KR20200020264A - 고객 유사도를 이용한 종목 추천 시스템 및 방법 - Google Patents

고객 유사도를 이용한 종목 추천 시스템 및 방법 Download PDF

Info

Publication number
KR20200020264A
KR20200020264A KR1020180095736A KR20180095736A KR20200020264A KR 20200020264 A KR20200020264 A KR 20200020264A KR 1020180095736 A KR1020180095736 A KR 1020180095736A KR 20180095736 A KR20180095736 A KR 20180095736A KR 20200020264 A KR20200020264 A KR 20200020264A
Authority
KR
South Korea
Prior art keywords
customer
stock
item
group
preference
Prior art date
Application number
KR1020180095736A
Other languages
English (en)
Other versions
KR102155304B1 (ko
Inventor
강기복
김기호
Original Assignee
삼성증권주식회사
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 삼성증권주식회사 filed Critical 삼성증권주식회사
Priority to KR1020180095736A priority Critical patent/KR102155304B1/ko
Publication of KR20200020264A publication Critical patent/KR20200020264A/ko
Application granted granted Critical
Publication of KR102155304B1 publication Critical patent/KR102155304B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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

  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 다른 고객과의 유사도를 이용하여 고객의 선호가 예상되는 종목들을 선정하고 분석하여 추천종목으로 제시할 수 있는 고객 유사도를 이용한 종목 추천 시스템 및 방법에 관한 것이다.

Description

고객 유사도를 이용한 종목 추천 시스템 및 방법{System and method for recommending stock using user similarity}
본 발명은 고객간 유사도를 이용한 종목 추천 시스템 및 그 방법에 관한 것이다.
현재 증권 분야에서 주식 종목을 추천하는 방법은 특정 전문가의 분석 기법(예를 들어, 수익률이 높은 상위 종목 추천)을 활용하여 종목을 추천한다. 이와 같은 종목 추천 방법은 투자자 개인별 특성이나 상황을 고려하지 않고, 분석 기법에 따른 종목을 모든 고객들에게 동일하게 추천하기 때문에 고객의 니즈에 부합하지 못하는 문제가 있다.
한편 고객의 프로파일 정보를 기반으로 필터링한 종목을 제공하는 서비스도 있다. 이러한 서비스에 대해서는 한국공개특허 제10-2016-0086096호 “개인 성향 정보를 기반으로 한 종목 추천 서비스”에도 개시되어 있다. 상기 서비스는 사용자가 작성한 투자 성향 등의 개인 성향 정보를 기반으로 종목을 추천하는 방법으로서, 사용자 서베이 항목만 고려할 뿐 고객별 특성을 감안한 맞춤형 선호종목 추천 방법은 아니다.
전자상거래 분야에서는 고객의 성향, 구매 행동 등의 개인 특성을 분석하여 해당 고객이 선호할 가능성이 높은 상품을 고객에게 추천하는 다양한 방법의 상품 추천 서비스가 있는데, 대표적으로 고객의 프로파일과 상품의 유사성을 기반으로 고객에게 상품을 추천하는 기법, 고객과 유사한 취향이나 선호를 가진 이웃 고객이 구매한 상품을 해당 고객에게 추천하는 기법 등이 있다
그러나 일반 상품과 달리 주식 종목은 매우 복합적이며 변동성이 크기 때문에 기존의 추천 방법으로는 고객의 선호에 부합하는 종목을 추천할 수 없다. 이에 따라 고객의 특성과 함께 가변적인 종목의 속성을 고려하여 종목을 추천하는 방법이 필요하다.
한국공개특허 제10-2016-0086096호
본 발명의 주된 목적은 다른 고객과의 유사도를 이용하여 고객의 선호가 예상되는 종목들을 선정하고 분석하여 추천종목으로 제시할 수 있는 고객 유사도를 이용한 종목 추천 시스템 및 방법을 제공하는 것이다.
본 발명의 일 실시예에 따른 종목 추천 시스템은, 주식 거래내역이 있는 기거래 고객군과 주식 거래내역이 없는 미거래 고객군으로 분류하는 고객 분류모듈; 상기 기거래 고객군 중 대상 고객의 주식 종목별 기초선호도를 산출하고, 상기 기거래 고객군에 속하는 고객간의 고객 유사도를 산출하며, 상기 기초선호도와 상기 고객 유사도로부터 상기 대상 고객의 종목별 예상 선호도를 산출하고, 상기 예상 선호도에 따라 상기 대상의 예상 선호종목을 도출하는 선호종목 도출모듈; 상기 예상 선호종목별로 주가 등락방향을 예측하는 종목등락 예측모듈; 및 상기 예상 선호종목들 중에서 추천종목을 선정하여 제공하는 종목 선정모듈; 을 구비하며, 상기 상기 대상 고객은 상기 추천종목을 제공받고자 하는 고객일 수 있다.
본 발명에 있어서, 상기 고객 분류모듈은 상기 기거래 고객군에 속하는 고객들이 소정의 기간 동안 주식을 거래한 횟수에 따라 상기 기거래 고객군을 재분류할 수 있다.
본 발명에 있어서, 상기 고객 분류모듈은 상기 소정의 기간 동안 제1 거래 횟수 미만으로 거래를 한 기거래 고객을 저빈도 고객군으로 분류하고, 상기 소정의 기간 동안 제2 거래 횟수를 초과하여 거래를 한 기거래 고객을 고빈도 고객군으로 분류하며, 상기 소정의 기간 동안 상기 제1 거래 횟수 내지 상기 제2 거래 횟수로 거래를 한 기거래 고객을 중빈도 고객군으로 분류할 수 있다.
본 발명에 있어서, 상기 고객 분류모듈은 상기 미거래 고객군에 속하는 고객을 종목검색을 행한 이력이 있는 검색 고객과 종목검색을 한 이력이 없는 미검색 고객으로 분류할 수 있다.
본 발명에 있어서, 상기 고객 분류모듈은 상기 미검색 고객군에 속하는 고객을 고객의 프로파일을 기준으로 구분할 수 있다.
본 발명에 있어서, 상기 선호종목 도출모듈은 상기 프로파일 기준으로 상기 미거래 고객군에 속하는 고객과 동일한 그룹으로 구분되는 상기 기거래 고객군에 속하는 고객의 예상 선호종목을 상기 미거래 고객군에 속하는 상기 고객의 예상 선호종목으로 제공할 수 있다.
본 발명에 있어서, 예상 선호종목을 진단하는 종목 진단모듈을 더 구비하며, 상기 종목 진단모듈은 상기 예상 선호종목에 대해 차트 분석, 수급분석, 및/또는 가치 분석하여 분석 결과를 점수화하여 상기 고객에게 제공할 수 있다.
본 발명에 있어서, 상기 종목 추천모듈은 상기 예상 선호종목의 상기 주가 등락정보 또는/및 상기 예상 선호종목의 진단정보를 기초로 상기 추천종목을 선정할 수 있다.
본 발명에 있어서, 상기 종목 추천모듈은 상기 예상 선호종목의 예상 선호도에 따라 복수 개의 추천종목을 제공하고, 상기 추천종목에 주가 등락정보 및/또는 주가 진단정보를 함께 또는 연계하여 제공할 수 있다.본 발명에 있어서, 상기 선호종목 도출모듈은, 상기 주식 종목을 종목 속성별로 유사종목군으로 분류하는 종목분류부; 상기 대상 고객의 주식 종목별 거래 횟수에 개별 주식 종목이 속하는 상기 유사종목군별 매수 비율을 곱하여 상기 기초선호도를 산출하는 기초선호도 산출부; 상기 대상 고객의 상기 기초선호도와 상기 기거래 고객군에 속하는 다른 기거래 고객의 기초선호도를 이용하여 상기 대상 고객과 상기 다른 기거래 고객 간의 유사도를 산출하는 고객간 유사도 산출부; 및 상기 대상 고객과 상기 다른 기거래 고객 간의 유사도에 상기 다른 기거래 고객의 주식 종목의 기초선호도를 곱하여 상기 대상 고객의 개별 주식 종목에 대한 상기 예상 선호도를 산출하는 예상 선호도 산출부; 를 포함하며, 상기 유사종목군별 매수 비율은 상기 대상 고객의 총 거래 횟수에 대한 상기 유기종목군에 속하는 주식 종목들의 거래 횟수의 합의 비율일 수 있다.
본 발명에 있어서, 상기 종목 속성은 상기 주식 종목의 주가, 거래량, 및 변동성일 수 있으며, 상기 종목분류부는 상기 종목 속성별로 소정의 기준에 따라 복수 개의 상기 유사종목군으로 분류할 수 있다.
본 발명에 있어서, 상기 기초선호도 산출부는 상기 주가, 거래량, 및 변동성으로 분류된 상기 유사종목군에 대해 각각 상기 기초선호도를 산출하고, 상기 주가, 거래량, 및 변동성 각각의 상기 기초선호도를 상기 주식 종목별로 합산할 수 있다.
본 발명에 있어서, 상기 고객간 유사도 산출부는 상기 유사도를 코사인 유사도로 산출할 수 있다.
본 발명에 있어서, 상기 주식 종목 중 관리종목이거나 컴플라이언스룰에 위반되는 주식 종목을 제외하고 상기 예상 선호도에 따라 상기 기고객의 예상 선호종목을 선정하는 선호종목 선정부를 더 포함할 수 있다.
본 발명에 있어서, 상기 종목등락 예측모듈은 상기 예상 선호종목의 시세정보 및 수급정보를 딥러닝 기반의 인공지능 신경망 모델의 입력 파라미터로 이용하여 소정 기간 후의 상기 예상 선호종목의 주가 등락의 확률을 제공할 수 있다.
본 발명에 있어서, 상기 시세정보는 상기 예상 선호종목의 최근 일정 기간 동안의 주가 정보이며, 상기 수급정보는 최근 일정 기간 동안의 외국인 순매수일 수 있다.
본 발명의 일 실시예에 따른 고객별 예상 선호종목 선정 시스템은, 주식 종목을 종목 속성별로 유사종목군으로 분류하는 종목분류부; 주식 거래내역이 있는 기거래 고객의 주식 종목별 거래 횟수에 개별 주식 종목이 속하는 상기 유사종목군별 매수 비율을 곱하여 상기 기초선호도를 산출하는 기초선호도 산출부; 상기 기거래 고객의 상기 기초선호도와 다른 기거래 고객의 기초선호도를 이용하여 상기 기거래 고객과 상기 다른 기거래 고객 간의 유사도를 산출하는 고객간 유사도 산출부; 상기 기거래 고객과 상기 다른 기거래 고객 간의 유사도에 상기 다른 기거래 고객의 주식 종목의 기초선호도를 곱하여 상기 기거래 고객의 개별 주식 종목에 대한 상기 예상 선호도를 산출하는 예상 선호도 산출부; 및 상기 예상 선호도에 따라 상기 기거래 고객의 예상 선호종목을 선정하는 선호종목 선정부; 를 구비하며, 상기 유사종목군별 매수 비율은 상기 기거래 고객의 총 거래 횟수에 대한 상기 유기종목군에 속하는 주식 종목들의 거래 횟수의 합의 비율일 수 있다.본 발명의 일 실시예에 따른 종목 추천 방법은, 주식 거래내역이 있는 기거래 고객군과 주식 거래내역이 없는 미거래 고객군으로 분류하는 단계; 상기 기거래 고객군 중 대상 고객의 주식 종목별 기초선호도를 산출하고, 상기 기거래 고객군에 속하는 고객 간의 고객 유사도를 산출하며, 상기 기초선호도와 상기 고객 유사도로부터 상기 대상 고객의 종목별 예상 선호도를 산출하고, 상기 예상 선호도에 따라 상기 대상 고객의 예상 선호종목을 도출하는 단계; 상기 예상 선호종목별로 주가 등락방향을 예측하는 단계; 및 상기 예상 선호종목들 중에서 추천종목을 선정하여 제공하는 단계; 를 구비하며, 상기 대상 고객은 상기 추천종목을 제공받고자 하는 고객일 수 있다.
본 발명에 있어서, 상기 고객 분류 단계는 상기 기거래 고객군에 속하는 고객들이 소정의 기간 동안 주식을 거래한 횟수에 따라 상기 기거래 고객군을 재분류할 수 있다.
본 발명에 있어서, 상기 고객 분류 단계는 상기 소정의 기간 동안 제1 거래 횟수 미만으로 거래를 한 기거래 고객을 저빈도 고객군으로 분류하고, 상기 소정의 기간 동안 제2 거래 횟수를 초과하여 거래를 한 기거래 고객을 고빈도 고객군으로 분류하며, 상기 소정의 기간 동안 상기 제1 거래 횟수 내지 상기 제2 거래 횟수로 거래를 한 기거래 고객을 중빈도 고객군으로 분류할 수 있다.
본 발명에 있어서, 상기 고객 분류 단계는 상기 미거래 고객군에 속하는 고객을 종목검색을 행한 이력이 있는 검색 고객과 종목검색을 한 이력이 없는 미검색 고객으로 분류할 수 있다.
본 발명에 있어서, 상기 고객 분류 단계는 상기 미검색 고객군을 속하는 고객을 상기 고객을 프로파일을 기준으로 구분할 수 있다.
본 발명에 있어서, 상기 선호종목 도출 단계는 상기 프로파일 기준으로 상기 미거래 고객군에 속하는 고객과 동일한 그룹으로 구분되는 상기 기거래 고객군에 속하는 고객의 예상 선호종목을 상기 미거래 고객군에 속하는 상기 고객의 예상 선호종목으로 제공할 수 있다.
본 발명에 있어서, 상기 예상 선호종목을 진단하는 종목 진단 단계를 더 구비하며, 상기 종목 진단모듈은 상기 예상 선호종목에 대해 차트 분석, 수급분석, 및/또는 가치 분석하여 분석 결과를 점수화하여 상기 고객에게 제공할 수 있다.
본 발명에 있어서, 상기 종목 추천 단계는 상기 예상 선호종목의 상기 주가 등락정보 또는/및 상기 예상 선호종목의 진단정보를 기초로 상기 추천종목을 선정할 수 있다.
본 발명에 있어서, 상기 종목 추천 단계는 상기 예상 선호종목의 예상 선호도에 따라 복수 개의 추천종목을 제공하고, 상기 추천종목에 주가 등락정보 및/또는 주가 진단정보를 함께 또는 연계하여 제공할 수 있다.본 발명에 있어서, 상기 선호종목 도출 단계는, 상기 주식 종목을 종목 속성별로 유사종목군으로 분류하는 단계; 상기 대상 고객의 주식 종목별 거래 횟수에 개별 주식 종목이 속하는 상기 유사종목군별 매수 비율을 곱하여 상기 기초선호도를 산출하는 단계; 상기 대상 고객의 상기 기초선호도와 상기 기거래 고객군에 속하는 다른 기거래 고객의 기초선호도를 이용하여 상기 대상 고객과 상기 다른 기거래 고객 간의 유사도를 산출하는 단계; 및 상기 대상 고객과 상기 다른 기거래 고객 간의 유사도에 상기 다른 기거래 고객의 주식 종목의 기초선호도를 곱하여 상기 대상 고객의 개별 주식 종목에 대한 상기 예상 선호도를 산출하는 단계; 를 포함하며, 상기 유사종목군별 매수 비율은 상기 대상 고객의 총 거래 횟수에 대한 상기 유기종목군에 속하는 주식 종목들의 거래 횟수의 합의 비율일 수 있다.
본 발명에 있어서, 상기 종목 속성은 상기 주식 종목의 주가, 거래량, 및 변동성일 수 있으며, 상기 종목분류단계는 상기 종목 속성별로 소정의 기준에 따라 복수 개의 상기 유사종목군으로 분류할 수 있다.
본 발명에 있어서, 상기 기초선호도 산출 단계는 상기 주가, 거래량, 및 변동성으로 분류된 상기 유사종목군에 대해 각각 상기 기초선호도를 산출하고, 상기 주가, 거래량, 및 변동성 각각의 상기 기초선호도를 상기 주식 종목별로 합산할 수 있다.
본 발명에 있어서, 상기 고객간 유사도 산출 단계는 상기 유사도를 코사인 유사도로 산출할 수 있다.
본 발명에 있어서, 상기 주식 종목 중 관리종목이거나 컴플라이언스룰에 위반되는 주식 종목을 제외하고 상기 예상 선호도에 따라 상기 기고객의 예상 선호종목을 선정하는 단계를 더 포함할 수 있다.
본 발명에 있어서, 상기 종목등락 예측 단계는 상기 예상 선호종목의 시세정보 및 수급정보를 딥러닝 기반의 인공지능 신경망 모델의 입력 파라미터로 이용하여 소정 기간 후의 상기 예상 선호종목의 주가 등락의 확률을 제공할 수 있다.
본 발명에 있어서, 상기 시세정보는 상기 예상 선호종목의 최근 일정 기간 동안의 주가 정보이며, 상기 수급정보는 최근 일정 기간 동안의 외국인 순매수일 수 있다.
본 발명의 일 실시예에 따른 고객별 예상 선호종목 선정 방법은, 주식 종목을 종목 속성별로 유사종목군으로 분류하는 단계; 주식 거래내역이 있는 기거래 고객의 주식 종목별 거래 횟수에 개별 주식 종목이 속하는 상기 유사종목군별 매수 비율을 곱하여 상기 기초선호도를 산출하는 단계; 상기 기거래 고객의 상기 기초선호도와 다른 기거래 고객의 기초선호도를 이용하여 상기 기거래 고객과 상기 다른 기거래 고객 간의 유사도를 산출하는 단계; 상기 기거래 고객과 상기 다른 기거래 고객 간의 유사도에 상기 다른 기거래 고객의 주식 종목의 기초선호도를 곱하여 상기 기거래 고객의 개별 주식 종목에 대한 상기 예상 선호도를 산출하는 단계; 및 상기 예상 선호도에 따라 상기 기거래 고객의 예상 선호종목을 선정하는 단계; 를 구비하며, 상기 유사종목군별 매수 비율은 상기 기거래 고객의 총 거래 횟수에 대한 상기 유기종목군에 속하는 주식 종목들의 거래 횟수의 합의 비율일 수 있다.
본 발명의 일 실시예에 따르면, 고객 선호를 고려하여 종목을 선정하고 고객 맞춤형으로 추천함으로써 고객 만족도를 향상시킬 수 있다.
또한 종목에 대한 등락 예측과 종목의 진단정보를 직관적으로 고객에게 제공함으로써 고객 편의성을 높일 수 있다.
도 1은 본 발명의 일 실시예에 따른 종목 추천 시스템을 개략적으로 나타내는 구성도이다.
도 2는 도 1의 선호종목 도출모듈을 개략적으로 나타내는 구성도이다.
도 3은 “가” 고객의 각 종목에 대한 기초선호도를 나타내는 표이다.
도 4는 고객간 유사도를 나타내는 표이다.
도 5는 “가” 고객의 종목 A에 대한 예상 선호도를 나타내는 표이다.
도 6은 본 발명의 일 실시예에 따른 종목 추천 방법을 개략적으로 나타내는 흐름도이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 명세서에 있어서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 본 명세서에 있어서는 어느 하나의 구성요소가 다른 구성요소로 데이터를 '전송'하는 경우에는 상기 구성요소는 상기 다른 구성요소로 직접 상기 데이터를 전송할 수도 있고, 적어도 하나의 또 다른 구성요소를 통하여 상기 데이터를 상기 다른 구성요소로 전송할 수도 있는 것을 의미한다. 반대로 어느 하나의 구성요소가 다른 구성요소로 데이터를 '직접 전송'하는 경우에는 상기 구성요소에서 다른 구성요소를 통하지 않고 상기 다른 구성요소로 상기 데이터가 전송되는 것을 의미한다.
이하, 첨부된 도면들을 참조하여 본 발명의 실시예들을 중심으로 본 발명을 상세히 설명한다. 각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다.
도 1은 본 발명의 일 실시예에 따른 종목 추천 시스템을 개략적으로 나타내는 구성도이며, 도 2는 도 1의 선호종목 도출모듈을 개략적으로 나타내는 구성도이다.
도 1 및 도 2를 참조하면, 본 발명의 일 실시예에 따른 종목 추천 시스템(100)은 고객 분류모듈(110), 선호종목 도출모듈(120), 종목등락 예측모듈(130), 종목 진단모듈(140), 및 종목 추천모듈(150)을 구비할 수 있다.
고객 분류모듈(110)은 주식 거래내역이 있는 고객을 기거래 고객군으로, 주식 거래내역이 없는 고객을 미거래 고객군으로 분류할 수 있다.
고객 분류모듈(110)은 상기 기거래 고객군에 속하는 고객들을 상기 고객이 소정의 기간 동안 주식을 거래한 횟수에 따라 상기 기거래 고객군을 다시 분류할 수 있다. 상세하게는 고객 분류모듈(110)은 상기 소정의 기간 동안 제1 거래 횟수 미만으로 거래를 한 기거래 고객을 저빈도 고객군으로 분류하고, 상기 소정의 기간 동안 제2 거래 횟수를 초과하여 거래를 한 기거래 고객을 고빈도 고객군으로 분류하며, 상기 소정의 기간 동안 상기 제1 거래 횟수 내지 상기 제2 거래 횟수로 거래를 한 기거래 고객을 중빈도 고객군으로 분류할 수 있다.
일 예로서, 소정의 기간은 한 분기일 수 있으며, 제1 거래 횟수는 5회일 수 있으며, 제2 거래 횟수는 15회일 수 있다. 즉 고객 분류모듈(110)은 고객이 종목에 상관없이 한 분기에 5회 미만으로 거래한 경우 저빈도 고객군으로 분류하며, 한 분기에 5회 내지 15회 거래한 경우 중빈도 고객군으로 분류하고, 한 분기에 15회를 초과하여 거래한 경우 고빈도 고객군으로 분류할 수 있다.
고객 분류모듈(110)이 주식 거래 횟수에 따라 기거래 고객을 복수 개의 고객군으로 분류함으로써 추천 종목 산출 속도를 높일 수 있다. 다만 본 발명은 이에 한정되는 것은 아니며, 본 발명은 기거래 고객을 거래 횟수에 따라 분류하지 않고 전체 기거래 고객을 하나의 고객군으로 설정하고 추천 종목을 산출할 수도 있다.
고객 분류모듈(110)은 상기 미거래 고객을 종목검색을 행한 이력이 있는 검색 고객과 종목검색을 한 이력이 없는 미검색 고객으로 분류할 수 있다. 고객 분류모듈(110)은 주식 거래 사이트로부터 상기 사이트에 등록된 고객들의 고객정보를 수신할 수 있다. 상기 고객정보는 고객ID, 성별, 연령, 직업, 학력, 거주지역, 투자성향, 매매종목, 매매수량, 거래일자, 자산규모 등을 포함할 수 있다. 고객 분류모듈(110)은 또한 상기 사이트로부터 종목정보를 수신할 수 있다. 종목정보는 종목코드, 종목명, 일별 종가, 거래량, 시가총액, 외국인/기관 순매수, 재무정보 등일 수 있다.
고객 분류모듈(110)은 상기 고객정보와 상기 종목정보를 이용하여 거래 이력이 있는 고객을 기거래 고객으로, 거래 이력이 없는 고객을 미거래 고객으로 분류할 수 있다. 고객 분류모듈(110)은 상술한 바와 같이 기거래 고객을 거래 빈도에 따라 고빈도 고객군, 중빈도 고객군, 저빈도 고객군으로 분류할 수 있다. 미거래 고객에 대해서는 고객 분류모듈(110)은 종목검색 로그 유무를 기준으로 구분할 수 있다. 즉 고객 분류모듈(110)은 미거래 고객 중 종목검색 로그가 있는 고객과 종목검색 로그가 없는 고객으로 구분할 수 있다.
종목검색 로그가 없는 고객에 대해서는 고객 분류모듈(110)은 고객의 프로파일을 기준으로 복수 개의 세그먼트로 구분할 수 있다. 고개의 프로파일은 연령, 성별, 직업, 학력, 투자성향, 거주지역 등일 수 있다. 그러나 본 발명은 이에 한정되지 않으며 연령, 성별, 직업, 학력, 투자성향, 거주지역 이외에 고객의 특성을 나타낼 수 있는 여러 요소가 세그먼트의 기준이 될 수 있다. 예를 들면, 미거래 고객을 성별에 따라 남성과 여성으로 구분할 수 있다. 또한 남성과 여성 각각을 나이대별로 구분할 수 있다. 즉 20~30대 남성과 여성, 40~50대 남성과 여성, 60대이상 남성과 여성을 구분할 수 있다. 직장인/전문직, 자영업자, 퇴직자/주부/학생, 기타로 직업에 따라 구분될 수 있다.
성별과 나이대별로 여섯 개 군으로 구분되고, 직업에 따라 네 개 군으로 구분되므로 고객 분류모듈(110)은 미거래 고객을 24개 군으로 구분할 수 있다. 24개 군으로 구분된 것을 바탕으로 선호종목 도출모듈(120)은 미거래 고객의 예상 선호종목을 선정할 수 있다. 미거래 고객 중 종목검색 로그가 없는 고객에 대해서는 종목검색 로그가 없는 고객과 프로파일이 동일한 기거래 고객의 예상 선호종목을 종목검색 로그가 없는 고객의 예상 선호종목으로 선정할 수 있다. 이에 대해서는 후술한다.
선호종목 도출모듈(120)은 상기 기거래 고객군 중 대상 고객의 주식 종목별 기초선호도를 산출하고, 상기 기거래 고객군에 속하는 고객 간의 고객 유사도를 산출하며, 상기 기초선호도와 상기 고객 유사도로부터 상기 대상 고객의 종목별 예상 선호도를 산출하고, 상기 예상 선호도에 따라 상기 대상 고객의 예상 선호종목을 도출할 수 있다. 대상 고객은 상기 추천종목을 제공받고자 하는 고객이다.
선호종목 도출모듈(120)은 일 예로서 종목분류부(121), 기초선호도 산출부(122), 고객간 유사도 산출부(123), 예상 선호도 산출부(124), 및 선호종목 선정부(125)를 포함할 수 있다.
종목분류부(121)는 상기 주식 종목을 종목 속성별로 유사종목군으로 분류할 수 있다. 상기 종목 속성은 상기 주식 종목의 주가, 거래량, 및 변동성일 수 있다. 종목분류부(121)는 상기 종목 속성별로 소정의 기준에 따라 복수 개의 상기 유사종목군으로 분류할 수 있다.
예를 들면, 종목분류부(121)는 주식종목을 종가를 기준으로 가격이 유사한 5개 주가종목군으로 분류할 수 있으며, 또한 기준 거래량을 기준으로 거래량이 유사한 5개 거래량종목군으로 분류할 수 있고, 또한 기준 주가변화율을 기준으로 주가변화율이 유사한 5개 변화율종목군으로 분류할 수 있다.
기초선호도 산출부(122)는 상기 기거래 고객의 주식 종목별 거래 횟수에 개별 주식 종목이 속하는 상기 유사종목군별 매수 비율을 곱하여 상기 기초선호도를 산출할 수 있다.
도 3은 “가” 고객의 각 종목에 대한 기초선호도를 나타내는 표이다.
도 3을 참조하면, 종목분류부(121)는 종목 A 내지 종목 N을 종가를 기준으로 5개의 유사종목군으로 구분하였다. 즉 종목 A, 종목 B, 종목 C는 유사종목군 1로, 종목 D, 종목 E, 종목 F는 유사종목군 2로, 종목 G, 종목 H, 종목 I는 유사종목군 3으로, 종목 K, 종목 L은 유사종목군 4로, 종목 M, 종목 N은 유사종목군 5로 분류할 수 있다.
기초선호도 산출부(122)는 “가” 고객의 종목별 매수 회수(A)를 검출한다. 기초선호도 산출부(122)는 “가” 고객이 유사종목군 1에 속하는 종목 A, B, C를 각각 3회, 1회, 1회 매수하고, 유사종목군 2에 속하는 종목 F를 2회 매수하고, 유사종목 3에 속하는 종목 G, J를 각각 2회, 1회 매수하고, 유사종목군 4 및 5에 속하는 종목들에 대해서는 매수하지 않은 것으로 검출하였다.
다음으로 기초선호도 산출부(122)는 종목군별 매수 횟수를 산출한다. 즉 기초선호도 산출부(122)는 각 유사종목군에 속하는 종목들의 매수 횟수를 합하여 종목군별 매수횟수를 산출한다. 기초선호도 산출부(122)는 유사종목군 1의 매수 횟수를 5, 유사종목군 2의 매수 횟수를 2, 유사종목군 3의 매수 횟수를 3, 유사종목군 4의 매수 횟수를 0, 유사종목군 5의 매수 횟수를 0으로 산출할 수 있다.
이어서 기초선호도 산출부(122)는 종목군별 매수비율(B)을 산출할 수 있습니다. 기초선호도 산출부(122)는 유사종목군 1 내지 5에 속하는 모든 종목들의 총 거래 횟수를 검출하고, 각각의 유사종목군 내에 속하는 종목들의 거래횟수를 합산하여 각 유사종목군 별 거래횟수를 산출합니다. 기초선호도 산출부(122)를 각 유사종목군 별 거래횟수에 모든 종목들의 총 거래 횟수를 나누어 종목군별 매수비율(B)을 산출할 수 있다.
도 3을 참조하면, “가” 고객의 총 매수횟수는 10회이며, 유사종목군 1 내 종목들의 매수횟수는 5회이고, 유사종목군 2 내 종목들의 매수횟수는 2회이며, 유사종목군 3 내 종목들의 매수횟수는 3회이다. 유사종목군 1의 매수비율은 50%이고, 유사종목군 2의 매수비율은 20%이며, 유사종목군 3의 매수비율은 30%이다.
기초선호도 산출부(122)는 종목군별 매수비율(B)에 종목별 매수횟수(A)를 곱한 값(C)을 구하고, 상기 C값을 표준화하여 각 종목에 대한 기초선호도를 산출할 수 있다. 기초선호도는 다음 수학식 1에 의해 산출될 수 있다.
[수학식 1]
기초선호도={(C-최저 매수횟수)/(최대 매수횟수-최저매수횟수)}*4+1
상기 수학식 1에 따라 산출된 기초선호도는 각 종목의 매수횟수의 대소에 관계없이 최대값은 5가 되고 최소값은 0이 된다.
상기 수학식 1에 따라 도 3에 도시된 각 종목들의 기초선호도를 구하면, 종목 A는 5, 종목 B는 2.14, 종목 C는 2.14, 종목 F는 1.86, 종목 G는 2.43, 종목 J는 1.57이며, 나머지 종목들은 매수횟수가 0이므로 기초선호도는 0이 된다.
기초선호도 산출부(122)는 종목분류부(121)에 의해 주가, 거래량, 및 변동성을 기준으로 분류된 유사종목군에 대해 각각 기초선호도를 산출할 수 있다. 기초선호도 산출부(122)는 각각의 종목에 대한 주가, 거래량, 및 변동성 각각의 기초선호도를 합산할 수 있다. 이와 같이 각각의 종목별로 합산된 기초선호도는 최대값이 15이고 최저값은 0일 수 있다.
고객간 유사도 산출부(123)는 기거래 고객의 기초선호도와 다른 기거래 고객의 기초선호도를 이용하여 상기 기거래 고객과 상기 다른 기거래 고객 간의 유사도를 산출할 수 있다. 고객간 유사도 산출부(123)는 일 예로서 코사인 유사도를 이용한 상기 기거래 고객과 상기 다른 기거래 고객 간의 유사도를 산출할 수 있다.
코사인 유사도(
Figure pat00001
)는 다음 수학식 2에 따라 산출될 수 있다.
[수학식 2]
Figure pat00002
Figure pat00003
는 일 고객(예를 들면 “가” 고객)의 각 종목들의 기초선호도 값들로 이루어진 벡터이고,
Figure pat00004
는 다른 고객(예를 들면 “나” 고객)의 각 종목들의 기초선호도 값들로 이루어진 벡터이다.
도 4는 고객간 유사도를 나타내는 표이다.
도 4를 참조하면, “가” 고객의 기초선호도 벡터(
Figure pat00005
)는 “가” 고객의 종목 A 내지 종목 N의 기초선호도 값으로 이루어지고, “나” 고객의 기초선호도 값(
Figure pat00006
)은 “나” 고객의 종목 A 내지 종목 N의 기초선호도 값으로 이루어지는바, 고객간 유사도 산출부(123)는 “가” 고객의 기초선호도 벡터(
Figure pat00007
)를 (5, 2.14, 2.14, 0, 0, 1.86, 2.43, 0, 0, 1.57, 0, 0, 0, 0)으로 정의하고, “나” 고객의 기초선호도 벡터(
Figure pat00008
)를 (0, 1.56, 2.87, 1.5, 0, 3.24, 0, 3.78, 1.2, 0.56, 1.56, 0,0, 4.12)로 정의할 수 있다.
고객간 유사도 산출부(123)는 “가” 고객과 “나” 고객과의 유사도를 산출하기 위해 “가” 고객의 기초선호도 벡터(
Figure pat00009
)와 “나” 고객의 기초선호도 벡터(
Figure pat00010
)의 내적을 구하고, 이를 “가” 고객의 기초선호도 벡터(
Figure pat00011
)와 “나” 고객의 기초선호도 벡터(
Figure pat00012
) 각각의 크기의 곱으로 나눈다. 고객간 유사도 산출부(123)가 산출한 “가” 고객과 “나” 고객 간의 유사도는 0.315이다.
고객간 유사도 산출부(123)는 “가” 고객에 대해 “나” 고객뿐만 아니라 “다”, “라”, “마” 등 다른 고객과의 유사도를 산출할 수 있다. 도 5를 참조하면, “가” 고객과 “라” 고객과의 유사도는 0.987이며, “가” 고객과 “자” 고객과의 유사도는 0.754이고, “가” 고객과 “하” 고객과의 유사도는 0.748이며, “가” 고객과 “아” 고객과의 유사도는 0.689이고, “가” 고객과 “파” 고객과의 유사도는 0.542이다.
예상 선호도 산출부(124)는 상기 기거래 고객(“가” 고객)과 상기 다른 기거래 고객(“가” 이외의 다른 고객) 간의 유사도에 상기 다른 기거래 고객의 주식 종목의 기초선호도를 곱하여 상기 기거래 고객의 개별 주식 종목에 대한 상기 예상 선호도를 산출할 수 있다.
예상 선호도 산출부(124)는 다음의 수학식 3에 따라 대상 기거래 고객의 특정 종목에 대한 예상 선호도를 산출할 수 있다.
[수학식 3]
예상 선호도(Pa,i)=
Figure pat00013
Pa,i는 고객 a의 종목 i에 대한 예상 선호도이며, wa,u는 고객 a와 고객 u의 유사도이고, ru,i는 고객 u의 종목 i에 대한 기초 선호도이다.
상세하게는, 예상 선호도 산출부(124)는 기거래 고객(예를 들면 “가” 고객)과 다른 기거래 고객(예를 들면, “나” 고객) 간의 유사도에 다른 기거래 고객(“나” 고객)의 종목 A의 기초선호도를 곱하고, 상기 기거래 고객(“가” 고객)과 또 다른 기거래 고객(예를 들면, “다” 고객) 간의 유사도에 상기 또 다른 기거래 고객(“다” 고객)의 종목 A의 기초선호도를 곱하고, 이들 곱한 값들을 합산한다. 그리고 예상 선호도 산출부(124)는 상기 곱한 값의 합을 상기 기거래 고객(“가” 고객)과 다른 고객들(“나” 고객, “다” 고객 등) 간의 유사도의 합으로 나누어 상기 기거래 고객(“가” 고객)의 종목 A에 대한 예상 선호도를 산출할 수 있다.
도 5는 “가” 고객의 종목 A에 대한 예상 선호도를 나타내는 표이다.
도 5를 참조하면, 예상 선호도 산출부(124)는 “가” 고객과의 유사도가 높은 고객을 순서대로 정렬할 수 있다. “가” 고객과의 유사도가 높은 고객들은 “라” 고객(“가” 고객과의 유사도 0.987), “자” 고객(“가” 고객과의 유사도 0.754), “하” 고객(“가” 고객과의 유사도 0.748), “아” 고객(“가” 고객과의 유사도 0.689), “파” 고객(“가” 고객과의 유사도 0.542) 순이다.
예상 선호도 산출부(124)는 “가” 고객의 종목 A에 대한 예상 선호도 산출을 위해 “가” 고객과 “라” 고객의 유사도(0.987)에 “라” 고객의 종목 A의 기초 선호도를 곱하고, 또한 “가” 고객과 다른 고객들(“가” 고객을 제외한 “자” 고객, “하” 고객, “아” 고객, “파” 고객 등)의 유사도에 다른 고객들 각자의 종목 A에 대한 기초 선호도를 곱하여, 이들 곱한 값들을 모두 합산한다.
그리고, 예상 선호도 산출부(124)는 상기 곱한 값들의 합산 값을 “가” 고객과 다른 고객들(“가” 고객을 제외한 다른 고객들)의 유사도를 합한 값을 나누어서 “가” 고객의 종목 A에 대한 예상 선호도를 산출할 수 있다.
선호종목 선정부(125)는 상기 주식 종목 중 관리종목이거나 컴플라이언스 룰(Compliance Rule)에 위반되는 주식 종목을 제외하고 상기 예상 선호도에 따라 상기 기고객의 예상 선호종목을 선정할 수 있다.
선호종목 선정부(125)는 주식 종목이 관리종목에 해당하지는 여부를 판별하고, 관리종목에 해당하는 종목을 제외한다. 예를 들면, 주식 종목이 규정 위반, 심각한 재무성과 미달, 주가수준 미달, 직접적 파산위험, 상당한 유동성 부족이 있는 종목은 관리 종목에 해당될 수 있다.
또한, 선호종목 선정부(125)는 주식 종목이 컴플라이언스 룰에 저촉되는지 여부를 판별하고, 이를 제외할 수 있다. 예를들어, 당해 증권회사와 이해관계가 발생하거나 당해 증권회사가 지분을 보유한 종목은 컴플라이언스 룰 위반 종목에 해당될 수 있으며, 이에 따라 선호종목 선정부(125)는 컴플라이언스 룰 위반 종목을 제외할 수 있다.
선호종목 선정부(125)는 관리종목과 컴플라이언스 룰을 위반한 종목을 제외하고 예상 선호도 산출부(124)에서 산출된 예상 선호도를 기초하여 예상 선호도가 높은 종목들을 예상 선호종목으로 선정할 수 있다.
종목등락 예측모듈(130)은 선호종목 선정부(125)에 의해 선정된 예상 선호종목들의 시세정보 및 수급정보를 딥러닝 기반의 인공지능 신경망 모형, 예를 들면, LSTM(Long Short Term Memory) 모델의 입력 파라미터로 이용하여 소정 기간 후의 상기 예상 선호종목의 주가 등락의 확률을 수치나 등락 방향으로 고객에게 제공할 수 있다. 상기 시세정보는 상기 예상 선호종목의 최근 일정기간 동안(예를 들면, 3년간) 주가 정보이며, 상기 수급정보는 최근 일정기간 동안(예를 들면, 3년간) 외국인 순매수일 수 있다.
종목등락 예측모듈(130)은 딥러닝 기반의 인공지능 신경망 모형 을 활용하여 최근 일정기간(예를 들면, 1주일) 후 종목별 등락방향을 예측할 수 있다. 즉 종목등락 예측모듈(130)은 과거의 패턴정보와 현재의 정보를 누적 반영하여 미래의 추세를 예측할 수 있다.
또한, 종목등락 예측모듈(130)은 종목마다 최근 일정기간 동안(예를 들면, 3년간)의 주가흐름과 기술적 지표(RSI, Stochastic, 볼린저밴드 등), 수급 지표(외국인 순매수 등)를 분석하여 단기(1주일) 주가의 등락을 확률로 예측할 수 있다.
또한, 종목등락 예측모듈(130)은 종목마다 펀더멘탈 관련 지표를 분석하여 장기적 관점에서 주가의 등락을 확률로 예측할 수 있다.
종목 진단모듈(140)은 상기 예상 선호종목에 대해 차트 분석, 수급분석, 및 가치 분석하여 분석 결과를 점수화하여 상기 고객에게 제공할 수 있다. 종목 진단모듈(140)은 선호종목 선정부(125)에 의해 선정된 예상 선호종목들에 대해 차트 분석, 수급분석, 및 가치분석 각각의 영역별로 점수화하여 고객에게 제시함으로써 종합적인 투자전략을 제공할 수 있다.
차트분석은 이동평균선 중심의 분석으로 상승/하락국면을 분류하고 추세를 점수화하는 것이다. 수급분석은 외국인 및 기관의 누적순매수량 분석을 기반으로 수급 모멘텀을 점수화하는 것이다. 가치분석은 PER, PBR, EPS, 영업이익, 순이익, 대차증감 분석을 기반으로 펀더멘탈 지표를 점수화하는 것이다.
종목 추천모듈(150)은 상기 예상 선호종목 중에서 추천종목을 선정하여 제공할 수 있다. 일 실시예에서 종목 추천모듈(150)은 상기 예상 선호종목 중 높은 순위의 선호종목을 고객에게 추천하고, 상기 예상 선호종목의 주가 등락정보와 상기 예상 선호종목의 진단정보를 함께 또는 연계하여 제공할 수 있다.
다른 실시예에서 종목 추천모듈(150)은 상기 예상 선호종목의 상기 주가 등락방향 및/또는 상기 예상 선호종목의 진단정보를 기초로 상기 예상 선호종목들 중에서 추천종목을 선정하여 제공할 수 있다.
상술한 바와 같이 본 발명의 일 실시예에 따르면, 고객 선호를 고려한 종목을 선정하고 맞춤형 추천에 따른 고객 만족도 향상시킬 수 있으며, 종목에 대한 등락 예측과 종목의 진단정보를 직관적으로 고객에게 제공하여 편의성 증대시킬 수 있다.
도 6은 본 발명의 일 실시예에 따른 종목 추천 방법을 개략적으로 나타내는 흐름도이다.
도 6을 참조하면, 본 발명의 일 실시예에 따른 종목 추천 방법은, 우선 주식 거래내역이 있는 기거래 고객과 주식 거래내역이 없는 미거래 고객으로 분류할 수 있다(S110).
고객 분류모듈(110)은 상기 기거래 고객이 소정의 기간 동안 주식을 거래한 횟수에 따라 상기 기거래 고객을 분류할 수 있다. 상세하게는 고객 분류모듈(110)은 상기 소정의 기간 동안 제1 거래 횟수 미만으로 거래를 한 기거래 고객을 저빈도 고객군으로 분류하고, 상기 소정의 기간 동안 제2 거래 횟수를 초과하여 거래를 한 기거래 고객을 고빈도 고객군으로 분류하며, 상기 소정의 기간 동안 상기 제1 거래 횟수 내지 상기 제2 거래 횟수로 거래를 한 기거래 고객을 중빈도 고객군으로 분류할 수 있다(S111).
일 예로서, 소정의 기간은 한 분기일 수 있으며, 제1 거래 횟수는 5회일 수 있으며, 제2 거래 횟수는 15회일 수 있다. 즉 고객 분류모듈(110)은 고객이 종목에 상관없이 한 분기에 5회 미만으로 거래한 경우 저빈도 고객군으로 분류하며, 한 분기에 5회 내지 15회 거래한 경우 중빈도 고객군으로 분류하고, 한 분기에 15회를 초과하여 거래한 경우 고빈도 고객군으로 분류할 수 있다.
고객 분류모듈(110)이 주식 거래 횟수에 따라 기거래 고객을 복수 개의 고객군으로 분류함으로써 추천 종목 산출 속도를 높일 수 있다. 다만 본 발명은 이에 한정되는 것은 아니며, 본 발명은 기거래 고객을 거래 횟수에 따라 분류하지 않고 전체 기거래 고객을 하나의 고객군으로 설정하고 추천 종목을 산출할 수도 있다.
고객 분류모듈(110)은 상기 미거래 고객을 종목검색을 행한 이력이 있는 검색 고객과 종목검색을 한 이력이 없는 미검색 고객으로 분류할 수 있다(S112). 고객 분류모듈(110)은 주식 거래 사이트로부터 상기 사이트에 등록된 고객들의 고객정보를 수신할 수 있다. 상기 고객정보는 고객ID, 성별, 연령, 직업, 학력, 거주지역, 투자성향, 매매종목, 매매수량, 거래일자, 자산규모 등을 포함할 수 있다. 고객 분류모듈(110)은 또한 상기 사이트로부터 종목정보를 수신할 수 있다. 종목정보는 종목코드, 종목명, 일별 종가, 거래량, 시가총액, 외국인/기관 순매수, 재무정보 등일 수 있다.
고객 분류모듈(110)은 상기 고객정보와 상기 종목정보를 이용하여 거래 이력이 있는 고객을 기거래 고객으로, 거래 이력이 없는 고객을 미거래 고객으로 분류할 수 있다. 미거래 고객에 대해서는 고객 분류모듈(110)은 종목검색 로그 유무를 기준으로 구분할 수 있다. 즉 고객 분류모듈(110)은 미거래 고객 중 종목검색 로그가 있는 고객과 종목검색 로그가 없는 고객으로 구분할 수 있다.
거래이력은 없으나 종목검색 로그가 있는 고객에 대해서는 검색종목을 거래종목으로 대체하여 선호종목을 도출할 수 있다(S113). 종목검색 로그가 있는 고객의 검색종목의 검색횟수를 기거래 고객의 거래종목의 거래횟수에 대응하여 종목을 분류하고, 기초선호도를 산출하며, 고객간 유사도를 산출하고. 예상 선호도를 산출하며, 선호종목을 선정할 수 있다.
종목검색 로그가 없는 고객에 대해서는 고객 분류모듈(110)은 고객의 프로파일을 기준으로 복수 개의 세그먼트로 구분할 수 있다. 고개의 프로파일은 연령, 성별, 직업, 투자성향, 거주지역 등일 수 있다. 그러나 본 발명은 이에 한정되지 않으며 연령, 성별, 직업, 학력, 투자성향, 거주지역 이외에 고객의 특성을 나타낼 수 있는 여러 요소가 세그먼트의 기준이 될 수 있다. 예를 들면, 미거래 고객을 성별에 따라 남성과 여성으로 구분할 수 있다. 또한 남성과 여성 각각을 나이대별로 구분할 수 있다. 즉 20~30대 남성과 여성, 40~50대 남성과 여성, 60대이상 남성과 여성을 구분할 수 있다. 직장인/전문직, 자영업자, 퇴직자/주부/학생, 기타로 직업에 따라 구분될 수 있다.
성별과 나이대별로 여섯 개 군으로 구분되고, 직업에 따라 네 개 군으로 구분되므로 고객 분류모듈(110)은 미거래 고객을 24개 군으로 구분할 수 있다. 24개 군으로 구분된 것을 바탕으로 선호종목 도출모듈(120)은 미거래 고객의 예상 선호종목을 선정할 수 있다(S115). 즉, 고객 분류모듈(110)은 종목검색 로그가 없는 고객에 대해서는 기거래 고객도 동일한 기준으로 24개 세그먼트로 분류하며, 종목검색 로그가 없는 고객과 동일한 세그먼트에 속하는 기거래 고객을 매칭할 수 있다.
이후 선호종목 선정부(125)는 상기 동일 세그먼트에 속하는 기거래 고객의 선호종목을 종목검색 로그가 없는 고객에게 선호종목으로 제시할 수 있다.
다시 기거래 고객에 대해서는, 상기 기거래 고객의 주식 종목별 기초선호도를 산출하고, 상기 기거래 고객간의 고객 유사도를 산출하며, 상기 기초선호도와 상기 고객 유사도로부터 상기 기거래 고객의 종목별 예상 선호도를 산출하고, 상기 예상 선호도에 따라 상기 기고객의 예상 선호종목을 도출할 수 있다(S120).
상세하게는, 상기 주식 종목을 종목 속성별로 유사종목군으로 분류할 수 있다(S121). 상기 종목 속성은 상기 주식 종목의 주가, 거래량, 및 변동성일 수 있다. 종목분류부(121)는 상기 종목 속성별로 소정의 기준에 따라 복수 개의 상기 유사종목군으로 분류할 수 있다.
예를 들면, 종목분류부(121)는 주식종목을 종가를 기준으로 가격이 유사한 5개 주가종목군으로 분류할 수 있으며, 또한 기준 거래량을 기준으로 거래량이 유사한 5개 거래량종목군으로 분류할 수 있고, 또한 기준 주가변화율을 기준으로 주가변화율이 유사한 5개 변화율종목군으로 분류할 수 있다.
기초선호도 산출부(122)는 상기 기거래 고객의 주식 종목별 거래 횟수에 개별 주식 종목이 속하는 상기 유사종목군별 매수 비율을 곱하여 상기 기초선호도를 산출할 수 있다(S122).
기초선호도 산출부(122)는 종목분류부(121)에 의해 주가, 거래량, 및 변동성을 기준으로 분류된 유사종목군에 대해 각각 기초선호도를 산출할 수 있다. 기초선호도 산출부(122)는 각각의 종목에 대한 주가, 거래량, 및 변동성 각각의 기초선호도를 합산할 수 있다.
다음으로, 고객간 유사도 산출부(123)는 기거래 고객의 기초선호도와 다른 기거래 고객의 기초선호도를 이용하여 상기 기거래 고객과 상기 다른 기거래 고객 간의 유사도를 산출할 수 있다. 고객간 유사도 산출부(123)는 일 예로서 코사인 유사도를 이용한 상기 기거래 고객과 상기 다른 기거래 고객 간의 유사도를 산출할 수 있다(S123).
이어서, 예상 선호도 산출부(124)는 상기 기거래 고객(“가” 고객)과 상기 다른 기거래 고객(“가” 이외의 다른 고객) 간의 유사도에 상기 다른 기거래 고객의 주식 종목의 기초선호도를 곱하여 상기 기거래 고객의 개별 주식 종목에 대한 상기 예상 선호도를 산출할 수 있다(S124).
다음으로, 선호종목 선정부(125)는 상기 주식 종목 중 관리종목이거나 컴플라이언스 룰(Compliance Rule)에 위반되는 주식 종목을 제외하고 상기 예상 선호도에 따라 상기 기고객의 예상 선호종목을 선정할 수 있다(S125).
이어서, 종목등락 예측모듈(130)은 선호종목 선정부(125)에 의해 선정된 예상 선호종목들의 시세정보 및 수급정보를 딥러닝 기반의 인공지능 신경망 모형, 예를 들면, LSTM 모델의 입력 파라미터로 이용하여 소정 기간 후의 상기 예상 선호종목의 주가 등락의 확률을 수치나 등락 방향으로 고객에게 제공할 수 있다. 상기 시세정보는 상기 예상 선호종목의 최근 일정기간 동안(예를 들면, 3년간) 주가 정보이며, 상기 수급정보는 최근 일정기간 동안(예를 들면, 3년간) 외국인 순매수일 수 있다(S130).
다음으로, 종목 진단모듈(140)은 상기 예상 선호종목에 대해 차트 분석, 수급분석, 및 가치 분석하여 분석 결과를 점수화하여 상기 고객에게 제공할 수 있다. 종목 진단모듈(140)은 선호종목 선정부(125)에 의해 선정된 예상 선호종목들에 대해 차트 분석, 수급분석, 및 가치분석 각각의 영역별로 점수화하여 고객에게 제시함으로써 종합적인 투자전략을 제공할 수 있다(S140).
이어서, 종목 추천모듈(150)은 상기 예상 선호종목 중에서 추천종목을 선정하여 제공할 수 있다. 일 실시예에서 종목 추천모듈(150)은 상기 예상 선호종목 중 높은 순위의 선호종목을 고객에게 추천하고, 상기 예상 선호종목의 주가 등락정보와 상기 예상 선호종목의 진단정보를 함께 또는 연계하여 제공할 수 있다.
다른 실시예에서 종목 추천모듈(150)은 상기 예상 선호종목의 상기 주가 등락방향 및/또는 상기 예상 선호종목의 진단정보를 기초로 상기 예상 선호종목들 중에서 추천종목을 선정하여 제공할 수 있다(S150).
상술한 바와 같이 본 발명의 일 실시예에 따르면, 고객 선호를 고려한 종목을 선정하고 맞춤형 추천에 따른 고객 만족도 향상시킬 수 있으며, 종목에 대한 등락 예측과 종목의 진단정보를 직관적으로 고객에게 제공하여 편의성 증대시킬 수 있다.
한편, 본 발명의 실시 예에 따른 방법은 컴퓨터가 읽을 수 있는 프로그램 명령 형태로 구현되어 컴퓨터로 읽을 수 있는 기록 매체에 저장될 수 있으며, 본 발명의 실시예에 따른 제어 프로그램 및 대상 프로그램도 컴퓨터로 판독 가능한 기록 매체에 저장될 수 있다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.
기록 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 소프트웨어 분야 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터로 읽을 수 있는 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. 또한 상술한 매체는 프로그램 명령, 데이터 구조 등을 지정하는 신호를 전송하는 반송파를 포함하는 광 또는 금속선, 도파관 등의 전송 매체일 수도 있다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 전자적으로 정보를 처리하는 장치, 예를 들어, 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
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 실시 예들은 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 구성요소들도 결합된 형태로 실시될 수 있다.
100: 종목 추천 시스템
110: 고객 분류모듈
120: 선호종목 도출모듈
130: 종목등락 예측모듈
140: 종목 진단모듈
150: 종목 추천모듈

Claims (31)

  1. 주식 거래내역이 있는 기거래 고객군과 주식 거래내역이 없는 미거래 고객군으로 분류하는 고객 분류모듈;
    상기 기거래 고객군 중 대상 고객의 주식 종목별 기초선호도를 산출하고, 상기 기거래 고객군에 속하는 고객간의 고객 유사도를 산출하며, 상기 기초선호도와 상기 고객 유사도로부터 상기 대상 고객의 종목별 예상 선호도를 산출하고, 상기 예상 선호도에 따라 상기 대상 고객의 예상 선호종목을 도출하는 선호종목 도출모듈;
    상기 예상 선호종목별로 주가 등락방향을 예측하는 종목등락 예측모듈; 및
    상기 예상 선호종목들 중에서 추천종목을 선정하여 제공하는 종목 추천모듈; 을 구비하며,
    상기 대상 고객은 상기 추천종목을 제공받고자 하는 고객인 종목 추천 시스템.
  2. 제1항에 있어서,
    상기 고객 분류모듈은 상기 기거래 고객군에 속하는 고객들이 소정의 기간 동안 주식을 거래한 횟수에 따라 상기 기거래 고객군을 재분류하는 것을 특징으로 하는 종목 추천 시스템.
  3. 제1항에 있어서,
    상기 고객 분류모듈은 상기 미거래 고객군에 속하는 고객을 종목검색을 행한 이력이 있는 검색 고객과 종목검색을 한 이력이 없는 미검색 고객으로 분류하는 것을 특징으로 종목 추천 시스템.
  4. 제3항에 있어서,
    상기 고객 분류모듈은 상기 미검색 고객군에 속하는 고객을 고객의 프로파일을 기준으로 구분하는 것을 특징으로 하는 종목 추천 시스템.
  5. 제4항에 있어서,
    상기 선호종목 도출모듈은 상기 프로파일 기준으로 상기 미거래 고객군에 속하는 고객과 동일한 그룹으로 구분되는 상기 기거래 고객군에 속하는 고객의 예상 선호종목을 상기 미거래 고객군에 속하는 상기 고객의 예상 선호종목으로 제공하는 것을 특징으로 하는 종목 추천 시스템.
  6. 제1항에 있어서,
    상기 예상 선호종목을 진단하는 종목 진단모듈을 더 구비하며,
    상기 종목 진단모듈은 상기 예상 선호종목에 대해 차트 분석, 수급분석, 및/또는 가치 분석하여 분석 결과를 점수화하여 상기 고객에게 제공하는 것을 특징으로 하는 종목 추천 시스템.
  7. 제1항에 있어서,
    상기 종목 추천모듈은 상기 예상 선호종목의 상기 주가 등락정보 또는/및 상기 예상 선호종목의 진단정보를 기초로 상기 추천종목을 선정하는 것을 특징으로 하는 종목 추천 시스템.
  8. 제1항에 있어서,
    상기 종목 추천모듈은 상기 예상 선호종목의 예상 선호도에 따라 복수 개의 추천종목을 제공하고, 상기 추천종목에 주가 등락정보 및/또는 주가 진단정보를 함께 또는 연계하여 제공하는 것을 특징으로 하는 종목 추천 시스템.
  9. 제1항에 있어서,
    상기 선호종목 도출모듈은,
    상기 주식 종목을 종목 속성별로 유사종목군으로 분류하는 종목분류부;
    상기 대상 고객의 주식 종목별 거래 횟수에 개별 주식 종목이 속하는 상기 유사종목군별 매수 비율을 곱하여 상기 기초선호도를 산출하는 기초선호도 산출부;
    상기 대상 고객의 상기 기초선호도와 상기 기거래 고객군에 속하는 다른 기거래 고객의 기초선호도를 이용하여 상기 대상 고객과 상기 다른 기거래 고객 간의 유사도를 산출하는 고객간 유사도 산출부; 및
    상기 대상 고객과 상기 다른 기거래 고객 간의 유사도에 상기 다른 기거래 고객의 주식 종목의 기초선호도를 곱하여 상기 대상 고객의 개별 주식 종목에 대한 상기 예상 선호도를 산출하는 예상 선호도 산출부; 를 포함하며,
    상기 유사종목군별 매수 비율은 상기 대상 고객의 총 거래 횟수에 대한 상기 유기종목군에 속하는 주식 종목들의 거래 횟수의 합의 비율인 것을 특징으로 하는 종목 추천 시스템.
  10. 제9항에 있어
    상기 종목 속성은 상기 주식 종목의 주가, 거래량, 및 변동성일 수 있으며,
    상기 종목분류부는 상기 종목 속성별로 소정의 기준에 따라 복수 개의 상기 유사종목군으로 분류하는 것을 특징으로 하는 종목 추천 시스템.
  11. 제10항에 있어서,
    상기 기초선호도 산출부는 상기 주가, 거래량, 및 변동성으로 분류된 상기 유사종목군에 대해 각각 상기 기초선호도를 산출하고, 상기 주가, 거래량, 및 변동성 각각의 상기 기초선호도를 상기 주식 종목별로 합산하는 것을 특징으로 하는 종목 추천 시스템.
  12. 제9항에 있어서,
    상기 고객간 유사도 산출부는 상기 유사도를 코사인 유사도로 산출하는 것을 특징으로 하는 종목 추천 시스템.
  13. 제9항에 있어서,
    상기 주식 종목 중 관리종목이거나 컴플라이언스룰에 위반되는 주식 종목을 제외하고 상기 예상 선호도에 따라 상기 기고객의 예상 선호종목을 선정하는 선호종목 선정부를 더 포함하는 것을 특징으로 하는 종목 추천 시스템.
  14. 제1항에 있어서,
    상기 종목등락 예측모듈은 상기 예상 선호종목의 시세정보 및 수급정보를 딥러닝 기반의 인공지능 신경망 모델의 입력 파라미터로 이용하여 소정 기간 후의 상기 예상 선호종목의 주가 등락의 확률을 제공하는 것을 특징으로 하는 종목 추천 시스템.
  15. 제14항에 있어서,
    상기 시세정보는 상기 예상 선호종목의 최근 일정 기간 동안의 주가 정보이며, 상기 수급정보는 최근 일정 기간 동안의 외국인 순매수인 것을 특징으로 하는 종목 추천 시스템.
  16. 주식 종목을 종목 속성별로 유사종목군으로 분류하는 종목분류부;
    주식 거래내역이 있는 기거래 고객의 주식 종목별 거래 횟수에 개별 주식 종목이 속하는 상기 유사종목군별 매수 비율을 곱하여 상기 기초선호도를 산출하는 기초선호도 산출부;
    상기 기거래 고객의 상기 기초선호도와 다른 기거래 고객의 기초선호도를 이용하여 상기 기거래 고객과 상기 다른 기거래 고객 간의 유사도를 산출하는 고객간 유사도 산출부;
    상기 기거래 고객과 상기 다른 기거래 고객 간의 유사도에 상기 다른 기거래 고객의 주식 종목의 기초선호도를 곱하여 상기 기거래 고객의 개별 주식 종목에 대한 상기 예상 선호도를 산출하는 예상 선호도 산출부; 및
    상기 예상 선호도에 따라 상기 기거래 고객의 예상 선호종목을 선정하는 선호종목 선정부; 를 구비하며,
    상기 유사종목군별 매수 비율은 상기 기거래 고객의 총 거래 횟수에 대한 상기 유기종목군에 속하는 주식 종목들의 거래 횟수의 합의 비율인 것을 특징으로 하는 고객별 예상 선호종목 선정 시스템.
  17. 주식 거래내역이 있는 기거래 고객군과 주식 거래내역이 없는 미거래 고객군으로 분류하는 단계;
    상기 기거래 고객군 중 대상 고객의 주식 종목별 기초선호도를 산출하고, 상기 기거래 고객군에 속하는 고객 간의 고객 유사도를 산출하며, 상기 기초선호도와 상기 고객 유사도로부터 상기 대상 고객의 종목별 예상 선호도를 산출하고, 상기 예상 선호도에 따라 상기 대상 고객의 예상 선호종목을 도출하는 단계;
    상기 예상 선호종목별로 주가 등락방향을 예측하는 단계; 및
    상기 예상 선호종목들 중에서 추천종목을 선정하여 제공하는 단계; 를 구비하며,
    상기 대상 고객은 상기 추천종목을 제공받고자 하는 고객인 종목 추천 방법.
  18. 제17항에 있어서,
    상기 고객 분류 단계는 상기 기거래 고객군에 속하는 고객들이 소정의 기간 동안 주식을 거래한 횟수에 따라 상기 기거래 고객군을 재분류하는 것을 특징으로 하는 종목 추천 방법.
  19. 제17항에 있어서,
    상기 고객 분류 단계는 상기 미거래 고객군에 속하는 고객을 종목검색을 행한 이력이 있는 검색 고객과 종목검색을 한 이력이 없는 미검색 고객으로 분류하는 것을 특징으로 종목 추천 방법.
  20. 제19항에 있어서,
    상기 고객 분류 단계는 상기 미검색 고객군에 속하는 고객을 상기 고객을 프로파일을 기준으로 구분하는 것을 특징으로 하는 종목 추천 방법.
  21. 제20항에 있어서,
    상기 선호종목 도출 단계는 상기 프로파일 기준으로 상기 미거래 고객군에 속하는 고객과 동일한 그룹으로 구분되는 상기 기거래 고객군에 속하는 고객의 예상 선호종목을 상기 미거래 고객군에 속하는 상기 고객의 예상 선호종목으로 제공하는 것을 특징으로 하는 종목 추천 방법.
  22. 제17항에 있어서,
    상기 예상 선호종목을 진단하는 종목 진단 단계를 더 구비하며,
    상기 종목 진단 단계는 상기 예상 선호종목에 대해 차트 분석, 수급분석, 및/또는 가치 분석하여 분석 결과를 점수화하여 상기 고객에게 제공하는 것을 특징으로 하는 종목 추천 방법.
  23. 제17항에 있어서,
    상기 종목 추천 단계는 상기 예상 선호종목의 상기 주가 등락정보 또는/및 상기 예상 선호종목의 진단정보를 기초로 상기 추천종목을 선정하는 것을 특징으로 하는 종목 추천 방법.
  24. 제17항에 있어서,
    상기 종목 추천 단계는 상기 예상 선호종목의 예상 선호도에 따라 복수 개의 추천종목을 제공하고, 상기 추천종목에 주가 등락정보 및/또는 주가 진단정보를 함께 또는 연계하여 제공하는 것을 특징으로 하는 종목 추천 방법.
  25. 제17항에 있어서,
    상기 선호종목 도출 단계는,
    상기 주식 종목을 종목 속성별로 유사종목군으로 분류하는 단계;
    상기 대상 고객의 주식 종목별 거래 횟수에 개별 주식 종목이 속하는 상기 유사종목군별 매수 비율을 곱하여 상기 기초선호도를 산출하는 단계;
    상기 대상 고객의 상기 기초선호도와 상기 기거래 고객군에 속하는 다른 기거래 고객의 기초선호도를 이용하여 상기 대상 고객과 상기 다른 기거래 고객 간의 유사도를 산출하는 단계; 및
    상기 대상 고객과 상기 다른 기거래 고객 간의 유사도에 상기 다른 기거래 고객의 주식 종목의 기초선호도를 곱하여 상기 대상 고객의 개별 주식 종목에 대한 상기 예상 선호도를 산출하는 단계; 를 포함하며,
    상기 유사종목군별 매수 비율은 상기 대상 고객의 총 거래 횟수에 대한 상기 유기종목군에 속하는 주식 종목들의 거래 횟수의 합의 비율인 것을 특징으로 하는 종목 추천 방법.
  26. 제25항에 있어
    상기 종목 속성은 상기 주식 종목의 주가, 거래량, 및 변동성일 수 있으며,
    상기 종목분류단계는 상기 종목 속성별로 소정의 기준에 따라 복수 개의 상기 유사종목군으로 분류하는 것을 특징으로 하는 종목 추천 방법.
  27. 제26항에 있어서,
    상기 기초선호도 산출 단계는 상기 주가, 거래량, 및 변동성으로 분류된 상기 유사종목군에 대해 각각 상기 기초선호도를 산출하고, 상기 주가, 거래량, 및 변동성 각각의 상기 기초선호도를 상기 주식 종목별로 합산하는 것을 특징으로 하는 종목 추천 방법.
  28. 제25항에 있어서,
    상기 주식 종목 중 관리종목이거나 컴플라이언스룰에 위반되는 주식 종목을 제외하고 상기 예상 선호도에 따라 상기 기고객의 예상 선호종목을 선정하는 단계를 더 포함하는 것을 특징으로 하는 종목 추천 방법.
  29. 제17항에 있어서,
    상기 종목등락 예측 단계는 상기 예상 선호종목의 시세정보 및 수급정보를 딥러닝 기반의 인공지능 신경망 모델의 입력 파라미터로 이용하여 소정 기간 후의 상기 예상 선호종목의 주가 등락의 확률을 제공하는 것을 특징으로 하는 종목 추천 방법.
  30. 제29항에 있어서,
    상기 시세정보는 상기 예상 선호종목의 최근 일정 기간 동안의 주가 정보이며, 상기 수급정보는 최근 일정 기간 동안의 외국인 순매수인 것을 특징으로 하는 종목 추천 방법.
  31. 주식 종목을 종목 속성별로 유사종목군으로 분류하는 단계;
    주식 거래내역이 있는 기거래 고객의 주식 종목별 거래 횟수에 개별 주식 종목이 속하는 상기 유사종목군별 매수 비율을 곱하여 상기 기초선호도를 산출하는 단계;
    상기 기거래 고객의 상기 기초선호도와 다른 기거래 고객의 기초선호도를 이용하여 상기 기거래 고객과 상기 다른 기거래 고객 간의 유사도를 산출하는 단계;
    상기 기거래 고객과 상기 다른 기거래 고객 간의 유사도에 상기 다른 기거래 고객의 주식 종목의 기초선호도를 곱하여 상기 기거래 고객의 개별 주식 종목에 대한 상기 예상 선호도를 산출하는 단계; 및
    상기 예상 선호도에 따라 상기 기거래 고객의 예상 선호종목을 선정하는 단계; 를 구비하며,
    상기 유사종목군별 매수 비율은 상기 기거래 고객의 총 거래 횟수에 대한 상기 유기종목군에 속하는 주식 종목들의 거래 횟수의 합의 비율인 것을 특징으로 하는 고객별 예상 선호종목 선정 방법.
KR1020180095736A 2018-08-16 2018-08-16 고객 유사도를 이용한 종목 추천 시스템 및 방법 KR102155304B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180095736A KR102155304B1 (ko) 2018-08-16 2018-08-16 고객 유사도를 이용한 종목 추천 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180095736A KR102155304B1 (ko) 2018-08-16 2018-08-16 고객 유사도를 이용한 종목 추천 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20200020264A true KR20200020264A (ko) 2020-02-26
KR102155304B1 KR102155304B1 (ko) 2020-09-11

Family

ID=69638111

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180095736A KR102155304B1 (ko) 2018-08-16 2018-08-16 고객 유사도를 이용한 종목 추천 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102155304B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220056991A (ko) 2020-10-29 2022-05-09 조덕진 주식투자에 대한 리딩 및 평가 방법과 그 시스템

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240035672A (ko) * 2022-09-08 2024-03-18 주식회사 바숲텐서 사용자 라이프 기반의 주식종목 추천장치

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000058811A (ko) * 2000-02-19 2000-10-05 이광재 증권 정보 제공 장치
KR20120007343A (ko) * 2010-07-14 2012-01-20 (주)팍스넷 맞춤형 정보 제공 방법 및 이를 이용한 광고 방법
KR20160086096A (ko) 2015-01-09 2016-07-19 박현범 개인 성향을 근거로 한 종목 추천 시스템 및 그의 제어 방법
KR20180029509A (ko) * 2016-09-12 2018-03-21 고려대학교 산학협력단 사용자를 위한 항목을 추천하는 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000058811A (ko) * 2000-02-19 2000-10-05 이광재 증권 정보 제공 장치
KR20120007343A (ko) * 2010-07-14 2012-01-20 (주)팍스넷 맞춤형 정보 제공 방법 및 이를 이용한 광고 방법
KR20160086096A (ko) 2015-01-09 2016-07-19 박현범 개인 성향을 근거로 한 종목 추천 시스템 및 그의 제어 방법
KR20180029509A (ko) * 2016-09-12 2018-03-21 고려대학교 산학협력단 사용자를 위한 항목을 추천하는 장치 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220056991A (ko) 2020-10-29 2022-05-09 조덕진 주식투자에 대한 리딩 및 평가 방법과 그 시스템

Also Published As

Publication number Publication date
KR102155304B1 (ko) 2020-09-11

Similar Documents

Publication Publication Date Title
Phillips Pricing and revenue optimization
US10296961B2 (en) Hybrid recommendation system
US20030229552A1 (en) System and method for deal-making decision optimization
EP2704089A2 (en) Hybrid recommendation system
US11694218B2 (en) Computer technology for automated pricing guidance
CN107798607A (zh) 资产配置策略获取方法、装置、计算机设备和存储介质
US20140258175A1 (en) Generating Personalized Investment Recommendations
KR20200048183A (ko) 상품의 신뢰도를 고려한 온라인 상품 추천 방법 및 장치
CN114219169A (zh) 颖幡供应链销售和库存预测算法模型和应用系统
US20200410518A1 (en) Machine learning engine for demand-based pricing
CN113742492A (zh) 保险方案生成方法、装置、电子设备及存储介质
Mahoto et al. An Intelligent Business Model for Product Price Prediction Using Machine Learning Approach.
US20220309562A1 (en) Intelligent listing creation for a for sale object
KR20200020264A (ko) 고객 유사도를 이용한 종목 추천 시스템 및 방법
Kharfan et al. Forecasting Seasonal Footwear Demand Using Machine Learning
US20210118048A1 (en) Determining Credit Risk of an Online Merchant Based on Performance of Goods/Services of the Merchant in an Online Marketplace
Wang et al. Product competitiveness analysis from the perspective of customer perceived helpfulness: a novel method of information fusion research
Kalaivani et al. Multi process prediction model for customer behaviour analysis
CN113283992A (zh) 定制投资组合生成及验证装置及方法
JP6902311B1 (ja) 抽出システム、抽出方法および、抽出プログラム
Pitka et al. Time analysis of online consumer behavior by decision trees, GUHA association rules, and formal concept analysis
CN115983572B (zh) 资金方的排序方法、装置、计算机设备及存储介质
Schröder et al. Response measurement and optimization of direct mailings
Abdullah et al. Innovations in E-Commerce Development and The Potential Disruptive Features
KR102610223B1 (ko) 맞춤형 투자 포트폴리오 생성 방법 및 그 시스템

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant