KR102603159B1 - 뉴럴 네트워크를 이용하여 가상 자산에 대한 포트폴리오에 대해 예측된 평가 점수에 기반하여 리밸런싱을 수행하는 방법 및 장치 - Google Patents

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 작은 값을 가진 제2 가중치를 적용한 제2 값을 합산한 값을 상기 거래 기간에 대한 연 평균 수익률에서 나눈 값일 수 있다.

Description

뉴럴 네트워크를 이용하여 가상 자산에 대한 포트폴리오에 대해 예측된 평가 점수에 기반하여 리밸런싱을 수행하는 방법 및 장치{METHOD AND APPARATUS FOR REBALANCING BASED ON A PREDICTED EVALUATION SCORE FOR A PORTFOLIO OF VIRTUAL ASSETS USING A NEURAL NETWORK}

본 개시의 실시예들은 가상 자산에 대한 포트폴리오에 대해 리밸런싱을 수행하는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 가상 자산에 대한 포트폴리오에 대해 예측된 평가 점수에 기반하여 리밸런싱을 수행하는 기술에 대한 것이다.

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.

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.

이에, 암호 화폐 시장에 적합한 인덱스들을 활용한 거래 데이터를 기반으로 뉴럴 네트워크를 이용한 평가 모델을 통해 기존의 암호 화폐에 대한 포트폴리오를 수익성 대비 위험성이 가장 낮은 포트폴리오로 리밸런싱하는 방법이 필요하다.

한편, 리밸런싱된 포트폴리오에 대한 수익률이 기존 포트폴리오에 대한 수익률이 저조한지 판단하는 경우, 리밸런싱된 포트폴리오에 대한 수익률을 측정하는 기간에 따라 수익률이 달라질 수 있으므로, 수익률을 측정하는 기간을 효과적으로 결정하는 방법이 필요하다. 또한, 리밸런싱된 포트폴리오에 대한 수익률이 기존 포트폴리오에 대한 수익률이 높을 경우에는, 현재의 인덱스들을 기반으로 향후 상태를 예측하는 예측 모델을 통해 리밸런싱을 다시 수행할지 여부를 결정하는 방법이 필요하다.

본 개시의 실시예들은, 뉴럴 네트워크를 이용하여 가상 자산에 대한 포트폴리오에 대해 예측된 평가 점수에 기반하여 리밸런싱을 수행하는 방법 및 장치를 제공할 수 있다.

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.

일 실시예에 따른 뉴럴 네트워크(neural network)를 이용하여 포트폴리오 관리 서버가 가상 자산에 대한 포트폴리오에 대해 복수의 리밸런싱(rebalancing)을 수행하는 방법은, 사용자 단말로부터 제1 리밸런싱을 요청하는 제1 메시지를 수신하고, 상기 제1 메시지는 사용자가 보유한 가상 자산에 대한 제1 포트폴리오를 포함하고, 상기 제1 메시지를 수신한 것에 기반하여, 상기 제1 포트폴리오에 포함된 거래 종목에 대한 거래 정보를 거래소별로 획득하고, 상기 제1 포트폴리오에 포함된 거래 종목에 대한 거래 정보에 기반하여 사용자가 가상 자산을 보유한 시점부터 상기 제1 메시지를 수신한 시점까지의 거래 기간에 대한 복수의 데이터를 추출하고, 상기 복수의 데이터는, 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 거래 기간에 대한 복수의 데이터를 기반으로 뉴럴 네트워크를 이용한 평가 모델을 통해 상기 거래 기간에 대한 복수의 평가 점수를 결정하고, 상기 거래 기간에 대한 복수의 평가 점수를 기반으로 상기 제1 포트폴리오에 대한 제1 리밸런싱을 통해 제2 포트폴리오를 결정하고, 상기 포트폴리오 관리 서버에 설정된 수익 기간에 대해 상기 제1 포트폴리오에 기반한 제1 수익률과 상기 제2 포트폴리오에 기반한 제2 수익률을 결정하고, 상기 제1 수익률이 상기 제2 수익률보다 크거나 같은 경우, 상기 제2 포트폴리오에 포함된 거래 종목에 대한 거래 정보에 기반하여 상기 수익 기간에 대한 복수의 데이터를 추출하고, 상기 수익 기간에 대한 복수의 데이터를 기반으로 뉴럴 네트워크를 이용한 상기 평가 모델을 통해 상기 수익 기간에 대한 복수의 평가 점수를 결정하고, 상기 수익 기간에 대한 복수의 평가 점수를 기반으로 상기 제2 포트폴리오에 대한 제2 리밸런싱을 수행하는 단계를 포함할 수 있다. 예를 들어, 상기 평가 점수는 특정 기간 내 수익이 발생한 거래에 대한 수익률의 표준 편차에 제1 가중치를 적용한 제1 값과 상기 특정 기간 내 손실이 발생한 거래에 대한 손실률의 표준 편차에 제1 가중치보다 작은 값을 가진 제2 가중치를 적용한 제2 값을 합산한 값을 상기 특정 기간에 대한 연 평균 수익률에서 나눈 값일 수 있다.

예를 들어, 상기 제1 리밸런싱 및 상기 제2 리밸런싱은 가상 자산에 대한 비중에 따라 수행될 수 있다. 상기 가상 자산에 대한 비중은 하루에 거래한 횟수, 거래 1회당 기대 손익률 및 복수의 평가 점수를 기반으로 결정될 수 있다. 상기 제1 리밸런싱과 관련된 하루에 거래한 횟수는 상기 총 거래 횟수를 상기 거래 기간으로 나눈 값일 수 있다. 상기 제2 리밸런싱과 관련된 하루에 거래한 횟수는 상기 총 거래 횟수를 상기 수익 기간으로 나눈 값일 수 있다. 상기 제1 리밸런싱과 관련된 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. 상기 제2 리밸런싱과 관련된 상기 거래 1회당 기대 손익률은 상기 수익 기간 내 승률, 상기 수익 기간 내 수익이 발생한 거래에 대한 거래 1회당 평균 수익률 및 상기 수익 기간 내 손실이 발생한 거래에 대한 거래 1회당 평균 손실률을 기반으로 결정될 수 있다.

일 실시예에 따라, 상기 제1 수익률은 상기 수익 기간에 대해 상기 제1 포트폴리오에 따른 가상 자산의 비중에 따라 상기 제1 포트폴리오에 포함된 거래 종목에 대한 수익을 평균한 값일 수 있다. 상기 제2 수익률은 상기 수익 기간에 대해 상기 제2 포트폴리오에 따른 가상 자산의 비중에 따라 상기 제2 포트폴리오에 포함된 거래 종목에 대한 수익을 평균한 값일 수 있다.

상기 수익 기간은 하기 수학식에 의해 결정될 수 있다.

상기 수학식에서, 상기 PP는 상기 수익 기간이고, 상기 n_avg는 사전 설정된 단어에 대한 평균 개수이고, 상기 n_c는 상기 제1 리밸런싱을 수행할 때 웹 크롤링을 통해 수집된 상기 사전 설정된 단어의 개수이고, 상기 m_total은 상기 제1 리밸런싱을 수행할 때 전체 시가 총액이고, 상기 P_avg는 시가총액 상위 5개의 가상 자산에 대한 가격이 변동하는 평균 주기이고, 상기 i_p는 상기 제1 리밸런싱을 수행하기 이전의 기준 금리이고, 상기 x_p는 상기 제1 리밸런싱을 수행하기 이전의 소비자 물가 지수이고, 상기 i_c는 상기 제1 리밸런싱을 수행할 때의 기준 금리이고, 상기 x_c는 상기 제1 리밸런싱을 수행할 때의 기준 금리이고, 상기 P_d는 상기 수익 기간에 대한 기본 값일 수 있다.

부가적으로, 일 실시예에 따르면, 평가 점수는 하기 수학식에 의해 결정될 수 있다.

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.

일 실시예에 따라, 상기 뉴럴 네트워크는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함할 수 있다. 복수의 기간에 대한 총 수익률, 복수의 기간에 대한 수익이 발생한 거래에 대한 거래 1회당 평균 수익률, 복수의 기간에 대한 손실이 발생한 거래에 대한 거래 1회당 평균 수익률, 복수의 기간에 대한 수익이 발생한 거래에 대한 수익률의 표준 편차, 복수의 기간에 대한 손실이 발생한 거래에 대한 손실률의 표준 편차, 복수의 기간에 대한 총 거래 횟수, 복수의 기간에 대한 승률 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.

예를 들어, 상기 거래 기간에 대한 복수의 평가 점수 및 상기 수익 기간에 대한 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.

부가적으로, 예를 들어, 상기 가장 자산에 대한 비중은 하기 수학식에 의해 결정될 수 있다.

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.

부가적으로, 예를 들어, 상기 가상 자산에 대한 Expect P&L은 하기 수학식에 의해 결정될 수 있다.

상기 수학식에서, 상기 Expect P&L은 상기 거래 1회당 기대 손익률이고, 상기 Winr은 특정 기간에 대한 승률이고. 상기 WT ProfitAvg는 상기 특정 기간 내 수익이 발생한 거래에 대한 거래 1회당 평균 수익률이고, 상기 LT ProfitAvg는 상기 특정 기간 내 손실이 발생한 거래에 대한 거래 1회당 평균 손실률일 수 있다.

부가적으로, 예를 들어, 제1 수익률이 제2 수익률보다 작은 경우, 포트폴리오 관리 서버는 상기 거래 기간에 대한 복수의 평가 점수 및 상기 수익 기간에 대한 복수의 평가 점수를 기반으로 뉴럴 네트워크를 이용한 예측 모델을 통해 제2 포트폴리오에 대한 복수의 예측 평가 점수를 결정할 수 있다.

실시예들에 따르면, 포트폴리오 관리 서버는 가상 자산에 포함된 거래 종목에 대한 거래 정보로부터 추출된 복수의 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.

실시예들에 따르면, 포트폴리오 관리 서버는 포트폴리오에 대한 리밸런싱이 수행된 이후에도 다시 리밸런싱을 수행할지 여부를 결정하기 위해, 수익률에 영향을 미치는 다양한 요인들을 고려한 수익 기간을 결정함으로써, 가상 자산의 가격 변동에 기민하게 대처할 수 있다.

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.

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.

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 복수의 리밸런싱을 수행하는 방법을 나타낸다.
도 5는 일 실시예에 따른 뉴럴 네트워크를 이용하여 가상 자산에 대한 포트폴리오에 대해 복수의 리밸런싱을 수행하는 방법에 대한 흐름도이다.
도 6은 일 실시예에 따른 평가 모델 및 예측 모델에 대한 예이다.
도 7은 일 실시예에 따른 포트폴리오 관리 서버의 구성을 나타내는 블록도이다.

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.

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.

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.

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.

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.

도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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 데이터 베이스(350)를 이용하여 포트폴리오에 대해 리밸런싱을 수행할 수 있다. 포트폴리오 관리 서버(310)는 포트폴리오 관리 서버(310)에 설정된 수익 기간동안 리밸런싱이 수행되기 이전의 포트폴리오와 리밸런싱이 수행된 포트폴리오에 대한 수익률을 결정할 수 있다. 포트폴리오 관리 서버(310)는 리밸런싱이 수행되기 이전의 포트폴리오와 리밸런싱이 수행된 포트폴리오에 대한 수익률을 비교하고, 수익 기간에 대한 복수의 평가 점수를 기반으로 리밸런싱을 다시 수행할 수 있다.

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.

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.

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.

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.

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.

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.

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.

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.

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.

도 4는 일 실시예에 따른 뉴럴 네트워크를 이용하여 가상 자산에 대한 포트폴리오에 대해 복수의 리밸런싱을 수행하는 방법을 나타낸다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.

도 4를 참조하면, 단계 S401에서, 포트폴리오 관리 서버는 사용자 단말로부터 제1 리밸런싱을 요청하는 제1 메시지를 수신할 수 있다.

예를 들어, 제1 메시지는 사용자가 보유한 가상 자산에 대한 제1 포트폴리오 또는 사용자 단말이 거래를 체결한 거래소에 대한 인증 정보 중 적어도 하나를 포함할 수 있다. 여기서, 제1 포트폴리오는 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.

단계 S402에서, 포트폴리오 관리 서버는 제1 메시지를 수신한 것에 기반하여, 제1 포트폴리오에 포함된 거래 종목에 대한 거래 정보를 거래소별로 획득할 수 있다.

예를 들어, 포트폴리오 관리 서버는 제1 포트폴리오를 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 포트폴리오에 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 포트폴리오에 포함된 거래 종목들에 대한 거래 정보를 수신할 수 있다.

단계 S403에서, 포트폴리오 관리 서버는 상기 거래 종목에 대한 거래 정보에 기반하여 사용자가 가상 자산을 보유한 시점부터 상기 제1 메시지를 수신한 시점까지의 거래 기간에 대한 복수의 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 대한 복수의 데이터를 추출할 수 있다.

여기서, 복수의 데이터는, 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.

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.

단계 S404에서, 포트폴리오 관리 서버는 상기 거래 기간에 대한 복수의 데이터를 기반으로 뉴럴 네트워크를 이용한 평가 모델을 통해 상기 거래 기간에 대한 복수의 평가 점수를 결정할 수 있다.

여기서, 평가 점수는 특정 기간 내 수익이 발생한 거래에 대한 수익률의 표준 편차에 제1 가중치를 적용한 제1 값과 상기 특정 기간 내 손실이 발생한 거래에 대한 손실률의 표준 편차에 제1 가중치보다 작은 값을 가진 제2 가중치를 적용한 제2 값을 합산한 값을 상기 특정 기간에 대한 연 평균 수익률에서 나눈 값일 수 있다. 이때, 제1 가중치는 제2 가중치보다 작은 값일 수 있다. 예를 들어, 특정 기간은 거래 기간이거나 후술할 수익 기간일 수 있다.

예를 들어, 상기 뉴럴 네트워크는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함할 수 있다. 복수의 기간에 대한 총 수익률, 복수의 기간에 대한 수익이 발생한 거래에 대한 거래 1회당 평균 수익률, 복수의 기간에 대한 손실이 발생한 거래에 대한 거래 1회당 평균 수익률, 복수의 기간에 대한 수익이 발생한 거래에 대한 수익률의 표준 편차, 복수의 기간에 대한 손실이 발생한 거래에 대한 손실률의 표준 편차, 복수의 기간에 대한 총 거래 횟수, 복수의 기간에 대한 승률 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.

예를 들어, 복수의 평가 점수는 거래 시간 간격, 거래 알고리즘, 거래 종목 및 거래소 별로 결정될 수 있다. 여기서, 복수의 평가 점수는 거래 기간에 대한 복수의 평가 점수 및 수익 기간에 대한 복수의 평가 점수를 포함할 수 있다.

상기 거래 기간에 대한 복수의 평가 점수 및 상기 수익 기간에 대한 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.

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.

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.

단계 S405에서, 포트폴리오 관리 서버는 상기 거래 기간에 대한 복수의 평가 점수를 기반으로 상기 제1 포트폴리오에 대한 제1 리밸런싱을 통해 제2 포트폴리오를 결정할 수 있다.

여기서, 제1 포트폴리오에 대한 제1 리밸런싱은 가상 자산에 대한 비중에 따라 수행될 수 있다. 예를 들어, 사용자가 보유한 가상 자산이 비트 코인 및 이더리움인 경우, 제1 포트폴리오에 대한 제1 리밸런싱은 비트 코인에 대한 비중과 이더리움에 대한 비중에 따라 수행될 수 있다.

예를 들어, 상기 가상 자산에 대한 비중은 하루에 거래한 횟수, 거래 1회당 기대 손익률 및 복수의 평가 점수를 기반으로 결정될 수 있다. 상기 제1 리밸런싱과 관련된 하루에 거래한 횟수는 상기 총 거래 횟수를 상기 거래 기간으로 나눈 값일 수 있다. 상기 제1 리밸런싱과 관련된 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.

예를 들어, 상기 가장 자산에 대한 비중은 하기 수학식 1에 의해 결정될 수 있다.

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.

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 거래 기간에 대한 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.

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.

예를 들어, 상기 가상 자산에 대한 Expect P&L은 하기 수학식 2에 의해 결정될 수 있다.

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.

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.

예를 들어, 상기 평가 점수는 하기 수학식 3에 의해 결정될 수 있다.

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.

부가적으로, 예를 들어, 하나의 가상 자산만이 제1 포트폴리오에 포함된 경우, 제1 리밸런싱을 요청하는 제1 메시지는 사용자에 의해 선택된 제1 리밸런싱 기준에 대한 값을 더 포함할 수 있다. 제1 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, 제1 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, 제1 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.

단계 S406에서, 포트폴리오 관리 서버는 상기 포트폴리오 관리 서버에 설정된 수익 기간에 대해 상기 제1 포트폴리오에 기반한 제1 수익률과 상기 제2 포트폴리오에 기반한 제2 수익률을 결정할 수 있다.

상기 제1 수익률은 상기 수익 기간에 대해 상기 제1 포트폴리오에 따른 가상 자산의 비중에 따라 상기 제1 포트폴리오에 포함된 거래 종목에 대한 수익을 평균한 값일 수 있다. 상기 제2 수익률은 상기 수익 기간에 대해 상기 제2 포트폴리오에 따른 가상 자산의 비중에 따라 상기 제2 포트폴리오에 포함된 거래 종목에 대한 수익을 평균한 값일 수 있다. 예를 들어, 비트코인 1개의 가격이 이더리움 5개의 가격과 동일하면, 제1 포트폴리오에 포함된 거래 종목이 비트코인 10개, 이더리움 5개인 경우, 포트폴리오 관리 서버는 수익 기간동안 비트코인 10개에 대한 수익과 이더리움 5개에 대한 수익을 평균한 값을 제1 수익률로 결정할 수 있다. 제2 포트폴리오에 포함된 거래 종목이 비트코인 5개, 이더리움 30개인 경우, 포트폴리오 관리 서버는 수익 기간동안 비트코인 5개에 대한 수익과 이더리움 30개에 대한 수익을 평균한 값을 제2 수익률로 결정할 수 있다.

예를 들어, 수익 기간은 제1 포트폴리오에 대한 제1 리밸런싱이 수행된 시점 이후부터 설정된 특정 시점까지의 기간일 수 있다. 상기 수익 기간은 하기 수학식 4에 의해 결정될 수 있다.

상기 수학식 4에서, 상기 PP는 상기 수익 기간이고, 상기 n_avg는 사전 설정된 단어에 대한 평균 개수이고, 상기 n_c는 상기 제1 리밸런싱을 수행할 때 웹 크롤링을 통해 수집된 상기 사전 설정된 단어의 개수이고, 상기 m_total은 상기 제1 리밸런싱을 수행할 때 전체 시가 총액이고, 상기 P_avg는 시가총액 상위 5개의 가상 자산에 대한 가격이 변동하는 평균 주기이고, 상기 i_p는 상기 제1 리밸런싱을 수행하기 이전의 기준 금리이고, 상기 x_p는 상기 제1 리밸런싱을 수행하기 이전의 소비자 물가 지수이고, 상기 i_c는 상기 제1 리밸런싱을 수행할 때의 기준 금리이고, 상기 x_c는 상기 제1 리밸런싱을 수행할 때의 기준 금리이고, 상기 P_d는 상기 수익 기간에 대한 기본 값일 수 있다.

여기서, 사전 설정된 단어의 개수는 상기 포트폴리오 관리 서버에 의해 수행되는 웹 크롤링을 통해 수집된 텍스트 데이터를 기반으로 결정될 수 있다. 예를 들어, 사전 설정된 단어는 '악재', '하락', '불경기'와 같은 부정적인 의미를 가진 단어를 포함할 수 있다. 이때, 사전 설정된 단어는 제2 포트폴리오에 포함된 거래 종목이 검색된 문장 내에서 해당 거래 종목의 명칭의 위치로부터 사전 설정된 텍스트 범위 내에 위치한 단어일 수 있다. 사전 설정된 단어에 대한 평균 개수는 사전 설정된 단어가 웹 크롤링을 통해 수집되는 평균적인 개수로서, 사전 설정된 단어에 대한 평균 개수는 상기 포트폴리오 관리 서버에 설정된 값일 수 있다.

여기서, 상기 제1 리밸런싱을 수행하기 이전의 기준 금리 또는 상기 제1 리밸런싱을 수행하기 이전의 소비자 물가 지수는 국가기관과 관련된 웹 사이트에 공지된 값들 중에서 상기 제1 리밸런싱이 수행된 시점을 기준으로 가장 가까운 시점에 공지된 값으로서, 웹 크롤링을 통해 획득될 수 있다.

예를 들어, 포트폴리오 관리 서버는 전체 시가 총액을 거래소 서버로부터 주기적으로 수신할 수 있다. 포트폴리오 관리 서버는 기준 금리 및 소비자 물가 지수를 외부 서버로부터 수신할 수 있다.

예를 들어, 사전 설정된 단어의 개수가 많을수록 제2 포트폴리오에 포함된 거래 종목의 가격이 변동될 가능성이 높으므로, 수익 기간을 짧게 설정함으로써, 포트폴리오 관리 서버는 제2 리밸런싱을 수행할 시점을 앞당길 수 있다. 또한, 전체 시가 총액이 감소할수록 제2 포트폴리오에 포함된 거래 종목의 가격이 변동될 가능성이 높으므로, 수익 기간을 짧게 설정함으로써, 포트폴리오 관리 서버는 제2 리밸런싱을 수행할 시점을 앞당길 수 있다.

예를 들어, 기준 금리가 하락하는 추세이고, 소비자 물가 지수 또한 하락하는 추세인 경우, 제2 포트폴리오에 포함된 거래 종목에 대해 긍정적인 신호일 가능성이 높으므로, 수익 기간을 길게 설정함으로써, 포트폴리오 관리 서버는 제2 리밸런싱을 수행할 시점을 늦출 수 있다.

이로 인해, 포트폴리오 관리 서버는 가상 자산 시장에 대한 분위기, 시가 총액, 기준 금리 및 소비자 물가 지수와 같이 수익에 영향을 주는 다양한 요인들에 기반하여 수익 기간을 결정함으로써, 가격 변동에 기민하게 대처할 수 있다.

단계 S407에서, 포트폴리오 관리 서버는 상기 제1 수익률이 상기 제2 수익률보다 크거나 같은 경우, 상기 제2 포트폴리오에 포함된 거래 종목에 대한 거래 정보에 기반하여 상기 수익 기간에 대한 복수의 데이터를 추출할 수 있다.

예를 들어, 포트폴리오 관리 서버는 상기 제1 수익률이 상기 제2 수익률보다 크거나 같은 경우, 상기 제2 포트폴리오에 포함된 거래 종목에 대한 거래 정보를 거래소별로 획득할 수 있다. 포트폴리오 관리 서버는 상기 제2 포트폴리오에 포함된 거래 종목에 대한 거래 정보를 기반으로 상기 수익 기간에 대한 복수의 데이터를 추출할 수 있다.

단계 S408에서, 포트폴리오 관리 서버는 상기 수익 기간에 대한 복수의 데이터를 기반으로 뉴럴 네트워크를 이용한 상기 평가 모델을 통해 상기 수익 기간에 대한 복수의 평가 점수를 결정할 수 있다.

단계 S409에서, 포트폴리오 관리 서버는 상기 수익 기간에 대한 복수의 평가 점수를 기반으로 상기 제2 포트폴리오에 대한 제2 리밸런싱을 수행할 수 있다.

여기서, 제2 포트폴리오에 대한 제2 리밸런싱은 가상 자산에 대한 비중에 따라 수행될 수 있다. 예를 들어, 사용자가 보유한 가상 자산이 비트 코인 및 이더리움인 경우, 제2 포트폴리오에 대한 제2 리밸런싱은 비트 코인에 대한 비중과 이더리움에 대한 비중에 따라 수행될 수 있다.

예를 들어, 상기 가상 자산에 대한 비중은 하루에 거래한 횟수, 거래 1회당 기대 손익률 및 복수의 평가 점수를 기반으로 결정될 수 있다. 상기 제2 밸런싱과 관련된 하루에 거래한 횟수는 상기 총 거래 횟수를 상기 수익 기간으로 나눈 값일 수 있다. 상기 제2 리밸런싱과 관련된 상기 거래 1회당 기대 손익률은 상기 수익 기간 내 승률, 상기 수익 기간 내 수익이 발생한 거래에 대한 거래 1회당 평균 수익률 및 상기 수익 기간 내 손실이 발생한 거래에 대한 거래 1회당 평균 손실률을 기반으로 결정될 수 있다.

예를 들어, 상기 제2 리밸런싱이 수행될 때, 가장 자산에 대한 비중은 상술한 수학식 1에 의해 결정되고, 상기 Trade per Day는 상기 총 거래 횟수를 상기 수익 기간으로 나눈 값일 수 있다. 여기서, 상기 Expect P&L은 상기 수익 기간 내 승률, 상기 수익 기간 내 수익이 발생한 거래에 대한 거래 1회당 평균 수익률 및 상기 수익 기간 내 손실이 발생한 거래에 대한 거래 1회당 평균 수익률을 기반으로 결정될 수 있다. 여기서, 종합 평가 점수는 상기 수익 기간에 대한 복수의 평가 점수를 기반으로 결정된 점수일 수 있다. 예를 들어, 종합 평가 점수는 상기 수익 기간에 대한 복수의 평가 점수에 리밸런싱 기준에 대한 가중치를 반영한 가중 평균 값일 수 있다.

예를 들어, 상기 제2 리밸런싱이 수행될 때, 상기 가상 자산에 대한 Expect P&L은 상술한 수학식 2에 의해 결정되며, 상기 수학식 1과 마찬가지로, 수학식 2의 변수들에서 거래 기간은 수익 기간으로 대체될 수 있다.

예를 들어, 상기 제2 리밸런싱이 수행될 때, 상기 평가 점수는 상술한 수학식 3에 의해 결정되며, 상기 수학식 1 및 상기 수학식 2와 마찬가지로, 수학식 3의 변수들에서 거래 기간은 수익 기간으로 대체될 수 있다.

부가적으로, 예를 들어, 하나의 가상 자산만이 제2 포트폴리오에 포함된 경우, 제2 리밸런싱 기준에 대한 값은 제1 리밸런싱을 요청하는 제1 메시지는 사용자에 의해 선택된 제1 리밸런싱 기준에 대한 값으로 결정될 수 있다.

도 5는 일 실시예에 따른 뉴럴 네트워크를 이용하여 가상 자산에 대한 포트폴리오에 대해 복수의 리밸런싱을 수행하는 방법에 대한 흐름도이다. 도 5의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.

도 5를 참조하면, 단계 S501에서, 포트폴리오 관리 서버는 사용자 단말로부터 제1 리밸런싱을 요청하는 제1 메시지를 수신할 수 있다. 예를 들어, 제1 메시지는 사용자가 보유한 가상 자산에 대한 제1 포트폴리오 또는 사용자 단말이 거래를 체결한 거래소에 대한 인증 정보 중 적어도 하나를 포함할 수 있다.

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.

단계 S503에서, 상기 제1 메시지 내 인증 정보를 수신한 것 기반하여, 포트폴리오 관리 서버는 거래소 서버로부터 제1 포트폴리오에 포함된 거래 종목에 대한 거래 정보를 수신할 수 있다. 여기서, 제1 포트폴리오에 포함된 거래 종목은 사용자가 거래한 가상 자산에 대한 종목일 수 있다.

예를 들어, 포트폴리오 관리 서버는 제1 메시지에 포함된 인증 정보를 기반으로 거래소 서버와 인증 절차를 완료한 후, 거래소 서버로부터 제1 포트폴리오에 포함된 거래 종목들에 대한 거래 정보를 수신할 수 있다.

단계 S504에서, 상기 제1 메시지 내 인증 정보를 수신하지 못한 것 기반하여, 포트폴리오 관리 서버는 복수의 거래소 서버에 대한 웹 크롤링을 통해 제1 포트폴리오에 포함된 거래 종목에 대한 거래 정보를 획득할 수 있다.

포트폴리오 관리 서버는 상기 거래 종목에 대한 거래 정보에 기반하여 사용자가 가상 자산을 보유한 시점부터 상기 제1 메시지를 수신한 시점까지의 거래 기간에 대해 복수의 데이터를 추출할 수 있다.

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.

단계 S505에서, 포트폴리오 관리 서버는 상기 거래 기간에 대한 복수의 데이터를 기반으로 뉴럴 네트워크를 이용한 평가 모델을 통해 상기 거래 기간에 대한 복수의 평가 점수를 결정할 수 있다. 단계 S506에서, 포트폴리오 관리 서버는 제1 포트폴리오에 포함된 거래 종목이 복수인지 여부를 결정할 수 있다.

예를 들어, 거래 종목별 평가 점수를 분석하는 케이스인 경우, 포트폴리오 관리 서버는 상기 거래 기간에 대한 복수의 데이터를 기반으로 거래소 내 각 거래 종목에 대해 평가 점수를 결정할 수 있다.

단계 S507에서, 제1 포트폴리오에 포함된 거래 종목이 복수인 경우, 포트폴리오 관리 서버는 종합 평가 점수에 기반하여 제1 포트폴리오에 대한 리밸런싱을 수행할 수 있다.

포트폴리오 관리 서버는 종합 평가 점수에 기반하여 제1 포트폴리오에 포함된 가상 자산에 대한 비중을 결정하고, 가상 자산에 대한 비중에 따라 제1 포트폴리오에 대한 제1 리밸런싱을 수행할 수 있다.

예를 들어, 포트폴리오 관리 서버는 상술한 수학식 1에 의해 제1 포트폴리오에 포함된 가상 자산에 대한 비중을 결정할 수 있다. 여기서, 종합 평가 점수는 특정 기간에 대한 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. 예를 들어, 특정 기간은 거래 기간 또는 수익 기간일 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.

단계 S508에서, 제1 포트폴리오에 포함된 거래 종목이 하나인 경우, 포트폴리오 관리 서버는 리밸런싱 기준에 대한 값에 기반하여 제1 포트폴리오에 대한 제1 리밸런싱을 수행할 수 있다.

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.

단계 S509에서, 포트폴리오 관리 서버는 상기 포트폴리오 관리 서버에 설정된 수익 기간에 대해 수익률을 결정할 수 있다.

예를 들어, 수익률은 상기 제1 포트폴리오에 기반한 제1 수익률과 상기 제2 포트폴리오에 기반한 제2 수익률을 포함할 수 있다. 포트폴리오 관리 서버는 상기 포트폴리오 관리 서버에 설정된 수익 기간에 대해 상기 제1 포트폴리오에 기반한 제1 수익률과 상기 제2 포트폴리오에 기반한 제2 수익률을 결정할 수 있다. 상기 수익 기간은 상술한 수학식 4에 의해 결정될 수 있다.

단계 S510에서, 포트폴리오 관리 서버는 제1 수익률이 제2 수익률보다 크거나 같은지 여부를 결정할 수 있다. 포트폴리오 관리 서버는 상기 수익 기간에 대해 상기 제1 포트폴리오에 따른 가상 자산의 비중에 따라 상기 제1 포트폴리오에 포함된 거래 종목에 대한 수익을 평균한 값을 제1 수익률로 결정하고, 상기 수익 기간에 대해 상기 제2 포트폴리오에 따른 가상 자산의 비중에 따라 상기 제2 포트폴리오에 포함된 거래 종목에 대한 수익을 평균한 값을 제2 수익률로 결정할 수 있다. 이후, 포트폴리오 관리 서버는 제1 수익률과 제2 수익률을 비교함으로써, 제1 수익률이 제2 수익률보다 크거나 같은지 여부를 결정할 수 있다.

단계 S511에서, 제1 수익률이 제2 수익률보다 크거나 같은 경우, 포트폴리오 관리 서버는 뉴럴 네트워크를 이용한 상기 평가 모델을 통해 상기 수익 기간에 대한 복수의 평가 점수를 결정할 수 있다.

예를 들어, 제1 수익률이 제2 수익률보다 크거나 같은 경우, 포트폴리오 관리 서버는 상기 제2 포트폴리오에 포함된 거래 종목에 대한 거래 정보에 기반하여 상기 수익 기간에 대한 복수의 데이터를 추출할 수 있고, 상기 수익 기간에 대한 복수의 데이터를 기반으로 뉴럴 네트워크를 이용한 상기 평가 모델을 통해 상기 수익 기간에 대한 복수의 평가 점수를 결정할 수 있다.

단계 S512에서, 제1 수익률이 제2 수익률보다 작은 경우, 포트폴리오 관리 서버는 상기 거래 기간에 대한 복수의 평가 점수 및 상기 수익 기간에 대한 복수의 평가 점수를 기반으로 뉴럴 네트워크를 이용한 예측 모델을 통해 제2 포트폴리오에 대한 복수의 예측 평가 점수를 결정할 수 있다. 이때, 상기 수익 기간에 대한 복수의 평가 점수는 상기 수익 기간에 대한 복수의 데이터를 기반으로 뉴럴 네트워크를 이용한 상기 평가 모델을 통해 결정될 수 있다.

포트폴리오 관리 서버는 과거의 평가 점수와 과거의 평가 점수를 결정한 복수의 데이터를 기반으로 상기 수익 기간 이후에 대한 복수의 예측 평가 점수를 결정할 수 있다.

단계 S513에서, 포트폴리오 관리 서버는 제1 평균 값이 제2 평균 값보다 큰지 여부를 결정할 수 있다. 여기서, 제1 평균 값은 복수의 예측 평가 점수의 평균 값이고, 제2 평균 값은 상기 수익 기간에 대한 복수의 평가 점수의 평균 값이다.

단계 S514에서, 포트폴리오 관리 서버는 제1 평균 값이 제2 평균 값보다 작은 경우, 포트폴리오 관리 서버는 제2 포트폴리오를 유지할 수 있다.

단계 S514에서, 포트폴리오 관리 서버는 상기 수익 기간에 대한 복수의 평가 점수를 기반으로 제2 포트폴리오에 대해 제2 리밸런싱을 수행할 수 있다.

예를 들어, 제1 수익률이 제2 수익률보다 크거나 같은 경우, 포트폴리오 관리 서버는 상기 수익 기간에 대한 복수의 평가 점수를 기반으로 제2 포트폴리오에 대해 제2 리밸런싱을 수행할 수 있다.

예를 들어, 포트폴리오 관리 서버는 제1 평균 값이 제2 평균 값보다 큰 경우, 포트폴리오 관리 서버는 상기 수익 기간에 대한 복수의 평가 점수를 기반으로 제2 포트폴리오에 대해 제2 리밸런싱을 수행할 수 있다.

부가적으로, 예를 들어, 포트폴리오 관리 서버는 제1 평균 값이 제2 평균 값보다 작은 경우, 포트폴리오 관리 서버는 현재 시장 건전도가 사전 설정된 값보다 작은지 여부를 결정할 수 있다.

예를 들어, 포트폴리오 관리 서버는 현재 시장 건전도가 사전 설정된 값보다 작은 경우, 제2 포트폴리오에 포함된 거래 종목에 대한 검토를 요청하는 메시지를 상기 사용자 단말에게 전송할 수 있다.

예를 들어, 시장 건전도는 상기 수익 기간 내 거래소에 거래가 주문된 후 취소된 거래량을 포함한 가격 변동 값과 상기 수익 기간 내 실제 가격 변동 값을 기반으로 결정된 제1 변동 값과 상기 수익 기간 내에서 유효한 호가에서 상기 수익 기간 내 가격을 뺀 값을 기반으로 결정된 제2 변동 값에 따라 결정될 수 있다.

예를 들어, 시장 건전도는 하기 수학식 5에 의해 결정될 수 있다.

상기 수학식 5에서, 상기 s는 상기 시장 건전도이고, 상기 N은 상기 수익 기간 내 발생한 거래량이고, 상기 c는 해당 거래 종목에 대한 시가 총액에 따른 가중치이고, 상기 M_ai는 상기 N개의 거래 각각에 대해 거래소에서 거래가 주문된 후 취소된 거래량을 포함한 가격의 변동 값을 합산한 값이고, 상기 M_bi는 상기 N개의 거래 각각에 대해 실제 가격의 변동 값을 합산한 값이고, 상기 P_vi는 상기 N개의 거래 각각에 대한 유효한 호가를 합산한 값이고, 상기 P_ri는 상기 N개의 거래 각각에 대한 체결가를 합산한 값이고, 상기 P_d는 상기 N개의 거래 각각에 대한 디폴트 값일 수 있다.

상기 해당 거래 종목에 대한 시가 총액에 따른 가중치는 해당 거래 종목에 대한 시가 총액과 사전 설정된 기준 값의 비율에 따라 결정될 수 있다. 사전 설정된 기준 값은 현재 거래소에서 거래되는 가상 자산들에 대한 평균 시가 총액과 해당 가상 자산이 거래된 기간 및 해당 가상 자산이 채굴된 개수에 따라 결정될 수 있다. 예를 들어, 상기 해당 거래 종목에 대한 시가 총액에 따른 가중치는 0과 2 사이의 값에서 결정될 수 있다.

상기 유효한 호가는 평균 거래량만큼 시장가로 거래가 체결될 때 예상되는 가격일 수 있다. 여기서, 시장가는 현재 시점에서 즉시 매매가 가능한 가격이다. 예를 들어, 상기 유효한 호가는 거래 발생 시점에 대한 각 구간별 거래량 및 평균 거래량에 기반하여 결정된 가격일 수 있다.

상기 Pd는 상기 포트폴리오 관리 서버에 사전 설정될 수 있다.

예를 들어, 거래가 주문된 후 취소된 거래량을 반영한 가격의 변동 값과 실제 가격의 변동 값을 합산한 값에 시가 총액에 대한 가중치를 적용한 값이 클수록 상기 시장 건전도는 작게 결정되고, 상기 유효한 호가에서 상기 체결가를 뺀 값에 시가 총액에 대한 가중치를 적용한 값이 클수록 상기 시장 건전도는 작게 결정됨으로써, 포트폴리오 관리 서버는 가격의 변동 폭에 대한 암호 화폐 시장의 충격량을 고려하여 시장의 건전도를 효과적으로 판단할 수 있다.

도 6은 일 실시예에 따른 평가 모델 및 예측 모델에 대한 예이다. 도 6의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.

도 6을 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.

예를 들어, 뉴럴 네트워크는 입력 레이어(610), 하나 이상의 히든 레이어(620), 출력 레이어(630)를 포함할 수 있다.

예를 들어, 상기 하나 이상의 히든 레이어(620)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.

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(C_t) 값과 히든 스테이트(h_t) 값을 출력할 수 있다. 즉, 메모리 셀은 t-1 시점의 메모리 셀이 전달한 셀 스테이트 값(C_t-1) 및 히든 스테이트 값(h_t-1)을 t 시점의 셀 스테이트 값과 히든 스테이트 값을 계산하기 위한 입력 값으로 사용할 수 있다.

예를 들어, 입력 게이트(622), 삭제 게이트(621) 및 출력 게이트(623)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(622), 삭제 게이트(621) 및 출력 게이트(623)를 통해 셀 스테이트(624)가 제어되고, 각 게이트와 입력에 따른 가중치들이 존재할 수 있다.

예를 들어, 복수의 데이터는 데이터 전처리를 통해 벡터화될 수 있다. 즉, 복수의 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. 여기서, 복수의 데이터는 복수의 기간에 대한 복수의 데이터를 포함할 수 있다. 예를 들어, 복수의 기간은 상술한 거래 기간 또는 상술한 수익 기간을 포함할 수 있다. 복수의 기간에 대한 총 수익률, 복수의 기간에 대한 수익이 발생한 거래에 대한 거래 1회당 평균 수익률, 복수의 기간에 대한 손실이 발생한 거래에 대한 거래 1회당 평균 수익률, 복수의 기간에 대한 수익이 발생한 거래에 대한 수익률의 표준 편차, 복수의 기간에 대한 손실이 발생한 거래에 대한 손실률의 표준 편차, 복수의 기간에 대한 총 거래 횟수 및 복수의 기간에 대한 승률에 대해 데이터 전처리를 통해 복수의 입력 벡터가 생성될 수 있다.

예를 들어, 복수의 입력 벡터가 상기 입력 레이어에 입력되고, 상기 삭제 게이트는 상기 입력 벡터를 기반으로 생성된 h_t-1(t-1 시점의 히든 스테이트)과 x_t(t 시점의 입력 값)를 기반으로 0과 1 사이의 값을 C_t-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.

예를 들어, 상기 입력 게이트(622)는 시그모이드 레이어를 통해 업데이트할 값을 결정하고, tanh 레이어가 새로운 후보 값들인 C_t 벡터를 생성하고, 셀 스테이트(624)에 저장시킬 수 있다. tanh는 비선형 활성화 함수(하이퍼볼릭 탄젠트 함수)를 의미한다.

예를 들어, 과거 셀 스테이트인 C_t-1가 업데이트됨으로써, 새로운 셀 스테이트인 C_t가 생성될 수 있다. 즉, 셀 스테이트(624)에 대해 상기 f_t를 셀 스테이트에 곱하여 정보가 삭제되고, 업데이트 값을 스케일한 값이 추가될 수 있다.

예를 들어, 출력 게이트(623)는 시그모이드 레이어에서 복수의 입력 벡터에 기반하여 출력할 셀 스테이트의 부분을 결정할 수 있고, 출력 게이트(623)는 상기 시그모이드 레이어에서 결정된 셀 스테이트를 tanh 레이어를 통해 -1에서 1 사이의 값으로 출력된 값과 곱할 수 있다.

예를 들어, 평가 모델은 상기 삭제 게이트(621)와 상기 입력 게이트(622)가 합쳐진 LSTM 모델일 수 있다. 이러한 경우, 새로운 정보가 추가되는 이전 정보만 삭제됨으로써, 보다 빠르게 연산이 수행될 수 있다.

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.

도 6을 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.

예를 들어, 오토인코더 뉴럴 네트워크는 컨벌루션 뉴럴 네트워크를 기반으로 구성될 수 있고, 입력 레이어(640), 인코딩 레이어 2개(650)와 디코딩 레이어 2개(660) 및 출력 레이어(670)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.

예를 들어, 포트폴리오 관리 서버는 복수의 데이터 및 평가 모델을 통해 결정된 복수의 평가 점수에 대한 데이터 전처리를 통해 오토인코더 뉴럴 네트워크에 대한 입력 벡터를 생성할 수 있다. 예를 들어, 복수의 평가 점수는 상술한 거래 기간에 대한 복수의 평가 점수 및 상술한 수익 기간에 대한 복수의 평가 점수를 포함할 수 있다. 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 데이터를 기반으로 상술한 수익 기간 이후에 대한 복수의 예측 평가 점수를 결정할 수 있다.

도 7은 일 실시예에 따른 포트폴리오 관리 서버의 구성을 나타내는 블록도이다. 도 7의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.

도 7에 도시된 바와 같이, 포트폴리오 관리 서버(700)는 프로세서(710), 통신부(720) 및 메모리(730)를 포함할 수 있다. 그러나, 도 7에 도시된 구성 요소 모두가 포트폴리오 관리 서버(700)의 필수 구성 요소인 것은 아니다. 도 7에 도시된 구성 요소보다 많은 구성 요소에 의해 포트폴리오 관리 서버(700)가 구현될 수도 있고, 도 7에 도시된 구성 요소보다 적은 구성 요소에 의해 포트폴리오 관리 서버(700)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 포트폴리오 관리 서버(700)는 프로세서(710), 통신부(720) 및 메모리(730) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.

프로세서(710)는, 통상적으로 포트폴리오 관리 서버(700)의 전반적인 동작을 제어한다. 프로세서(710)는 하나 이상의 프로세서를 구비하여, 포트폴리오 관리 서버(700)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(710)는, 메모리(730)에 저장된 프로그램들을 실행함으로써, 통신부(720) 및 메모리(730) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(710)는 메모리(730)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 6에 기재된 포트폴리오 관리 서버(700)의 기능을 수행할 수 있다.

통신부(720)는, 포트폴리오 관리 서버(700)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 포트폴리오 관리 서버(700)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(720)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.

예를 들어, 통신부(720)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(720)는 프로세서(710)에서 생성된 정보를 서버와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(720)는 서버와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(720)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 수신한 정보와 관련된 정보를 전송할 수 있다.

메모리(730)는, 프로세서(710)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(730)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(730)는 프로세서(710)에서 생성된 데이터를 저장할 수 있다. 메모리(730)는 포트폴리오 관리 서버(700)로 입력되거나 포트폴리오 관리 서버(700)로부터 출력되는 정보를 저장할 수도 있다.

메모리(730)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.

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.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 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.

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.

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

Claims (5)

1. 뉴럴 네트워크(neural network)를 이용하여 포트폴리오 관리 서버가 가상 자산에 대한 포트폴리오에 대해 복수의 리밸런싱(rebalancing)을 수행하는 방법에 있어서,
   사용자 단말로부터 제1 리밸런싱을 요청하는 제1 메시지를 수신하는 단계;
   상기 제1 메시지는 사용자가 보유한 가상 자산에 대한 제1 포트폴리오를 포함하고,
   상기 제1 메시지를 수신한 것에 기반하여, 상기 제1 포트폴리오에 포함된 거래 종목에 대한 거래 정보를 거래소별로 획득하는 단계;
   상기 제1 포트폴리오에 포함된 거래 종목에 대한 거래 정보에 기반하여 사용자가 가상 자산을 보유한 시점부터 상기 제1 메시지를 수신한 시점까지의 거래 기간에 대한 복수의 데이터를 추출하는 단계;
   상기 복수의 데이터는, 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 거래 기간에 대한 복수의 데이터를 기반으로 뉴럴 네트워크를 이용한 평가 모델을 통해 상기 거래 기간에 대한 복수의 평가 점수를 결정하는 단계;
   상기 거래 기간에 대한 복수의 평가 점수를 기반으로 상기 제1 포트폴리오에 대한 제1 리밸런싱을 통해 제2 포트폴리오를 결정하는 단계;
   상기 포트폴리오 관리 서버에 설정된 수익 기간에 대해 상기 제1 포트폴리오에 기반한 제1 수익률과 상기 제2 포트폴리오에 기반한 제2 수익률을 결정하는 단계; 및
   상기 제1 수익률이 상기 제2 수익률보다 작은 경우, 상기 제2 포트폴리오에 포함된 거래 종목에 대한 거래 정보에 기반하여 상기 수익 기간에 대한 복수의 데이터를 추출하는 단계;
   상기 거래 기간에 대한 복수의 평가 점수 및 상기 수익 기간에 대한 복수의 평가 점수를 기반으로 뉴럴 네트워크를 이용한 예측 모델을 통해 제2 포트폴리오에 대한 복수의 예측 평가 점수를 결정하는 단계;
   제1 평균 값 및 제2 평균 값을 비교함으로써, 제2 포트폴리오에 대해 제2 리밸런싱을 수행하는 단계를 포함하되,
   상기 수익 기간에 대한 복수의 평가 점수는 상기 수익 기간에 대한 복수의 데이터를 기반으로 뉴럴 네트워크를 이용한 상기 평가 모델을 통해 결정되고,
   상기 제1 평균 값은 복수의 예측 평가 점수의 평균 값이고,
   상기 제2 평균 값은 상기 수익 기간에 대한 복수의 평가 점수의 평균 값이고,
   상기 평가 점수는 특정 기간 내 수익이 발생한 거래에 대한 수익률의 표준 편차에 제1 가중치를 적용한 제1 값과 상기 특정 기간 내 손실이 발생한 거래에 대한 손실률의 표준 편차에 제1 가중치보다 작은 값을 가진 제2 가중치를 적용한 제2 값을 합산한 값을 상기 특정 기간에 대한 연 평균 수익률에서 나눈 값이고,
   상기 제1 리밸런싱 및 상기 제2 리밸런싱은 가상 자산에 대한 비중에 따라 수행되고,
   상기 가상 자산에 대한 비중은 하루에 거래한 횟수, 거래 1회당 기대 손익률 및 복수의 평가 점수를 기반으로 결정되고,
   상기 제1 리밸런싱과 관련된 하루에 거래한 횟수는 상기 총 거래 횟수를 상기 거래 기간으로 나눈 값이고,
   상기 제2 리밸런싱과 관련된 하루에 거래한 횟수는 상기 총 거래 횟수를 상기 수익 기간으로 나눈 값이고,
   상기 제1 리밸런싱과 관련된 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 제2 리밸런싱과 관련된 상기 거래 1회당 기대 손익률은 상기 수익 기간 내 승률, 상기 수익 기간 내 수익이 발생한 거래에 대한 거래 1회당 평균 수익률 및 상기 수익 기간 내 손실이 발생한 거래에 대한 거래 1회당 평균 손실률을 기반으로 결정되고,
   상기 제1 수익률은 상기 수익 기간에 대해 상기 제1 포트폴리오에 따른 가상 자산의 비중에 따라 상기 제1 포트폴리오에 포함된 거래 종목에 대한 수익을 평균한 값이고,
   상기 제2 수익률은 상기 수익 기간에 대해 상기 제2 포트폴리오에 따른 가상 자산의 비중에 따라 상기 제2 포트폴리오에 포함된 거래 종목에 대한 수익을 평균한 값이고,
   상기 제1 평균 값이 상기 제2 평균 값보다 작은 경우, 현재 시장 건전도가 사전 설정된 값보다 작은지 여부가 결정되고,
   상기 현재 시장 건전도가 상기 사전 설정된 값보다 작은 경우, 상기 제2 포트폴리오에 포함된 거래 종목에 대한 검토를 요청하는 메시지가 상기 사용자 단말에게 전송되고,
   상기 시장 건전도는 상기 수익 기간 내 거래소에 거래가 주문된 후 취소된 거래량을 포함한 가격 변동 값과 상기 수익 기간 내 실제 가격 변동 값을 기반으로 결정된 제1 변동 값과 상기 수익 기간 내에서 유효한 호가에서 상기 수익 기간 내 가격을 뺀 값을 기반으로 결정된 제2 변동 값에 따라 결정되는,
   방법.
   
2. 삭제
3. 삭제
4. 삭제
5. 제 1항에 있어서,
   상기 거래 기간에 대한 복수의 평가 점수 및 상기 수익 기간에 대한 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 지표인,
   방법.
   

Images