KR20180117800A - 자산 포트폴리오 추천 방법 - Google Patents

자산 포트폴리오 추천 방법 Download PDF

Info

Publication number
KR20180117800A
KR20180117800A KR1020170050788A KR20170050788A KR20180117800A KR 20180117800 A KR20180117800 A KR 20180117800A KR 1020170050788 A KR1020170050788 A KR 1020170050788A KR 20170050788 A KR20170050788 A KR 20170050788A KR 20180117800 A KR20180117800 A KR 20180117800A
Authority
KR
South Korea
Prior art keywords
investment
asset portfolio
data
item
user terminal
Prior art date
Application number
KR1020170050788A
Other languages
English (en)
Inventor
김민경
Original Assignee
주식회사 비아이큐브
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 비아이큐브 filed Critical 주식회사 비아이큐브
Priority to KR1020170050788A priority Critical patent/KR20180117800A/ko
Publication of KR20180117800A publication Critical patent/KR20180117800A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Accounting & Taxation (AREA)
  • Educational Administration (AREA)
  • Technology Law (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

자산 포트폴리오 추천 방법이 제공되며, 기 설정된 검색 조건에 따라 웹 크롤러(Web Crawler)로 수집 또는 입력된 빅 데이터인 텍스트 데이터를 데이터베이스화하는 단계, 투자 종목별로 시계열적으로 투자 데이터를 수집하여 데이터베이스화하는 단계, 텍스트 데이터와 투자 데이터의 인과관계를 분석하여 예측 모델을 생성하는 단계, 사용자 단말에서 종목 추천을 요청하는 경우, 실시간 텍스트 데이터를 검색 및 수집하여 예측 모델에 기반한 예측 시뮬레이션을 실행하는 단계, 예측 시뮬레이션에 의해 추출된 투자 종목으로 자산 포트폴리오를 구성하여 사용자 단말로 전송하는 단계, 및 사용자 단말에서 자산 포트폴리오에 따라 투자를 결정할 경우, 자산 포트폴리오의 추천 종목에 기초하여 투자금을 할당하도록 제어하는 단계를 포함한다.

Description

자산 포트폴리오 추천 방법{METHOD FOR PROVIDING ASSET PORTFOLIO RECOMMENDATING SERVICE}
본 발명은 자산 포트폴리오 추천 방법에 관한 것으로, 투자 데이터 및 텍스트 데이터로부터 모델링되는 예측 모델을 이용하여 정확도 높은 예측 투자 포트폴리오를 제공하기 위한 방법에 관한 것이다.
최근, 세계적인 경제 불황으로 금리가 최저점을 기록하면서 은행 이외의 투자 종목에 많은 관심이 쏟아지고 있지만, 정작 정보나 경험이 부족한 개인은 전문 투자 그룹 또는 인력이 배치된 회사의 수익을 거드는 소위 개미 역할만을 수행하게 되고, 수익은 불구하고 손해까지 보는 경우가 대부분이다.
이때, 안정적인 투자를 위한 방법은, 예측 모델을 이용하여 사용자가 예측 모델로부터 생성된 예측 자료를 이용하는 방법으로 이루어지고 있다. 이와 관련하여, 선행기술인 한국공개특허 제2015-0100433호(2015.9.2 공개)에는, SNS를 이용하여 빅데이터를 분석한 후, 감성 단어의 추출을 통하여 미래의 주가 변동을 예측하여 사용자에게 제공하는 구성을 개시하고 있다.
다만, SNS를 이용하여 감성 단어 또는 그 이외의 키워드를 추출하는 경우, SNS의 정보의 오류 또는 어떤 원인으로 인하여 SNS의 정보가 생성되었는지의 인과관계가 명확하지 않은 경우, 모델링 단계에서부터 발생한 오류에 따라 예측률은 현저히 떨어지거나, 전혀 관계없는 모델링으로 인하여 전혀 관계가 없는 투자 종목을 추천하게 되는 것이 현 실정이다.
본 발명의 일 실시예는, SNS 뿐만 아니라, 세계 각국의 정책, 기사, 주요 뉴스 등을 수집하고, 이에 따른 결과인 투자 종목의 데이터를 수집하여 인과관계를 분석 및 빅데이터를 해석함으로써 정확한 예측 모델을 생성하고, 생성된 예측 모델을 통하여 정확도가 높은 자산 포트폴리오를 사용자에게 제공하며, 예측률이 기 설정된 기준값 미만인 경우에는, 실시간으로 피드백을 받아 예측 모델을 수정함으로써 예측률이 기 설정된 정확도를 만족하도록 하는, 자산 포트폴리오 추천 방법을 제공할 수 있다. 다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 일 실시예는, 기 설정된 검색 조건에 따라 웹 크롤러(Web Crawler)로 수집 또는 입력된 빅 데이터인 텍스트 데이터를 데이터베이스화하는 단계, 투자 종목별로 시계열적으로 투자 데이터를 수집하여 데이터베이스화하는 단계, 텍스트 데이터와 투자 데이터의 인과관계를 분석하여 예측 모델을 생성하는 단계, 사용자 단말에서 종목 추천을 요청하는 경우, 실시간 텍스트 데이터를 검색 및 수집하여 예측 모델에 기반한 예측 시뮬레이션을 실행하는 단계, 예측 시뮬레이션에 의해 추출된 투자 종목으로 자산 포트폴리오를 구성하여 사용자 단말로 전송하는 단계, 및 사용자 단말에서 자산 포트폴리오에 따라 투자를 결정할 경우, 자산 포트폴리오의 추천 종목에 기초하여 투자금을 할당하도록 제어하는 단계를 포함한다.
전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, SNS 뿐만 아니라, 세계 각국의 정책, 기사, 주요 뉴스 등을 수집하고, 이에 따른 결과인 투자 종목의 데이터를 수집하여 인과관계를 분석 및 빅데이터를 해석함으로써 정확한 예측 모델을 생성하고, 생성된 예측 모델을 통하여 정확도가 높은 자산 포트폴리오를 사용자에게 제공하며, 예측률이 기 설정된 기준값 미만인 경우에는, 실시간으로 피드백을 받아 예측 모델을 수정함으로써 예측률이 기 설정된 정확도를 만족하도록 한다.
도 1은 본 발명의 일 실시예에 따른 자산 포트폴리오 추천 시스템을 설명하기 위한 구성도이다.
도 2는 도 1에 도시된 자산 포트폴리오 추천 서버를 설명하기 위한 구성도이다.
도 3은 본 발명의 일 실시예에 따른 자산 포트폴리오 추천 서비스가 예측 시뮬레이션 기반으로 구동되는 과정을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 자산 포트폴리오 추천 서비스에서 텍스트 데이터 및 투자 데이터가 빅데이터로 입력되어 예측 모델을 생성하는 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 자산 포트폴리오 추천 서비스에서 텍스트 데이터 및 투자 데이터로부터 예측 모델을 생성하기 위한 데이터 메쉬업 과정을 도시한 도면이다.
도 6은 본 발명의 일 실시예에 따른 자산 포트폴리오 추천 방법을 설명하기 위한 동작 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
명세서 전체에서 사용되는 정도의 용어 "약", "실질적으로" 등은 언급된 의미에 고유한 제조 및 물질 허용오차가 제시될 때 그 수치에서 또는 그 수치에 근접한 의미로 사용되고, 본 발명의 이해를 돕기 위해 정확하거나 절대적인 수치가 언급된 개시 내용을 비양심적인 침해자가 부당하게 이용하는 것을 방지하기 위해 사용된다. 본 발명의 명세서 전체에서 사용되는 정도의 용어 "~(하는) 단계" 또는 "~의 단계"는 "~ 를 위한 단계"를 의미하지 않는다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1개의 유닛이 2개 이상의 하드웨어를 이용하여 실현되어도 되고, 2개 이상의 유닛이 1개의 하드웨어에 의해 실현되어도 된다.
본 명세서에 있어서 단말, 장치 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말, 장치 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말, 장치 또는 디바이스에서 수행될 수도 있다.
본 명세서에서 있어서, 단말과 매핑(Mapping) 또는 매칭(Maching)으로 기술된 동작이나 기능 중 일부는, 단말의 식별 정보(Identifying Data)인 단말기의 고유번호나 개인의 식별정보를 매핑 또는 매칭한다는 의미로 해석될 수 있다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 자산 포트폴리오 추천 시스템을 설명하기 위한 구성도이다. 도 1을 참조하면, 자산 포트폴리오 추천 시스템(1)은, 사용자 단말(100), 자산 포트폴리오 추천 서버(300), 변수 정보 서버(400) 및 투자 정보 서버(500)를 포함할 수 있다. 다만, 이러한 도 1의 자산 포트폴리오 추천 시스템(1)은, 본 발명의 일 실시예에 불과하므로, 도 1을 통해 본 발명이 한정 해석되는 것은 아니다.
이때, 도 1의 각 구성요소들은 일반적으로 네트워크(network, 200)를 통해 연결된다. 예를 들어, 도 1에 도시된 바와 같이, 사용자 단말(100)은, 네트워크(200)를 통하여 자산 포트폴리오 추천 서버(300)와 연결될 수 있다. 그리고, 자산 포트폴리오 추천 서버(300)는, 네트워크(200)를 통하여 사용자 단말(100), 변수 정보 서버(400), 투자 정보 서버(500)와 연결될 수 있다. 또한, 변수 정보 서버(400)는, 네트워크(200)를 통하여 자산 포트폴리오 추천 서버(300)로 연결될 수 있다. 그리고, 투자 정보 서버(500)는, 네트워크(200)를 통하여 자산 포트폴리오 추천 서버(300)로 연결될 수 있다.
여기서, 네트워크(200)는, 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크(200)의 일 예에는 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, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다. 도 1에 도시된 사용자 단말(100), 자산 포트폴리오 추천 서버(300), 변수 정보 서버(400), 투자 정보 서버(500)는 도 1에 도시된 것들로 한정 해석되는 것은 아니다.
사용자 단말(100)은, 개인이나 투자에 대하여 전문 지식이 없거나 있는 사용자의 단말일 수 있다. 이때, 사용자 단말(100)은, 펀드, 주식, 선물, 금, 외화 등을 포함한 투자 종목을 선택하기가 어렵거나, 선택할지라도 언제 팔거나 사야할지, 즉 타이밍을 알기 어려운 개인 등의 단말일 수 있다. 또한, 사용자 단말(100)은, 자산 포트폴리오 추천 서버(300)에서 추천한 자산 포트폴리오의 종목들을 선택하고, 선택에 따른 수익이 발생할 경우, 재투자 또는 환급을 신청하는 단말일 수 있다. 그리고, 사용자 단말(100)은, 수익이 발생할 경우, 기 설정된 기간마다 수익금을 포함한 전체 잔액을 투자할지, 일부를 투자할지 또는 환급신청을 할 것인지의 선택 데이터를 사용자로부터 입력받아 자산 포트폴리오 추천 서버(300)로 전송하는 단말일 수 있다. 또한, 사용자 단말(100)은, 자산 포트폴리오 추천 서버(300)에서 제공하는 자산 포트폴리오 추천 서비스 웹 페이지, 앱 페이지, 애플리케이션 또는 프로그램을 이용하여 자산 포트폴리오 추천 서비스를 이용하는 사용자의 단말일 수 있다. 그리고, 사용자 단말(100)은, 연계된 결제 계좌 또는 통장을 이용하여 투자 종목을 매입하는 비용을 지불하고, 자산 포트폴리오 추천 서버(300)로 수수료가 자동으로 결제될 수 있도록 등록하는 단말일 수 있다. 또한, 사용자 단말(100)은, 투자 종목의 매수 및 매도의 이벤트가 발생하는 경우, 공인 인증서 이외에도 사용자 단말(100)에서 이용되는 공통의 인증 수단, 예를 들어 지문 등과 같은 생체 정보로 인증이 되는 경우, 별도의 공인 인증서로 인증하는 절차는 생략하는 단말일 수 있다.
여기서, 사용자 단말(100)은, 네트워크(200)를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 사용자 단말(100)은, 네트워크(200)를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 사용자 단말(100)은, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(smartphone), 스마트 패드(smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
자산 포트폴리오 추천 서버(300)는, 자산 포트폴리오 추천 서비스 웹 페이지, 프로그램, 애플리케이션, 앱 페이지 및 사용자 인터페이스를 사용자 단말(100)로 전송하는 서버일 수 있다. 여기서, 자산 포트폴리오 추천 서버(300)는, 변수 정보 서버(400)로부터 수집 또는 입력된 SNS, 블로그, 뉴스, 정책 발표, 개정법, 기사 등에 따른 텍스트 데이터와, 투자 정보 서버(500)로부터 수집 또는 입력된 금, 주식, 외환, 선물, 부동산, 동산 등의 투자 데이터를 데이터베이스화하는 서버일 수 있다. 그리고, 자산 포트폴리오 추천 서버(300)는, 텍스트 데이터 및 투자 데이터를 이용하여 예측 모델을 생성할 수 있고, 예측 모델로부터 추천된 자산 포트폴리오의 예측률을 측정할 수 있다. 또한, 자산 포트폴리오 추천 서버(300)는, 예측 모델, 자산 포트폴리오, 예측률을 실시간으로 결과가 나올 때마다 업데이트하여 예측률의 정확도를 높이는 서버일 수 있다. 그리고, 자산 포트폴리오 추천 서버(300)는, 변수 정보 서버(400)로부터 수집되거나 웹에서 수집된 정보로부터 텍스트 데이터를 추출하되, 기 설정된 파라미터에 관련된 텍스트, 키워드를 포함하는 경우에만 추출할 수 있다. 마찬가지로, 자산 포트폴리오 추천 서버(300)는, 투자 정보 서버(400)로부터 수집되거나 웹에서 수집된 정보로부터 투자 데이터를 추출하되, 기 설정된 파라미터에 관련된 텍스트를 추출하고, 카테고리별 또는 종목별로 분류하여 저장하는 서버일 수 있다. 이때, 예측 모델은, 주식 뿐만 아니라, 선물, 펀드, 금, 외환 등의 각종 투자 종목에 영향을 주는 파라미터를 추출 및 파라미터에 따른 정보를 수집하고, 수집된 정보에 따른 투자 종목의 변화를 저장하고, 저장된 투자 종목의 히스토리에 기반하여 해당 파라미터로 인한 정보가 수집될 경우, 투자 종목의 변화를 예측하는 프로그램일 수 있다. 이때, 파라미터는, 예를 들어, 외환 위기, 북한의 핵 폭격, 대선, 금리, 정책 변경 등을 포함할 수 있다. 또한, 파라미터별 또는 시기별로 파라미터에 대한 가중치 또는 우선순위가 부여될 수도 있다. 이에 따라, 자산 포트폴리오 추천 서버(300)는, 예측 모델을 통하여 사용자에게 매매할 종목 및 시(타이밍)를 제공할 수 있다. 이때, 자산 포트폴리오 추천 서버(300)는, 네트워크(200)를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다.
변수 정보 서버(400)와 투자 정보 서버(500)는, 각각 SNS, 뉴스, 정책 기사, 개정안 등을 포함하는 텍스트 데이터와, 금, 주식, 외환, 선물, 동산 등의 투자 종목의 정보를 포함하는 투자 데이터를 제공하는 서버일 수 있다. 이때, 변수 정보 서버(400) 및 투자 정보 서버(500)는 서버에 한정되지 않고, 상술한 데이터를 제공하는 구조이면 어느 것이든지 가능하다. 이때, 변수 정보 서버(400)는, 네트워크(200)를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다.
도 2는 도 1에 도시된 자산 포트폴리오 추천 서버를 설명하기 위한 구성도이고, 도 3은 본 발명의 일 실시예에 따른 자산 포트폴리오 추천 서비스가 예측 시뮬레이션 기반으로 구동되는 과정을 설명하기 위한 도면이고, 도 4는 본 발명의 일 실시예에 따른 자산 포트폴리오 추천 서비스에서 텍스트 데이터 및 투자 데이터가 빅데이터로 입력되어 예측 모델을 생성하는 과정을 설명하기 위한 도면이고, 도 5는 본 발명의 일 실시예에 따른 자산 포트폴리오 추천 서비스에서 텍스트 데이터 및 투자 데이터로부터 예측 모델을 생성하기 위한 데이터 메쉬업 과정을 도시한 도면이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 자산 포트폴리오 추천 서버(300)는, DB부(310), 생성부(320), 실행부(330), 전송부(340), 제어부(350), 피드백부(360), 업데이트부(370)를 포함할 수 있다.
본 발명의 일 실시예에 따른 자산 포트폴리오 추천 서버(300) 또는 자산 포트폴리오 추천 서버(300)와 연동되어 동작하는 다른 서버(미도시)가 사용자 단말(100)로 자산 포트폴리오 추천 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 전송하는 경우, 사용자 단말(100)은, 자산 포트폴리오 추천 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 설치하거나 열 수 있다. 또한, 웹 브라우저에서 실행되는 스크립트를 이용하여 서비스 프로그램이 사용자 단말(100)에서 구동될 수도 있다. 여기서, 웹 브라우저는 웹(WWW: world wide web) 서비스를 이용할 수 있게 하는 프로그램으로 HTML(hyper text mark-up language)로 서술된 하이퍼 텍스트를 받아서 보여주는 프로그램을 의미하며, 예를 들어 넷스케이프(Netscape), 익스플로러(Explorer), 크롬(chrome) 등을 포함한다. 또한, 애플리케이션은 단말 상의 응용 프로그램(application)을 의미하며, 예를 들어, 모바일 단말(스마트폰)에서 실행되는 앱(app)을 포함한다.
이때, 네트워크(200)의 연결은, 사용자 단말(100), 자산 포트폴리오 추천 서버(300), 변수 정보 서버(400) 및 투자 정보 서버(500)가 네트워크(200)로 연결되어 있는 단말과 통신을 위해 통신 접점에 통신 객체를 생성하는 것을 의미한다. 자산 포트폴리오 추천 서버(300)는 통신 객체를 통해 서로 데이터를 교환할 수 있다.
DB(Database)부(310)는, 기 설정된 검색 조건에 따라 웹 크롤러(Web Crawler)로 수집 또는 입력된 빅 데이터인 텍스트 데이터를 데이터베이스화할 수 있다. 이때, 기 설정된 검색 조건은, 정책 발표, 북한 핵, 외환 위기, 환율 인상, 수출 감소 등 투자 종목에 영향을 주는 검색어, 키워드, 메타 데이터 등일 수 있다. 다만, 상술한 조건에 한정되지 않고 다른 조건이 존재할 수 있음은 물론이다. 또한, 웹에서 수집된 자료 이외에도 별도로 입력된 데이터도 존재할 수 있다. 그리고, 기 설정된 검색 조건은 카테고리화되어 분류될 수 있고, 가중치 또는 우선순위가 부여될 수도 있다. 예를 들어, 북한 핵 실험 기사와, 북한에서 실제로 남한에 폭격이 일어났다는 기사는 동일한 가중치를 가질 수 없을 수 있다. 그 이유는, 핵 실험은 잠재적인 위험 요소이지만, 실제 폭격이 일어났다는 것은 전쟁이 발발될 수도 있는 실제적 위험 요소일 수 있기 때문이다. 또한, 기 설정된 검색 조건은, 환율이 급락하거나 오른 경우, 또는 시중 금리가 높아지거나 낮아지는 경우, 대선이 다가오는 경우 등 투자 종목에 영향을 미칠 수 있는 자료를 수집하기 위한 조건일 수 있다.
또한, DB부(310)는, 투자 종목별로 시계열적으로 투자 데이터를 수집하여 데이터베이스화할 수 있다. 이때, 투자 데이터는 시계열적(Time-series)으로 수집될 수 있는데, 예를 들어서 오늘 주가가 1000포인트 선을 넘었는데, 내일 900포인트로 급락한 경우, 시기(Time)와 함께 매핑하여 기재하지 않으면 어느 시기의 원인이 어느 시기에 결과로 이어지는지를 알 수 없을 수 있다. 이때, 투자 종목은 카테고리화되고 분류될 수 있다.
생성부(320)는, 텍스트 데이터와 투자 데이터의 인과관계를 분석하여 예측 모델을 생성할 수 있다. 예를 들어, 텍스트 데이터는 다양한 주제를 기반으로 수집될 수 있고, 투자 데이터도 다양한 키워드로 저장될 수 있는데, 어떠한 키워드의 기사 또는 움직임이 어떠한 투자 종목에 영향을 주는지를 파악할 수 있다. 즉, 예측 시뮬레이션은 실시간 또는 주기적으로 실시간(Real-time) 텍스트 데이터를 검색 및 수집하여 예측 모델에 기반한 결과를 생성하고, 예측 모델은 생성된 결과에 따라 업데이트될 수 있다.
예를 들어, 소셜 미디어 상의 과거와 현재 데이터를 분석하는 경우, 미래에 어떤 추이로 전개될 것인지를 예측하고 분석하는 것이 가능하다. 물론, 소셜 미디어 뿐만 아니라, 모든 정보가 포함될 수 있다는 건 자명하다 할 것이다. 여기서, 데이터 마이닝을 이용하게 되는데, 데이터 마이닝을 함으로써 예측 분석이 가능해진다. 즉, 예측 분석을 위해서는 가설을 바탕에 두고 예측 모델을 설정한 후, 구축한 예측 모델의 전개를 통해 테스트 및 평가 단계를 거쳐 실제 효용성이 있는 예측 분석을 해야 한다.
이때, 빅데이터 예측 분석 기술은 데이터 마이닝과 데이터 웨어 하우징처럼 과거와 현재 데이터를 통계적으로 분석하는 기술 이외에도 미래 부분을 예측하기 위한 회귀 분석 같은 통계적 예측 모형을 설정하는 것이 요구된다. 이에 따라, 생성부(320)는, 빅데이터를 수집함으로써 히스토리를 만들고, 생성된 히스토리를 통하여 미래 부분을 예측하게 된다. 그리고, 예측률의 테스트, 즉 검증을 통하여 평가 및 업데이트를 할 수 있다.
여기서, 빅데이터 예측 분석은 예측하고자 하는 분석 유형에 따라 수치형 예측과 범주형 예측을 모두 사용할 수 있는데, 수치형 예측은 판매량, 호감도, 증가율, 수요량 등 예측 시점의 정확한 수치를 예측하는데 이용되고, 범주형 예측은 업다운, 매수/매도, 호감/비호감 등의 예측 시점의 범주를 예측할 때 이용된다. 이때, 소셜 데이터 분석 기반 예측 분석은 통계적 혹은 기계학습 방법을 적용하여 수치형 혹은 범주형 예측을 수행할 수 있는데, 회귀분석(Regression) 기반 방법과 Bayes 분류기, K-nearest neighbor 분류기, 신경망, 의사결정트리 등을 이용하는 분류 기반 방법을 수행할 수 있다.
이때, 소셜 데이터 분석을 통한 효과적인 예측 분석을 위해서는 예측 문제 유형에 적합한 예측 분석 모형, 예측 모형 변수에 필요한 과거 및 현재 데이터 확보, 그리고 R 등을 활용한 예측 분석 실행 도구와, 예측 분석 결과의 의미 해석 단계를 거칠 수 있다.
실행부(330)는, 사용자 단말(100)에서 종목 추천을 요청하는 경우, 실시간 텍스트 데이터를 검색 및 수집하여 예측 모델에 기반한 예측 시뮬레이션을 실행할 수 있다.
전송부(340)는, 예측 시뮬레이션에 의해 추출된 투자 종목으로 자산 포트폴리오를 구성하여 사용자 단말(100)로 전송할 수 있다. 이때, 전송부(340)는, 사용자 단말(100)에서 설정한 종목, 위험도, 투자금 등을 고려하여 자산 포트폴리오를 구성할 수 있다.
제어부(350)는, 사용자 단말(100)에서 자산 포트폴리오에 따라 투자를 결정할 경우, 자산 포트폴리오의 추천 종목에 기초하여 투자금을 할당하도록 제어할 수 있다.
피드백부(360)는, 제어부(350)에서 사용자 단말(100)에서 자산 포트폴리오에 따라 투자를 결정할 경우, 자산 포트폴리오의 추천 종목에 기초하여 투자금을 할당하도록 제어한 후, 기 설정된 기간 또는 실시간으로 투자 종목별 수익률을 평가할 수 있다. 그리고, 피드백부(360)는, 평가된 수익률이 기 설정된 기준값 또는 사용자의 기준값 미만인 경우, 예측 모델의 실시간 추천 종목 중 예측률이 높은순으로 정렬하여 사용자 단말(100)의 투자 조건을 만족하는 추천 종목을 추출할 수 있다. 또한, 피드백부(360)는, 추출된 추천 종목을 이용하여 자산 포트폴리오를 재구성할 수 있다.
이때, 피드백부(360)는, 평가된 수익률이 기 설정된 기준값 또는 사용자 기준값 미만인 경우, 예측 모델의 예측률을 높이기 위하여 자산 포트폴리오의 투자 종목 및 실시간 텍스트 데이터의 상관관계에 따라 학습을 실시하여 예측 모델을 업데이트할 수 있다.
한편, 텍스트 데이터는, 뉴스, 정책, 이슈 및 SNS로부터 수집된 비정형 이벤트(Unstructured Event)에 기초하는 데이터이고, 투자 데이터는, 주식, 펀드, 선물, 금, 동산, 부동산 및 외환을 포함하는 투자 정보로부터 수집된 정형 이벤트(Structured Event)에 기초하는 데이터일 수 있다.
업데이트부(370)는, 피드백부(360)에서 추출된 추천 종목을 이용하여 자산 포트폴리오를 재구성한 후, 사용자 단말(100)로부터 재투자하는 재투자 이벤트가 발생하는지의 여부를 확인할 수 있다. 그리고, 업데이트부(370)는, 재투자 이벤트가 발생하지 않고 탈퇴 이벤트가 발생한 경우, 사용자 단말(100)에서 투자한 투자 금액, 수익률 및 투자 종목에 대한 히스토리를 데이터베이스화할 수 있다. 이때, 수익률이 마이너스, 기 설정된 기준 수익률 미만, 또는 사용자가 설정한 수익률이 초과하지 않는 경우, 히스토리 내 투자 종목을 추출하여 예측 모델의 예측률을 감소시킬 수 있다. 또한, 자산 포트폴리오에 포함된 투자 종목의 메타 데이터와, 텍스트 데이터의 메타 데이터 간의 상관 관계 및 예측률을 업데이트할 수 있다.
예를 들어, C 사용자가 금, 선물, 주식에 투자를 하고, 포트폴리오 상으로는 한 달 이내에 환매하는 경우 30%의 투자 수익을 얻을 것으로 예측되었지만, 5%의 수익률을 얻은 경우 또는 -20%의 투자 손실이 발생한 경우에는, 예측도 정확하지 않았고, 리스트 업된 투자 리스트에도 문제가 발생했다는 것을 의미한다. 따라서, 업데이트부(360)는, 예측이 정확하지 않거나 원금도 회수하지 못하는 상황이 발생하는 경우, 회원의 이탈이 불가피해지므로, 이를 방지하기 위하여 투자 손실이나 예측이 부정확한 데이터를 기반으로 예측 모델을 수정할 수 있도록 한다.
한편, 본 발명의 일 실시예에 따른 자산 포트폴리오 추천 서비스는, 사용자 단말(100)과 투자 서버(미도시) 간의 투자금, 수수료, 데이터 전송을 모두 중개하는 서비스를 제공할 수도 있지만, 사용자 단말(100)에 설치되거나 사용자 단말(100)에서 실행되어, 투자 종목 선정 및 환매 시기 결정 등의 예측 데이터를 포함한 자산 포트폴리오를 제공하고, 수수료를 결제받는 서비스로 구현될 수도 있다. 다만, 상술한 실시예에 한정되는 것은 아님은 자명하다 할 것이다.
이하, 상술한 구성을 가지는 자산 포트폴리오 추천 서비스를 도 3 내지 도 5를 참조로 하여 설명하기로 한다.
도 3을 참조하면, 좌측의 흐름도는 본 발명의 일 실시예에 따른 자산 포트폴리오 추천 서비스이고, 우측의 흐름도는 기존의 자산 포트폴리오 추천 서비스이다. 기존의 자산 포트폴리오 추천 서비스는, 본 발명과 같은 미래를 예측하는 시스템이 아니기 때문에, 예상률이 높지 않았고, 실시간으로 흐르는 정세를 반영하지 못하기 때문에 더더욱 투자의 위험도가 높을 수 밖에는 없었다. 하지만, 본 발명의 자산 포트폴리오 추천 서비스는, 투자 데이터 및 텍스트 데이터를 포함한 빅데이터를 데이터마이닝하고, 마이닝한 결과를 이용하여 예측 모델을 생성하며, 예측 모델을 통하여 예측 시뮬레이션을 생성하기 때문에, 예측률을 높일 수 있고, 예측률이 기 설정된 예측률보다 낮을 경우, 기 설정된 예측 모델을 수정 및 업데이트하기 때문에 실시간으로 예측률의 오차를 최소화할 수 있고, 실시간으로 변하는 정세를 정확히 반영하여 예측할 수 있기 때문에 정확도를 극대화할 수 있다.
도 4를 참조하면, 비정형 이벤트로 발생하는 텍스트 데이터, 예를 들어, 뉴스 기사, 블로그, SNS, 정책 기사를 실시간으로 수집 또는 입력하고, 정형 이벤트로 발생하는 시계열적인 데이터인 투자 데이터를 이용하여, 텍스트 데이터를 원인으로 하는 투자 데이터 간의 인과관계를 파악하고, 예측 모델을 생성하며, 텍스트 데이터 및 투자 데이터를 병합하여 의미론적 관계를 이용함으로써, 소비자에게 예측률이 높은 정보를 제공할 수 있도록 한다.
도 5를 참조하면, 비정형 이벤트로 분류되는 기사, 뉴스, 정책 등은 한국에 국한되는 것이 아니라, 복수의 나라로부터 투자 데이터에 영향을 줄 수 있는, 즉 기 설정된 검색 조건을 포함하는 텍스트 데이터를 검색 및 수집하고, 수집된 텍스트 데이터는 텍스트 분석을 통하여 번역 및 분석되며, 토픽 네트워크를 통하여 소비자 심리 지수(Sentiment Index)를 추출할 수도 있다. 예를 들어, 현재와 미래의 경기에 대한 소비자의 생각 또는 심리를 종합적으로 나타내기 위한 지수로, 경기 지표 발표 및 정치적 이벤트 스케줄 전후로 시장 반응을 모니터링할 수도 있다. 한편, 시계열적으로 수집 또는 입력되는 투자 데이터는, 종속적 네트워크(Dependency Network)를 통하여 신호 인덱스(Signal Index)를 추출되는데 이용되기도 한다.
이와 같은 도 2 내지 도 5의 자산 포트폴리오 추천 방법에 대해서 설명되지 아니한 사항은 앞서 도 1을 통해 자산 포트폴리오 추천 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다.
도 6은 본 발명의 일 실시예에 따른 자산 포트폴리오 추천 방법을 설명하기 위한 동작 흐름도이다. 도 6을 참조하면, 자산 포트폴리오 추천 서버는, 기 설정된 검색 조건에 따라 웹 크롤러(Web Crawler)로 수집 또는 입력된 빅 데이터인 텍스트 데이터를 데이터베이스화한다(S6100).
그리고, 자산 포트폴리오 추천 서버는, 투자 종목별로 시계열적으로 투자 데이터를 수집하여 데이터베이스화하고(S6200), 텍스트 데이터와 투자 데이터의 인과관계를 분석하여 예측 모델을 생성한다(S6300).
또한, 자산 포트폴리오 추천 서버는, 사용자 단말에서 종목 추천을 요청하는 경우, 실시간 텍스트 데이터를 검색 및 수집하여 예측 모델에 기반한 예측 시뮬레이션을 실행한다(S6400).
그리고, 자산 포트폴리오 추천 서버는, 예측 시뮬레이션에 의해 추출된 투자 종목으로 자산 포트폴리오를 구성하여 사용자 단말로 전송하고(S6500), 사용자 단말에서 자산 포트폴리오에 따라 투자를 결정할 경우, 자산 포트폴리오의 추천 종목에 기초하여 투자금을 할당하도록 제어한다(S6600).
이와 같은 도 6의 자산 포트폴리오 추천 방법에 대해서 설명되지 아니한 사항은 앞서 도 1 내지 도 5를 통해 자산 포트폴리오 추천 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다.
도 6을 통해 설명된 일 실시예에 따른 자산 포트폴리오 추천 방법은, 컴퓨터에 의해 실행되는 애플리케이션이나 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.
전술한 본 발명의 일 실시예에 따른 자산 포트폴리오 추천 방법은, 단말기에 기본적으로 설치된 애플리케이션(이는 단말기에 기본적으로 탑재된 플랫폼이나 운영체제 등에 포함된 프로그램을 포함할 수 있음)에 의해 실행될 수 있고, 사용자가 애플리케이션 스토어 서버, 애플리케이션 또는 해당 서비스와 관련된 웹 서버 등의 애플리케이션 제공 서버를 통해 마스터 단말기에 직접 설치한 애플리케이션(즉, 프로그램)에 의해 실행될 수도 있다. 이러한 의미에서, 전술한 본 발명의 일 실시예에 따른 자산 포트폴리오 추천 방법은 단말기에 기본적으로 설치되거나 사용자에 의해 직접 설치된 애플리케이션(즉, 프로그램)으로 구현되고 단말기에 등의 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (7)

  1. 예측 시뮬레이션 기반 자산 포트폴리오 추천 서버에서 실행되는 자산 포트폴리오 추천 방법에 있어서,
    기 설정된 검색 조건에 따라 웹 크롤러(Web Crawler)로 수집 또는 입력된 빅 데이터인 텍스트 데이터를 데이터베이스화하는 단계;
    투자 종목별로 시계열적으로 투자 데이터를 수집하여 데이터베이스화하는 단계;
    상기 텍스트 데이터와 상기 투자 데이터의 인과관계를 분석하여 예측 모델을 생성하는 단계;
    사용자 단말에서 종목 추천을 요청하는 경우, 실시간 텍스트 데이터를 검색 및 수집하여 상기 예측 모델에 기반한 예측 시뮬레이션을 실행하는 단계;
    상기 예측 시뮬레이션에 의해 추출된 투자 종목으로 자산 포트폴리오를 구성하여 상기 사용자 단말로 전송하는 단계;
    상기 사용자 단말에서 상기 자산 포트폴리오에 따라 투자를 결정할 경우, 상기 자산 포트폴리오의 추천 종목에 기초하여 투자금을 할당하도록 제어하는 단계;
    를 포함하는, 자산 포트폴리오 추천 방법.
  2. 제 1 항에 있어서,
    상기 사용자 단말에서 상기 자산 포트폴리오에 따라 투자를 결정할 경우, 상기 자산 포트폴리오의 추천 종목에 기초하여 투자금을 할당하도록 제어하는 단계 이후에,
    기 설정된 기간 또는 실시간으로 투자 종목별 수익률을 평가하는 단계;
    상기 평가된 수익률이 기 설정된 기준값 또는 사용자의 기준값 미만인 경우, 상기 예측 모델의 실시간 추천 종목 중 예측률이 높은순으로 정렬하여 상기 사용자 단말의 투자 조건을 만족하는 추천 종목을 추출하는 단계;
    상기 추출된 추천 종목을 이용하여 자산 포트폴리오를 재구성하는 단계;
    더 포함하는 것인, 자산 포트폴리오 추천 방법.
  3. 제 2 항에 있어서,
    상기 평가된 수익률이 기 설정된 기준값 또는 사용자 기준값 미만인 경우, 상기 예측 모델의 예측률을 높이기 위하여 상기 자산 포트폴리오의 투자 종목 및 상기 실시간 텍스트 데이터의 상관관계에 따라 학습을 실시하여 상기 예측 모델을 업데이트하는 것인, 자산 포트폴리오 추천 방법.
  4. 제 1 항에 있어서,
    상기 예측 시뮬레이션은 실시간 또는 주기적으로 실시간(Real-time) 텍스트 데이터를 검색 및 수집하여 상기 예측 모델에 기반한 결과를 생성하고,
    상기 예측 모델은 상기 생성된 결과에 따라 업데이트되는 것인, 자산 포트폴리오 추천 방법.
  5. 제 1 항에 있어서,
    상기 텍스트 데이터는, 뉴스, 정책, 이슈 및 SNS로부터 수집된 비정형 이벤트(Unstructured Event)에 기초하는 데이터이고,
    상기 투자 데이터는, 주식, 펀드, 선물, 금, 동산, 부동산 및 외환을 포함하는 투자 정보로부터 수집된 정형 이벤트(Structured Event)에 기초하는 데이터인 것인, 자산 포트폴리오 추천 방법.
  6. 제 2 항에 있어서,
    상기 추출된 추천 종목을 이용하여 자산 포트폴리오를 재구성하는 단계 이후에,
    상기 사용자 단말로부터 재투자하는 재투자 이벤트가 발생하는지의 여부를 확인하는 단계;
    상기 재투자 이벤트가 발생하지 않고 탈퇴 이벤트가 발생한 경우, 상기 사용자 단말에서 투자한 투자 금액, 수익률 및 투자 종목에 대한 히스토리를 데이터베이스화하는 단계;
    를 더 포함하고,
    상기 수익률이 마이너스, 기 설정된 기준 수익률 미만, 또는 상기 사용자가 설정한 수익률이 초과하지 않는 경우, 상기 히스토리 내 투자 종목을 추출하여 상기 예측 모델의 예측률을 감소시키고,
    상기 자산 포트폴리오에 포함된 투자 종목의 메타 데이터와, 상기 텍스트 데이터의 메타 데이터 간의 상관 관계 및 예측률을 업데이트하는 것인, 자산 포트폴리오 추천 방법.
  7. 제 1 항 내지 제 6 항 중 어느 한 항의 방법을 실행하기 위하여 매체에 저장된 애플리케이션.
KR1020170050788A 2017-04-20 2017-04-20 자산 포트폴리오 추천 방법 KR20180117800A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170050788A KR20180117800A (ko) 2017-04-20 2017-04-20 자산 포트폴리오 추천 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170050788A KR20180117800A (ko) 2017-04-20 2017-04-20 자산 포트폴리오 추천 방법

Publications (1)

Publication Number Publication Date
KR20180117800A true KR20180117800A (ko) 2018-10-30

Family

ID=64101054

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170050788A KR20180117800A (ko) 2017-04-20 2017-04-20 자산 포트폴리오 추천 방법

Country Status (1)

Country Link
KR (1) KR20180117800A (ko)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200061144A (ko) * 2018-11-23 2020-06-02 광운대학교 산학협력단 주식 포트폴리오 구성을 위한 주식 종목 선택 장치 및 그 방법
KR20200117561A (ko) * 2019-04-04 2020-10-14 백승엽 투자 연계 멘토링 서비스를 운용하는 방법과 시스템 및 이 방법을 기록한 컴퓨터로 읽을 수 있는 기록 매체
WO2021002543A1 (ko) * 2019-07-04 2021-01-07 (주)크래프트테크놀로지스 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램
WO2021060968A1 (en) * 2019-09-27 2021-04-01 Mimos Berhad System and method for providing stock market recommendation
CN112950382A (zh) * 2021-04-02 2021-06-11 中国工商银行股份有限公司 交易业务撮合匹配方法、装置、电子设备及介质
KR20210087828A (ko) * 2020-01-03 2021-07-13 고한솔 ＩｏＴ 기반 스마트 저금통을 이용한 저축 서비스 제공 시스템
KR102302411B1 (ko) * 2020-12-04 2021-09-14 최한철 생체 데이터를 비롯한 각종 데이터를 사용하는 인공지능 모델을 이용한 금융상품 매매 방법, 서버 및 컴퓨터프로그램
CN113554180A (zh) * 2021-06-30 2021-10-26 北京百度网讯科技有限公司 信息预测方法、装置、电子设备及存储介质
KR20210137939A (ko) * 2020-05-08 2021-11-18 호라이존테크놀로지 주식회사 주식 자동 거래 방법 및 시스템
KR102368638B1 (ko) * 2021-08-10 2022-02-25 최한철 인공지능 모델을 이용한 의사결정 방법, 서버 및 컴퓨터프로그램
KR102370384B1 (ko) * 2021-10-19 2022-03-04 유한책임회사 블루바이저시스템즈 데이터 가공을 통한 비대면 면접 방법
KR20220072908A (ko) * 2020-11-25 2022-06-03 (주)소프트체인 자산 관리 서버, 방법 및 프로그램
WO2022270947A1 (ko) * 2021-06-24 2022-12-29 주식회사 이노핀 투자 가이드를 제공하는 서버, 방법 및 컴퓨터 프로그램
IT202200004292A1 (it) * 2022-03-07 2023-09-07 Earnext Sa Metodo e sistema di gestione del patrimonio complessivo di un soggetto

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200061144A (ko) * 2018-11-23 2020-06-02 광운대학교 산학협력단 주식 포트폴리오 구성을 위한 주식 종목 선택 장치 및 그 방법
KR20200117561A (ko) * 2019-04-04 2020-10-14 백승엽 투자 연계 멘토링 서비스를 운용하는 방법과 시스템 및 이 방법을 기록한 컴퓨터로 읽을 수 있는 기록 매체
WO2021002543A1 (ko) * 2019-07-04 2021-01-07 (주)크래프트테크놀로지스 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램
WO2021060968A1 (en) * 2019-09-27 2021-04-01 Mimos Berhad System and method for providing stock market recommendation
KR20210087828A (ko) * 2020-01-03 2021-07-13 고한솔 ＩｏＴ 기반 스마트 저금통을 이용한 저축 서비스 제공 시스템
KR20210137939A (ko) * 2020-05-08 2021-11-18 호라이존테크놀로지 주식회사 주식 자동 거래 방법 및 시스템
KR20220072908A (ko) * 2020-11-25 2022-06-03 (주)소프트체인 자산 관리 서버, 방법 및 프로그램
KR102302411B1 (ko) * 2020-12-04 2021-09-14 최한철 생체 데이터를 비롯한 각종 데이터를 사용하는 인공지능 모델을 이용한 금융상품 매매 방법, 서버 및 컴퓨터프로그램
CN112950382A (zh) * 2021-04-02 2021-06-11 中国工商银行股份有限公司 交易业务撮合匹配方法、装置、电子设备及介质
WO2022270947A1 (ko) * 2021-06-24 2022-12-29 주식회사 이노핀 투자 가이드를 제공하는 서버, 방법 및 컴퓨터 프로그램
CN113554180A (zh) * 2021-06-30 2021-10-26 北京百度网讯科技有限公司 信息预测方法、装置、电子设备及存储介质
KR102368638B1 (ko) * 2021-08-10 2022-02-25 최한철 인공지능 모델을 이용한 의사결정 방법, 서버 및 컴퓨터프로그램
WO2023018037A1 (ko) * 2021-08-10 2023-02-16 최한철 인공지능 모델을 이용한 의사결정 방법, 서버 및 컴퓨터프로그램
KR102370384B1 (ko) * 2021-10-19 2022-03-04 유한책임회사 블루바이저시스템즈 데이터 가공을 통한 비대면 면접 방법
IT202200004292A1 (it) * 2022-03-07 2023-09-07 Earnext Sa Metodo e sistema di gestione del patrimonio complessivo di un soggetto

Similar Documents

Publication Publication Date Title
KR20180117800A (ko) 자산 포트폴리오 추천 방법
Li et al. A multimodal event-driven LSTM model for stock prediction using online news
Cao Ai in finance: challenges, techniques, and opportunities
Weytjens et al. Cash flow prediction: MLP and LSTM compared to ARIMA and Prophet
Vargas et al. Deep leaming for stock market prediction using technical indicators and financial news articles
Eckert et al. How digitalization affects insurance companies: overview and use cases of digital technologies
Sureshbhai et al. KaRuNa: A blockchain-based sentiment analysis framework for fraud cryptocurrency schemes
CN104115178A (zh) 基于新闻和情绪分析来预测市场行为的方法和系统
KR20110056502A (ko) 기업 성과 분석 엔진
KR101849544B1 (ko) 빅데이터를 이용한 부동산 예측 방법 및 이를 수행하기 위한 장치
KR102312735B1 (ko) 인플루언서 마케팅을 이용한 크라우드 펀딩 광고 서비스 제공 방법
KR20200039852A (ko) 기업 경영 현황 분석 예측 모델링을 위한 기계학습 알고리즘 제공 방법
KR20220076012A (ko) Ｂ２ｂ 시장을 위한 인공지능 기반 판매가격 결정 서비스 제공 시스템
Zhao et al. Revolutionizing finance with llms: An overview of applications and insights
Duong et al. Tail dependence in emerging ASEAN-6 equity markets: empirical evidence from quantitative approaches
KR20210157767A (ko) 재무관리시스템 및 방법
Nakajima Stochastic volatility model with regime-switching skewness in heavy-tailed errors for exchange rate returns
Ferencek et al. Data quality assessment in product failure prediction models
Song et al. Incorporating research reports and market sentiment for stock excess return prediction: A case of mainland China
Sangeetha et al. Financial stock market forecast using evaluated linear regression based machine learning technique
Vezeris et al. Profitability Edge by Dynamic Back Testing Optimal Period Selection for Technical Parameters Optimization, in Trading Systems with Forecasting: The d-BackTest PS method
KR102018838B1 (ko) 전자입찰참여를 위한 빅데이터 가중이동평균법 기반 입찰정보 분석 서비스 제공 방법
Song et al. Development of intelligent stock trading system using pattern independent predictor and turning point matrix
Phillips The predictive power of social media within cryptocurrency markets
EP3493082A1 (en) A method of exploring databases of time-stamped data in order to discover dependencies between the data and predict future trends

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
J201 Request for trial against refusal decision
J301 Trial decision

Free format text: TRIAL NUMBER: 2018101002991; TRIAL DECISION FOR APPEAL AGAINST DECISION TO DECLINE REFUSAL REQUESTED 20180716

Effective date: 20191002

S901 Examination by remand of revocation
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
S601 Decision to reject again after remand of revocation