
- portfolio
- rebalancing
- information
- transactions
- Prior art date
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/04—Payment circuits
- G06Q20/06—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme
- G06Q20/065—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme using e-cash
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
Abstract
실시예들은 뉴럴 네트워크(neural network)를 이용하여 포트폴리오 관리 서버가 가상 자산에 대한 포트폴리오에 대해 리밸런싱(rebalancing)을 수행하는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 사용자 단말로부터 리밸런싱을 요청하는 제1 메시지를 수신하고, 상기 제1 메시지는 사용자가 보유한 가상 자산에 대한 제1 포트폴리오 정보를 포함하고, 상기 제1 메시지를 수신한 것에 기반하여, 상기 제1 포트폴리오 정보와 관련된 거래 종목에 대한 거래 정보를 거래소별로 획득하고, 상기 거래 종목에 대한 거래 정보에 기반하여 사용자가 가상 자산을 보유한 시점부터 상기 제1 메시지를 수신한 시점까지의 거래 기간에 대해 복수의 변수에 대한 데이터를 추출하고, 상기 복수의 변수는, 상기 거래 기간에 대해, 총 수익률, 수익이 발생한 거래에 대한 거래 1회당 평균 수익률, 손실이 발생한 거래에 대한 거래 1회당 평균 수익률, 수익이 발생한 거래에 대한 수익률의 표준 편차, 손실이 발생한 거래에 대한 손실률의 표준 편차, 총 거래 횟수 및 승률을 포함하고, 상기 복수의 변수에 대한 데이터를 기반으로 뉴럴 네트워크를 이용한 평가 모델을 통해 복수의 평가 점수를 결정하고, 상기 복수의 평가 점수를 기반으로 상기 제1 포트폴리오에 대한 리밸런싱 정보를 결정하고, 상기 제1 포트폴리오에 대한 리밸런싱 정보를 포함하는 제2 메시지를 상기 사용자 단말에게 전송하고, 상기 사용자 단말로부터 리밸런싱에 대한 승인 메시지를 수신하는 것에 기반하여, 상기 리밸런싱 정보에 기반하여 상기 제1 포트폴리오에 대해 리밸런싱을 수행하는 단계를 포함할 수 있다. 상기 평가 점수는 상기 거래 기간 내 수익이 발생한 거래에 대한 수익률의 표준 편차에 제1 가중치를 적용한 제1 값과 상기 거래 기간 내 손실이 발생한 거래에 대한 손실률의 표준 편차에 제1 가중치보다 큰 값을 가진 제2 가중치를 적용한 제2 값을 합산한 값을 상기 거래 기간에 대한 연 평균 수익률에서 나눈 값일 수 있다.Embodiments suggest a method and apparatus for a portfolio management server to perform rebalancing on a portfolio of virtual assets using a neural network. In the method according to an embodiment, a first message requesting rebalancing is received from a user terminal, the first message includes first portfolio information on virtual assets owned by the user, and the first message is received. Based on this, transaction information on the trading item related to the first portfolio information is acquired for each exchange, and the time when the user holds the virtual asset based on the transaction information on the trading item and the time when the first message is received Data on a plurality of variables is extracted for the trading period up to, and the plurality of variables are, for the trading period, total return, average return per trade for profitable trades, and trades for losses. It includes the average rate of return per transaction, the standard deviation of the rate of return for profitable transactions, the standard deviation of the loss rate for lost transactions, the total number of transactions and the winning rate, and using a neural network based on the data on the plurality of variables. A plurality of evaluation scores are determined through an evaluation model, rebalancing information for the first portfolio is determined based on the plurality of evaluation scores, and a second message including the rebalancing information for the first portfolio is transmitted. and performing rebalancing on the first portfolio based on the rebalancing information based on transmission to a user terminal and receiving a rebalancing approval message from the user terminal. The evaluation score is a value greater than the first value obtained by applying a first weight to the standard deviation of returns for transactions in which profits occurred within the trading period and a value greater than the first weight to the standard deviation of loss rates for transactions in which losses occurred within the trading period. It may be a value obtained by dividing a value obtained by summing the second values to which the second weight having the second weight is applied is divided by the annual average rate of return for the trading period.
Description
본 개시의 실시예들은 가상 자산에 대한 포트폴리오에 대해 리밸런싱을 수행하는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 가상 자산에 대한 포트폴리오에 대해 리밸런싱을 수행하는 기술에 대한 것이다.Embodiments of the present disclosure relate to a technology of rebalancing a portfolio of virtual assets, and to a technology of performing rebalancing of a portfolio of virtual assets using a neural network.
한편, 암호 화폐와 같은 가상 자산 시장이 급격하게 성장하였으나, 급성장한 가상 자산 시장에 대해서 기존 주식 시장에서의 자산 관리 방식을 이용할 뿐 가상 자산의 특성을 고려한 자산 관리 방식이 부족한 실정이다.On the other hand, although the virtual asset market such as cryptocurrency has grown rapidly, there is a lack of asset management methods that consider the characteristics of virtual assets, only using asset management methods in the existing stock market for the rapidly growing virtual asset market.
특히, 암호 화폐 시장은 벤치 마크로 정할 수 있는 적합한 표본이 부재하고, 기존 주식 시장과 비교하여 수익률의 편차가 심하기 때문에, 주식 시장에서 활용되는 기법들을 이용하여 암호 화폐에 대한 포트폴리오를 관리하기가 어려울 수 있다.In particular, it can be difficult to manage a portfolio for cryptocurrencies using techniques used in the stock market, since there is no suitable sample that can be set as a benchmark in the cryptocurrency market, and the variation in returns is wide compared to the existing stock market. there is.
이에, 암호 화폐 시장에 적합한 인덱스들을 활용한 거래 데이터를 기반으로 뉴럴 네트워크를 이용한 평가 모델 및 예측 모델을 통해 기존의 암호 화폐에 대한 포트폴리오를 수익성 대비 위험성이 가장 낮은 포트폴리오로 리밸런싱하는 방법이 필요하다.Therefore, it is necessary to rebalance the existing cryptocurrency portfolio into a portfolio with the lowest risk versus profitability through an evaluation model and a prediction model using a neural network based on transaction data using indexes suitable for the cryptocurrency market. .
본 개시의 실시예들은, 뉴럴 네트워크를 이용하여 가상 자산에 대한 포트폴리오에 대해 리밸런싱을 수행하는 방법 및 장치를 제공할 수 있다. Embodiments of the present disclosure may provide a method and apparatus for performing rebalancing on a portfolio of virtual assets using a neural network.
실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.Technical tasks to be achieved in the embodiments are not limited to those mentioned above, and other technical tasks not mentioned will be considered by those skilled in the art from various embodiments to be described below. can
일 실시예에 따른 뉴럴 네트워크(neural network)를 이용하여 포트폴리오 관리 서버가 가상 자산에 대한 포트폴리오에 대해 리밸런싱(rebalancing)을 수행하는 방법은, 사용자 단말로부터 리밸런싱을 요청하는 제1 메시지를 수신하고, 상기 제1 메시지는 사용자가 보유한 가상 자산에 대한 제1 포트폴리오 정보를 포함하고, 상기 제1 메시지를 수신한 것에 기반하여, 상기 제1 포트폴리오 정보와 관련된 거래 종목에 대한 거래 정보를 거래소별로 획득하고, 상기 거래 종목에 대한 거래 정보에 기반하여 사용자가 가상 자산을 보유한 시점부터 상기 제1 메시지를 수신한 시점까지의 거래 기간에 대해 복수의 변수에 대한 데이터를 추출하고, 상기 복수의 변수는, 상기 거래 기간에 대해, 총 수익률, 수익이 발생한 거래에 대한 거래 1회당 평균 수익률, 손실이 발생한 거래에 대한 거래 1회당 평균 수익률, 수익이 발생한 거래에 대한 수익률의 표준 편차, 손실이 발생한 거래에 대한 손실률의 표준 편차, 총 거래 횟수 및 승률을 포함하고, 상기 복수의 변수에 대한 데이터를 기반으로 뉴럴 네트워크를 이용한 평가 모델을 통해 복수의 평가 점수를 결정하고, 상기 복수의 평가 점수를 기반으로 상기 제1 포트폴리오에 대한 리밸런싱 정보를 결정하고, 상기 제1 포트폴리오에 대한 리밸런싱 정보를 포함하는 제2 메시지를 상기 사용자 단말에게 전송하고, 상기 사용자 단말로부터 리밸런싱에 대한 승인 메시지를 수신하는 것에 기반하여, 상기 리밸런싱 정보에 기반하여 상기 제1 포트폴리오에 대해 리밸런싱을 수행하는 단계를 포함할 수 있다. 상기 평가 점수는 상기 거래 기간 내 수익이 발생한 거래에 대한 수익률의 표준 편차에 제1 가중치를 적용한 제1 값과 상기 거래 기간 내 손실이 발생한 거래에 대한 손실률의 표준 편차에 제1 가중치보다 큰 값을 가진 제2 가중치를 적용한 제2 값을 합산한 값을 상기 거래 기간에 대한 연 평균 수익률에서 나눈 값일 수 있다.A method for a portfolio management server to perform rebalancing on a portfolio of virtual assets using a neural network according to an embodiment includes receiving a first message requesting rebalancing from a user terminal; , The first message includes first portfolio information on virtual assets held by the user, and based on receiving the first message, transaction information on trading items related to the first portfolio information is obtained for each exchange, , Based on the transaction information for the transaction item, data for a plurality of variables is extracted for a transaction period from the time the user holds the virtual asset to the time the first message is received, the plurality of variables, For the trading period, the total return, the average return per trade on profitable trades, the average return per trade on lossy trades, the standard deviation of returns on profitable trades, and the loss ratio on losing trades. A standard deviation of, including a total number of transactions and a win rate, determining a plurality of evaluation scores through an evaluation model using a neural network based on data on the plurality of variables, and determining the first evaluation score based on the plurality of evaluation scores. Based on determining rebalancing information for a portfolio, transmitting a second message including rebalancing information for the first portfolio to the user terminal, and receiving a rebalancing approval message from the user terminal, and performing rebalancing on the first portfolio based on the rebalancing information. The evaluation score is a value greater than the first value obtained by applying a first weight to the standard deviation of returns for transactions in which profits occurred within the trading period and a value greater than the first weight to the standard deviation of loss rates for transactions in which losses occurred within the trading period. It may be a value obtained by dividing a value obtained by summing the second values to which the second weight having the second weight is applied is divided by the annual average rate of return for the trading period.
예를 들어, 상기 제1 포트폴리오에 대한 리밸런싱 정보는 가상 자산에 대한 비중을 포함할 수 있다. 상기 가상 자산에 대한 비중은 하루에 거래한 횟수, 거래 1회당 기대 손익률 및 상기 복수의 평가 점수를 기반으로 결정될 수 있다. 상기 하루에 거래한 횟수는 상기 총 거래 횟수를 상기 거래 기간으로 나눈 값일 수 있다. 상기 거래 1회당 기대 손익률은 상기 거래 기간 내 승률, 상기 거래 기간 내 수익이 발생한 거래에 대한 거래 1회당 평균 수익률 및 상기 거래 기간 내 손실이 발생한 거래에 대한 거래 1회당 평균 손실률을 기반으로 결정될 수 있다.For example, the rebalancing information for the first portfolio may include weights for virtual assets. The weight of the virtual asset may be determined based on the number of transactions per day, the expected profit/loss ratio per transaction, and the plurality of evaluation scores. The number of transactions per day may be a value obtained by dividing the total number of transactions by the transaction period. The expected profit/loss rate per transaction may be determined based on the win rate within the trading period, the average rate of return per transaction for profitable transactions within the trading period, and the average loss rate per transaction for transactions with losses within the trading period. there is.
일 실시 예에 따라, 상기 평가 점수는 하기 수학식에 의해 결정될 수 있다.According to an embodiment, the evaluation score may be determined by the following equation.
상기 수학식에서, 상기 StrategyValueScore는 상기 평가 점수이고, 상기 Total Profit은 상기 총 수익률이고, 상기 TradingDay는 상기 거래 기간, 상기 Profit sd(+)은 상기 거래 기간 내 수익이 발생한 거래에 대한 수익률의 표준 편차이고, 상기 Profit sd(-)는 상기 거래 기간 내 손실이 발생한 거래에 대한 손실률의 표준 편차일 수 있다.In the above equation, the StrategyValueScore is the evaluation score, the Total Profit is the total rate of return, the TradingDay is the trading period, the Profit sd (+) is the standard deviation of the rate of return for transactions generating profits within the trading period, , The Profit sd(-) may be the standard deviation of the loss rate for trades in which losses occur during the trading period.
일 실시예에 따라, 상기 뉴럴 네트워크는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함할 수 있다. 복수의 변수에 대한 데이터 및 정답 복수의 평가 점수로 구성된 각각의 학습 데이터는 상기 뉴럴 네트워크의 상기 입력 레이어에 입력되어 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터로 출력되고, 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실함수를 이용하여 손실 값을 출력하고, 상기 뉴럴 네트워크의 파라미터가 상기 손실 값이 작아지는 방향으로 학습될 수 있다.According to an embodiment, the neural network may include an input layer, one or more hidden layers, and an output layer. Each learning data composed of data on a plurality of variables and a plurality of evaluation scores of correct answers is input to the input layer of the neural network, passes through the one or more hidden layers and the output layer, and is output as an output vector, and the output vector is The input is input to a loss function layer connected to the output layer, and the loss function layer outputs a loss value by using a loss function that compares the output vector with the correct answer vector for each learning data. It can be learned in a direction in which the loss value becomes smaller.
예를 들어, 상기 복수의 평가 점수는 복수의 거래 알고리즘에 대해 거래 시간 간격 별로 결정될 수 있다. 상기 복수의 거래 알고리즘은 각 가상 자산 별로 설정될 수 있다. 상기 각 가상 자산은 거래소 별로 설정될 수 있다. 상기 복수의 거래 알고리즘은 블링크 반영 지표를 기반으로 결정된 가격 변동 구간에 대한 표준 편차에 따라 거래가 체결되는 제1 알고리즘, 사전 설정된 이동평균선(Moving Average)을 기준으로 거래가 체결되는 제2 알고리즘 및 현재를 기준으로 이전 양봉과 음봉에 대한 캔들의 변화폭의 평균값에 따라 거래가 체결되는 제3 알고리즘을 포함할 수 있다. 상기 블링크 반영 지표는 거래 발생시 가격 변동과 함께 가격 변동 구간 내에 호가가 제출 후 취소된 물량을 포함하여 발생 가능한 가격 변동을 추가하여 편차를 산출한 지표일 수 있다.For example, the plurality of evaluation scores may be determined for each trading time interval for a plurality of trading algorithms. The plurality of trading algorithms may be set for each virtual asset. Each of the virtual assets may be set for each exchange. The plurality of trading algorithms are based on a first algorithm in which trades are concluded according to the standard deviation of the price fluctuation range determined based on the blinking indicator, a second algorithm in which trades are concluded based on a preset moving average, and the current It may include a third algorithm in which transactions are concluded according to the average value of change widths of candlesticks for the previous positive and negative candlesticks. The indicator reflecting the blink may be an indicator in which a deviation is calculated by adding possible price fluctuations, including a quantity canceled after a quote is submitted within a price fluctuation range, along with price fluctuations when a transaction occurs.
부가적으로, 예를 들어, 상기 가장 자산에 대한 비중은 하기 수학식에 의해 결정될 수 있다.Additionally, for example, the proportion of household assets may be determined by the following equation.
상기 수학식에서, 상기 Cap은 상기 가상 자산에 대한 비중이고, 상기 Trade per Day는 상기 가상 자산을 하루에 거래한 횟수이고, 상기 Expect P&L은 상기 가상 자산에 대한 거래 1회당 기대 손익률이고, 상기 TSVS는 상기 가상 자산에 대한 종합 평가 점수이고, 상기 n은 거래 종목의 개수이고, 상기 TSVSi는 상기 i번째 거래 종목에 대한 종합 평가 점수일 수 있다.In the above equation, the Cap is the weight of the virtual asset, the Trade per Day is the number of times the virtual asset is traded per day, the Expect P&L is the expected profit/loss ratio per transaction for the virtual asset, and the TSVS may be a comprehensive evaluation score for the virtual asset, n may be the number of trading items, and TSVSi may be a comprehensive evaluation score for the ith trading item.
여기서, 상기 Trade per Day는 상기 총 거래 횟수를 상기 거래 기간으로 나눈 값일 수 있다. 여기서, 상기 Expect P&L은 상기 거래 기간 내 승률, 상기 거래 기간 내 수익이 발생한 거래에 대한 거래 1회당 평균 수익률 및 상기 거래 기간 내 손실이 발생한 거래에 대한 거래 1회당 평균 수익률을 기반으로 결정될 수 있다. 여기서, 종합 평가 점수는 상기 가상 자산에 대해 결정된 복수의 평가 점수를 기반으로 결정된 점수일 수 있다. 예를 들어, 종합 평가 점수는 복수의 평가 점수에 리밸런싱 기준에 대한 가중치를 반영한 가중 평균 값일 수 있다.Here, the trade per day may be a value obtained by dividing the total number of trades by the trade period. Here, the Expect P&L may be determined based on the win rate within the trading period, the average rate of return per trade for profitable trades within the trading period, and the average rate of return per trade for trades that generate losses within the trading period. Here, the comprehensive evaluation score may be a score determined based on a plurality of evaluation scores determined for the virtual asset. For example, the comprehensive evaluation score may be a weighted average value obtained by reflecting a weight for a rebalancing criterion on a plurality of evaluation scores.
부가적으로, 예를 들어, 상기 가상 자산에 대한 Expect P&L은 하기 수학식에 의해 결정될 수 있다.Additionally, for example, Expect P&L for the virtual asset may be determined by the following equation.
상기 수학식에서, 상기 Expect P&L은 상기 거래 1회당 기대 손익률이고, 상기 Winr은 상기 거래 기간에 대한 승률이고. 상기 WT ProfitAvg는 상기 거래 기간 내 수익이 발생한 거래에 대한 거래 1회당 평균 수익률이고, 상기 LT ProfitAvg는 상기 거래 기간 내 손실이 발생한 거래에 대한 거래 1회당 평균 손실률일 수 있다. In the above equation, the Expect P&L is the expected profit/loss rate per transaction, and the Winr is the odds ratio for the transaction period. The WT ProfitAvg may be an average rate of return per transaction for profitable transactions within the trading period, and the LT ProfitAvg may be an average loss rate per transaction for transactions that generate losses within the trading period.
부가적으로, 예를 들어, 포트폴리오 관리 서버는 상기 복수의 변수에 대한 데이터 및 평가 모델을 통해 결정된 복수의 평가 점수를 기반으로 뉴럴 네트워크를 이용한 예측 모델을 통해 제1 메시지를 수신한 시점 이후에 대한 복수의 예측 평가 점수를 결정할 수 있다. 즉, 포트폴리오 관리 서버는 과거의 평가 점수와 과거의 평가 점수를 결정한 복수의 변수에 대한 과거 데이터를 기반으로 제1 메시지를 수신한 시점 이후에 대한 복수의 예측 평가 점수를 결정할 수 있다.Additionally, for example, the portfolio management server determines after the time of receiving the first message through a prediction model using a neural network based on the plurality of evaluation scores determined through the data and evaluation model for the plurality of variables. A plurality of predictive evaluation scores may be determined. That is, the portfolio management server may determine a plurality of predicted evaluation scores after receiving the first message based on past evaluation scores and past data on a plurality of variables determining the past evaluation scores.
실시예들에 따르면, 포트폴리오 관리 서버는 가상 자산과 관련된 거래 종목에 대한 거래 정보로부터 추출된 복수의 변수에 대한 데이터를 기반으로 뉴럴 네트워크를 이용한 평가 모델을 통해 복수의 평가 점수를 결정하고, 상기 복수의 평가 점수에 기반하여 포트폴리오를 리밸런싱함으로써, 수익성 대비 위험성이 가장 낮은 포트폴리오로 리밸런싱할 수 있다.According to embodiments, the portfolio management server determines a plurality of evaluation scores through an evaluation model using a neural network based on data on a plurality of variables extracted from transaction information on trading items related to virtual assets, and determines the plurality of evaluation scores. By rebalancing the portfolio based on the evaluation score of , it is possible to rebalance the portfolio with the lowest risk versus profitability.
실시예들에 따르면, 포트폴리오 관리 서버는 평가 점수를 결정할 때 가상 자산에 대한 알고리즘을 평가하기 위해 적합한 형태로 변경된 지표를 사용함으로써, 가상 자산의 특성을 반영한 평가 점수를 결정할 수 있다. According to embodiments, the portfolio management server may determine an evaluation score reflecting characteristics of a virtual asset by using an index changed to a form suitable for evaluating an algorithm for a virtual asset when determining an evaluation score.
실시예들에 따르면, 포트폴리오 관리 서버는 다변량 LSTM을 이용한 평가 모델를 통해 현재 시점까지의 평가 점수를 정확하게 결정하고, 오토인코더 모델을 이용한 예측 모델을 통해 현재 시점 이후의 예측 평가 점수를 효율적으로 결정할 수 있다.According to embodiments, the portfolio management server can accurately determine an evaluation score up to a current point in time through an evaluation model using multivariate LSTM and efficiently determine a predicted evaluation score after the current point in time through a predictive model using an autoencoder model. .
실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.Effects obtainable from the embodiments are not limited to the effects mentioned above, and other effects not mentioned are clearly derived and understood by those skilled in the art based on the detailed description below. It can be.
실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 뉴럴 네트워크를 이용하여 가상 자산에 대한 포트폴리오에 대해 리밸런싱을 수행하는 시스템을 나타낸다.
도 4는 일 실시예에 따른 뉴럴 네트워크를 이용하여 가상 자산에 대한 포트폴리오에 대해 리밸런싱을 수행하는 방법을 나타낸다.
도 5는 일 실시예에 따른 뉴럴 네트워크를 이용하여 가상 자산에 대한 포트폴리오에 대해 리밸런싱을 수행하는 방법에 대한 흐름도이다.
도 6은 일 실시예에 따른 특정 거래소 내 복수의 거래 종목에 대한 복수의 변수를 나타낸 표이다.
도 7은 일 실시예에 따른 평가 등급이 A등급 이상인 거래 종목에 대한 가상 자산의 변화를 나타낸 그래프이다.
도 8은 일 실시예에 따른 평가 등급이 A등급 미만인 거래 종목에 대한 가상 자산의 변화를 나타낸 그래프이다.
도 9는 일 실시예에 따른 평가 모델 및 예측 모델에 대한 예이다.
도 10은 일 실시예에 따른 포트폴리오 관리 서버의 구성을 나타내는 블록도이다. BRIEF DESCRIPTION OF THE DRAWINGS Included as part of the detailed description to aid understanding of the embodiments, the accompanying drawings provide various embodiments and, together with the detailed description, describe technical features of the various embodiments.
1 is a diagram illustrating a configuration of an electronic device according to an exemplary embodiment.
2 is a diagram showing the configuration of a program according to an embodiment.
3 illustrates a system for rebalancing a portfolio of virtual assets using a neural network according to an embodiment.
4 illustrates a method of performing rebalancing on a portfolio of virtual assets using a neural network according to an embodiment.
5 is a flowchart of a method of performing rebalancing on a portfolio of virtual assets using a neural network according to an embodiment.
6 is a table showing a plurality of variables for a plurality of trading items in a specific exchange according to an embodiment.
7 is a graph showing changes in virtual assets for trading items having an evaluation grade of A or higher according to an embodiment.
8 is a graph showing changes in virtual assets for trading items having an evaluation grade of less than A grade according to an embodiment.
9 is an example of an evaluation model and a prediction model according to an embodiment.
10 is a block diagram showing the configuration of a portfolio management server according to an embodiment.
이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.The following embodiments combine elements and features of the embodiments in a predetermined form. Each component or feature may be considered optional unless explicitly stated otherwise. Each component or feature may be implemented in a form not combined with other components or features. In addition, various embodiments may be configured by combining some components and/or features. The order of operations described in various embodiments may be changed. Some components or features of one embodiment may be included in another embodiment, or may be replaced with corresponding components or features of another embodiment.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.In the description of the drawings, procedures or steps that may obscure the gist of various embodiments are not described, and procedures or steps that can be understood by those skilled in the art are not described. did
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.Throughout the specification, when a part is said to "comprising" or "including" a certain element, it means that it may further include other elements, not excluding other elements, unless otherwise stated. do. In addition, terms such as “… unit”, “… unit”, and “module” described in the specification mean a unit that processes at least one function or operation, which is hardware or software or a combination of hardware and software. can be implemented as Also, “a or an”, “one”, “the” and like terms are used herein in the context of describing various embodiments (particularly in the context of the claims below). Unless otherwise indicated or clearly contradicted by context, both the singular and the plural can be used.
이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.Hereinafter, embodiments according to various embodiments will be described in detail with reference to the accompanying drawings. DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS The detailed description set forth below in conjunction with the accompanying drawings is intended to describe exemplary embodiments of various embodiments, and is not intended to represent a single embodiment.
또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.In addition, specific terms used in various embodiments are provided to help understanding of various embodiments, and the use of these specific terms may be changed into other forms without departing from the technical spirit of various embodiments. .
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.1 is a diagram illustrating a configuration of an electronic device according to an exemplary embodiment.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.1 is a block diagram of an electronic device 101 within a
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.The processor 120, for example, executes software (eg, the program 140) to cause at least one other component (eg, hardware or software component) of the electronic device 101 connected to the processor 120. It can control and perform various data processing or calculations. According to one embodiment, as at least part of data processing or operation, the processor 120 transfers instructions or data received from other components (e.g.,
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. The secondary processor 123 may, for example, take the place of the main processor 121 while the main processor 121 is in an inactive (eg, sleep) state, or the main processor 121 is active (eg, running an application). ) state, together with the main processor 121, at least one of the components of the electronic device 101 (eg, the display module 160, the
인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.AI models can be created through machine learning. Such learning may be performed, for example, in the electronic device 101 itself where the artificial intelligence model is performed, or may be performed through a separate server (eg, the server 108). The learning algorithm may include, for example, supervised learning, unsupervised learning, semi-supervised learning or reinforcement learning, but in the above example Not limited. The artificial intelligence model may include a plurality of artificial neural network layers. Artificial neural networks include deep neural networks (DNNs), convolutional neural networks (CNNs), recurrent neural networks (RNNs), restricted boltzmann machines (RBMs), deep belief networks (DBNs), bidirectional recurrent deep neural networks (BRDNNs), It may be one of deep Q-networks or a combination of two or more of the foregoing, but is not limited to the foregoing examples. The artificial intelligence model may include, in addition or alternatively, software structures in addition to hardware structures.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다. The memory 130 may store various data used by at least one component (eg, the processor 120 or the sensor module 176) of the electronic device 101 . The data may include, for example, input data or output data for software (eg, program 140) and commands related thereto. The memory 130 may include volatile memory 132 or non-volatile memory 134 .
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다. The program 140 may be stored as software in the memory 130 and may include, for example, an operating system 142 , middleware 144 , or an application 146 .
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다. The input module 150 may receive a command or data to be used by a component (eg, the processor 120) of the electronic device 101 from the outside of the electronic device 101 (eg, a user). The input module 150 may include, for example, a microphone, a mouse, a keyboard, a key (eg, a button), or a digital pen (eg, a stylus pen).
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.The sound output module 155 may output sound signals to the outside of the electronic device 101 . The sound output module 155 may include, for example, a speaker or a receiver. The speaker can be used for general purposes such as multimedia playback or recording playback. A receiver may be used to receive an incoming call. According to one embodiment, the receiver may be implemented separately from the speaker or as part of it.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다. The display module 160 may visually provide information to the outside of the electronic device 101 (eg, a user). The display module 160 may include, for example, a display, a hologram device, or a projector and a control circuit for controlling the device. According to one embodiment, the display module 160 may include a touch sensor set to detect a touch or a pressure sensor set to measure the intensity of force generated by the touch.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.The audio module 170 may convert sound into an electrical signal or vice versa. According to one embodiment, the audio module 170 acquires sound through the input module 150, the sound output module 155, or an external electronic device connected directly or wirelessly to the electronic device 101 (eg: Sound may be output through the electronic device 102 (eg, a speaker or a headphone).
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다. The
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.The interface 177 may support one or more designated protocols that may be used to directly or wirelessly connect the electronic device 101 to an external electronic device (eg, the electronic device 102). According to one embodiment, the interface 177 may include, for example, a high definition multimedia interface (HDMI), a universal serial bus (USB) interface, an SD card interface, or an audio interface.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.The
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.The
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.The camera module 180 may capture still images and moving images. According to one embodiment, the camera module 180 may include one or more lenses, image sensors, image signal processors, or flashes.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.The power management module 188 may manage power supplied to the electronic device 101 . According to one embodiment, the power management module 188 may be implemented as at least part of a power management integrated circuit (PMIC), for example.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.The
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다. The communication module 190 is a direct (eg, wired) communication channel or a wireless communication channel between the electronic device 101 and an external electronic device (eg, the
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.The wireless communication module 192 may support a 5G network after a 4G network and a next-generation communication technology, for example, NR access technology (new radio access technology). NR access technologies include high-speed transmission of high-capacity data (enhanced mobile broadband (eMBB)), minimization of terminal power and access of multiple terminals (massive machine type communications (mMTC)), or high reliability and low latency (ultra-reliable and low latency (URLLC)). -latency communications)) can be supported. The wireless communication module 192 may support a high frequency band (eg, mmWave band) to achieve a high data rate, for example. The wireless communication module 192 uses various technologies for securing performance in a high frequency band, such as beamforming, massive multiple-input and multiple-output (MIMO), and full-dimensional multiplexing. Technologies such as input/output (FD-MIMO: full dimensional MIMO), array antenna, analog beam-forming, or large scale antenna may be supported. The wireless communication module 192 may support various requirements defined for the electronic device 101, an external electronic device (eg, the electronic device 104), or a network system (eg, the second network 199). According to one embodiment, the wireless communication module 192 is a peak data rate for eMBB realization (eg, 20 Gbps or more), a loss coverage for mMTC realization (eg, 164 dB or less), or a U-plane latency for URLLC realization (eg, Example: downlink (DL) and uplink (UL) each of 0.5 ms or less, or round trip 1 ms or less) may be supported.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다. The antenna module 197 may transmit or receive signals or power to the outside (eg, an external electronic device). According to one embodiment, the antenna module 197 may include an antenna including a radiator formed of a conductor or a conductive pattern formed on a substrate (eg, PCB). According to one embodiment, the antenna module 197 may include a plurality of antennas (eg, an array antenna). In this case, at least one antenna suitable for a communication method used in a communication network such as the
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.According to various embodiments, the antenna module 197 may form a mmWave antenna module. According to one embodiment, the mmWave antenna module includes a printed circuit board, an RFIC disposed on or adjacent to a first surface (eg, a lower surface) of the printed circuit board and capable of supporting a designated high frequency band (eg, mmWave band); and a plurality of antennas (eg, array antennas) disposed on or adjacent to a second surface (eg, a top surface or a side surface) of the printed circuit board and capable of transmitting or receiving signals of the designated high frequency band. can do.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.At least some of the components are connected to each other through a communication method between peripheral devices (eg, a bus, general purpose input and output (GPIO), serial peripheral interface (SPI), or mobile industry processor interface (MIPI)) and signal ( e.g. commands or data) can be exchanged with each other.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다. According to an embodiment, commands or data may be transmitted or received between the electronic device 101 and the external
서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 서비스 서버(Service Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Python, Golang, kotlin 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH, TOMCAT 등을 이용하여 웹 서비스를 구현할 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.The server 108 is connected to the electronic device 101 and can provide a service to the connected electronic device 101 . In addition, the server 108 may proceed with a membership sign-up procedure, store and manage various types of information of users subscribed as members, and provide various purchase and payment functions related to services. In addition, the server 108 may share execution data of service applications executed in each of the plurality of electronic devices 101 in real time so that the service can be shared among users. This server 108 may have the same configuration as a conventional web server or service server in terms of hardware. However, in terms of software, it may include a program module that is implemented through any language such as C, C++, Java, Python, Golang, or kotlin and performs various functions. In addition, the server 108 is generally connected to an unspecified number of clients and/or other servers through an open computer network such as the Internet, and receives requests from clients or other servers to perform tasks and derives and provides work results. It means a computer system and the computer software (server program) installed for it. In addition, the server 108, in addition to the above-described server program, a series of application programs operating on the server 108 and various databases (DB: Database, hereinafter referred to as It should be understood as a broad concept including DB"). Accordingly, the server 108 classifies member registration information and various information and data about games, stores them in a DB, and manages them. This DB may be implemented inside or outside the server 108 . In addition, the server 108 may be implemented using server programs that are provided in various ways according to operating systems such as Windows, Linux, UNIX, and Macintosh on general server hardware, As a representative example, a web service can be implemented using IIS (Internet Information Server) used in a Windows environment and CERN, NCSA, APPACH, TOMCAT, etc. used in a Unix environment. In addition, the server 108 may interoperate with an authentication system and a payment system for user authentication of services or payment for purchases related to services.
제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜, TCP, UDP(user datagram protocol) 등의 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.The
데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.A database may have a general data structure implemented in a storage space (hard disk or memory) of a computer system using a database management program (DBMS). The database may have a data storage form in which data can be freely searched for (extracted), deleted, edited, added, and the like. Databases are relational database management systems (RDBMS) such as Oracle, Informix, Sybase, and DB2, or object-oriented database management such as Gemston, Orion, and O2. It can be implemented according to the purpose of an embodiment of the present disclosure using a system (OODBMS) and XML Native Databases such as Excelon, Tamino, and Sekaiju, and its functions may have appropriate fields or elements to achieve.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.2 is a diagram showing the configuration of a program according to an embodiment.
도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다. 2 is a block diagram 200 illustrating a program 140 according to various embodiments. According to one embodiment, the program 140 includes an operating system 142, middleware 144, or an application 146 executable in the operating system 142 for controlling one or more resources of the electronic device 101. can include The operating system 142 may include, for example, Android™, iOS™, Windows™, Symbian™, Tizen™, or Bada™. At least some of the programs 140 are, for example, preloaded in the electronic device 101 at the time of manufacture, or when used by a user, an external electronic device (eg, the
운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.The operating system 142 may control management (eg, allocation or reclamation) of one or more system resources (eg, process, memory, or power) of the electronic device 101 . Operating system 142 may additionally or alternatively include other hardware devices of electronic device 101 , such as input module 150 , sound output module 155 , display module 160 , audio module 170 . ,
미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다. The middleware 144 may provide various functions to the application 146 so that the function or information provided from one or more resources of the electronic device 101 may be used by the application 146 . The middleware 144 includes, for example, the
어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.The
데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다. The database manager 211 may create, search, or change a database to be used by the application 146, for example. The package manager 213 may manage installation or update of applications distributed in the form of package files, for example. The connectivity manager 215 may manage, for example, a wireless connection or a direct connection between the electronic device 101 and an external electronic device. The notification manager 217 may provide a function for notifying a user of occurrence of a designated event (eg, an incoming call, message, or alarm), for example. The location manager 219 may manage location information of the electronic device 101, for example. The graphic manager 221 may manage, for example, one or more graphic effects to be provided to a user or a user interface related thereto.
시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.Security manager 223 may provide system security or user authentication, for example. The telephony manager 225 may manage, for example, a voice call function or a video call function provided by the electronic device 101 . The voice recognition manager 227 transmits, for example, the user's voice data to the server 108, and at least partially based on the voice data, a command corresponding to a function to be performed in the electronic device 101; Alternatively, text data converted at least partially based on the voice data may be received from the server 108 . According to one embodiment, the middleware 244 may dynamically delete some existing components or add new components. According to one embodiment, at least part of the middleware 144 may be included as part of the operating system 142 or may be implemented as separate software different from the operating system 142 .
어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다. The application 146 includes, for example, a home 251, a dialer 253, an SMS/
장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.The device management application is, for example, a power source (eg, turn-on or turn-off) of an external electronic device that communicates with the electronic device 101 or some component thereof (eg, a display module or a camera module of the external electronic device). ) or functions (eg brightness, resolution, or focus). The device management application may additionally or alternatively support installation, deletion, or update of an application operating in an external electronic device.
본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.Throughout this specification, a neural network, a neural network, and a network function may be used interchangeably. A neural network may consist of a set of interconnected computational units, which may be generally referred to as “nodes”. These “nodes” may also be referred to as “neurons”. A neural network includes at least two or more nodes. Nodes (or neurons) constituting neural networks may be interconnected by one or more “links”.
뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.In a neural network, two or more nodes connected through a link may form a relative relationship of an input node and an output node. The concept of an input node and an output node is relative, and any node in an output node relationship with one node may have an input node relationship with another node, and vice versa. As described above, the input node to output node relationship can be created around the link. More than one output node can be connected to one input node through a link, and vice versa.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.In a relationship between an input node and an output node connected through one link, the value of the output node may be determined based on data input to the input node. Here, a node interconnecting the input node and the output node may have a weight. The weight may be variable, and may be changed by a user or an algorithm in order for the neural network to perform a desired function. For example, when one or more input nodes are interconnected by respective links to one output node, the output node is set to a link corresponding to values input to input nodes connected to the output node and respective input nodes. An output node value may be determined based on the weight.
전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.As described above, in a neural network, two or more nodes are interconnected through one or more links to form an input node and output node relationship in the neural network. Characteristics of the neural network may be determined according to the number of nodes and links in the neural network, an association between the nodes and links, and a weight value assigned to each link. For example, when there are two neural networks having the same number of nodes and links and different weight values between the links, the two neural networks may be recognized as different from each other.
한편, 본 개시의 다양한 실시예들에서 가상 자산은 암호 화폐(cryptocurrency)일 수 있다. 암호화폐는 암호화'라는 뜻을 가진 'crypto-'와 통화, 화폐란 뜻을 가진 'currency'의 합성어이며, 분산 장부(distributed ledger)에서 공개키 암호화를 통해 안전하게 전송하고, 해시 함수를 이용해 쉽게 소유권을 증명해 낼 수 있는 디지털 자산이다. 일반적으로 암호화폐는 블록체인이나 DAG(directed acyclic graph)를 기반으로 한 분산 원장(distributed ledger) 상에서 동작할 수 있다. Meanwhile, in various embodiments of the present disclosure, virtual assets may be cryptocurrency. Cryptocurrency is a compound word of 'crypto-', which means 'encryption', and 'currency', which means currency and money. It is a digital asset that can prove In general, cryptocurrency can operate on a distributed ledger based on a blockchain or directed acyclic graph (DAG).
도 3은 일 실시예에 따른 뉴럴 네트워크를 이용하여 가상 자산에 대한 포트폴리오에 대해 리밸런싱을 수행하는 시스템을 나타낸다. 도 3의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.3 illustrates a system for rebalancing a portfolio of virtual assets using a neural network according to an embodiment. One embodiment of FIG. 3 may be combined with various embodiments of the present disclosure.
도 3을 참조하면, 가상 자산에 대한 포트폴리오에 대해 리밸런싱을 수행하는 시스템(30)은 포트폴리오 관리 서버(310), 사용자 단말(320), 거래소 서버(330), 네트워크(340) 및 데이터 베이스(350)을 포함할 수 있다.Referring to FIG. 3, a
포트폴리오 관리 서버(310)는 사용자 단말(320)로부터 네트워크(340)를 통해 가상 자산에 대한 포트폴리오에 대해 리밸런싱을 요청하는 메시지를 수신하고, 사용자 단말(320)과 관련된 포트폴리오를 리밸런싱한 정보(이하, 리밸런싱 정보)를 사용자 단말(320)에게 전송할 수 있다. 예를 들어, 포트폴리오 관리 서버(310)는 도 1의 서버(108)를 포함할 수 있다.The
예를 들어, 포트폴리오 관리 서버(310)는 사용자 단말(320)에게 가상 자산을 리밸런싱하기 위한 사용자 인터페이스를 제공하고, 해당 사용자 인터페이스에 대한 사용자 입력에 기초하여 리밸런싱 정보를 전송할 수 있다. 포트폴리오 관리 서버(310)는 거래소 서버(330)로부터 가상 자산에 대한 거래 정보를 수신하고, 가상 자산에 대한 거래 정보를 기반으로 데이터 베이스(350)를 이용하여 뉴럴 네트워크를 통해 복수의 평가 점수를 생성할 수 있다. 여기서, 가상 자산에 대한 거래 정보는, 암호화폐의 분산 장부에 기록된 온-체인 거래에 대한 정보가 아닌, 암호화폐를 거래소에서 거래한 오프-체인 거래에 대한 정보를 포함할 수 있다. 포트폴리오 관리 서버(310)는 상기 복수의 평가 점수를 기반으로 포트폴리오를 데이터 베이스(350)를 이용하여 리밸런싱한 정보를 결정할 수 있다.For example, the
사용자 단말(320)은 영상 화면을 디스플레이하는 기능 및 사용자 입력 인터페이스를 포함하는 모든 종류의 기기를 포함할 수 있다. 예를 들어, 사용자 단말(320)은 스마트폰, 태블릿 PC, PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비 모바일 컴퓨팅 장치를 포함할 수 있다. 또한, 사용자 단말(320)은 디스플레이 기능 및 사용자 입력 인터페이스를 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 디바이스를 포함할 수 있다. 예를 들어, 사용자 단말(330)은 도 1의 전자 장치(101)를 포함할 수 있다.The
거래소 서버(330)는 가상 자산에 대한 거래와 관련된 인터페이스를 제공하고, 가상 자산에 대한 거래를 관리하는 서버일 수 있다. 예를 들어, 거래소 서버(330)는 가상 자산에 대한 거래 정보를 포트폴리오 관리 서버(310) 또는 사용자 단말(320)에게 네트워크(340)를 통해 전송할 수 있다. 포트폴리오 관리 서버(310) 또는 사용자 단말(320)이 거래소 서버(330)와 인증 절차를 완료하면, 거래소 서버(330)는 가상 자산에 대한 거래 정보를 포트폴리오 관리 서버(310) 또는 사용자 단말(320)에게 네트워크(340)를 통해 전송할 수 있다. 예를 들어, 거래소 서버(330)는 도 1의 서버(108)를 포함할 수 있다.The
도 3에 도시된 바와 같이, 가상 자산에 대한 포트폴리오에 대해 리밸런싱을 수행하는 시스템(30)의 구성요소들은 네트워크(340)를 통해 연결될 수 있다. 일 실시예에 따라 네트워크는 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는 RF, 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5GPP(5rd Generation Partnership Project) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스 (Bluetooth) 네트워크, NFC 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.As shown in FIG. 3 , components of a
한편, 가상 자산 시장에서 매도 주문과 매수 주문은 각각 매도자와 매수자가 희망하는 매매가에 의하여 형성되고, 상호 합의에 의한 결과로 시장 가격이 형성된다. 시장의 거래가 활발할수록 합의된 가격에 근사한 가격대에서 매도 및 매수 주문이 발주되어 시장 가격과 차이가 적은 가격에 거래가 체결되는 반면, 시장의 거래가 활발하지 못한 경우, 부족한 주문 발주량으로 인하여 희망하는 가격을 크게 벗어난 가격에 거래가 체결될 수 있다. 이 점을 이용하여, 실제 시장 거래가 활발하게 이루어지지 않음에도 마치 활발하게 진행되고 있는 것처럼 보이게 하는 다양한 시도들이 있었고, 이러한 시도들은 서비스 이용자들에게 예기치 못한 손실을 유발하였다. 특히, 비정상적인 시도들은 암호 화폐 거래소가 암호 화폐의 가격 변동폭과 거래량만을 표기하고 있다는 점을 악용하여 이루어지는 경우가 대부분이며, 서비스 이용자는 호가의 변화를 지속적으로 관찰하기 전까지 비정상적인 시도가 있음을 파악하기 어렵다. 이에 대응하여, 본 개시에 따른 포트폴리오 관리 서버(310)는 시장에서 제출되는 호가의 변화를 측정하고 시장의 거래량을 기준으로 발생가능한 가격 변동성의 정상 범위를 파악하여 수치화하고, 상기 가격 변동성의 정상 범위에 기반하여 포트폴리오에 대해 리밸런싱을 수행할 수 있다.Meanwhile, in the virtual asset market, a sell order and a buy order are formed by the selling price desired by the seller and the buyer, respectively, and the market price is formed as a result of mutual agreement. The more active the market is, the more buy and sell orders are placed at a price close to the agreed upon price, and the transaction is concluded at a price with a small difference from the market price. A transaction may be concluded at an out-of-price price. Using this point, there have been various attempts to make it appear as if actual market transactions are not being actively conducted, and these attempts have caused unexpected losses to service users. In particular, most of the abnormal attempts are made by abusing the fact that cryptocurrency exchanges only display the price fluctuation range and trading volume of cryptocurrency, and it is difficult for service users to identify abnormal attempts until they continuously observe changes in quotes. . In response to this, the
암호 화폐 거래 시장에서 제출되는 호가는 정상적인 거래만으로 형성된 가격인 경우, 체결 과정에서 여러 가지 패턴을 보인다. 구체적으로, 시장가 주문에 의한 체결의 경우 체결된 제1 호가의 제1 수량이 거래량보다 클 경우에는 제1 수량 - 거래량만큼의 호가가 남는다. 지정가 주문에 의한 체결의 경우 제1 수량이 거래량보다 작고 지정가가 제2 호가를 체결할 가격이 아닐 경우에 거래량 - 제1 수량만큼의 호가가 반대측 호가로 남게 되고, 지정가가 제2 호가 이상의 호가까지 체결할 가격일 경우에 제2 호가에 대해서 차이의 수량만큼의 호가가 남게 된다. 즉, 한 번의 체결 주문으로 인하여 거래량 발생과 함께 호가와 변화가 발생하게 되며, 이를 수치화 하면 거래량의 평균치에 해당하는 체결 주문에 대하여 제출된 호가가 얼마만큼 체결될 것이며, 호가가 얼마나 변화할지가 예측될 수 있다. 이를 이용하여, 본 개시에 따른 포트폴리오 관리 서버(310)는 거래량과 변동폭을 고려하여 특정 시간 구간 동안 측정된 변화 가능 범위에 관하여 평균 연산 및 편차 연산을 통해 지표를 산출할 수 있다.In the case of quotes submitted in the cryptocurrency trading market, which are formed only through normal transactions, they show various patterns during the contracting process. Specifically, in the case of execution by market order, if the first quantity of the first quotation executed is greater than the trading volume, the quotation equal to the first quantity minus the trading volume remains. In the case of execution by limit order, if the first quantity is smaller than the trading volume and the limit price is not the price at which the second quotation will be executed, the quotation equal to the trading volume minus the 1st quantity remains as the opposite quotation, and the limit price is up to the quotation price equal to or greater than the second quotation. In the case of the price to be concluded, the number of bids equal to the difference between the second bid price and the second bid price remains. In other words, a single execution order causes the transaction volume to occur along with the quotation and change. If this is quantified, it is predicted how much the quotation and quotation submitted for the execution order corresponding to the average of the transaction volume will be executed and how much the quotation and price will change. It can be. Using this, the
포트폴리오 관리 서버(310)는 지수 구성 종목 각각에 대하여, 모든 거래에 따른 거래 발생시 가격 변동을 결정하고 이에 대한 편차를 산출함으로써 이상(ideal) 지표를 생성할 수 있다. 그러나, 이상 지표는 비정상적인 시장 교란 행위가 있는 경우 오류가 발생할 여지가 크다. 비정상적 행위에 대한 호가 변동을 고려하기 위하여, 포트폴리오 관리 서버(310)는 거래 발생시 가격 변동과 함께 가격 변동 구간 내에 호가 제출 후 취소된 물량을 포함하여 발생 가능한 가격 변동을 추가하여 편차를 산출함으로써, 블링크(blink) 반영 지표를 생성할 수 있다. 또는, 포트폴리오 관리 서버(310)는 가격 변동 구간 별로 복수 회에 걸쳐 호가를 측정하고, 가격 변동 구간 내에 유효 호가와 현재 가격의 차이에 대한 편차를 산출함으로써 일반적인 지표를 생성할 수 있다.The
생성된 지표들은 이전 구간의 통계를 기반으로 다음 구간의 기준선을 잡는 방식을 이용하므로, 평균치에서 벗어나는 비정상적 행위가 노이즈의 형태로 반영된다. 즉, 일반적인 변동성보다 지나치게 크거나 작은 변동성에 대한 편차가 관측되면 해당 지표는 즉각 노이즈의 형태로 반영된다. Since the generated indicators use a method of setting the baseline for the next interval based on the statistics of the previous interval, abnormal behaviors that deviate from the average value are reflected in the form of noise. That is, if a deviation for a volatility that is too large or too small is observed, the indicator is immediately reflected in the form of noise.
또한, 지표는 각 구간들의 측정 결과에 대한 편차를 도출하는 지표이므로, 샘플의 수가 많아질수록 더 정확한 결과가 도출된다. 따라서, 지표의 신뢰도는 다수의 노드들이 네트워크를 형성하여 각각 결과를 생성 및 누적한 경우에서 다수 측정된 결과치를 채택하는 경우에서 증가할 수 있다. In addition, since the index is an index that derives a deviation of the measurement results of each section, more accurate results are derived as the number of samples increases. Therefore, the reliability of the index may increase in the case where a plurality of measured results are adopted in the case where a plurality of nodes form a network to generate and accumulate results respectively.
포트폴리오 관리 서버(310)는 거래 정보에서 현재 시장 상황에 맞는 지수 거래 데이터를 추출하고, 거래량, 변동폭에 관련된 투자 정보를 기반으로 포트폴리오에 대한 리밸런싱을 수행할 수 있다. 이하에서, 포트폴리오 관리 서버(310)가 포트폴리오에 대한 리밸런싱을 수행하는 구체적인 방법이 예시된다.The
도 4는 일 실시예에 따른 뉴럴 네트워크를 이용하여 가상 자산에 대한 포트폴리오에 대해 리밸런싱을 수행하는 방법을 나타낸다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.4 illustrates a method of performing rebalancing on a portfolio of virtual assets using a neural network according to an embodiment. The embodiment of FIG. 4 can be combined with various embodiments of the present disclosure.
도 4를 참조하면, 단계 S401에서, 포트폴리오 관리 서버는 사용자 단말로부터 리밸런싱을 요청하는 제1 메시지를 수신할 수 있다.Referring to FIG. 4 , in step S401, the portfolio management server may receive a first message requesting rebalancing from a user terminal.
예를 들어, 제1 메시지는 사용자가 보유한 가상 자산에 대한 제1 포트폴리오 정보 또는 사용자 단말이 거래를 체결한 거래소에 대한 인증 정보 중 적어도 하나를 포함할 수 있다. 여기서, 제1 포트폴리오 정보는 거래 종목, 보유 개수, 거래가 체결된 날짜 및 거래소에 대한 정보를 포함할 수 있다. 여기서, 인증 정보는 사용자 단말과 관련된 ID, 인증 번호 또는 인증을 위한 생체 정보 중 적어도 하나를 포함할 수 있다.For example, the first message may include at least one of first portfolio information on a virtual asset possessed by the user and authentication information on an exchange with which the user terminal has entered into a transaction. Here, the first portfolio information may include information on the trading item, the number of holdings, the date the transaction was concluded, and the exchange. Here, the authentication information may include at least one of an ID related to the user terminal, an authentication number, or biometric information for authentication.
단계 S402에서, 포트폴리오 관리 서버는 제1 메시지를 수신한 것에 기반하여, 제1 포트폴리오 정보와 관련된 거래 종목에 대한 거래 정보를 거래소별로 획득할 수 있다.In step S402 , the portfolio management server may acquire transaction information on trading items related to the first portfolio information for each exchange, based on receiving the first message.
예를 들어, 포트폴리오 관리 서버는 제1 포트폴리오 정보를 기반으로 거래 종목들을 결정하고, 거래 종목들에 대해 거래소별로 거래 정보를 획득할 수 있다. 여기서, 제1 포트폴리오 정보와 관련된 거래 종목은 사용자가 거래한 가상 자산에 대한 종목일 수 있다. 즉, 포트폴리오 관리 서버는 제1 포트폴리오 정보에 포함된 거래 종목들에 대해 거래소별로 거래 정보를 요청하고, 거래소 서버로부터 거래 정보를 수신할 수 있다. 이때, 포트폴리오 관리 서버는 제1 메시지에 포함된 인증 정보를 기반으로 거래소 서버와 인증 절차를 완료한 후, 거래소 서버로부터 제1 포트폴리오 정보에 포함된 거래 종목들에 대한 거래 정보를 수신할 수 있다. For example, the portfolio management server may determine trading items based on the first portfolio information and obtain trading information for each exchange for the trading items. Here, the trading item related to the first portfolio information may be an item of a virtual asset traded by the user. That is, the portfolio management server may request transaction information for each exchange for the transaction items included in the first portfolio information and receive the transaction information from the exchange server. At this time, the portfolio management server may receive transaction information on trading items included in the first portfolio information from the exchange server after completing an authentication procedure with the exchange server based on the authentication information included in the first message.
단계 S403에서, 포트폴리오 관리 서버는 상기 거래 종목에 대한 거래 정보에 기반하여 사용자가 가상 자산을 보유한 시점부터 상기 제1 메시지를 수신한 시점까지의 거래 기간에 대해 복수의 변수에 대한 데이터를 추출할 수 있다. 예를 들어, 사용자가 보유한 가상 자산이 복수인 경우, 포트폴리오 관리 서버는 상기 거래 종목에 대한 거래 정보에 기반하여 복수의 가상 자산 각각에 대해 가상 자산을 보유한 시점부터 상기 제1 메시지를 수신한 시점까지의 거래 기간에 대해 복수의 변수에 대한 데이터를 추출할 수 있다.In step S403, the portfolio management server may extract data on a plurality of variables for a trading period from the time the user holds the virtual asset to the time the first message is received based on the transaction information on the trading item. there is. For example, when a user has a plurality of virtual assets, the portfolio management server, based on transaction information on the trading item, for each of the plurality of virtual assets, from the time of holding the virtual asset to the time of receiving the first message Data on a plurality of variables can be extracted for the trading period of .
여기서, 복수의 변수는, 상기 거래 기간에 대해, 총 수익률, 수익이 발생한 거래에 대한 거래 1회당 평균 수익률, 손실이 발생한 거래에 대한 거래 1회당 평균 수익률, 수익이 발생한 거래에 대한 수익률의 표준 편차, 손실이 발생한 거래에 대한 손실률의 표준 편차, 총 거래 횟수 및 승률을 포함할 수 있다. Here, the plurality of variables are, for the trading period, the total rate of return, the average rate of return per transaction for profitable transactions, the average rate of return per transaction for losses, and the standard deviation of the rate of return for profitable transactions. , the standard deviation of the loss rate for losing trades, the total number of trades, and the win rate.
예를 들어, 총 수익률은 현재 가상 자산의 가치, 즉, 평가 금액에서 초기 가상 자산의 가치(투자 원금)을 뺀 값을 초기 자상 가치의 원금으로 나눈 값일 수 있다. 승률은 1회 거래 시 수익이 발생할 확률일 수 있다. 예를 들어, 승률은 수익이 발생한 거래의 수에서 총 거래의 횟수를 나눈 값일 수 있다. 수익이 발생한 거래에 대한 거래 1회당 평균 수익률은 승률 및 거래 1회당 평균 수익률을 기반으로 결정될 수 있다. 손실이 발생한 거래에 대한 거래 1회당 평균 수익률은 1에서 승률을 뺀 값 및 거래 1회당 평균 손실률을 기반으로 결정될 수 있다. For example, the total rate of return may be the value of the current virtual asset, that is, the value obtained by subtracting the value of the initial virtual asset (the investment principal amount) from the appraised amount divided by the principal amount of the initial self-investment value. The win rate may be a probability of generating a profit in one transaction. For example, the odds ratio may be a value obtained by dividing the total number of transactions by the number of profitable transactions. An average rate of return per trade for profitable trades may be determined based on a win rate and an average rate of return per trade. An average rate of return per transaction for a transaction in which a loss occurs may be determined based on a value obtained by subtracting a win rate from 1 and an average rate of loss per transaction.
단계 S404에서, 포트폴리오 관리 서버는 상기 복수의 변수에 대한 데이터를 기반으로 뉴럴 네트워크를 이용한 평가 모델을 통해 복수의 평가 점수를 결정할 수 있다. In step S404, the portfolio management server may determine a plurality of evaluation scores through an evaluation model using a neural network based on the data on the plurality of variables.
여기서, 평가 점수는 상기 기간 내 수익이 발생한 거래에 대한 수익률의 표준 편차에 제1 가중치를 적용한 제1 값과 상기 기간 내 손실이 발생한 거래에 대한 손실률의 표준 편차에 제2 가중치를 적용한 제2 값을 합산한 값을 상기 기간에 대한 연 평균 수익률에서 나눈 값일 수 있다. 이때, 제1 가중치는 제2 가중치보다 작은 값일 수 있다.Here, the evaluation score is a first value obtained by applying a first weight to the standard deviation of returns for transactions in which profits occurred within the period and a second value obtained by applying a second weight to the standard deviation of loss rates for transactions in which losses occurred within the period. It may be a value obtained by dividing the sum of the above by the average annual rate of return for the period. In this case, the first weight may be a value smaller than the second weight.
예를 들어, 상기 뉴럴 네트워크는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함할 수 있다. 복수의 변수에 대한 데이터 및 정답 복수의 평가 점수로 구성된 각각의 학습 데이터는 상기 뉴럴 네트워크의 상기 입력 레이어에 입력되어 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터로 출력되고, 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실함수를 이용하여 손실 값을 출력하고, 상기 뉴럴 네트워크의 파라미터가 상기 손실 값이 작아지는 방향으로 학습될 수 있다.For example, the neural network may include an input layer, one or more hidden layers, and an output layer. Each learning data composed of data on a plurality of variables and a plurality of evaluation scores of correct answers is input to the input layer of the neural network, passes through the one or more hidden layers and the output layer, and is output as an output vector, and the output vector is The input is input to a loss function layer connected to the output layer, and the loss function layer outputs a loss value by using a loss function that compares the output vector with the correct answer vector for each learning data. It can be learned in a direction in which the loss value becomes smaller.
예를 들어, 복수의 평가 점수는 거래 시간 간격, 거래 알고리즘, 거래 종목 및 거래소 별로 결정될 수 있다. For example, a plurality of evaluation scores may be determined for each trading time interval, trading algorithm, trading item, and exchange.
상기 복수의 평가 점수는 복수의 거래 알고리즘에 대해 거래 시간 간격 별로 결정될 수 있다. 여기서, 복수의 거래 알고리즘은 블링크 반영 지표를 기반으로 결정된 가격 변동 구간에 대한 표준 편차에 따라 거래가 체결되는 제1 알고리즘, 사전 설정된 이동평균선(Moving Average)을 기준으로 거래가 체결되는 제2 알고리즘 및 현재를 기준으로 이전 양봉과 음봉에 대한 캔들의 변화폭의 평균값에 따라 거래가 체결되는 제3 알고리즘을 포함할 수 있다. 여기서, 블링크 반영 지표는 거래 발생시 가격 변동과 함께 가격 변동 구간 내에 호가가 제출 후 취소된 물량을 포함하여 발생 가능한 가격 변동을 추가하여 편차를 산출한 지표일 수 있다. 예를 들어, 상기 거래 알고리즘은 특정 조건을 만족하면 자동으로 거래를 체결하는 방식일 수 있고, 상기 특정 조건에 따라 상이한 거래 알고리즘을 가질 수 있다. 여기서, 거래 시간 간격은 15분, 1시간, 4시간 및 24시간을 포함할 수 있다. 즉, 복수의 거래 알고리즘은 설정된 거래 시간 간격마다 거래를 체결하는 특정 조건을 만족하는지 결정할 수 있다. 상기 거래 시간 간격에 대한 본 개시에 한정되지 않고, 더 많은 개수의 거래 시간 간격이 설정될 수도 있다. 이를 통해, 포트폴리오 관리 서버는 복수의 변수에 대한 데이터를 기반으로 서로 다른 거래 알고리즘에 대해 각각의 거래 시간 간격으로 거래를 수행한 경우에 대한 평가 점수를 결정할 수 있다.The plurality of evaluation scores may be determined for each trading time interval for a plurality of trading algorithms. Here, the plurality of trading algorithms include a first algorithm in which transactions are concluded according to the standard deviation for the price fluctuation range determined based on the blinking indicator, a second algorithm in which transactions are concluded based on a preset moving average, and the current As a reference, a third algorithm may be included in which a transaction is concluded according to the average value of change widths of candlesticks for previous positive and negative candlesticks. Here, the Blink reflection indicator may be an indicator in which a deviation is calculated by adding possible price fluctuations, including the quantity canceled after a quote is submitted within the price fluctuation range, together with the price fluctuation when a transaction occurs. For example, the transaction algorithm may be a method of automatically concluding a transaction when a specific condition is satisfied, and may have a different transaction algorithm according to the specific condition. Here, the transaction time interval may include 15 minutes, 1 hour, 4 hours, and 24 hours. That is, the plurality of transaction algorithms may determine whether a specific condition for concluding a transaction is satisfied for each set transaction time interval. The transaction time interval is not limited to the present disclosure, and a larger number of transaction time intervals may be set. Through this, the portfolio management server may determine an evaluation score for the case of performing transactions at respective trading time intervals for different trading algorithms based on data on a plurality of variables.
상기 복수의 거래 알고리즘은 각 가상 자산 별로 설정될 수 있다. 예를 들어, 사용자가 보유한 가상 자산이 비트 코인 및 이더리움인 경우, 비트 코인 및 이더리움 각각에 대해 상기 복수의 거래 알고리즘이 설정될 수 있고, 비트 코인에 대한 평가 점수와 이더리움에 대한 평가 점수가 복수의 거래 알고리즘에 대해 각각의 거리 시간 간격 별로 평가 점수가 결정될 수 있다.The plurality of trading algorithms may be set for each virtual asset. For example, if the virtual assets held by the user are Bitcoin and Ethereum, the plurality of transaction algorithms may be set for each of Bitcoin and Ethereum, and an evaluation score for Bitcoin and an evaluation score for Ethereum. An evaluation score may be determined for each distance time interval for a plurality of transaction algorithms.
상기 각 가상 자산은 거래소 별로 설정될 수 있다. 예를 들어, 사용자가 거래를 체결한 거래소 이외에 다른 거래소에 대한 비트 코인 및 이더리움에 대해 평가 점수가 결정될 수 있다. 즉, A 거래소의 비트 코인 및 이더리움에 대한 평가 점수가 복수의 거래 알고리즘에 대해 각각의 거리 시간 간격 별로 결정될 수 있고, B 거래소의 비트 코인 및 이더리움에 대한 평가 점수가 복수의 거래 알고리즘에 대해 각각의 거리 시간 간격 별로 결정될 수 있다.Each of the virtual assets may be set for each exchange. For example, evaluation scores may be determined for Bitcoin and Ethereum for other exchanges other than the exchange where the user has entered into a transaction. That is, the evaluation scores of Exchange A for Bitcoin and Ethereum may be determined for each distance time interval for a plurality of trading algorithms, and the evaluation scores for Exchange B for Bitcoin and Ethereum may be determined for a plurality of trading algorithms. It may be determined for each distance time interval.
단계 S405에서, 포트폴리오 관리 서버는 상기 복수의 평가 점수를 기반으로 상기 제1 포트폴리오에 대한 리밸런싱 정보를 결정할 수 있다.In step S405, the portfolio management server may determine rebalancing information for the first portfolio based on the plurality of evaluation scores.
여기서, 제1 포트폴리오에 대한 리밸런싱 정보는 가상 자산에 대한 비중을 포함할 수 있다. 예를 들어, 사용자가 보유한 가상 자산이 비트 코인 및 이더리움인 경우, 제1 포트폴리오에 대한 리밸런싱 정보는 비트 코인에 대한 비중과 이더리움에 대한 비중을 포함할 수 있다.Here, the rebalancing information for the first portfolio may include weights for virtual assets. For example, when the virtual assets held by the user are Bitcoin and Ethereum, the rebalancing information for the first portfolio may include a weight to Bitcoin and a weight to Ethereum.
예를 들어, 상기 가상 자산에 대한 비중은 하루에 거래한 횟수, 거래 1회당 기대 손익률 및 상기 복수의 평가 점수를 기반으로 결정될 수 있다. 상기 하루에 거래한 횟수는 상기 총 거래 횟수를 상기 거래 기간으로 나눈 값일 수 있다. 상기 거래 1회당 기대 손익률은 상기 거래 기간 내 승률, 상기 거래 기간 내 수익이 발생한 거래에 대한 거래 1회당 평균 수익률 및 상기 거래 기간 내 손실이 발생한 거래에 대한 거래 1회당 평균 손실률을 기반으로 결정될 수 있다.For example, the weight of the virtual asset may be determined based on the number of transactions per day, the expected profit/loss ratio per transaction, and the plurality of evaluation scores. The number of transactions per day may be a value obtained by dividing the total number of transactions by the transaction period. The expected profit/loss rate per transaction may be determined based on the win rate within the trading period, the average rate of return per transaction for profitable transactions within the trading period, and the average loss rate per transaction for transactions with losses within the trading period. there is.
예를 들어, 상기 가장 자산에 대한 비중은 하기 수학식 1에 의해 결정될 수 있다.For example, the share of the most assets may be determined by Equation 1 below.
상기 수학식 1에서, 상기 Cap은 상기 가상 자산에 대한 비중이고, 상기 Trade per Day는 상기 가상 자산을 하루에 거래한 횟수이고, 상기 Expect P&L은 상기 가상 자산에 대한 거래 1회당 기대 손익률이고, 상기 TSVS는 상기 가상 자산에 대한 종합 평가 점수이고, 상기 n은 거래 종목의 개수이고, 상기 TSVSi는 상기 i번째 거래 종목에 대한 종합 평가 점수일 수 있다.In Equation 1, the Cap is the weight of the virtual asset, the Trade per Day is the number of times the virtual asset is traded per day, and the Expect P&L is the expected profit/loss ratio per transaction of the virtual asset; The TSVS may be a comprehensive evaluation score for the virtual asset, n may be the number of trading items, and the TSVSi may be a comprehensive evaluation score for the i-th trading item.
여기서, 상기 Trade per Day는 상기 총 거래 횟수를 상기 거래 기간으로 나눈 값일 수 있다. 여기서, 상기 Expect P&L은 상기 거래 기간 내 승률, 상기 거래 기간 내 수익이 발생한 거래에 대한 거래 1회당 평균 수익률 및 상기 거래 기간 내 손실이 발생한 거래에 대한 거래 1회당 평균 수익률을 기반으로 결정될 수 있다. 여기서, 종합 평가 점수는 상기 가상 자산에 대해 결정된 복수의 평가 점수를 기반으로 결정된 점수일 수 있다. 예를 들어, 종합 평가 점수는 복수의 평가 점수에 리밸런싱 기준에 대한 가중치를 반영한 가중 평균 값일 수 있다.Here, the trade per day may be a value obtained by dividing the total number of trades by the trade period. Here, the Expect P&L may be determined based on the win rate within the trading period, the average rate of return per trade for profitable trades within the trading period, and the average rate of return per trade for trades that generate losses within the trading period. Here, the comprehensive evaluation score may be a score determined based on a plurality of evaluation scores determined for the virtual asset. For example, the comprehensive evaluation score may be a weighted average value obtained by reflecting a weight for a rebalancing criterion on a plurality of evaluation scores.
이를 통해, 포트폴리오 관리 서버는 가상 자산과 관련된 거래 알고리즘과 거래 시간 간격 및 거래소 등 다양한 요소를 고려함으로써, 가상 자산에 특성에 맞추어 포트폴리오에 대해 리밸런싱을 수행할 수 있다. Through this, the portfolio management server may perform rebalancing of the portfolio according to the characteristics of the virtual asset by considering various factors such as a trading algorithm, a trading time interval, and an exchange related to the virtual asset.
예를 들어, 상기 가상 자산에 대한 Expect P&L은 하기 수학식 2에 의해 결정될 수 있다.For example, Expect P&L for the virtual asset may be determined by Equation 2 below.
상기 수학식 2에서, 상기 Expect P&L은 상기 거래 1회당 기대 손익률이고, 상기 Winr은 상기 거래 기간에 대한 승률이고. 상기 WT ProfitAvg는 상기 거래 기간 내 수익이 발생한 거래에 대한 거래 1회당 평균 수익률이고, 상기 LT ProfitAvg는 상기 거래 기간 내 손실이 발생한 거래에 대한 거래 1회당 평균 손실률일 수 있다. In Equation 2, the Expect P&L is the expected profit/loss rate per transaction, and the Winr is the odds ratio for the transaction period. The WT ProfitAvg may be an average rate of return per transaction for profitable transactions within the trading period, and the LT ProfitAvg may be an average loss rate per transaction for transactions that generate losses within the trading period.
상기 평가 점수는 기존의 주식 시장에서 사용되는 샤프지수와 다르게, 가상 자산에 대한 알고리즘을 평가함에 적합한 형태로 변경된 샤프지수를 통해 결정될 수 있다. 가장 자산에서는 큰 수익이 발생한 거래들로 인해 가상 자산에 대한 알고리즘의 수익률의 편차가 클 수 있으며, 이는 가상 자산의 마켓 특성 상 필연적이다. 따라서, 위험성을 평가하기 위해 수익이 났을 때의 편차가 아닌, 손실이 났을 때의 편차에 집중하기 위해 위한 새로운 가중치가 필요할 수 있다.Unlike the Sharpe index used in the existing stock market, the evaluation score may be determined through a Sharpe index modified into a form suitable for evaluating algorithms for virtual assets. In most assets, the deviation of the return rate of the algorithm for virtual assets may be large due to transactions that generated large profits, which is inevitable due to the market characteristics of virtual assets. Therefore, new weights may be needed to focus on the variance in the event of a loss, rather than the variance in the case of a profit, to evaluate risk.
예를 들어, 상기 평가 점수는 하기 수학식 3에 의해 결정될 수 있다.For example, the evaluation score may be determined by Equation 3 below.
상기 StrategyValueScore는 상기 평가 점수이고, 상기 Total Profit은 상기 총 수익률이고, 상기 TradingDay는 상기 거래 기간, 상기 Profit sd(+)은 상기 기간 내 수익이 발생한 거래에 대한 수익률의 표준 편차이고, 상기 Profit sd(-)는 상기 기간 내 손실이 발생한 거래에 대한 손실률의 표준 편차일 수 있다.The StrategyValueScore is the evaluation score, the Total Profit is the total rate of return, the TradingDay is the trading period, the Profit sd (+) is the standard deviation of rates of return for transactions in which profits occurred within the period, and the Profit sd ( -) may be the standard deviation of the loss rate for transactions in which a loss occurred within the period.
단계 S406에서, 포트폴리오 관리 서버는 상기 제1 포트폴리오에 대한 리밸런싱 정보를 포함하는 제2 메시지를 상기 사용자 단말에게 전송할 수 있다.In step S406, the portfolio management server may transmit a second message including rebalancing information for the first portfolio to the user terminal.
단계 S407에서, 포트폴리오 관리 서버는 상기 사용자 단말로부터 리밸런싱에 대한 승인 메시지를 수신하는 것에 기반하여, 상기 리밸런싱 정보에 기반하여 상기 제1 포트폴리오에 대해 리밸런싱을 수행할 수 있다.In step S407, the portfolio management server may perform rebalancing on the first portfolio based on the rebalancing information based on receiving a rebalancing approval message from the user terminal.
부가적으로, 예를 들어, 하나의 가상 자산만이 포트폴리오에 포함된 경우, 리밸런싱을 요청하는 제1 메시지는 사용자에 의해 선택된 리밸런싱 기준에 대한 값을 더 포함할 수 있다. 리밸런싱 기준에 대한 값이 거래 알고리즘에 대응하는 경우, 포트폴리오 관리 서버는 상기 하나의 가장 자산에 대해 복수의 거래 알고리즘에 대해 거래 시간 간격 별로 평가 점수를 결정할 수 있다. 포트폴리오 관리 서버는 상기 복수의 거래 알고리즘에 대한 거래 시간 간격 별 평가 점수를 거래소 별로 설정할 수 있다. 이를 통해, 포트폴리오 관리 서버는 복수의 거래 알고리즘 각각에 대한 비중을 결정할 수 있다. 또한, 리밸런싱 기준에 대한 값이 거래 시간 간격에 대응하는 경우, 포트폴리오 관리 서버는 상기 복수의 거래 시간 간격에 대한 거래 알고리즘 별 평가 점수를 거래소 별로 설정할 수 있고, 포트폴리오 관리 서버는 거래 시간 간격에 대한 비중을 결정할 수 있다. 또한, 예를 들어, 리밸런싱 기준에 대한 값이 거래소에 대응하는 경우, 포트폴리오 관리 서버는 상기 복수의 거래소에 대한 거래 알고리즘 별 평가 점수를 거래 시간 간격 별로 설정할 수 있고, 포트폴리오 관리 서버는 거래소를 기준으로 거래소에 대한 비중을 결정할 수 있다.Additionally, for example, when only one virtual asset is included in the portfolio, the first message requesting rebalancing may further include a value for a rebalancing criterion selected by the user. When the value of the rebalancing criterion corresponds to the trading algorithm, the portfolio management server may determine evaluation scores for each trading time interval for a plurality of trading algorithms for the one most asset. The portfolio management server may set evaluation scores for each trading time interval for the plurality of trading algorithms for each exchange. Through this, the portfolio management server may determine a weight for each of a plurality of trading algorithms. In addition, when the value for the rebalancing criterion corresponds to the trading time interval, the portfolio management server may set evaluation scores for each trading algorithm for the plurality of trading time intervals for each exchange, and the portfolio management server may set the trading time interval for the trading time interval. weight can be determined. In addition, for example, if the value for the rebalancing criterion corresponds to the exchange, the portfolio management server may set the evaluation score for each trading algorithm for the plurality of exchanges for each trading time interval, and the portfolio management server may set the exchange as a standard. You can determine your weighting on the exchange.
도 5는 일 실시예에 따른 뉴럴 네트워크를 이용하여 가상 자산에 대한 포트폴리오에 대해 리밸런싱을 수행하는 방법에 대한 흐름도이다. 도 6은 일 실시예에 따른 특정 거래소 내 복수의 거래 종목에 대한 복수의 변수를 나타낸 표이다. 도 7은 일 실시예에 따른 평가 등급이 A등급 이상인 거래 종목에 대한 가상 자산의 변화를 나타낸 그래프이다. 도 8은 일 실시예에 따른 평가 등급이 A등급 미만인 거래 종목에 대한 가상 자산의 변화를 나타낸 그래프이다. 도 5 내지 도 8의 실시예들은 본 개시의 다양한 실시예들과 결합될 수 있다.5 is a flowchart of a method of performing rebalancing on a portfolio of virtual assets using a neural network according to an embodiment. 6 is a table showing a plurality of variables for a plurality of trading items in a specific exchange according to an embodiment. 7 is a graph showing changes in virtual assets for trading items having an evaluation grade of A or higher according to an embodiment. 8 is a graph showing changes in virtual assets for trading items having an evaluation grade of less than A grade according to an embodiment. The embodiments of FIGS. 5 to 8 may be combined with various embodiments of the present disclosure.
도 5를 참조하면, 단계 S501에서, 포트폴리오 관리 서버는 사용자 단말로부터 리밸런싱을 요청하는 제1 메시지를 수신할 수 있다. 예를 들어, 제1 메시지는 사용자가 보유한 가상 자산에 대한 제1 포트폴리오 정보 또는 사용자 단말이 거래를 체결한 거래소에 대한 인증 정보 중 적어도 하나를 포함할 수 있다.Referring to FIG. 5 , in step S501, the portfolio management server may receive a first message requesting rebalancing from a user terminal. For example, the first message may include at least one of first portfolio information on a virtual asset possessed by the user and authentication information on an exchange with which the user terminal has entered into a transaction.
단계 S502에서, 포트폴리오 관리 서버는 상기 제1 메시지 내 인증 정보가 존재하는지 여부를 결정할 수 있다. 예를 들어, 인증 정보는 사용자 단말과 관련된 ID, 인증 번호 또는 인증을 위한 생체 정보 중 적어도 하나를 포함할 수 있다. 여기서, 생체 정보는 사용자를 식별할 수 있는 생체에 대한 정보이며, 사용자의 지문에 대한 정보, 사용자의 홍채에 대한 정보 또는 사용자의 얼굴에 대한 정보 중 적어도 하나를 포함할 수 있다.In step S502, the portfolio management server may determine whether authentication information exists in the first message. For example, authentication information may include at least one of an ID related to a user terminal, an authentication number, or biometric information for authentication. Here, the biometric information is biometric information capable of identifying the user, and may include at least one of information about the user's fingerprint, information about the user's iris, and information about the user's face.
단계 S503에서, 상기 제1 메시지 내 인증 정보를 수신한 것 기반하여, 포트폴리오 관리 서버는 거래소 서버로부터 제1 포트폴리오 정보와 관련된 거래 종목에 대한 거래 정보를 수신할 수 있다. 여기서, 제1 포트폴리오 정보와 관련된 거래 종목은 사용자가 거래한 가상 자산에 대한 종목일 수 있다.In step S503, based on receiving the authentication information in the first message, the portfolio management server may receive transaction information on a trading item related to the first portfolio information from the exchange server. Here, the trading item related to the first portfolio information may be an item of a virtual asset traded by the user.
예를 들어, 포트폴리오 관리 서버는 제1 메시지에 포함된 인증 정보를 기반으로 거래소 서버와 인증 절차를 완료한 후, 거래소 서버로부터 제1 포트폴리오 정보에 포함된 거래 종목들에 대한 거래 정보를 수신할 수 있다.For example, the portfolio management server may receive transaction information on trading items included in the first portfolio information from the exchange server after completing an authentication procedure with the exchange server based on authentication information included in the first message. there is.
단계 S504에서, 상기 제1 메시지 내 인증 정보를 수신하지 못한 것 기반하여, 포트폴리오 관리 서버는 복수의 거래소 서버에 대한 웹 크롤링을 통해 제1 포트폴리오 정보와 관련된 거래 종목에 대한 거래 정보를 획득할 수 있다.In step S504, based on the failure to receive authentication information in the first message, the portfolio management server may obtain transaction information on a trading item related to the first portfolio information through web crawling of a plurality of exchange servers. .
도 6을 참조하면, 포트폴리오 관리 서버는 상기 거래 종목에 대한 거래 정보에 기반하여 사용자가 가상 자산을 보유한 시점부터 상기 제1 메시지를 수신한 시점까지의 거래 기간에 대해 복수의 변수에 대한 데이터를 도 6의 표와 같이 추출할 수 있다.Referring to FIG. 6, the portfolio management server draws data on a plurality of variables for a trading period from the time the user holds the virtual asset to the time the first message is received based on the transaction information for the trading item. It can be extracted as shown in Table 6.
도 6의 표에서, BTC, ETH 와 같은 영문자는 가상 자산의 종목을 나타내며, 포트폴리오 관리 서버는 거래 정보에 기반하여 각 가장 자산의 종목에 대해, 상기 거래 기간 내 총 수익률, 상기 거래 기간 내 총 거래 횟수, 상기 거래 기간 내 승률, 상기 거래 기간 내 수익이 발생한 거래에 대한 수익률의 표준 편차, 상기 거래 기간 내 손실이 발생한 거래에 대한 손실률의 표준 편차를 추출할 수 있다. 예를 들어, BTC의 경우, 거래 기간 내 총 수익률은 1534.78%이고, 총 거래 횟수는 296회, 승률은 26.01%, 표준 편차와 관련하여 수익이 발생한 거래에 대한 수익률은 15.95%이고, 표준 편차와 관련하여 손실이 발생한 거래에 대한 손실률은 1.31%일 수 있다.In the table of FIG. 6, English letters such as BTC and ETH represent the items of virtual assets, and the portfolio management server calculates the total return within the trading period and total transactions within the trading period for each item of the most valuable asset based on the transaction information. The number of times, the win rate within the trading period, the standard deviation of the rate of return for profitable transactions within the trading period, and the standard deviation of the loss rate for trading with losses within the trading period may be extracted. For example, in the case of BTC, the total return within the trading period is 1534.78%, the total number of trades is 296, the odds ratio is 26.01%, the return on trades that have been profitable in relation to the standard deviation is 15.95%, and the standard deviation and The loss ratio for trades with losses associated with them may be 1.31%.
단계 S505에서, 포트폴리오 관리 서버는 복수의 변수에 대한 데이터를 기반으로 뉴럴 네트워크를 이용한 평가 모델을 통해 복수의 평가 점수를 결정할 수 있다. 단계 S506에서, 포트폴리오 관리 서버는 제1 포트폴리오에 포함된 거래 종목이 복수인지 여부를 결정할 수 있다.In step S505, the portfolio management server may determine a plurality of evaluation scores through an evaluation model using a neural network based on data on a plurality of variables. In step S506, the portfolio management server may determine whether the number of trading items included in the first portfolio is plural.
도 6을 참조하면, 예를 들어, 거래 종목별 평가 점수를 분석하는 케이스인 경우, 포트폴리오 관리 서버는 복수의 변수에 대한 데이터를 기반으로 거래소 내 각 거래 종목에 대해 평가 점수를 결정할 수 있다. 예를 들어, BTC의 평가 점수는 상술한 수학식 3에 의해 76.23점으로 결정할 수 있다. Referring to FIG. 6 , for example, in the case of analyzing evaluation scores for each trading item, the portfolio management server may determine an evaluation score for each trading item in the exchange based on data on a plurality of variables. For example, the evaluation score of BTC can be determined as 76.23 points by Equation 3 above.
단계 S507에서, 제1 포트폴리오에 포함된 거래 종목이 복수인 경우, 포트폴리오 관리 서버는 종합 평가 점수에 기반하여 제1 포트폴리오에 대한 리밸런싱 정보를 결정할 수 있다. In step S507, when the number of trading items included in the first portfolio is plural, the portfolio management server may determine rebalancing information for the first portfolio based on the comprehensive evaluation score.
예를 들어, 포트폴리오 관리 서버는 상술한 수학식 1에 의해 제1 포트폴리오에 포함된 가상 자산에 대한 비중을 결정할 수 있다. For example, the portfolio management server may determine the proportion of virtual assets included in the first portfolio by Equation 1 described above.
여기서, 종합 평가 점수는 복수의 평가 점수에 대해 거래 시간 간격에 대한 제1 기준 가중치, 거래 알고리즘에 대한 제2 기준 가중치, 거래소에 대한 제3 기준 가중치 및 거래 종목에 대한 제4 기준 가중치를 적용한 가중 평균 값일 수 있다. 기준 가중치는 해당 리밸런싱 기준 별로 결정된 평가 점수에 대해 적용되는 가중치일 수 있다. 예를 들어, 거래 시간 간격에 대한 제1 기준 가중치가 적용되는 경우, 제1 포트폴리오에 포함된 거래 종목 중 비트 코인에 대한 평가 점수를 결정할 때, 거래 시간 간격별로 결정된 평가 점수에 대해 제1 기준 가중치가 적용될 수 있다. 제1 기준 가중치 내지 제4 기준 가중치는 포트폴리오 관리 서버에 사전 설정될 수 있다. 예를 들어, 제1 기준 가중치 내지 제4 기준 가중치는 사용자 단말에 의해 포트폴리오 관리 서버에 사전 설정될 수 있다. 따라서, 포트폴리오 관리 서버는 사용자가 원하는 투자 방향을 반영하여 포트폴리오에 대한 리밸런싱을 수행할 수 있다. Here, the comprehensive evaluation score is a weight obtained by applying a first reference weight for a trading time interval, a second reference weight for a trading algorithm, a third reference weight for an exchange, and a fourth reference weight for a trading item to a plurality of evaluation scores. may be an average value. The reference weight may be a weight applied to evaluation scores determined for each corresponding rebalancing criterion. For example, when a first criterion weight for each trading time interval is applied, when determining an evaluation score for Bitcoin among trading items included in the first portfolio, a first criterion weight for the evaluation score determined for each trading time interval. may be applied. The first to fourth reference weights may be preset in the portfolio management server. For example, the first to fourth reference weights may be preset in the portfolio management server by the user terminal. Accordingly, the portfolio management server may perform rebalancing of the portfolio by reflecting the investment direction desired by the user.
단계 S508에서, 제1 포트폴리오에 포함된 거래 종목이 하나인 경우, 포트폴리오 관리 서버는 리밸런싱 기준에 대한 값에 기반하여 제1 포트폴리오에 대한 리밸런싱 정보를 결정할 수 있다.In step S508, when there is only one transaction item included in the first portfolio, the portfolio management server may determine rebalancing information for the first portfolio based on a value for a rebalancing criterion.
예를 들어, 리밸런싱 기준에 대한 값은 상기 제1 메시지에 포함될 수 있다. 이때, 포트폴리오 관리 서버는 리밸런싱 기준에 대한 값에 기반하여 상술한 수학식 1에서 종합 평가 점수를 리밸런싱 기준에 대한 평가 점수로 대체하고, 거래 종목의 개수를 리밸런싱 기준과 관련된 개수로 대체하고, i번째 거래 종목에 대한 종합 평가 점수를 i번째 리밸런싱 기준에 대한 평가 점수로 대체할 수 있다. 즉, 예를 들어, 리밸런싱 기준에 대한 값이 거래 알고리즘에 대응하는 경우, 포트폴리오 관리 서버는 상술한 수학식 1을 이용하되, 종합 평가 점수를 현재 사용자 단말에 의해 설정된 거래 알고리즘에 대한 평가 점수로 대체하고, 상기 거래 종목의 개수를 거래 알고리즘의 개수로 대체하고, i번째 거래 종목에 대한 종합 평가 점수를 i번째 거래 알고리즘에 대한 평가 점수로 대체함으로써, 거래 알고리즘에 대한 비중을 결정할 수 있다.For example, a value for a rebalancing criterion may be included in the first message. At this time, the portfolio management server replaces the overall evaluation score with the evaluation score for the rebalancing criterion in Equation 1 based on the value for the rebalancing criterion, replaces the number of trading items with the number related to the rebalancing criterion, , the overall evaluation score for the ith transaction item can be replaced with the evaluation score for the ith rebalancing criterion. That is, for example, when the value for the rebalancing criterion corresponds to the trading algorithm, the portfolio management server uses Equation 1 described above, but converts the overall evaluation score to the evaluation score for the trading algorithm currently set by the user terminal. By substituting the number of trading items with the number of trading algorithms, and replacing the overall evaluation score for the i-th trading item with the evaluation score for the i-th trading algorithm, the weighting of the trading algorithm can be determined.
단계 S509에서, 포트폴리오 관리 서버는 B등급 이상인 평가 등급이 존재하는지 여부를 결정할 수 있다.In step S509, the portfolio management server may determine whether an evaluation grade equal to or greater than B exists.
도 6을 참조하면, 포트폴리오 관리 서버는 상기 평가 점수에 기반하여 평가 등급을 결정할 수 있다. 예를 들어, 포트폴리오 관리 서버는 상기 평가 점수가 포함된 범위에 따라 평가 등급을 결정할 수 있다. 상기 범위는 포트폴리오 관리 서버에 사전 설정될 수 있다. 이때, 평가 점수가 60점이상인 경우, A+등급으로 결정될 수 있고, 평가 점수가 50점에서 60점 사이인 경우, A등급으로 결정될 수 있다. 평가 점수가 40점에서 50점 사이인 경우, B+등급으로 결정될 수 있고, 평가 점수가 35점에서 40점 사이인 경우, B등급으로 결정될 수 있다. 평가 점수가 30점에서 35점 사이인 경우, C+등급으로 결정될 수 있고, 평가 점수가 30점 이하인 경우, C등급으로 결정될 수 있다.Referring to FIG. 6 , the portfolio management server may determine an evaluation level based on the evaluation score. For example, the portfolio management server may determine an evaluation grade according to a range included in the evaluation score. The range may be preset in the portfolio management server. In this case, when the evaluation score is 60 points or more, it may be determined as A+ grade, and when the evaluation score is between 50 points and 60 points, it may be determined as grade A. When the evaluation score is between 40 and 50 points, it may be determined as a B+ grade, and when the evaluation score is between 35 and 40 points, it may be determined as a B grade. If the evaluation score is between 30 and 35 points, it may be determined as a C+ grade, and if the evaluation score is 30 points or less, it may be determined as a C grade.
예를 들어, 거래 종목별 평가 점수를 분석하는 케이스인 경우, 평가 점수가 76.23점으로 A+등급인 BTC(610)에 대한 자산 변화 그래프(710)와 평가 점수가 93.60점으로 A+등급인 ETH(610)에 대한 자산 변화 그래프(710)가 도 7과 같이 나타날 수 있다. 또한, 평가 점수가 58.36점으로 A등급인 ADA(620)에 대한 자산 변화 그래프(720)와 평가 점수가 57.37점인 ETC(620)에 대한 자산 변화 그래프(720)가 도 7과 같이 나타날 수 있다. 예를 들어, 평가 점수가 43.47점으로 B+등급인 WAXP(630)에 대한 자산 변화 그래프(810)와 평가 점수가 38.94점으로 B등급인 ZIL(640)에 대한 자산 변화 그래프(810)가 도 8과 같이 나타날 수 있다. 또한, 평가 점수가 27.07점으로 C등급인 MED(660)에 대한 자산 변화 그래프(820)와 평가 점수가 28.81으로 C등급인 OMG(650)에 대한 자산 변화 그래프(820)가 도 8과 같이 나타날 수 있다.For example, in the case of analyzing the evaluation score for each trading item, the asset change graph for BTC (610) with an evaluation score of 76.23 points and an A+ grade (710) and ETH (610) with an A+ grade with an evaluation score of 93.60 points An
단계 S510에서, B등급 이상인 평가 등급이 존재하지 않으면, 포트폴리오 관리 서버는 뉴럴 네트워크를 이용한 예측 모델을 통해 제1 메시지를 수신한 시점 이후에 대한 복수의 예측 평가 점수를 결정할 수 있다.In step S510, if there is no evaluation grade equal to or greater than B, the portfolio management server may determine a plurality of predicted evaluation scores after receiving the first message through a prediction model using a neural network.
부가적으로, 예를 들어, 포트폴리오 관리 서버는 상기 복수의 변수에 대한 데이터 및 평가 모델을 통해 결정된 복수의 평가 점수를 기반으로 뉴럴 네트워크를 이용한 예측 모델을 통해 제1 메시지를 수신한 시점 이후에 대한 복수의 예측 평가 점수를 결정할 수 있다. 즉, 포트폴리오 관리 서버는 과거의 평가 점수와 과거의 평가 점수를 결정한 복수의 변수에 대한 과거 데이터를 기반으로 제1 메시지를 수신한 시점 이후에 대한 복수의 예측 평가 점수를 결정할 수 있다.Additionally, for example, the portfolio management server determines after the time of receiving the first message through a prediction model using a neural network based on the plurality of evaluation scores determined through the data and evaluation model for the plurality of variables. A plurality of predictive evaluation scores may be determined. That is, the portfolio management server may determine a plurality of predicted evaluation scores after receiving the first message based on past evaluation scores and past data on a plurality of variables determining the past evaluation scores.
단계 S511에서, 포트폴리오 관리 서버는 제1 포트폴리오에 대한 리밸런싱 정보를 포함하는 제2 메시지를 사용자 단말에게 전송할 수 있다.In step S511, the portfolio management server may transmit a second message including rebalancing information for the first portfolio to the user terminal.
예를 들어, B등급 이상인 평가 등급이 존재하면, 포트폴리오 관리 서버는 제1 포트폴리오에 대한 리밸런싱 정보를 포함하는 제2 메시지를 사용자 단말에게 전송할 수 있다.For example, if there is an evaluation grade equal to or greater than B, the portfolio management server may transmit a second message including rebalancing information for the first portfolio to the user terminal.
예를 들어, B등급 이상인 평가 등급이 존재하지 않으면, 포트폴리오 관리 서버는 제1 포트폴리오에 대한 리밸런싱 정보 및 상기 복수의 예측 평가 점수를 기반으로 결정된 제1 포트폴리오에 대한 예측 리밸런싱 정보를 포함하는 제2 메시지를 사용자 단말에게 전송할 수 있다.For example, if there is no evaluation grade equal to or greater than B, the portfolio management server includes rebalancing information for the first portfolio and predictive rebalancing information for the first portfolio determined based on the plurality of predicted evaluation scores. 2 The message can be transmitted to the user terminal.
단계 S512에서, 포트폴리오 관리 서버는 사용자 단말로부터 리밸런싱에 대한 승인 메시지를 수신하는지 여부를 결정할 수 있다.In step S512, the portfolio management server may determine whether to receive a rebalancing approval message from the user terminal.
단계 S513에서, 사용자 단말로부터 리밸런싱에 대한 승인 메시지를 수신되지 않는 경우, 포트폴리오 관리 서버는 사용자 단말로부터 리밸런싱에 대한 변경 메시지를 수신할 수 있다. 예를 들어, 리밸런싱에 대한 변경 메시지는 사용자에 의해 변경된 가상 자산의 비중에 대한 정보를 포함할 수 있다.In step S513, when the approval message for rebalancing is not received from the user terminal, the portfolio management server may receive a change message for rebalancing from the user terminal. For example, the change message for rebalancing may include information about the proportion of virtual assets changed by the user.
단계 S514에서, 포트폴리오 관리 서버는 리밸런싱을 수행할 수 있다.In step S514, the portfolio management server may perform rebalancing.
예를 들어, 사용자 단말로부터 리밸런싱에 대한 승인 메시지를 수신한 경우, 포트폴리오 관리 서버는 리밸런싱 정보에 기반하여 제1 포트폴리오에 대해 리밸런싱을 수행할 수 있다.For example, when receiving an approval message for rebalancing from the user terminal, the portfolio management server may perform rebalancing on the first portfolio based on the rebalancing information.
예를 들어, 사용자 단말로부터 리밸런싱에 대한 변경 메시지를 수신한 경우, 포트폴리오 관리 서버는 리밸런싱 정보 및 사용자에 의해 변경된 가상 자산의 비중에 대한 정보에 기반하여 제1 포트폴리오에 대해 리밸런싱을 수행할 수 있다.For example, when a change message for rebalancing is received from the user terminal, the portfolio management server performs rebalancing on the first portfolio based on the rebalancing information and information on the ratio of virtual assets changed by the user. can
도 9는 일 실시예에 따른 평가 모델 및 예측 모델에 대한 예이다. 도 9의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.9 is an example of an evaluation model and a prediction model according to an embodiment. The embodiment of FIG. 9 can be combined with various embodiments of the present disclosure.
도 9를 참조하면, 평가 모델에 사용되는 뉴럴 네트워크는 다변량 LSTM(long short term memory networks) 모델일 수 있다. 일반적으로 RNN(recurrent neural network)은 내부에 저장된 기존 입력에 대한 히든 레이어 값이 다음 입력 값에 대한 출력에서 고려되기 때문에, 시계열적 정보를 효과적으로 모델링할 수 있다. 그러나, RNN은 과거 관측 값에 의존하는 구조이므로, 기울기가 소실(vanishing gradient)되거나 기울기가 매우 큰 값(exploding gradient)을 가지게 되는 문제가 발생할 수 있다. 이를 해결하기 위한 모델이 LSTM이며, LSTM 내부의 노드는 메모리 셀로 대체함으로써, 정보를 축적하거나 과거 정보의 일부를 삭제가 가능하며, 상기 RNN의 문제를 보완할 수 있다.Referring to FIG. 9 , the neural network used for the evaluation model may be a multivariate long short term memory networks (LSTM) model. In general, a recurrent neural network (RNN) can effectively model time-series information because hidden layer values for an existing input stored therein are considered in an output for a next input value. However, since RNN is a structure that depends on past observation values, problems such as vanishing gradient or exploding gradient may occur. A model to solve this problem is LSTM, and by replacing nodes inside the LSTM with memory cells, information can be accumulated or some of past information can be deleted, and the problem of the RNN can be supplemented.
예를 들어, 뉴럴 네트워크는 입력 레이어(910), 하나 이상의 히든 레이어(920), 출력 레이어(930)를 포함할 수 있다.For example, a neural network may include an input layer 910 , one or more hidden layers 920 , and an output layer 930 .
예를 들어, 상기 하나 이상의 히든 레이어(920)는 하나 이상의 LSTM 블록을 포함하고, 하나의 LSTM 블록은 메모리 셀(memory cell), 입력 게이트(input gate), 삭제 게이트(forget gate), 출력 게이트(output gate)를 포함할 수 있다. For example, the one or more hidden layers 920 include one or more LSTM blocks, and one LSTM block includes a memory cell, an input gate, an erase gate, and an output gate ( output gate).
예를 들어, 상기 메모리 셀은 활성화 함수를 통해 결과를 출력하는 노드이며, 상기 메모리 셀은 바로 이전 시점에서의 메모리 셀에서 출력된 값을 현재 시점에서 자신의 입력으로 사용하는 재귀적 동작을 수행할 수 있다. 예를 들어, 현재 시점이 t인 경우, 현재 시점 t에서 메모리 셀에 의해 출력되는 값은 과거의 메모리 셀들의 값에 영향을 받을 수 있다. 메모리 셀은 셀 스테이트(Ct) 값과 히든 스테이트(ht) 값을 출력할 수 있다. 즉, 메모리 셀은 t-1 시점의 메모리 셀이 전달한 셀 스테이트 값(Ct-1) 및 히든 스테이트 값(ht-1)을 t 시점의 셀 스테이트 값과 히든 스테이트 값을 계산하기 위한 입력 값으로 사용할 수 있다.For example, the memory cell is a node that outputs a result through an activation function, and the memory cell performs a recursive operation of using a value output from a memory cell at a previous point in time as its own input. can For example, when the current time point is t, a value output by a memory cell at the current time point t may be influenced by values of memory cells in the past. The memory cell may output a cell state (C t ) value and a hidden state (h t ) value. That is, the memory cell uses the cell state value (C t-1 ) and the hidden state value (h t-1 ) delivered by the memory cell at time t-1 as input values for calculating the cell state value and hidden state value at time t. can be used as
예를 들어, 입력 게이트(922), 삭제 게이트(921) 및 출력 게이트(923)는 모두 시그모이드 레이어를 포함하고, 시그모이드 레이어를 통해 입력된 정보가 얼마만큼 전달되는지를 나타낼 수 있다. 예를 들어, 시그모이드 레이어는 시그모이드 함수()가 활성화 함수인 레이어일 수 있다. 또한, 예를 들어, 입력 게이트(922), 삭제 게이트(921) 및 출력 게이트(923)를 통해 셀 스테이트(924)가 제어되고, 각 게이트와 입력에 따른 가중치들이 존재할 수 있다.For example, the input gate 922, the deletion gate 921, and the output gate 923 all include a sigmoid layer, and it may indicate how much information input through the sigmoid layer is transmitted. For example, a sigmoid layer is a sigmoid function ( ) may be a layer whose activation function is Also, for example, the cell state 924 is controlled through the input gate 922, the deletion gate 921, and the output gate 923, and weights according to each gate and input may exist.
예를 들어, 복수의 변수에 대한 데이터는 데이터 전처리를 통해 벡터화될 수 있다. 즉, 복수의 변수에 대한 데이터는 거래 시간 간격별 입력 벡터, 거래 알고리즘별 입력 벡터, 거래 종목별 입력 벡터 및 거래소별 입력 벡터로 구성된 복수의 입력 벡터로 변환될 수 있다. For example, data for a plurality of variables may be vectorized through data preprocessing. That is, data for a plurality of variables may be converted into a plurality of input vectors composed of an input vector for each trading time interval, an input vector for each trading algorithm, an input vector for each trading item, and an input vector for each exchange.
예를 들어, 복수의 입력 벡터가 상기 입력 레이어에 입력되고, 상기 삭제 게이트는 상기 입력 벡터를 기반으로 생성된 ht-1(t-1 시점의 히든 스테이트)과 xt(t 시점의 입력 값)를 기반으로 0과 1 사이의 값을 Ct-1로 전달할 수 있다. 여기서, 0과 1사이의 값은 삭제 과정을 거친 정보의 양이며, 0에 가까울수록 정보가 많이 삭제되고, 1에 가까울수록 온전한 정보가 전달될 수 있다. For example, a plurality of input vectors are input to the input layer, and the deletion gate is generated based on the input vectors h t-1 (hidden state at time t-1) and x t (input value at time t) ), a value between 0 and 1 can be passed as C t-1 . Here, a value between 0 and 1 is the amount of information that has gone through the deletion process. The closer to 0, the more information is deleted, and the closer to 1, the more intact information can be transmitted.
예를 들어, 상기 입력 게이트(922)는 시그모이드 레이어를 통해 업데이트할 값을 결정하고, tanh 레이어가 새로운 후보 값들인 Ct 벡터를 생성하고, 셀 스테이트(924)에 저장시킬 수 있다. tanh는 비선형 활성화 함수(하이퍼볼릭 탄젠트 함수)를 의미한다. For example, the input gate 922 may determine a value to be updated through a sigmoid layer, and a tanh layer may generate a C t vector, which is new candidate values, and store it in the cell state 924 . tanh means a nonlinear activation function (hyperbolic tangent function).
예를 들어, 과거 셀 스테이트인 Ct-1가 업데이트됨으로써, 새로운 셀 스테이트인 Ct가 생성될 수 있다. 즉, 셀 스테이트(924)에 대해 상기 ft를 셀 스테이트에 곱하여 정보가 삭제되고, 업데이트 값을 스케일한 값이 추가될 수 있다. For example, a new cell state C t may be created by updating the previous cell state C t-1 . That is, information about the cell state 924 is deleted by multiplying f t by the cell state, and a value obtained by scaling the updated value may be added.
예를 들어, 출력 게이트(923)는 시그모이드 레이어에서 복수의 입력 벡터에 기반하여 출력할 셀 스테이트의 부분을 결정할 수 있고, 출력 게이트(923)는 상기 시그모이드 레이어에서 결정된 셀 스테이트를 tanh 레이어를 통해 -1에서 1 사이의 값으로 출력된 값과 곱할 수 있다. For example, the output gate 923 may determine a portion of a cell state to be output based on a plurality of input vectors in the sigmoid layer, and the output gate 923 converts the cell state determined in the sigmoid layer to tanh Through the layer, a value between -1 and 1 can be multiplied with the output value.
예를 들어, 평가 모델은 상기 삭제 게이트(921)와 상기 입력 게이트(922)가 합쳐진 LSTM 모델일 수 있다. 이러한 경우, 새로운 정보가 추가되는 이전 정보만 삭제됨으로써, 보다 빠르게 연산이 수행될 수 있다.For example, the evaluation model may be an LSTM model in which the deletion gate 921 and the input gate 922 are combined. In this case, since only the old information to which new information is added is deleted, the operation can be performed more quickly.
따라서, 포트폴리오 관리 서버가 상기 평가 모델을 통해 학습된 뉴럴 네트워크의 파라미터를 사용할 수 있고, 포트폴리오 관리 서버는 사전 설정된 기준들(거래 시간 간격, 거래 알고리즘, 거래종목 및 거래소)을 고려하여 각각의 기준에 대해 평가 점수를 결정할 수 있다.Therefore, the portfolio management server can use the parameters of the neural network learned through the evaluation model, and the portfolio management server considers the preset criteria (trading time interval, trading algorithm, trading item and exchange) and determines each criterion. evaluation score can be determined.
도 9를 참조하면, 예측 모델은 오토인코더(auto encoder) 모델일 수 있다. 오토인코더 모델은 비지도 학습 알고리즘으로써 데이터들 사이의 선형 및 비선형적인 관계를 표현하고, 데이터의 노이즈를 제거하고 패턴을 추론하는 데에 강점을 가진다. 오토인코더 뉴럴 네트워크는 뉴럴 네트워크 레이어 2 개를 대칭 형태로 결합한 구조이며, 입력 레이어를 통해 입력된 데이터는 인코딩 레이어를 거쳐 특징 값을 결정하고, 디코딩 레이어에서 특징 값을 복원함으로써, 출력 레이어에서 정답 데이터와 최대한 유사하게 학습킬 수 있다. Referring to FIG. 9 , the prediction model may be an auto encoder model. An autoencoder model is an unsupervised learning algorithm that has strengths in expressing linear and non-linear relationships between data, removing noise from data, and inferring patterns. An autoencoder neural network is a structure in which two neural network layers are combined in a symmetrical form. Data input through an input layer determines feature values through an encoding layer and restores feature values in a decoding layer, so that the answer data in the output layer can be learned as similarly as possible.
예를 들어, 오토인코더 뉴럴 네트워크는 컨벌루션 뉴럴 네트워크를 기반으로 구성될 수 있고, 입력 레이어(940), 인코딩 레이어 2개(950)와 디코딩 레이어 2개(960) 및 출력 레이어(970)를 포함할 수 있다. 인코딩 레이어와 디코딩 레이어의 활성화 함수로 ReLU(Rectified Linear Unit) 함수가 사용될 수 있고, 출력 레이어의 활성화 함수는 선형 함수가 사용될 수 있다. 여기서, ReLU 함수는 음수 값에 대해 0 값을 반환하고, 양수 값에 대해 해당 값을 반환하는 함수이다. 이때, 오토인코더 뉴럴 네트워크는 인코더 레이어의 가중치와 디코더 레이어의 가중치를 대칭으로 결정할 수 있다. 이를 통해, 오토인코더 뉴럴 네트워크에 대한 학습량을 절반으로 줄임으로써, 학습 속도를 향상시키고 오버피팅의 위험을 감소시킬 수 있다.For example, an autoencoder neural network may be constructed based on a convolutional neural network and may include an input layer 940, two encoding layers 950, two decoding layers 960, and an output layer 970. can A Rectified Linear Unit (ReLU) function may be used as an activation function of the encoding layer and the decoding layer, and a linear function may be used as an activation function of the output layer. Here, the ReLU function is a function that returns a value of 0 for negative values and a corresponding value for positive values. At this time, the autoencoder neural network may symmetrically determine the weights of the encoder layer and the weights of the decoder layer. Through this, by reducing the learning amount for the autoencoder neural network by half, the learning speed can be improved and the risk of overfitting can be reduced.
예를 들어, 포트폴리오 관리 서버는 복수의 변수에 대한 데이터 및 평가 모델을 통해 결정된 복수의 평가 점수에 대한 데이터 전처리를 통해 오토인코더 뉴럴 네트워크에 대한 입력 벡터를 생성할 수 있고, 포트폴리오 관리 서버는 상기 입력 벡터를 인코딩 레이어에 통과시켜 특징 값을 결정하고, 디코딩 레이어에서 특징 값을 복원함으로써, 출력 레이어에서 정답 평가 점수와 최대한 유사한 예측 평가 점수를 결정할 수 있다. 즉, 포트폴리오 관리 서버는 과거의 평가 점수와 과거의 평가 점수를 결정한 복수의 변수에 대한 과거 데이터를 기반으로 제1 메시지를 수신한 시점 이후에 대한 복수의 예측 평가 점수를 결정할 수 있다.For example, the portfolio management server may generate an input vector for an autoencoder neural network through preprocessing of data for a plurality of variables and data for a plurality of evaluation scores determined through an evaluation model, and the portfolio management server may generate the input vector for the autoencoder neural network. By passing the vector through the encoding layer to determine the feature value and restoring the feature value in the decoding layer, it is possible to determine a predicted evaluation score that is as similar as possible to the evaluation score of the correct answer in the output layer. That is, the portfolio management server may determine a plurality of predicted evaluation scores after receiving the first message based on past evaluation scores and past data on a plurality of variables determining the past evaluation scores.
도 10은 일 실시예에 따른 포트폴리오 관리 서버의 구성을 나타내는 블록도이다. 도 10의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.10 is a block diagram showing the configuration of a portfolio management server according to an embodiment. One embodiment of FIG. 10 may be combined with various embodiments of the present disclosure.
도 10에 도시된 바와 같이, 포트폴리오 관리 서버(1000)는 프로세서(1010), 통신부(1020) 및 메모리(1030)를 포함할 수 있다. 그러나, 도 10에 도시된 구성 요소 모두가 포트폴리오 관리 서버(1000)의 필수 구성 요소인 것은 아니다. 도 10에 도시된 구성 요소보다 많은 구성 요소에 의해 포트폴리오 관리 서버(1000)가 구현될 수도 있고, 도 10에 도시된 구성 요소보다 적은 구성 요소에 의해 포트폴리오 관리 서버(1000)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 포트폴리오 관리 서버(1000)는 프로세서(1010), 통신부(1020) 및 메모리(1030) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.As shown in FIG. 10 , the portfolio management server 1000 may include a processor 1010 , a communication unit 1020 and a memory 1030 . However, not all components shown in FIG. 10 are essential components of the portfolio management server 1000 . The portfolio management server 1000 may be implemented by more components than those shown in FIG. 10, or the portfolio management server 1000 may be implemented by fewer components than those shown in FIG. For example, the portfolio management server 1000 according to some embodiments may further include a user input interface (not shown), an output unit (not shown), etc. in addition to the processor 1010, the communication unit 1020, and the memory 1030. may be
프로세서(1010)는, 통상적으로 포트폴리오 관리 서버(1000)의 전반적인 동작을 제어한다. 프로세서(1010)는 하나 이상의 프로세서를 구비하여, 포트폴리오 관리 서버(1000)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(1010)는, 메모리(1030)에 저장된 프로그램들을 실행함으로써, 통신부(1020) 및 메모리(1030) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(1010)는 메모리(1030)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 9에 기재된 포트폴리오 관리 서버(1000)의 기능을 수행할 수 있다.The processor 1010 typically controls the overall operation of the portfolio management server 1000 . The processor 1010 may include one or more processors to control other elements included in the portfolio management server 1000 . For example, the processor 1010 may generally control the communication unit 1020 and the memory 1030 by executing programs stored in the memory 1030 . In addition, the processor 1010 may perform the functions of the portfolio management server 1000 described in FIGS. 3 to 9 by executing programs stored in the memory 1030 .
통신부(1020)는, 포트폴리오 관리 서버(1000)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 포트폴리오 관리 서버(1000)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(1020)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다. The communication unit 1020 may include one or more components that allow the portfolio management server 1000 to communicate with other devices (not shown) and servers (not shown). The other device (not shown) may be a computing device such as the portfolio management server 1000 or a sensing device, but is not limited thereto. The communication unit 1020 may receive a user input from another electronic device or data stored in an external device from an external device through a network.
예를 들어, 통신부(1020)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(1020)는 프로세서(1010)에서 생성된 정보를 서버와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(1020)는 서버와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(1020)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 수신한 정보와 관련된 정보를 전송할 수 있다.For example, the communication unit 1020 may transmit/receive a message for establishing a connection with at least one device. The communication unit 1020 may transmit information generated by the processor 1010 to at least one device connected to the server. The communication unit 1020 may receive information from at least one device connected to the server. The communication unit 1020 may transmit information related to the received information in response to information received from at least one device.
메모리(1030)는, 프로세서(1010)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(1030)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(1030)는 프로세서(1010)에서 생성된 데이터를 저장할 수 있다. 메모리(1030)는 포트폴리오 관리 서버(1000)로 입력되거나 포트폴리오 관리 서버(1000)로부터 출력되는 정보를 저장할 수도 있다. The memory 1030 may store programs for processing and control of the processor 1010 . For example, the memory 1030 may store information input to a server or information received from another device through a network. Also, the memory 1030 may store data generated by the processor 1010 . The memory 1030 may store information input to or output from the portfolio management server 1000 .
메모리(1030)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.The memory 1030 is a flash memory type, a hard disk type, a multimedia card micro type, a card type memory (eg SD or XD memory, etc.), RAM (RAM, Random Access Memory) SRAM (Static Random Access Memory), ROM (Read-Only Memory), EEPROM (Electrically Erasable Programmable Read-Only Memory), PROM (Programmable Read-Only Memory), magnetic memory, magnetic disk , an optical disk, and at least one type of storage medium.
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. You can command the device. 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.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents of the claims are within the scope of the following claims.
삭제delete
삭제delete
Claims (12)
사용자 단말로부터 리밸런싱을 요청하는 제1 메시지를 수신하는 단계;
상기 제1 메시지는 사용자가 보유한 가상 자산에 대한 제1 포트폴리오 정보를 포함하고,
상기 제1 메시지를 수신한 것에 기반하여, 상기 제1 포트폴리오 정보와 관련된 거래 종목에 대한 거래 정보를 거래소별로 획득하는 단계;
상기 거래 종목에 대한 거래 정보에 기반하여 사용자가 가상 자산을 보유한 시점부터 상기 제1 메시지를 수신한 시점까지의 거래 기간에 대해 복수의 변수에 대한 데이터를 추출하는 단계;
상기 복수의 변수는, 상기 거래 기간에 대해, 총 수익률, 수익이 발생한 거래에 대한 거래 1회당 평균 수익률, 손실이 발생한 거래에 대한 거래 1회당 평균 수익률, 수익이 발생한 거래에 대한 수익률의 표준 편차, 손실이 발생한 거래에 대한 손실률의 표준 편차, 총 거래 횟수 및 승률을 포함하고,
상기 복수의 변수에 대한 데이터를 기반으로 뉴럴 네트워크를 이용한 평가 모델을 통해 복수의 평가 점수를 결정하는 단계;
상기 복수의 평가 점수를 기반으로 상기 제1 포트폴리오에 대한 리밸런싱 정보를 결정하는 단계;
상기 제1 포트폴리오에 대한 리밸런싱 정보를 포함하는 제2 메시지를 상기 사용자 단말에게 전송하는 단계; 및
상기 사용자 단말로부터 리밸런싱에 대한 승인 메시지를 수신하는 것에 기반하여, 상기 리밸런싱 정보에 기반하여 상기 제1 포트폴리오에 대해 리밸런싱을 수행하는 단계;를 포함하되,
상기 제1 포트폴리오에 대한 리밸런싱 정보는 가상 자산에 대한 비중을 포함하고,
상기 가상 자산에 대한 비중은 하루에 거래한 횟수, 거래 1회당 기대 손익률 및 상기 복수의 평가 점수를 기반으로 결정되고,
상기 하루에 거래한 횟수는 상기 총 거래 횟수를 상기 거래 기간으로 나눈 값이고,
상기 거래 1회당 기대 손익률은 상기 거래 기간 내 승률, 상기 거래 기간 내 수익이 발생한 거래에 대한 거래 1회당 평균 수익률 및 상기 거래 기간 내 손실이 발생한 거래에 대한 거래 1회당 평균 손실률을 기반으로 결정되고,
상기 복수의 평가 점수 각각은 거래 시간 간격, 거래 알고리즘 및 거래소 별로 하기 수학식에 의해 결정되고,
상기 복수의 평가 점수는 복수의 거래 알고리즘에 대해 거래 시간 간격 별로 결정되고,
상기 복수의 거래 알고리즘은 각 가상 자산 별로 설정되고,
상기 각 가상 자산은 거래소 별로 설정되고,
상기 복수의 거래 알고리즘은 블링크 반영 지표를 기반으로 결정된 가격 변동 구간에 대한 표준 편차에 따라 거래가 체결되는 제1 알고리즘, 사전 설정된 이동평균선(Moving Average)을 기준으로 거래가 체결되는 제2 알고리즘 및 현재를 기준으로 이전 양봉과 음봉에 대한 캔들의 변화폭의 평균값에 따라 거래가 체결되는 제3 알고리즘을 포함하고,
상기 블링크 반영 지표는 거래 발생시 가격 변동과 함께 가격 변동 구간 내에 호가가 제출 후 취소된 물량을 포함하여 발생 가능한 가격 변동을 추가하여 편차를 산출한 지표이고,
상기 수학식에서, 상기 StrategyValueScore는 상기 평가 점수이고, 상기 Total Profit은 상기 총 수익률이고, 상기 TradingDay는 상기 거래 기간, 상기 Profit sd(+)은 상기 거래 기간 내 수익이 발생한 거래에 대한 수익률의 표준 편차이고, 상기 Profit sd(-)는 상기 거래 기간 내 손실이 발생한 거래에 대한 손실률의 표준 편차인,
방법.
A method for a portfolio management server to rebalance a portfolio of virtual assets using a neural network, the method comprising:
Receiving a first message requesting rebalancing from a user terminal;
The first message includes first portfolio information on virtual assets owned by the user,
Based on receiving the first message, acquiring transaction information for each trading item related to the first portfolio information;
extracting data on a plurality of variables for a trading period from the time the user holds the virtual asset to the time the first message is received based on the transaction information for the trading item;
The plurality of variables are, for the trading period, the total rate of return, the average rate of return per transaction for profitable transactions, the average rate of return per transaction for losses, the standard deviation of the rate of return for profitable transactions, Include the standard deviation of the loss rate for losing trades, the total number of trades, and the win rate;
determining a plurality of evaluation scores through an evaluation model using a neural network based on the data on the plurality of variables;
determining rebalancing information for the first portfolio based on the plurality of evaluation scores;
Transmitting a second message including rebalancing information for the first portfolio to the user terminal; and
Based on receiving an approval message for rebalancing from the user terminal, performing rebalancing on the first portfolio based on the rebalancing information; Including,
The rebalancing information for the first portfolio includes a weight for virtual assets,
The weight of the virtual asset is determined based on the number of transactions per day, the expected profit/loss ratio per transaction, and the plurality of evaluation scores;
The number of transactions per day is the value obtained by dividing the total number of transactions by the transaction period,
The expected profit/loss rate per transaction is determined based on the win rate within the trading period, the average rate of return per transaction for profitable transactions within the trading period, and the average loss rate per transaction for losses occurring within the trading period, ,
Each of the plurality of evaluation scores is determined by the following equation for each trading time interval, trading algorithm, and exchange,
The plurality of evaluation scores are determined for each trading time interval for a plurality of trading algorithms,
The plurality of trading algorithms are set for each virtual asset,
Each virtual asset is set for each exchange,
The plurality of trading algorithms are based on a first algorithm in which trades are concluded according to the standard deviation of the price fluctuation range determined based on the blinking indicator, a second algorithm in which trades are concluded based on a preset moving average, and the current Including a third algorithm in which transactions are concluded according to the average value of change widths of candles for previous positive and negative candlesticks,
The Blink reflection indicator is an indicator calculated by adding possible price fluctuations, including the quantity canceled after a quote is submitted within the price fluctuation range, along with the price fluctuation when a transaction occurs, and the deviation is calculated.
In the above equation, the StrategyValueScore is the evaluation score, the Total Profit is the total rate of return, the TradingDay is the trading period, the Profit sd (+) is the standard deviation of the rate of return for transactions generating profits within the trading period, , The Profit sd (-) is the standard deviation of the loss rate for transactions in which losses occurred during the trading period,
method.
상기 뉴럴 네트워크는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하고,
복수의 변수에 대한 데이터 및 정답 복수의 평가 점수로 구성된 각각의 학습 데이터는 상기 뉴럴 네트워크의 상기 입력 레이어에 입력되어 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터로 출력되고, 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실함수를 이용하여 손실 값을 출력하고, 상기 뉴럴 네트워크의 파라미터가 상기 손실 값이 작아지는 방향으로 학습되는,
방법.
According to claim 1,
The neural network includes an input layer, one or more hidden layers and an output layer;
Each learning data composed of data on a plurality of variables and a plurality of evaluation scores of correct answers is input to the input layer of the neural network, passes through the one or more hidden layers and the output layer, and is output as an output vector, and the output vector is The input is input to a loss function layer connected to the output layer, and the loss function layer outputs a loss value by using a loss function that compares the output vector with the correct answer vector for each learning data. Learning in the direction in which the loss value becomes smaller,
method.
상기 적어도 하나의 프로세서는:
사용자 단말로부터 리밸런싱을 요청하는 제1 메시지를 수신하고,
상기 제1 메시지는 사용자가 보유한 가상 자산에 대한 제1 포트폴리오 정보를 포함하고,
상기 제1 메시지를 수신한 것에 기반하여, 상기 제1 포트폴리오 정보와 관련된 거래 종목에 대한 거래 정보를 거래소별로 획득하고,
상기 거래 종목에 대한 거래 정보에 기반하여 사용자가 가상 자산을 보유한 시점부터 상기 제1 메시지를 수신한 시점까지의 거래 기간에 대해 복수의 변수에 대한 데이터를 추출하고,
상기 복수의 변수는, 상기 거래 기간에 대해, 총 수익률, 수익이 발생한 거래에 대한 거래 1회당 평균 수익률, 손실이 발생한 거래에 대한 거래 1회당 평균 수익률, 수익이 발생한 거래에 대한 수익률의 표준 편차, 손실이 발생한 거래에 대한 손실률의 표준 편차, 총 거래 횟수 및 승률을 포함하고,
상기 복수의 변수에 대한 데이터를 기반으로 뉴럴 네트워크를 이용한 평가 모델을 통해 복수의 평가 점수를 결정하고,
상기 복수의 평가 점수를 기반으로 상기 제1 포트폴리오에 대한 리밸런싱 정보를 결정하고,
상기 제1 포트폴리오에 대한 리밸런싱 정보를 포함하는 제2 메시지를 상기 사용자 단말에게 전송하고,
상기 사용자 단말로부터 리밸런싱에 대한 승인 메시지를 수신하는 것에 기반하여, 상기 리밸런싱 정보에 기반하여 상기 제1 포트폴리오에 대해 리밸런싱을 수행하고,
상기 제1 포트폴리오에 대한 리밸런싱 정보는 가상 자산에 대한 비중을 포함하고,
상기 가상 자산에 대한 비중은 하루에 거래한 횟수, 거래 1회당 기대 손익률 및 상기 복수의 평가 점수를 기반으로 결정되고,
상기 하루에 거래한 횟수는 상기 총 거래 횟수를 상기 거래 기간으로 나눈 값이고,
상기 거래 1회당 기대 손익률은 상기 거래 기간 내 승률, 상기 거래 기간 내 수익이 발생한 거래에 대한 거래 1회당 평균 수익률 및 상기 거래 기간 내 손실이 발생한 거래에 대한 거래 1회당 평균 손실률을 기반으로 결정되고,
상기 복수의 평가 점수는 복수의 거래 알고리즘 각각에 대해 거래 시간 간격 별로 결정되고,
상기 복수의 거래 알고리즘은 각 가상 자산 별로 설정되고,
상기 각 가상 자산은 거래소 별로 설정되고,
상기 복수의 거래 알고리즘은 블링크 반영 지표를 기반으로 결정된 가격 변동 구간에 대한 표준 편차에 따라 거래가 체결되는 제1 알고리즘, 사전 설정된 이동평균선(Moving Average)을 기준으로 거래가 체결되는 제2 알고리즘 및 현재를 기준으로 이전 양봉과 음봉에 대한 캔들의 변화폭의 평균값에 따라 거래가 체결되는 제3 알고리즘을 포함하고,
상기 블링크 반영 지표는 거래 발생시 가격 변동과 함께 가격 변동 구간 내에 호가가 제출 후 취소된 물량을 포함하여 발생 가능한 가격 변동을 추가하여 편차를 산출한 지표이고,
상기 복수의 평가 점수 각각은 거래 시간 간격, 거래 알고리즘 및 거래소 별로 하기 수학식에 의해 결정되고,
상기 수학식에서, 상기 StrategyValueScore는 평가 점수이고, 상기 Total Profit은 상기 총 수익률이고, 상기 TradingDay는 상기 거래 기간, 상기 Profit sd(+)은 상기 거래 기간 내 수익이 발생한 거래에 대한 수익률의 표준 편차이고, 상기 Profit sd(-)는 상기 거래 기간 내 손실이 발생한 거래에 대한 손실률의 표준 편차인,
포트폴리오 관리 서버.
In the portfolio management server including at least one processor, at least one memory and a communication unit,
The at least one processor is:
Receiving a first message requesting rebalancing from a user terminal;
The first message includes first portfolio information on virtual assets owned by the user,
Based on receiving the first message, acquiring transaction information for each trading item related to the first portfolio information,
Extracting data for a plurality of variables for a trading period from the time the user holds the virtual asset to the time the first message is received based on the transaction information for the trading item;
The plurality of variables are, for the trading period, the total rate of return, the average rate of return per transaction for profitable transactions, the average rate of return per transaction for losses, the standard deviation of the rate of return for profitable transactions, Include the standard deviation of the loss rate for losing trades, the total number of trades, and the win rate;
Based on the data on the plurality of variables, a plurality of evaluation scores are determined through an evaluation model using a neural network,
Determining rebalancing information for the first portfolio based on the plurality of evaluation scores;
Transmitting a second message including rebalancing information for the first portfolio to the user terminal;
Based on receiving an approval message for rebalancing from the user terminal, rebalancing is performed on the first portfolio based on the rebalancing information;
The rebalancing information for the first portfolio includes a weight for virtual assets,
The weight of the virtual asset is determined based on the number of transactions per day, the expected profit/loss ratio per transaction, and the plurality of evaluation scores;
The number of transactions per day is the value obtained by dividing the total number of transactions by the transaction period,
The expected profit/loss rate per transaction is determined based on the win rate within the trading period, the average rate of return per transaction for profitable transactions within the trading period, and the average loss rate per transaction for losses occurring within the trading period, ,
The plurality of evaluation scores are determined for each trading time interval for each of the plurality of trading algorithms,
The plurality of trading algorithms are set for each virtual asset,
Each of the virtual assets is set for each exchange,
The plurality of trading algorithms are based on a first algorithm in which trades are concluded according to the standard deviation of the price fluctuation range determined based on the blinking indicator, a second algorithm in which trades are concluded based on a preset moving average, and the current Including a third algorithm in which transactions are concluded according to the average value of the change width of the candlestick for the previous positive and negative candlesticks,
The Blink reflection indicator is an indicator calculated by adding possible price fluctuations, including the quantity canceled after a quote is submitted within the price fluctuation range, along with the price fluctuation when a transaction occurs, and the deviation is calculated.
Each of the plurality of evaluation scores is determined by the following equation for each trading time interval, trading algorithm, and exchange,
In the above formula, the StrategyValueScore is an evaluation score, the Total Profit is the total rate of return, the TradingDay is the trading period, the Profit sd (+) is the standard deviation of the rates of return for transactions in which profits occurred within the trading period, The Profit sd (-) is the standard deviation of the loss rate for transactions in which losses occurred within the trading period,
Portfolio Management Server.
상기 뉴럴 네트워크는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하고,
복수의 변수에 대한 데이터 및 정답 복수의 평가 점수로 구성된 각각의 학습 데이터는 상기 뉴럴 네트워크의 상기 입력 레이어에 입력되어 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터로 출력되고, 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실함수를 이용하여 손실 값을 출력하고, 상기 뉴럴 네트워크의 파라미터가 상기 손실 값이 작아지는 방향으로 학습되는,
포트폴리오 관리 서버.
According to claim 6,
The neural network includes an input layer, one or more hidden layers and an output layer;
Each learning data composed of data on a plurality of variables and a plurality of evaluation scores of correct answers is input to the input layer of the neural network, passes through the one or more hidden layers and the output layer, and is output as an output vector, and the output vector is The input is input to a loss function layer connected to the output layer, and the loss function layer outputs a loss value by using a loss function that compares the output vector with the correct answer vector for each learning data. Learning in the direction in which the loss value becomes smaller,
Portfolio Management Server.
A computer program stored in a computer readable recording medium in order to execute the method of claim 1 in combination with hardware.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020230046681A KR102594696B1 (en) | 2022-10-24 | 2023-04-10 | Method and apparatus for rebalancing according to a rebalancing reference value for a portfolio of virtual assets using a neural network |
KR1020230046682A KR102602516B1 (en) | 2022-10-24 | 2023-04-10 | Method and apparatus for evaluating a portfolio of rebalanced for virtual assets using a neural network |
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220137041 | 2022-10-24 | ||
KR20220137041 | 2022-10-24 | ||
KR1020220137953 | 2022-10-25 | ||
KR20220137953 | 2022-10-25 |
Related Child Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020230046681A Division KR102594696B1 (en) | 2022-10-24 | 2023-04-10 | Method and apparatus for rebalancing according to a rebalancing reference value for a portfolio of virtual assets using a neural network |
KR1020230046682A Division KR102602516B1 (en) | 2022-10-24 | 2023-04-10 | Method and apparatus for evaluating a portfolio of rebalanced for virtual assets using a neural network |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102568752B1 true KR102568752B1 (en) | 2023-08-22 |
Family
ID=87799463
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220139037A KR102568752B1 (en) | 2022-10-24 | 2022-10-26 | Method and apparatus for rebalancing on specific data using a neural network |
KR1020230046681A KR102594696B1 (en) | 2022-10-24 | 2023-04-10 | Method and apparatus for rebalancing according to a rebalancing reference value for a portfolio of virtual assets using a neural network |
KR1020230046682A KR102602516B1 (en) | 2022-10-24 | 2023-04-10 | Method and apparatus for evaluating a portfolio of rebalanced for virtual assets using a neural network |
Family Applications After (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020230046681A KR102594696B1 (en) | 2022-10-24 | 2023-04-10 | Method and apparatus for rebalancing according to a rebalancing reference value for a portfolio of virtual assets using a neural network |
KR1020230046682A KR102602516B1 (en) | 2022-10-24 | 2023-04-10 | Method and apparatus for evaluating a portfolio of rebalanced for virtual assets using a neural network |
Country Status (1)
Country | Link |
---|---|
KR (3) | KR102568752B1 (en) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190100479A (en) * | 2018-01-23 | 2019-08-29 | 주식회사 에이제이케이 | Method of evaluating ability for selecting investment item and system for carrying out the same |
KR20200009280A (en) * | 2018-07-18 | 2020-01-30 | 엔에이치투자증권 주식회사 | A method for recommending stock items and a system thereof |
KR20210104379A (en) * | 2020-02-17 | 2021-08-25 | 주식회사 파운트 | Portfolio management method using asset portfolio management system |
KR20220017598A (en) * | 2020-08-05 | 2022-02-14 | 심규민 | Apparatus and method for automated trading of investment products based on statistical data of price moving average line and candle stick chart |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101139626B1 (en) * | 2011-12-07 | 2012-04-27 | 우리투자증권 주식회사 | Portfolio risk valuation mathod based on operation process |
KR20200141812A (en) * | 2019-06-11 | 2020-12-21 | 삼성전자주식회사 | Method and apparatus for anomaly detection using neural network |
KR102437103B1 (en) * | 2022-03-14 | 2022-08-30 | 주식회사 글로벌미트플랫폼 | Livestock product distribution system and method based on neural network and livestock product distribution metaverse platform |
-
2022
- 2022-10-26 KR KR1020220139037A patent/KR102568752B1/en active IP Right Grant
-
2023
- 2023-04-10 KR KR1020230046681A patent/KR102594696B1/en active IP Right Grant
- 2023-04-10 KR KR1020230046682A patent/KR102602516B1/en active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190100479A (en) * | 2018-01-23 | 2019-08-29 | 주식회사 에이제이케이 | Method of evaluating ability for selecting investment item and system for carrying out the same |
KR20200009280A (en) * | 2018-07-18 | 2020-01-30 | 엔에이치투자증권 주식회사 | A method for recommending stock items and a system thereof |
KR20210104379A (en) * | 2020-02-17 | 2021-08-25 | 주식회사 파운트 | Portfolio management method using asset portfolio management system |
KR20220017598A (en) * | 2020-08-05 | 2022-02-14 | 심규민 | Apparatus and method for automated trading of investment products based on statistical data of price moving average line and candle stick chart |
Also Published As
Publication number | Publication date |
---|---|
KR102602516B1 (en) | 2023-11-16 |
KR102594696B1 (en) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102534656B1 (en) | Method and apparatus for rebalancing on specific data according to specific indicators using a neural network | |
KR102439204B1 (en) | Method and system for providing a rental management service using a learned neural network | |
KR102360727B1 (en) | Method and apparatus for garmet suggestion using neural networks | |
KR102491357B1 (en) | Method and apparatus for providing information on the management status of a medical facility to a terminal using a neural network | |
KR102407241B1 (en) | Rental market system | |
KR102509392B1 (en) | Method and apparatus for transmitting a raw material request message according to predicted order quantity for each item by a sever using a neural network | |
KR102553169B1 (en) | Method and apparatus for providing solutions for brand improvement | |
KR102568752B1 (en) | Method and apparatus for rebalancing on specific data using a neural network | |
KR102529607B1 (en) | Artificial intelligence-based business transaction platform system | |
KR102482533B1 (en) | Blockchain-based device and method for virtual asset management | |
KR102603159B1 (en) | Method and apparatus for rebalancing based on a predicted evaluation score for a portfolio of virtual assets using a neural network | |
KR20230007988A (en) | Blockchain-based device and method for virtual asset management | |
KR20230090979A (en) | Method and apparatus for suggestion of consultation guide information using neural networks | |
KR102536674B1 (en) | Method and apparatus for providing a recommendation list for wholesale products to a seller terminal using a neural network | |
KR102497016B1 (en) | Method and apparatus for recommending agriculural products | |
KR102642567B1 (en) | Method and device for performing pricing using neural networks | |
KR102504950B1 (en) | Method and apparatus for providing predicted product sales to a user terminal using a neural network | |
KR102657690B1 (en) | Method for verifying the validity of quotes submitted in the exchange | |
KR102619380B1 (en) | Devices and methods for supplying liquidity to cryptocurrency market | |
KR102513048B1 (en) | Method and apparatus for transmitting diagnostic information to a mentor terminal based on report information related to a support project and progress information related to the support project using a neural network | |
KR102561611B1 (en) | Method and apparatus for transmitting recommendation information about korean beef to a customer terminal using a neural network | |
KR102501056B1 (en) | Method and apparatus for suggestion of consultation guide information using neural networks | |
KR102573285B1 (en) | Method and apparatus for providing customer management service using neural networks | |
KR102557257B1 (en) | Method and apparatus for transmitting information for food ingredients based on predicted sales using a neural network | |
KR102465106B1 (en) | Method and apparatus for analyzing stock item using neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |