KR102657690B1 - 거래소 내 제출된 호가의 유효성 검증 방법 - Google Patents

Abstract

실시예들은 뉴럴 네트워크 기반의 학습 모듈을 이용하여 지정 거래소에 제출된 특정 마켓페어에 대한 호가의 유효성을 실시간으로 검증하고, 검증 결과를 기초로 상기 특정 마켓페어의 유동성을 확보하기 위한 적절한 호가를 제출하는 방법을 제공한다. 본 발명의 호가 검증 방법은, 상기 거래소 서버로부터 수신하는 복수의 호가 정보를 기초로 복수의 호가 분석 정보를 생성하고, 및 상기 거래소 서버로부터 수신하는 복수의 거래 정보를 기초로 복수의 거래 분석 정보를 생성하고, 상기 복수의 호가 분석 정보와 상기 복수의 거래 분석 정보를 기초로 호가 제출 정보를 생성하는 것을 포함할 수 있다.

Description

거래소 내 제출된 호가의 유효성 검증 방법{METHOD FOR VERIFYING THE VALIDITY OF QUOTES SUBMITTED IN THE EXCHANGE}

본 발명의 실시예들은 암호화폐 시장의 특정 거래소 내 마켓페어에 대해 제출된 호가의 유효성을 검증하는 방법에 관한 것이다.

아래에서 설명할 배경기술은 발명자가 본원의 개시 내용을 도출하는 과정에서 보유하거나 습득한 것으로서, 반드시 본 출원 전에 일반 공중에 공개된 공지기술이라고 할 수는 없다.

최근 암호화폐를 비롯한 다양한 가상자산의 거래시장의 규모가 급격하게 증가함에 따라 거래시장의 구조적 한계에 따른 여러 문제점이 발생하고 있다. 일반적으로, 자산 거래시장에서 자산가격 변동에 따른 충분한 호가가 제시되어야 적합한 가격에 매수 또는 매도계약이 체결되는데, 이러한 점을 고려하여 채권, 주식 등 전통적인 자산 거래시장에서는 유동성 공급(Liquidity Provider; LP)제도를 운영하고 있는 반면, 가상자산 거래시장에서는 안정적인 호가 유지를 위한 유동성 공급 의무가 법률적으로 규정되어 있지 않다.

종래에는, 이러한 점을 악용하여 실제 가상자산 거래시장이 활성화되어 있지 않은 종목의 경우에도 반복적으로 허위 호가를 제출하여 마치 거래가 활발히 이루어지고 있는 것처럼 보이게 하는 시도들이 있었고, 이에 따라 일반 시장 참여자들에게 큰 경제적 손실을 불러일으키기도 하였다.

실시예들은, 전술한 문제점을 해결하기 위해 거래소 내 제출된 호가의 유효성 검증 방법을 제공한다.

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.

본 발명의 일 실시예에 따른 호가 검증 방법은, 거래소 서버로부터 수신하는 복수의 호가 정보를 기초로 복수의 호가 분석 정보를 생성하고, 및 상기 거래소 서버로부터 수신하는 복수의 거래 정보를 기초로 복수의 거래 분석 정보를 생성하고, 상기 복수의 호가 분석 정보는, 상기 지정 거래소에 상기 특정 마켓페어에 대해 제1 시점에 제출되어 있는 호가에 대한 제1 호가 정보를 기초로 생성되는 제1 최우선 매수호가, 제1 최우선 매도호가, 및 제1 거래체결가격을 포함하는 제1 호가 분석 정보와, 상기 지정 거래소에 상기 특정 마켓페어에 대해 상기 제1 시점에 후속하는 제2 시점에 제출되어 있는 호가에 대한 제2 호가 정보를 기초로 생성되는 제2 최우선 매수호가, 제2 최우선 매도호가, 및 제2 거래체결가격을 포함하는 제2 호가 분석 정보를 포함하고, 상기 복수의 거래 분석 정보는, 복수의 시점에서 상기 지정 거래소의 상기 특정 마켓페어에 대해 상기 제1 시점과 상기 제2 시점까지의 시간을 포함하는 단위시간 동안의 거래체결 내역에 관련된 거래 정보를 기초로 생성되는 상기 특정 마켓페어의 단위시간별 거래량, 단위시간별 변동폭, 및 단위시간별 시가총액에 관한 정보를 포함하고, 상기 복수의 호가 분석 정보와 상기 복수의 거래 분석 정보를 기초로 호가 제출 정보를 생성하는 것을 포함하되, 상기 호가 제출 정보는, 상기 특정 마켓페어에 대한 최우선 매수호가와 최우선 매도호가 사이의 서로 다른 주문가격 각각에 대한 주문수량에 관한 정보를 포함하고, 상기 최우선 매수호가는, 상기 특정 마켓페어에 대해 상기 지정 거래소에 제출된 호가들 중 상기 거래체결가격보다 낮고 제1 임계 주문수량을 초과하는 호가의 최대값을 의미하고, 상기 최우선 매도호가는, 상기 특정 마켓페어에 대해 상기 지정 거래소에 제출된 호가들 중 상기 거래체결가격보다 높고 임계 제2 주문수량을 초과하는 호가의 최소값을 의미할 수 있다.

상기 학습 모듈은, 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하는 다층 신경망, 및 상기 다층 신경망이 제1 학습 데이터를 기초로 상기 지정 거래소에 대응하는 거래소 서버에 제출되는 호가 제출 정보를 정확하게 산출하도록 지도학습시키는 학습엔진을 포함하고, 상기 제1 학습 데이터는, 상기 복수의 호가 분석 정보 및 상기 복수의 거래 분석 정보를 포함하고, 상기 제1 학습 데이터는 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 레이어에 의해, 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실함수를 이용하여 손실값을 출력하고, 상기 학습엔진에 의해, 상기 다층 신경망의 파라미터를 상기 손실값이 작아지는 방향으로 지도학습하는 것을 더 포함할 수 있다.

상기 제1 시점에 선행하는 제3 시점으로부터 상기 제1 시점에 선행하고 상기 제3 시점에 후속하는 제4 시점까지의 선행시간동안의 상기 특정 마켓페어에 관한 거래 정보를 기초로 생성되는 선행 거래 분석 정보, 및 상기 지정 거래소에 상기 특정 마켓페어에 대해 상기 선행시간 중 하나 이상의 시점에 제출되어 있는 호가에 대한 호가 정보를 기초로 생성되는 선행 호가 분석 정보를 기초로 제2 학습 데이터를 생성하고, 상기 학습엔진에 의해, 상기 제2 학습 데이터를 기초로 상기 다층 신경망의 파라미터를 지도학습하는 것을 더 포함할 수 있다.

상기 제1 학습 데이터는, 상기 호가 제출 정보에 포함된 상기 서로 다른 주문가격 각각에 대한 주문수량을 결정하는 복수의 주문인자를 포함하고, 상기 복수의 주문인자는, 상기 호가 제출 정보에 포함된 호가 중 가장 낮은 주문가격과 가장 큰 주문가격 각각에 대한 주문수량의 차에 비례하는 제1 주문인자와, 하나 이상의 유동성 지표를 기초로 결정되는 제2 주문인자를 포함할 수 있다.

본 발명의 실시예들에 따른 호가 검증 방법은, 거래소 내의 특정 마켓페어에 대해 적절한 유동성을 공급하기 위하여, 거래소에서 이루어지는 거래 체결에 대한 내역과 거래소에 제출되는 호가 내역을 실시간으로 분석할 수 있다. 이를 통해, 분석 결과를 기초로 제출 호가의 주문가격 및 주문수량을 결정하여 적절한 유동성을 공급하여 줄 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 본 발명의 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따른 유동성 공급 장치가 연결된 네트워크 환경을 개략적으로 도시한 도면이다.
도 4는 도 3의 학습 모듈의 구조를 나타내는 블록도이다.
도 5는 도 4의 다층 신경망의 구조를 설명하기 위한 도면이다.
도 6은 지정 거래소의 특정 마켓페어에 대한 복수의 호가를 개략적으로 도시한 도면이다.

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 본 발명의 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. 일 실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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.

또한, 메모리는 롬(ROM), 램(RAM), 비휘발성메모리, 휘발성메모리, 하드 디스크 드라이브(HDD), 솔리드 스테이트 드라이브(SSD), USB 메모리, 플래시 메모리 카드, 이에 상응하는 각종 이동식, 휴대식 저장매체(예컨대, SD(Secure Digital) 메모리 카드, microSD 메모리 카드, ISO 7816 표준의 저장장치 등)를 포함하지만, 이에 한정되지 않고 데이터를 저장하는 모든 종류의 저장 장치를 포함할 수 있다. 메모리는 저장 장치로 지칭될 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 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. 일 실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일 실시예에 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. 일 실시예에 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.

일 실시예에 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. 일 실시예에 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. 일 실시예에 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 왑 서버(WAP Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Visual Basic, Visual C 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 도스(DOS), 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 웹사이트(Website), IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH등이 이용될 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 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 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 본 발명의 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.

도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일 실시예에 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 갱신될 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. 일 실시예에 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. 일 실시예에 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.

도 3은 본 발명의 일 실시예에 따른 유동성 공급 장치(300)가 연결된 네트워크 환경(10)을 개략적으로 도시한 도면이다.

디지털 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 제출되어 시장 가격과 차이가 적은 가격에 거래가 체결되는 반면, 시장의 거래가 활발하지 못한 경우, 부족한 주문 제출량으로 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 암호화폐 거래소가 암호화폐의 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 유동성 공급 장치(300)는 시장에서 제출되는 호가의 변화를 측정하고 시장의 거래량을 기준으로 발생가능한 가격 변동성의 정상 범위를 파악하여 수치화 함으로써, 서비스 이용자에게 투자 정보를 제공하는 것을 목적으로 한다.

도 3을 참조하면, 네트워크 환경(10)에서 유동성 공급 장치(300)는 네트워크(600)를 통하여 복수의 사용자 단말(400), 거래소 서버(500) 중 적어도 하나와 통신할 수 있다.

유동성 공급 장치(300)는 가상자산 유동성 공급 플랫폼을 구현할 수 있다. 여기서 가상자산은, 예를 들면, 암호화폐(Cryptocurrency) 또는 대체 불가 토큰(Non-Fungible Token; NFT)일 수 있다. 예를 들면, 거래소 서버(500)는 주지된 암호화폐로서 다양한 종류의 블록체인 기반의 암호화폐인 비트코인(BTC), 이더리움(ETH), 리플(XRP), 솔라나(SOL), 폴카닷(DOT) 등을 지원할 수 있다. 거래소 서버(500)는 매 시각마다 거래소 서버(500)에 상장된 가상자산의 가치를 평가하거나 저장할 수 있다.

유동성 공급 장치(300)는 어플리케이션 설치 파일 또는 프로그램 설치 파일을 네트워크(600)를 통해 연결된 다른 전자 장치(예를 들면, 복수의 사용자 단말(400)에 제공하고, 해당 전자 장치에 어플리케이션 또는 프로그램을 설치하여 실행시킴으로써 유동성 공급 플랫폼을 구현할 수 있다. 또는, 유동성 공급 장치(300)는 내부 구성요소들의 상호작용에 의해 유동성 공급 플랫폼을 구현할 수도 있다.

유동성 공급 장치(300)는 국내 및 국외의 상위 거래소들 중 하나 이상의 거래소를 지정 거래소로 선택할 수 있다. 즉, 지정 거래소는, 암호화폐 등 가상자산의 매도 또는 매수에 관한 거래 정보를 제공하는 거래소 중 특정한 선택 신호에 의해 선택된 거래소를 의미할 수 있다. 상위 거래소는, 예를 들면, 업비트(Upbit), 빗썸(Bithumb), 코인원(Coinone), 코빗(Korbit), 바이낸스(Binanace), 코인베이스(Coinbase), 에프티엑스(FTX), 크라켄(Kraken) 중 어느 하나일 수 있다. 유동성 공급 장치(300)는 네트워크(600)를 통해 하나 이상의 지정 거래소 각각에 대응하는 거래소 서버와 연결될 수 있다.

거래소 서버(500)는 하나 이상의 가상자산을 기준자산과 환전 또는 거래하도록 하는 거래소 플랫폼을 구현할 수 있다. 거래소 서버(500)가 구현하는 거래소 플랫폼은, 암호화폐의 구매 및 판매를 위한 플랫폼 역할을 수행하거나, 법정 화폐와 암호화폐 사이의 환전 서비스를 제공하거나, 웹 호가창을 통해 시장가 또는 지정가에 암호화폐를 유통시키는 기능을 수행할 수 있다.

본 명세서에서, 기준자산은, 거래소 서버(500)에서 지원하는 여러 가상자산의 거래에 있어 기축통화의 역할을 하는 자산을 의미할 수 있다. 기준자산은 예를 들면, 비트코인(BTC), USDT 등이 기준자산에 해당할 수 있다. 또한, 거래소 플랫폼에서 취급하는 특정 가상자산은 해당 거래소 플랫폼의 기준자산과 대응하여 하나의 마켓페어로 취급될 수 있다. 마켓페어란, 거래소에서 거래되는 가상자산(예를 들면, 암호화폐)와, 상기 가상자산과 교환가치를 가지고 가상자산과 교환 대상이 되는 기준자산이 이루는 쌍(pair)을 의미할 수 있다.

거래소 서버(500)는 네트워크(600)에 연결되어 다른 전자 장치(예를 들면, 유동성 공급 장치(300))에 접속하거나 접속될 수 있는 전자 장치로 구현될 수 있다.

유동성 공급 장치(300)는 또한, 거래소 서버(500)와 연동하며, 가상자산의 저장, 관리, 거래 등을 포함하는 거래 서비스 기능을 수행할 수 있다.

유동성 공급 장치(300)는 사용자 관리 모듈(310), 암호키 관리 모듈(320), 거래 분석 모듈(330), 유동성 공급 모듈(350), 지표 계산 모듈(360), 호가 분석 모듈(340), 데이터베이스(370), 및 학습 모듈(380)을 포함할 수 있다.

사용자 관리 모듈(310)은, 유동성 공급 장치(300)가 구현하는 유동성 공급 플랫폼에 접속된 복수의 사용자 단말(400)에 대한 정보를 저장하고 관리할 수 있다. 사용자 관리 모듈(310)은 유동성 공급 플랫폼에 대한 가입 절차 또는 계정 등록 절차를 진행하여, 그에 따라 가입 또는 등록된 사용자 계정에 관한 각종 정보를 저장하여 관리할 수 있다. 사용자 관리 모듈(310)은 유동성 공급 플랫폼 서비스의 사용자 인증이나, 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.

사용자 관리 모듈(310)은 복수의 사용자 단말(400) 각각에 대해 계정등록 인터페이스를 제공하고, 상기 인터페이스에 대한 입력정보를 기초로 사용자정보를 수신할 수 있다. 사용자정보는 로그인 아이디 및 패스워드를 포함하는 계정 정보, 거래소 서버(500)에 대한 접근(로그인) 인증에 사용되는 사용자키를 포함할 수 있다.

사용자 관리 모듈(310)은 사용자 단말(400)로부터 제공받은 사용자정보를 기초로, 사용자 단말(400)에 대한 고유식별정보를 추출하여 저장할 수 있다. 고유식별정보는, 예를 들면 각각의 클라이언트의 ID(Identification), 또는 고유 IP(Internet Protocol) 주소 등일 수 있다. 사용자 관리 모듈(310)은 또한, 가상자산 입/출금 과정에서 사용자 인증을 수행하거나, 거래소 서버(500)에 대한 접근 인증을 수행할 수 있다.

암호키 관리 모듈(320)은 사용자 관리 모듈(310)로부터 제공받은 사용자정보를 기초로 고유 암호키를 생성할 수 있다. 암호키 관리 모듈(320)은 사용자정보에 포함된 일부 정보를 암호화하여 암호화 블록을 생성할 수 있다. 여기서, 암호화 블록이란, 본 발명의 일 실시예에 따른 유동성 공급 플랫폼을 통해 수집된 정보가 암호화되어 생성되는 데이터 패킷을 의미한다.

일 실시예에서, 암호키 관리 모듈(320)은, 사용자 단말로부터 제공받은 사용자정보 중 복수의 정보를 각각 벡터화하여 복수의 제1 벡터를 생성할 수 있다. 또한, 암호키 관리 모듈(320)은 사용자 단말의 고유식별정보에 따라 생성된 복수의 랜덤 생성 키(key)를 배타적 논리합하여 생성한 복수의 데이터 패킷을 각각 벡터화하여 복수의 제2 벡터를 생성할 수 있다. 암호키 관리 모듈(320)은 가상 공간에서의 복수의 제1 벡터와 복수의 제2 벡터를 분리하는 초평면 함수를 확정하고, 초평면 함수를 기초로 암호화 블록을 생성할 수 있다.

즉, 암호키 관리 모듈(320)은, 서포트 벡터 머신(Support Vector Machine; SVM) 알고리즘을 역이용하여 암호화 블록을 생성할 수 있다. SVM 알고리즘은 서로 다른 2개의 클래스를 분리하기 위한 초평면 함수(선형 결정 함수)를 확정하고, 이를 이용하여 클래스를 분리하는 과정을 의미한다. 초평면은 입력 데이터 상의 두 개의 클래스 데이터 사이에서 최댓값의 중심 부분에 대응할 수 있다. 즉, SVM 알고리즘은 다차원 공간 상의 각 클래스 데이터 사이의 마진(margin)을 최대화하는 초평면 모델을 구축할 수 있다. SVM 알고리즘은 각 클래스 데이터 사이의 마진을 최대화하는 B1을 초평면 모델로 구축할 수 있다.

일 실시예에서, 암호키 관리 모듈(320)은 상기 [수학식 1]을 이용하여 초평면 모델을 구축할 수 있다. 상기 [수학식 1]에서, d(x)는 초평면, x는 벡터 공간에 입력되는 출력 벡터, w는 매개변수, b는 바이어스(bias) 값을 의미할 수 있다.

SVM 알고리즘에 따라, 암호키 관리 모듈(320)은 [수학식 1]을 미분하여 초평면의 매개변수 w를 계산할 수 있다. 여기서, 매개변수 w는 초평면 d(x)의 법선 벡터(normal vector)에 해당한다.

암호키 관리 모듈(320)은 SVM 알고리즘을 이용하여 비선형 분리 문제를 처리하기 위해 다양한 커널 함수를 이용할 수 있다. 예를 들면, 암호키 관리 모듈(320)은 Mercer 이론을 만족하는 polynomial 함수, sigmoid 함수, gaussian 함수 등을 이용한 SVM 알고리즘을 이용하여 비선형 분리 문제를 처리할 수 있다.

암호키 관리 모듈(320)은, [수학식 2]를 이용하여 구현된 선형 초평면의 비선형 초평면 계산 식을 [수학식 2]와 같이 설정할 수 있다. [수학식 2]에서, K는 커널 함수, W는 매개 변수, α는 W에 대한 종속 변수, x_i, y_i는 벡터 공간에 입력된 제1 입력 데이터 벡터 및 제2 입력 데이터 벡터, σ는 대역폭 파라미터를 의미할 수 있다.

암호키 관리 모듈(320)은 [수학식 2]를 이용하여, 비선형 초평면 계산 식을 구현하고, 산출된 매개 변수 W를 기초로 암호화 블록의 고유 암호키를 설정할 수 있다. 생성된 고유 암호키는, 사용자 단말(400)로부터 사용자키의 입력이 있는 경우, 사용자키 인증을 위해 사용될 수 있다.

거래 분석 모듈(330)은 거래소 서버(500)로부터 거래 정보를 수신할 수 있다. 여기서, 거래 정보는 지정 거래소의 하나 이상의 마켓페어 각각에 대한 단위시간별 매매 내역에 관련된 정보를 포함할 수 있다. 거래 분석 모듈(330)은 거래소에서 실시간으로 제출되는 마켓페어의 호가정보 및 거래 체결정보를 모니터링하여 획득한 결과를 거래 정보로서 수신할 수 있다.

거래 분석 모듈(330)은 거래 정보를 기초로, 하나 이상의 마켓페어 각각에 대한 단위시간별 거래량, 단위시간별 변동폭, 및 단위시간별 시가총액을 추출할 수 있다. 여기서, 시간구간의 크기는 다양할 수 있다. 단위시간별 변동폭은 특정 마켓페어의 시간구간에 따른 호가 캔들의 최고값과 최저값의 차에 의해 결정될 수 있다. 단위시간별 시가총액은, 특정 시간구간의 시작 시점 또는 종료 시점에서의 특정 마켓페어의 시가총액을 의미할 수 있다.

호가 분석 모듈(340)은 거래소 서버(500)로부터 호가 정보를 수신할 수 있다. 여기서, 호가 정보는 지정 거래소의 하나 이상의 마켓페어 각각에 대해 호가 정보를 수신하는 시각에 지정 거래소에 제출되어 있는 하나 이상의 호가에 대한 정보를 포함할 수 있다. 호가 정보는, 지정 거래소의 하나 이상의 마켓페어 각각에 대한 최우선 매수호가, 최우선 매도호가, 호가 분포, 호가별로 제출된 거래량 등을 포함할 수 있다. 호가 분석 모듈(340)은 호가 정보를 기초로 하나 이상의 단위시간별 호가, 및 하나 이상의 가격대별 호가를 개별적으로 추출하고, 추출된 호가들을 분석하여 호가 분석 정보를 생성할 수 있다. 본 명세서에서 최우선 매수호가는, 특정 마켓페어에 대해 지정 거래소에 제출된 호가들 중 거래체결가격보다 낮고 임계 주문수량을 초과하는 호가의 최대값을 의미하는 것으로 해석될 수 있다. 또한, 최우선 매도호가는, 특정 마켓페어에 대해 지정 거래소에 제출된 호가들 중 거래체결가격보다 높고 임계 주문수량을 초과하는 호가의 최소값을 의미하는 것으로 해석될 수 있다.

일 실시예에서, 호가 분석 모듈(340)이 수신한 호가 정보는, 단위시간별 호가 정보를 포함할 수 있다. 여기서, 단위시간의 크기는 다양할 수 있다. 단위시간별 호가 정보는, 단위시간 당 지정 거래소에 제출된 호가와, 해당 호가의 수량에 대한 정보를 포함할 수 있다. 또한, 단위시간별 호가 정보는, 특정 마켓페어에 대한 거래 발생시 가격이 변동된 가격 구간 내 제출 후 취소된 호가에 대한 정보를 포함할 수 있다.

호가 분석 모듈(340)은 거래소 서버(500)에서 실시간으로 생성된 호가 정보를 기초로, 지정 거래소의 하나 이상의 마켓페어 각각에 대해 제출된 하나 이상의 호가 중 유효호가 범위를 판단할 수 있다. 여기서, 유효호가는, 거래량을 기준으로 거래 체결가능성이 있는 호가를 의미할 수 있다. 또한, 유효호가 범위는 거래 체결가능성이 있는 호가의 매수 및 매도 가격분포를 의미할 수 있다.

호가 분석 모듈(340)은 특정 단위시간 동안 특정 마켓페어에 대한 거래 발생시 거래가 체결된 가격대와 특정 호가의 가격대의 차와, 단위시간별 특정 마켓페어의 시가총액, 및 단위시간별 거래량 중 하나 이상을 기초로 특정 호가에 대한 단위시간별 거래 체결가능성을 산출할 수 있다.

일 실시예에서, 호가 분석 모듈(340)은 매수호가와 매도호가 각각에 대해 개별적으로 유효호가의 범위를 산출할 수 있다. 즉, 호가 분석 모듈(340)은 매수호가에 대한 유효호가의 범위와 매도호가에 대한 유효호가의 범위의 크기를 동일하게 설정할 수도 있고, 마켓페어의 종류, 거래량, 단위시간별 변동폭, 단위시간별 거래량, 및 단위시간별 시가총액 중 적어도 하나를 기초로 서로 상이하게 설정할 수도 있다. 즉, 매수호가에 대한 유효호가의 범위는 매도호가에 대한 유효호가의 범위와 무관하게 개별적으로 설정될 수 있다.

일 실시예에서, 호가 분석 모듈(340)은 지정 거래소의 하나 이상의 마켓페어 각각에 대해 제출된 하나 이상의 호가 중 유효호가의 범위를 판단하고, 유효호가의 범위가 기준호가 범위보다 큰 경우 유효호가의 밀집도가 낮은 것으로 판단할 수 있다. 유효호가의 밀집도가 높을수록 가격분포별 편차가 적어 가격변동성을 줄일 수 있기 때문에, 호가 분석 모듈(340)은 유효호가의 범위를 줄이고 유효호가의 밀집도를 높이기 위해 유효호가의 범위 내 제출되지 않은 가격대를 판단할 수 있다.

일 실시예에서, 호가 분석 모듈(340)은 지정 거래소의 특정 마켓페어에 대해, 제1 단위시간 내 거래가 발생한 경우, 호가 정보에 포함된 호가들 중 특정 호가에 대해, 거래체결가격과 특정호가 가격의 차, 제1 단위시간의 특정 마켓페어의 시가총액, 및 제1 단위시간의 거래량을 기초로 특정호가에 대한 거래 체결가능성을 산출하고, 거래 체결가능성을 기초로 특정호가가 유효호가인지 판단하여 유효호가 범위를 산출할 수 있다.

일 실시예에서, 호가 분석 모듈(340)은 지정 거래소의 특정 마켓페어에 대해, 제1 단위시간 내 거래가 발생한 경우, 제1 시점에 제1 가격으로 제출된 호가 수량(X1)과, 제1 시점에 후속하는 제2 시점에 제1 가격으로 제출된 호가 수량(X2)을 비교하고, 제1 가격과 거래체결가격의 차 및 X1과 X2의 차를 기초로 제1 가격으로 제출된 호가를 허호가로 분류할 수 있다.

호가 분석 모듈은, [수학식 3]을 기초로 허호가지수를 산출하고, [수학식 3]에서, F는 허호가지수, P1은 제1 가격, Pc는 거래체결가격, X1은 제1 시점에 제1 가격으로 제출된 호가 수량, X2는 제2 시점에 제1 가격으로 제출된 호가 수량, i는 보정계수, T(1)은 제1 시점의 시가총액을 의미할 수 있다.

지표 계산 모듈(360)은 거래소 서버(500)로부터 특정 마켓페어에 대하여 거래소에 제출된 호가를 실시간으로 획득하여 호가 히스토리를 생성하고, 호가 히스트리를 기초로 제출된 사토(SATO) 지표를 산출할 수 있다. 여기서, 사토 지표는 가격대별로 제출된 호가에 대한 가격적합성을 나타내는 지표를 의미할 수 있다. 즉, 사토 지표는 가격대별 제출된 호가 각각에 대해 신뢰성을 부여하는 수치로서 이해될 수 있다.

일 실시예에서, 지표 계산 모듈(360)은, 특정 마켓페어의 단위시간별 거래량, 단위시간별 변동폭, 및 단위시간별 시가총액 중 적어도 하나를 기초로 하나 이상의 유동성 지표를 산출할 수 있다. 하나 이상의 유동성 지표는 거래량 대비 유동성(liquidity relative volume index)을 의미하는 제1 유동성 지표와, 변동성 대비 유동성(liquidity relative volatility index)을 의미하는 제2 유동성 지표를 포함할 수 있다. 각 유동성 지표에 포함된 지수의 시작일과 유동성 지표 산출 시각은 다양할 수 있다. 예를 들면, 지수는 2022년 1월 1일 0시에 산출이 시작되도록 설정되고, 0시부터 24시까지 연속적으로 실시간으로 지수가 산출되도록 설정될 수 있다.

제1 유동성 지표는 특정 마켓페어의 거래량 대비 유동성을 나타내는 지표를 의미할 수 있다. 즉, 제1 유동성 지표는 특정 마켓페어의 거래량 대비 유동성의 정도를 표현하는 지표로서, 해당 종목의 유동성이 클수록 거래량이 크고, 그에 따른 변동폭이 다른 유동성이 작은 종목들에 비해 작다는 것을 전제로 한다. 구체적으로, 제1 유동성 지표는, 지정 거래소에서, 특정 마켓페어의 단위시간별 거래량과 단위시간별 시가총액을 기초로 산출되는 거래 크기와, 지정 거래소에서 특정 마켓페어의 변동폭을 기초로 산출될 수 있다.

일 실시예에서, 지표 계산 모듈(360)은 [수학식 4]을 기초로 제1 유동성 지표를 산출할 수 있다. [수학식 4]에서, 상기 x는 특정 마켓페어, 상기 L1x는 x에 관하여 단위시간별 제1 유동성 지표의 값, 상기 c1x는 x에 관한 제1 지수 조절 계수, 상기 a는 변동폭의 가중치, 상기 b는 거래 크기의 가중치, 상기 N은 하나의 시간 구간에서 요소 값의 측정 횟수, 상기 Rk은 k 시각에서 변동폭, 상기 Vk는 k 시각에서 거래량, 상기 Tk는 k 시각에서 시가총액을 의미할 수 있다. 또한, 제1 유동성 지표는 변동폭과 거래량 각각에 대해 서로 상이한 가중치가 적용되어 산출될 수 있다.

특정 마켓페어의 거래량이나 시가총액이 증가하는 경우, 제1 유동성 지표의 값이 증가할 수 있다. 반대로, 특정 마켓페어의 변동폭이 큰 경우 제1 유동성 지표의 값은 감소할 수 있다.

제2 유동성 지표는 특정 마켓페어의 변동성 대비 유동성을 나타내는 지표를 의미할 수 있다. 즉, 제2 유동성 지표는 특정 마켓페어의 가격 변동성 대비 유동성의 정도를 표현할 수 있다. 제2 유동성 지표는 지표 산출 시각에 따라 실시간으로 업데이트되어 특정 마켓페어의 변동폭과 거래량에 의해 실시간으로 변화하는 값을 가질 수 있다. 구체적으로, 제2 유동성 지표는, 지정 거래소에서, 특정 마켓페어의 단위시간별 변동폭, 단위시간별 거래량, 및 시가총액을 기초로 산출될 수 있다.

일 실시예에서, 지표 계산 모듈(360)은 [수학식 5]를 기초로 제2 유동성 지표를 산출할 수 있다. [수학식 5]에서, 상기 x는 특정 마켓페어, 상기 L2x는 x에 관하여 단위시간별 제2 유동성 지표의 값, 상기 c2x는 x에 관한 제2 지수 조절 계수, 상기 N은 하나의 시간 구간 내에서 요소 값의 측정 횟수, 상기 Rk는 k 시각에서 변동폭, 상기 Vk는 k 시각에서 거래량, 상기 Tk는 k 시각에서 시가총액을 의미할 수 있다. 제2 지수 조절 계수는 지표의 값의 변동의 크기에 기반하여 조정되는 상수를 의미할 수 있다.

유동성 공급 모듈(350)은, 지정 거래소의 특정 마켓페어에 대한 호가 제출 정보를 생성할 수 있다. 여기서, 호가 제출 정보는, 제출호가 가격 범위, 호가 제출 유형, 목표 거래량, 및 거래전략에 대응하는 정보를 포함할 수 있다. 즉, 호가 제출 정보는 지정 거래소의 특정 마켓페어에 대한 하나 이상의 호가를 포함할 수 있다. 유동성 공급 모듈(350)은 거래 분석 모듈(330) 및 호가 분석 모듈(340)의 분석 결과 및 하나 이상의 유동성 지표 중 하나 이상을 기초로 호가 제출 정보를 생성할 수 있다. 호가 제출 정보는 유효호가 범위 내 서로 다른 가격의 주문수량에 대한 정보를 포함할 수 있다. 구체적으로, 호가 제출 정보는, 특정 마켓페어에 대한 최우선 매수호가보다 크고, 최우선 매도호가보다 작은 가격범위 내의 호가를 포함할 수 있다.

호가 제출 정보는, 서로 다른 주문가격과, 주문가격 각각에 대한 개별적인 주문수량에 대한 정보를 포함할 수 있다. 서로 다른 주문가격은 지정 거래소의 특정 마켓페어에 대한 최소호가단위에 따른 가격일 수 있다. 구체적으로, 서로 다른 주문가격은, 지정 거래소의 특정 마켓페어에 대한 최소호가단위에 따라 최우선 매수호가보다 크고 최우선 매도호가보다 작은 가격범위 내에서 차등 결정될 수 있다.

호가 제출 정보는 [수학식 6]을 기초로 결정될 수 있다. [수학식 6]에서, LP는 호가 제출 정보, n,i는 주문가격을 식별하기 위한 자연수, Pi는 i번째 주문가격, Ci는 i번째 주문가격의 주문수량을 의미할 수 있다.

호가 제출 정보 중, 특정 주문가격에 대한 주문수량은, 특정 주문가격과 최우선 매도호가(Pus) 또는 최우선 매수호가(Pub)와의 가격 차이를 기초로 산출될 수 있다.

일 실시예에서, 유동성 공급 모듈(350)은 다양한 방법을 이용하여 특정 주문가격에 대한 주문수량을 결정할 수 있다. 이하에서는 설명의 편의를 위해, '최우선 매수호가(Pub)'<'제1 가격(P1)'<'제2 가격(P2)'<거래체결가격(Pex)<'제3 가격(P3)'<'제4 가격(P4)'<'최우선 매도호가(Pus)'인 경우를 가정하여, 유동성 공급 모듈(350)이 특정 주문가격에 대한 주문수량을 결정하는 방법을 설명한다.

도 6을 참조하면, 제4 가격(P4)에 대한 매도주문수량(Cs4)은, 제3 가격(P3)에 대한 매도주문수량(Cs3)보다 클 수 있다. 반대로, 제1 가격(P1)에 대한 매수주문수량(Cb1)은, 제2 가격(P2)에 대한 매수주문수량(Cb2)보다 클 수 있다. 즉, 매도호가 또는 매수호가 각각에 대해, 서로 다른 가격에 대한 주문수량의 크기는 서로 상이할 수 있고, 이 경우 각 가격에 대한 주문수량의 크기는 매도호가 또는 매수호가 각각에 대한 최우선호가에 가까운 가격일수록 커질 수 있다.

일 실시예에서, 유동성 공급 모듈(350)은 각 가격에 대한 주문수량의 크기를 복수의 주문인자를 기초로 결정할 수 있다. 예를 들면, 유동성 공급 모듈(350)은 복수의 주문인자를 기초로 제4 가격(P2)에 대한 매도주문수량(Cs4)과 제3 가격(P3)에 대한 매도주문수량(Cs3)의 차를 결정할 수 있다. 여기서, 복수의 주문인자는 특정 주문가격에 대한 주문수량을 결정하기 위해 정해지는 임의의 계수일 수 있다. 복수의 주문인자는 제1 주문인자(Q1), 제2 주문인자(Q2)에 의해 결정될 수 있다.

제1 주문인자(Q1)가 증가할수록 호가 제출 정보에 포함된 하나 이상의 매도호가 또는 하나 이상의 매수호가 중, 낮은 가격의 호가와 큰 가격의 호가 각각에 대한 주문수량의 차가 커질 수 있다. 즉, 제1 주문인자(Q1)는 호가 제출 정보의 호가 스프레드(spread)와 양의 상관관계를 가질 수 있다.

일 실시예에서, 제1 주문인자(Q1)는 최우선 매도호가(Pus)와 최우선 매수호가(Pub)의 가격차(Dbs)를 기초로 결정될 수 있다.

일 실시예에서, 제1 주문인자(Q1)는 [수학식 7]에 의해 결정될 수 있다. [수학식 7]에서, Q1은 제1 주문인자, Nbp는 특정 마켓페어에 대한 최우선 매수호가와 최우선 매도호가 간 호가단위의 수, Pub는 최우선 매수호가, Pus는 최우선 매도호가, Dbs는 최우선 매도호가와 최우선 매수호가의 가격차를 의미할 수 있다.

일 실시예에서, 제2 주문인자(Q2)는 하나 이상의 유동성 지표를 기초로 결정될 수 있다.

하나 이상의 유동성 지표는, 전술한 바와 같이, 지표 계산 모듈(360)에 의해, 특정 마켓페어의 단위시간별 거래량, 단위시간별 변동폭, 및 단위시간별 시가총액 중 적어도 하나를 기초로 산출되는 지표일 수 있다.

하나 이상의 유동성 지표는, 거래량 대비 유동성을 의미하는 제1 유동성 지표와, 변동성 대비 유동성을 의미하는 제2 유동성 지표를 포함할 수 있다.

일 실시예에서, 각 가격에 대한 주문수량의 크기의 차는 제1 유동성 지표와 양의 상관관계에 있을 수 있다. 예를 들면, 제4 가격(P2)에 대한 매도주문수량(Cs4)과 제3 가격(P3)에 대한 매도주문수량(Cs3)의 차는 제1 유동성 지표와 양의 상관관계에 있을 수 있다.

일 실시예에서, 각 가격에 대한 주문수량의 크기의 차는 제2 유동성 지표와 양의 상관관계에 있을 수 있다. 예를 들면, 제1 가격(P1)에 대한 매수주문수량(Cb1)과 제2 가격(P2)에 대한 매수주문수량(Cb2)의 차는 제2 유동성 지표와 양의 상관관계에 있을 수 있다.

일 실시예에서, 유동성 공급 모듈(350)은 특정 마켓페어에 대한 유효호가 범위 내 제출되지 않은 가격대의 호가를 제출호가 가격 범위로 설정하여 호가 제출 정보를 생성할 수 있다.

일 실시예에서, 유동성 공급 모듈(350)은 지정 거래소의 특정 마켓페어에 대해 제출된 호가 중, 최우선 매수호가와 최우선 매도호가에 먼 가격대의 호가보다 최우선 매수호가와 최우선 매도호가에 가까운 가격대의 호가에 제출 우선순위를 높게 설정한 호가 제출 정보를 생성할 수 있다.

데이터베이스(370)는 데이터베이스 관리 프로그램을 이용하여 유동성 공급 장치(300)의 각 구성요소(예를 들면, 거래 분석 모듈(330), 호가 분석 모듈(340))에서 생성된 데이터를 기초로 데이터베이스를 구성할 수 있다. 데이터베이스(370)는 데이터베이스 관리 프로그램을 이용하여 데이터베이스 내 저장된 데이터의 검색, 삭제, 편집, 추가 등을 자유롭게 행할 수 있다. 데이터베이스(370)는 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.

학습 모듈(380)은 다층 신경망 및 학습 엔진을 이용하여 유동성 공급 장치(300)의 각 구성요소에서 생성된 정보 또는 데이터를 기초로 각 구성요소의 출력값에 대한 최적화된 파라미터를 제공할 수 있다. 학습 모듈(380)의 구조 및 동작에 관하여는 후술한다.

유동성 공급 장치(300)는 하드웨어적으로 통상적인 웹서버(Web Server) 또는 네트워크 서버와 동일한 하드웨어 모듈을 포함할 수 있다. 유동성 공급 장치(300)는 웹서버 또는 네트워크 서버의 형태로 구현될 수도 있고, 유형의 저장 장치 내부에 구축되어 있는 각종 데이터베이스를 포함하여 웹서버상에서 동작하는 일련의 응용 프로그램(Application Program)으로 구현될 수도 있다. 따라서 유동성 공급 장치(300)는 전술한 내용 중 어느 하나의 형태로 국한되지 않는 넓은 개념으로 이해되어야 할 것이다.

유동성 공급 장치(300)는 물리적인 서버를 통해 구현되는 것일 수 있다. 즉, 유동성 공급 장치(300)가 통신 장치를 포함하는 서버로 구현되어, 사용자 단말(400)로부터 데이터를 송신 또는 수신할 수 있다. 유동성 공급 장치(300)는 워크스테이션(workstation), 데이터 센터, 인터넷 데이터 센터(internet data center(IDC)), DAS(direct attached storage) 시스템, SAN(storage area network) 시스템, NAS(network attached storage) 시스템, RAID(redundant array of inexpensive disks, or redundant array of independent disks) 시스템, 및 EDMS(Electronic Document Management) 시스템 중 적어도 하나로 구현될 수 있으나, 본 실시예가 이에 제한되는 것은 아니다.

복수의 사용자 단말(400)은 네트워크 환경(10)에서 거래소 서버(500)에 접속하여 가상자산을 직접 매수 또는 매도하거나, 유동성 공급 장치(300)를 경유하여 거래소 서버(500)에 접속하여 가상자산에 대한 거래를 수행하는 복수의 전자장치를 포함할 수 있다. 복수의 사용자 단말(400)은 제1 사용자 단말(410), 제2 사용자 단말(420)을 포함할 수 있다. 비록 도 3에는 2개의 사용자 단말만이 도시되었으나, 본 발명의 실시예는 이에 제한되지 않고 복수의 사용자 단말(400)이 포함하는 사용자 단말의 수는 3개 이상일 수 있다.

복수의 사용자 단말(400) 각각은, 데스크톱 컴퓨터뿐만 아니라 노트북 컴퓨터, 워크스테이션, 팜톱(palmtop) 컴퓨터, UMPC(Ultra Mobile Personal Computer), 태블릿 PC, 개인 휴대 정보 단말기(Personal Digital Assistant, PDA), 웹 패드, 스마트폰, 휴대전화 등과 같이 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 단말장치로 이루어질 수 있다. 복수의 사용자 단말(400) 각각은 도 1을 참조하여 설명한 전자 장치(101)과 동일하거나, 전자 장치(101)의 구성요소의 전부 또는 일부를 포함할 수 있다.

복수의 사용자 단말(400) 각각에는 유동성 공급 장치(300)로부터 제공되는 유동성 공급 프로그램 또는 유동성 공급 어플리케이션이 설치되어 실행될 수 있다. 또한 복수의 사용자 단말(400) 각각에는 거래소 서버(500)에서 지원하는 암호화폐를 거래하기 위한 하나 이상의 전자지갑이 설치될 수 있다.

복수의 사용자 단말(400) 각각에 설치된 전자지갑은 거래소 서버(500)가 배포하는 API(Application Programming Interface)를 통해 상용화된 암호화폐의 매수, 매도 및 송금을 수행할 수 있다.

네트워크(600)는 LTE(long-term evolution), LTE-A(LTE Advance), CDMA(code division multiple access), WCDMA(wideband CDMA), UMTS(universal mobile telecommunications system), WiBro(Wireless Broadband), 또는 GSM(Global System for Mobile Communications)를 포함하는 여러 방식 중 어느 하나의 방식으로 데이터를 송수신할 수 있다.

유동성 공급 장치(300)에 포함된 각 구성요소는 장치 내부의 소프트웨어적인 모듈 또는 하드웨어적인 모듈을 연결하는 통신 경로에 연결되어 상호 간에 유기적으로 동작할 수 있다. 즉, 유동성 공급 장치(300)의 각 구성요소는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 소프트웨어적인 모듈, 하드웨어적인 모듈 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있다.

도 3에 도시된 유동성 공급 장치(300)의 구성은 반드시 필수적인 것은 아니고, 필요에 따라 몇몇 구성을 생략하거나, 도 3에 도시되지 않은 다른 구성을 추가할 수 있을 것이다. 즉, 도 3에 도시된 구성은 설명의 편의를 위한 것이지, 실시예들이 이에 제한되는 것은 아니다. 본 발명의 기술 분야에서 통상의 지식을 가진 자는 본 발명의 범위를 벗어나지 않고 본 발명의 실시예들을 변형하여 실시할 수 있을 것이다.

도 4는 도 3의 학습 모듈(380)의 구조를 나타내는 블록도이다. 도 5는 도 4의 다층 신경망(381)의 구조를 설명하기 위한 도면이다.

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.

도 4를 참조하면, 학습 모듈(380)은 다층 신경망(381), 학습 엔진(382)을 포함할 수 있다.

학습 엔진(382)은 복수의 학습 데이터를 사용하여 다층 신경망(381)을 미리 지도학습시킬 수 있다. 다층 신경망(Multilayer Neural Network)은 많은 수의 인공 뉴런(또는, 노드)들을 이용하여 생물학적인 시스템의 계산 능력을 모방하는 소프트웨어나 하드웨어로 구현된 예측 모델이다.

학습 엔진(382)은, 다층 신경망(381)이 학습 데이터를 기초로 호가 제출 정보를 정확하게 산출할 수 있도록, 복수의 학습 데이터를 사용하여 다층 신경망(381)을 지도학습시킬 수 있다.

일 실시예에서, 복수의 학습 데이터는 제1 학습 데이터, 제2 학습 데이터를 포함할 수 있다.

제1 학습 데이터는, 복수의 호가 분석 정보, 복수의 거래 분석 정보, 및 복수의 주문인자를 포함할 수 있다. 복수의 주문인자는, 호가 제출 정보에 포함된 서로 다른 주문가격 각각에 대한 주문수량을 결정할 수 있다. 복수의 주문인자는, 호가 제출 정보에 포함된 호가 중 가장 낮은 주문가격과 가장 큰 주문가격 각각에 대한 주문수량의 차에 비례하는 제1 주문인자와, 하나 이상의 유동성 지표를 기초로 결정되는 제2 주문인자를 포함할 수 있다.

제2 학습 데이터는, 제1 시점에 선행하는 제3 시점으로부터 제1 시점에 선행하고 제3 시점에 후속하는 제4 시점까지의 선행시간동안의 특정 마켓페어에 관한 거래 정보를 기초로 생성되는 선행 거래 분석 정보, 및 지정 거래소에 특정 마켓페어에 대해 선행시간 중 하나 이상의 시점에 제출되어 있는 호가에 대한 호가 정보를 기초로 생성되는 선행 호가 분석 정보를 기초로 생성될 수 있다.

이때, 지도학습이란, 입력값과 그에 따른 출력값이 있는 데이터를 학습 데이터로 이용하여 주어진 입력값에 따른 출력값을 찾는 학습을 의미하며, 정답을 알고 있는 상태에서 이루어지는 학습을 의미한다. 지도 학습에서 주어지는 입력값과 출력값 세트를 학습 데이터(Training Data)라고 한다.

도 5를 참조하면, 다층 신경망(381)은 입력 레이어, 하나 이상의 히든 레이어, 및 출력 레이어을 포함할 수 있다.

일 실시예에서, 다층 신경망(381)은, 입력값을 입력받고 제1 특징 벡터의 성분 개수에 상응하는 노드들을 갖는 입력 레이어, 입력 레이어의 출력값 각각에 대하여 가중치를 곱하고, 바이어스(bias)를 더하여 출력하는 제1 히든 레이어, 및 제1 히든 레이어의 출력값 각각에 대하여 가중치를 곱하고, 바이어스를 더하여 출력하는 제2 히든 레이어, 및 제2 히든 레이어의 출력값 각각에 대하여 가중치를 곱하고, 그 결과를 활성화 함수를 이용하여 출력하는 출력 레이어(output layer)를 포함할 수 있다.

예를 들어, 활성화 함수는 Softmax 함수일 수 있으나, 본 발명의 실시예는 이에 제한되는 것은 아니고, 활성화 함수는 LeRU 함수 등 다른 다양한 함수일 수 있다. 가중치와 바이어스는 지도학습에 의해 지속적으로 갱신될 수 있다.

구체적으로, 출력 벡터는 출력 레이어에 연결된 손실함수 레이어에 입력될 수 있다. 손실함수 레이어는 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력할 수 있다. 다층 신경망(381)의 파라미터는 손실값이 작아지는 방향으로 지도학습될 수 있다.

예를 들어, 손실함수 레이어는 [수학식 8]를 따라 손실값을 계산할 수 있다. [수학식 8]에서, N은 복수의 학습 데이터의 수, n은 학습 데이터를 식별하는 자연수, k는 n번째 학습 데이터의 값을 식별하는 자연수, nk는 n번째 학습 데이터의 k번째 값을 의미하고, t는 정답 데이터를 의미하고, y는 출력 벡터를 의미하고, E는 손실값을 의미할 수 있다.

또는, 손실함수 레이어는 [수학식 9]을 따라 손실값을 계산할 수 있다. [수학식 9]에서, n은 클래스 별 학습 데이터의 수, y와 j는 클래스를 나타내는 식별자, C는 상수값, M은 클래스의 개수, x_y는 학습 데이터가 클래스 y에 속할 확률값, x_j는 학습 데이터가 클래스 j에 속할 확률값, L은 손실값을 의미할 수 있다.

학습 모듈(380)은 적어도 하나의 하드웨어 칩 형태로 제작되어 디바이스에 탑재될 수 있다. 예를 들어, 학습 모듈(380)은 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 디바이스에 탑재될 수도 있다.

이 경우, 학습 모듈(380)은 하나의 디바이스에 탑재될 수도 있으며, 또는 별개의 디바이스에 탑재될 수도 있다. 한편, 학습 모듈(380)의 학습 모델은 소프트웨어 모듈로 구현될 수 있다. 학습 모델이 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 어플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 어플리케이션에 의해 제공될 수 있다.

이를 위해, 학습 모듈(380)은 인공지능 기계학습 모델을 포함할 수 있다. 유동성 공급 장치(300)가 하드웨어로 구현되는 경우, 학습 모듈(380)은 기계학습 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 기계학습 모델은 인공지능 기계 학습을 통해 생성될 수 있다.

기계 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.

전술한 바와 같이, 본 발명의 호가 검증 방법은, 거래소 내의 특정 마켓페어에 대해 적절한 유동성을 공급하기 위하여, 거래소에서 이루어지는 거래 체결에 대한 내역과 거래소에 제출되는 호가 내역을 실시간으로 분석할 수 있다. 이를 통해, 분석 결과를 기초로 제출 호가의 주문가격 및 주문수량을 결정하여 적절한 유동성을 공급하여 줄 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 기반의 학습 모듈을 이용하여 지정 거래소에 제출된 특정 마켓페어에 대한 호가의 유효성을 실시간으로 검증하고, 검증 결과를 기초로 상기 특정 마켓페어의 유동성을 확보하기 위한 호가를 제출하는 방법에 있어서,
   호가 분석 모듈에 의해, 상기 지정 거래소에 대응하는 거래소 서버로부터 수신하는 복수의 호가 정보를 기초로 복수의 호가 분석 정보를 생성하고,
   거래 분석 모듈에 의해, 상기 거래소 서버로부터 수신하는 복수의 거래 정보를 기초로 복수의 거래 분석 정보를 생성하고,
   상기 복수의 호가 분석 정보는, 상기 지정 거래소에 상기 특정 마켓페어에 대해 제1 시점에 제출되어 있는 호가에 대한 제1 호가 정보를 기초로 생성되는 제1 최우선 매수호가, 제1 최우선 매도호가, 및 제1 거래체결가격을 포함하는 제1 호가 분석 정보와,
   상기 지정 거래소에 상기 특정 마켓페어에 대해 상기 제1 시점에 후속하는 제2 시점에 제출되어 있는 호가에 대한 제2 호가 정보를 기초로 생성되는 제2 최우선 매수호가, 제2 최우선 매도호가, 및 제2 거래체결가격을 포함하는 제2 호가 분석 정보를 포함하고,
   상기 복수의 거래 분석 정보는, 복수의 시점에서 상기 지정 거래소의 상기 특정 마켓페어에 대해 상기 제1 시점과 상기 제2 시점까지의 시간을 포함하는 단위시간 동안의 거래체결 내역에 관련된 거래 정보를 기초로 생성되는 상기 특정 마켓페어의 단위시간별 거래량, 단위시간별 변동폭, 및 단위시간별 시가총액에 관한 정보를 포함하고,
   유동성 공급 모듈에 의해, 상기 복수의 호가 분석 정보와 상기 복수의 거래 분석 정보를 기초로 호가 제출 정보를 생성하는 것을 포함하고,
   상기 호가 제출 정보는, 상기 특정 마켓페어에 대한 최우선 매수호가와 최우선 매도호가 사이의 서로 다른 주문가격 각각에 대한 주문수량에 관한 정보를 포함하고,
   상기 최우선 매수호가는, 상기 특정 마켓페어에 대해 상기 지정 거래소에 제출된 호가들 중 상기 거래체결가격보다 낮고 제1 임계 주문수량을 초과하는 호가의 최대값을 의미하고,
   상기 최우선 매도호가는, 상기 특정 마켓페어에 대해 상기 지정 거래소에 제출된 호가들 중 상기 거래체결가격보다 높고 임계 제2 주문수량을 초과하는 호가의 최소값을 의미하고,
   상기 학습 모듈은, 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하는 다층 신경망, 및 상기 다층 신경망이 제1 학습 데이터를 기초로 상기 거래소 서버에 제출되는 호가 제출 정보를 정확하게 산출하도록 지도학습시키는 학습엔진을 포함하고,
   상기 제1 학습 데이터는, 상기 복수의 호가 분석 정보 및 상기 복수의 거래 분석 정보를 포함하고,
   상기 제1 학습 데이터는 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 레이어에 의해, 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실함수를 이용하여 손실값을 출력하고,
   상기 학습엔진에 의해, 상기 다층 신경망의 파라미터를 상기 손실값이 작아지는 방향으로 지도학습하는 것을 더 포함하고,
   상기 제1 시점에 선행하는 제3 시점으로부터 상기 제1 시점에 선행하고 상기 제3 시점에 후속하는 제4 시점까지의 선행시간동안의 상기 특정 마켓페어에 관한 거래 정보를 기초로 생성되는 선행 거래 분석 정보, 및 상기 지정 거래소에 상기 특정 마켓페어에 대해 상기 선행시간 중 하나 이상의 시점에 제출되어 있는 호가에 대한 호가 정보를 기초로 생성되는 선행 호가 분석 정보를 기초로 제2 학습 데이터를 생성하고,
   상기 학습엔진에 의해, 상기 제2 학습 데이터를 기초로 상기 다층 신경망의 파라미터를 지도학습하는 것을 더 포함하는,
   호가 검증 방법.
2. 삭제
3. 삭제
4. 삭제
5. 제1항에 있어서,
   상기 제1 학습 데이터는, 상기 호가 제출 정보에 포함된 상기 서로 다른 주문가격 각각에 대한 주문수량을 결정하는 복수의 주문인자를 포함하고,
   상기 복수의 주문인자는, 상기 호가 제출 정보에 포함된 호가 중 가장 낮은 주문가격과 가장 큰 주문가격 각각에 대한 주문수량의 차에 비례하는 제1 주문인자와, 하나 이상의 유동성 지표를 기초로 결정되는 제2 주문인자를 포함하는,
   호가 검증 방법.
   
   

Images