KR20200061191A

KR20200061191A - 인공지능을 이용한 관심종목 매매여부 판정 장치 및 방법

Info

Publication number: KR20200061191A
Application number: KR1020180146661A
Authority: KR
Inventors: 김성은
Original assignee: 주식회사 제이비소프트
Priority date: 2018-11-23
Filing date: 2018-11-23
Publication date: 2020-06-02

Abstract

본 발명은 인공지능을 이용한 관심종목 매매여부 판정 장치 및 방법에 관한 것이다. 이를 위하여, 특정 관심 종목의 거래 데이터를 수신하여 방향성을 정의할 수 있는 최적의 구간을 계산한 뒤 해당 구간의 방향성을 분류하여 방향성 분류 정보를 생성하는 방향성 분류 단계; 복수개의 제1LSTM이 방향성 분류 정보를 시계열적으로 연속 수신하고, 수신된 방향성 분류 정보를 기초로 시계열 방향성 세트 정보를 생성하는 시계열 방향성 세트 단계; 제2LSTM이 시계열 방향성 세트 정보를 연속적으로 수신하고, 시계열 방향성 세트 정보를 이용하여 방향성 예측 정보를 생성하는 방향성 예측 단계; 및 방향성 예측 정보를 기반으로 매매 알림인 매매 알림 데이터를 생성하는 매매 알림 단계;를 제공할 수 있다.

Description

인공지능을 이용한 관심종목 매매여부 판정 장치 및 방법{Apparatus and method for judging whether or not to sell the particular stock using artificial intelligence}

본 발명은 인공지능을 이용한 관심종목 매매여부 판정 장치 및 방법에 관한 것이다.

투자하는 종목, 매입 시기, 매도 시기를 결정하는 방법은 투자에 있어서 원칙이라고 할 수 있는데, 이러한 투자의 원칙에 대한 방향으로는 크게 차트를 이용하여 주가흐름을 예측하는 기술적 분석과 회사의 비즈니스 모델, 매출액, 성장성, 내부 정보, 테마 등을 이용하여 주가흐름을 예측하는 기본적 분석이 있다.

주식, 선물, 옵션 등에 투자하는 투자자는 항상 투자의 원칙인 투자하는 종목의 선택, 매입 시기의 선택, 매도 시기의 선택에 있어서 매우 어려움을 겪는다. 예를 들어, 특정 종목의 정보나 테마를 이용하는 경우에는 투자 시기를 제대로 잡지 못해 큰 손실을 보는 경우가 발생하고, 기술적 분석을 하더라도 가정적 분석으로 주가 흐름을 반대로 예측하게 되는 경우가 허다하다.

이때, 기술적 분석은 다시 방향성을 기초로 한 매매와 변동성을 기초로 한 매매로 구분될 수 있다. 방향성을 기초로 한 매매는 미래의 주가흐름을 예측하여 추세를 따를지 역행할지에 대한 결정을 하는 것을 핵심으로 하고 있고, 변동성을 기초로 한 매매는 미래의 변동성의 크기를 예측하여 ETF 등을 거래하는 것을 핵심으로 하고 있다. 초단타인 스켈핑이나 단타인 스윙 트레이딩의 경우에는 주로 방향성을 기초로 한 매매를 이용하고 있다.

대한민국 공개특허공보 10-2011-0011205, 주식 거래 상황 그래픽 장치 대한민국 공개특허공보 특2002-002461, 인터넷상에서 증권시장의 매매패턴 정보를 제공하는 증권정보 시스템

이때, 방향성을 기초로 한 매매에서 특정 관심종목에 대해 방향성을 예측할 수 있다면 매우 좋은 수익률을 기대할 수 있다. 하지만, 매번 특성과 패턴이 변화하는 주식시장에서 특정 관심종목의 방향성을 예측하는 것은 기존의 조건식 기반의 알고리즘으로는 매우 어려운 실정이었다.

따라서, 본 발명의 목적은 주식시장의 특성과 패턴이 변화하는 과정에서도 특정 관심종목의 방향성을 예측하여 매매여부를 판정해주는 인공지능을 이용한 관심종목 매매여부 판정 장치 및 방법을 제공하는 데에 있다.

이하 본 발명의 목적을 달성하기 위한 구체적 수단에 대하여 설명한다.

본 발명의 목적은, 거래 데이터를 기초로 특정 관심 종목에 대해 매매 알림을 생성하도록 구성되는 프로그램 코드를 저장하는 메모리 모듈; 및 상기 프로그램 코드를 처리하는 처리 모듈;을 포함하고, 상기 프로그램 코드는, 상기 특정 관심 종목의 상기 거래 데이터를 수신하여 방향성을 정의할 수 있는 최적의 구간을 계산한 뒤 해당 구간의 상기 방향성을 분류하여 방향성 분류 정보를 생성하는 방향성 분류 단계; 복수개의 제1LSTM이 상기 방향성 분류 정보를 시계열적으로 연속 수신하고, 수신된 상기 방향성 분류 정보를 기초로 시계열 방향성 세트 정보를 생성하는 시계열 방향성 세트 단계; 제2LSTM이 상기 시계열 방향성 세트 정보를 연속적으로 수신하고, 상기 시계열 방향성 세트 정보를 이용하여 방향성 예측 정보를 생성하는 방향성 예측 단계; 및 상기 방향성 예측 정보를 기반으로 상기 특정 관심 종목에 대한 매매 알림인 매매 알림 데이터를 생성하는 매매 알림 단계;를 포함하여 컴퓨터 상에서 수행되도록 구성되고, 상기 방향성 분류 단계에서의 상기 방향성의 분류는 Convolution Neural Network에 의해 수행되고, 상기 복수개의 제1LSTM은 시계열로 구성되는 복수개의 LSTM(Long-Short Term Memory)으로 구성되고, 각각의 상기 제1LSTM은 하나의 특정 방향성에 대응되는 시게열 분석 Neural Network으로 구성되며, 상기 매매 알림 단계에서 생성된 상기 매매 알림 데이터를 연결된 사용자 클라이언트에 송신하는 것을 특징으로 하는, 인공지능을 이용한 관심종목 매매여부 판정 장치를 제공하여 달성될 수 있다.

본 발명의 목적은, 인공지능을 이용한 관심종목 매매여부 판정 장치의 일구성인 방향성 분류 모듈이, 특정 관심 종목의 거래 데이터를 수신하여 방향성을 정의할 수 있는 최적의 구간을 계산한 뒤 해당 구간의 상기 방향성을 분류하여 방향성 분류 정보를 생성하는 방향성 분류 단계; 인공지능을 이용한 관심종목 매매여부 판정 장치의 일구성인 시계열 방향성 모듈이, 복수개의 제1LSTM이 상기 방향성 분류 정보를 시계열적으로 연속 수신하고, 수신된 상기 방향성 분류 정보를 기초로 시계열 방향성 세트 정보를 생성하는 시계열 방향성 세트 단계; 인공지능을 이용한 관심종목 매매여부 판정 장치의 일구성인 방향성 예측 모듈이, 제2LSTM이 상기 시계열 방향성 세트 정보를 연속적으로 수신하고, 상기 시계열 방향성 세트 정보를 이용하여 방향성 예측 정보를 생성하는 방향성 예측 단계; 및 인공지능을 이용한 관심종목 매매여부 판정 장치의 일구성인 매매 알림 모듈이, 상기 방향성 예측 정보를 기반으로 상기 특정 관심 종목에 대한 매매 알림인 매매 알림 데이터를 생성하는 매매 알림 단계;를 포함하여 컴퓨터 상에서 수행되도록 구성되고, 상기 방향성 분류 단계에서의 상기 방향성의 분류는 Convolution Neural Network에 의해 수행되고, 상기 복수개의 제1LSTM은 시계열로 구성되는 복수개의 LSTM(Long-Short Term Memory)으로 구성되고, 각각의 상기 제1LSTM은 하나의 특정 방향성에 대응되는 시게열 분석 Neural Network으로 구성되며, 상기 매매 알림 단계에서 생성된 상기 매매 알림 데이터를 연결된 사용자 클라이언트에 송신하는 것을 특징으로 하는, 인공지능을 이용한 관심종목 매매여부 판정 방법을 제공하여 달성될 수 있다.

상기한 바와 같이, 본 발명에 의하면 이하와 같은 효과가 있다.

첫째, 본 발명의 일실시예에 따르면, 주식시장의 특성과 패턴이 변화하는 과정에서도 특정 관심종목의 방향성을 예측하여 매매여부를 판정해주는 효과가 발생된다.

본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니 된다.
도 1은 본 발명의 일실시예에 따른 인공지능을 이용한 관심종목 매매여부 판정 장치(1)와의 관계를 도시한 모식도,
도 2는 본 발명의 일실시예에 따른 인공지능을 이용한 관심종목 매매여부 판정 장치(1)의 구성을 도시한 모식도,
도 3은 본 발명의 일실시예에 따라 convolution neural network이 이용된 방향성 분류 모듈(10)을 도시한 것,
도 4는 본 발명의 일실시예에 따른 방향성 분류 정보의 예시를 도시한 것,
도 5는 본 발명의 일실시예에 따른 인공지능을 이용한 관심종목 매매여부 판정 장치(1)을 LSTM으로 구성한 실시예를 도시한 모식도이다.

이하 첨부된 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명을 쉽게 실시할 수 있는 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예에 대한 동작원리를 상세하게 설명함에 있어서 관련된 공지기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.

또한, 도면 전체에 걸쳐 유사한 기능 및 작용을 하는 부분에 대해서는 동일한 도면 부호를 사용한다. 명세서 전체에서, 특정 부분이 다른 부분과 연결되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고, 간접적으로 연결되어 있는 경우도 포함한다. 또한, 특정 구성요소를 포함한다는 것은 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라, 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

인공지능을 이용한 관심종목 매매여부 판정 장치

도 1은 본 발명의 일실시예에 따른 인공지능을 이용한 관심종목 매매여부 판정 장치(1)와의 관계를 도시한 모식도이다. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공지능을 이용한 관심종목 매매여부 판정 장치(1)는 관심종목 거래 데이터를 수신하여 특정 관심종목에 대해 생성된 매매 알람을 스마트폰이나 태블릿, 노트북, 데스크탑 PC 등을 포함하는 사용자 클라이언트에 송신할 수 있다.

도 2는 본 발명의 일실시예에 따른 인공지능을 이용한 관심종목 매매여부 판정 장치(1)의 구성을 도시한 모식도이다. 도 2에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공지능을 이용한 관심종목 매매여부 판정 장치(1)는 특정 관심 종목의 거래 데이터(100)를 수신하여 특정 관심 종목에 대한 매매 알림 데이터(300)를 생성할 수 있다. 본 발명의 일실시예에 따른 인공지능을 이용한 관심종목 매매여부 판정 장치(1)는 방향성 분류 모듈(10), 시계열 방향성 모듈(11), 방향성 예측 모듈(12), 매매 알림 모듈(13)을 포함할 수 있다.

방향성 분류 모듈(10)은 특정 관심 종목의 거래 데이터(100)를 수신하여 방향성을 정의할 수 있는 최적의 구간을 계산한 뒤 해당 구간의 방향성을 분류하는 모듈이다. 보다 구체적으로는 Convolution neural network이 이용될 수 있다. 도 3은 본 발명의 일실시예에 따라 convolution neural network이 이용된 방향성 분류 모듈(10)을 도시한 것이다. 도 3에 도시된 바와 같이, 방향성 분류 모듈(10)의 분류 모델은 Convolution Neural Network으로 구성될 수 있고, 구체적으로는 특정 매트릭스 사이즈로 구성되는 적어도 하나 이상의 Convolution layer, 적어도 하나 이상의 Pooling layer, 적어도 하나 이상의 Fully connected layer 등으로 구성될 수 있다. 결국, 본 발명의 일실시예에 따른 방향성 분류 모듈(10)은 거래 데이터(100)를 수신하여 매트릭스 형태의 입력 데이터로 이용하고, 거래 데이터(100)를 CNN으로 분류하여 텍스트 정보인 방향성 분류 정보(210)를 생성하여, 제1LSTMs인 시계열 방향성 모듈에 제공하도록 구성될 수 있다. 도 4는 본 발명의 일실시예에 따른 방향성 분류 정보의 예시를 도시한 것이다. 도 4에 도시된 바와 같이, 본 발명의 일실시예에 따른 방향성 분류 정보(210)는 상승, 보합, 하락, 상승 후 보합, 보합 후 상승, 하락 후 보합, 보합 후 하락, 상승 후 하락, 하락 후 상승 등의 카테고리화된 방향성 정보를 의미할 수 있으며, 이러한 방향성 분류 모듈(10)은 이러한 카테고리화 된 방향성 분류 정보와 해당 방향성 분류 정보에 대응되는 거래 데이터로 기학습될 수 있다.

시계열 방향성 모듈(11)은 방향성 분류 정보(210)를 기초로 시계열 방향성 세트를 생성하는 구성이다. 도 5는 본 발명의 일실시예에 따른 인공지능을 이용한 관심종목 매매여부 판정 장치(1)을 LSTM으로 구성한 실시예를 도시한 모식도이다. 도 5에 도시된 바와 같이, 시계열 방향성 모듈(11)은 복수개의 제1LSTM(11)을 의미할 수 있다. 복수개의 제1LSTM(11)는 방향성 분류 정보(210)를 기초로 시계열 방향성 세트 정보를 생성하도록 구성될 수 있다. 본 발명의 일실시예에 따른 복수개의 제1LSTM(11)은 시계열로 구성되는 복수개의 제1LSTM으로 구성되고, 각각의 제1LSTM은 하나의 특정 방향성에 대응되는 시게열 분석 Neural Network으로 구성될 수 있다. 본 발명의 일실시에에 따른 제1LSTM은 CNN인 방향성 분류 모듈(10)에서 특정 방향성로 분류되는 복수개의 방향성 분류 정보(210)를 시계열적으로 연속 수신하여 시계열 방향성 세트(203)를 출력할 수 있다.

복수개의 제1LSTM(11)는 이러한 제1LSTM이 시계열적으로 복수개 구성될 수 있다. 제1LSTMs에서는 특정 방향성에 대응되는 제1LSTM이 시계열적으로 복수개 구성되어 분류되는 방향성가 변화될 때마다 다른 제1LSTM으로 넘어가게 구성될 수 있다. 이러한 복수개의 제1LSTM에 의해 복수개의 특정 방향성 분류 정보를 시계열적으로 포함하는 시계열 방향성 세트 정보(203)가 생성될 수 있는데, 이러한 시계열 방향성 세트 정보(203)는 시계열적으로 복수개가 구비될 수 있고, 각각의 시계열 방향성 세트 정보(203)는 특정 방향성 분류 정보를 단위로 시계열적인 페어와이즈 조합(pairwise)으로 구성될 수 있다. 시계열적인 페어와이즈 조합으로 구성된 복수개의 시계열 방향성 세트 정보(203)는 제2LSTM(12)의 입력 데이터로 입력될 수 있다. 본 발명의 일실시예에 따라 시계열 페어와이즈 조합으로 구성된 복수개의 시계열 방향성 세트 정보(203)를 이용하는 경우, 단순히 특정 시간의 값을 이용하는 것보다 제2LSTM(12)에 대한 입력 데이터의 표준화/정규화가 가능해지는 효과가 발생된다. 예를 들어, 방향성 A와 방향성 B는 시계열적 측면의 데이터 양의 관점에서 상호 동일하지 않은 데이터의 개수를 가지고 있을 확률이 높은데, 이를 그대로 입력하는 경우 정교한 방향성 예측 값이 출력되지 않을 확률이 높다. 즉, 빈도가 드믄 방향성 또는 시간이 짧은 방향성가 전체 패턴 분석에 기여하지 못할 수 있기 때문이다. 하지만, 본 발명의 일실시예에 따라 시계열 페어와이즈 조합으로 구성된 복수개의 시계열 방향성 세트 정보(203)를 이용하는 경우, 드믄 방향성나 시간이 짧은 방향성 정보도 표준화 덕분에 전체 패턴 분석에 기여할 수 있게 되는 효과가 발생된다.

방향성 예측 모듈(12)은 시계열 방향성 세트 정보(203)를 이용하여 방향성 예측 정보(205)를 생성하는 모듈이다. 도 5에 도시된 바와 같이, 방향성 예측 모듈(12)은 제2LSTM(12)을 의미할 수 있다. 제2LSTM(12)는 복수개의 시계열 방향성 세트 정보(203)를 연속적으로 수신하여 방향성 예측 정보(205)를 생성할 수 있다. 이렇게 생성된 방향성 예측 정보(205)는 사용자가 예측하고 싶어하는 특정 매매 이벤트의 Ground truth 값과 Loss Function의 학습을 통해 특정 매매 이벤트를 예측하는데 이용될 수 있다.

매매 알림 모듈(13)은 방향성 예측 정보(205)를 기반으로 특정 관심 종목에 대한 매매 알림인 매매 알림 데이터(300)를 생성하는 모듈이다. 매매 알림 모듈(13)은 생성된 매매 알림 데이터(300)를 연결된 사용자 클라이언트에 송신하도록 구성될 수 있다.

이상에서 설명한 바와 같이, 본 발명이 속하는 기술 분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 상술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함하는 것으로 해석되어야 한다.

본 명세서 내에 기술된 특징들 및 장점들은 모두를 포함하지 않으며, 특히 많은 추가적인 특징들 및 장점들이 도면들, 명세서, 및 청구항들을 고려하여 당업자에게 명백해질 것이다. 더욱이, 본 명세서에 사용된 언어는 주로 읽기 쉽도록 그리고 교시의 목적으로 선택되었고, 본 발명의 주제를 묘사하거나 제한하기 위해 선택되지 않을 수도 있다는 것을 주의해야 한다.

본 발명의 실시예들의 상기한 설명은 예시의 목적으로 제시되었다. 이는 개시된 정확한 형태로 본 발명을 제한하거나, 빠뜨리는 것 없이 만들려고 의도한 것이 아니다. 당업자는 상기한 개시에 비추어 많은 수정 및 변형이 가능하다는 것을 이해할 수 있다.

그러므로 본 발명의 범위는 상세한 설명에 의해 한정되지 않고, 이를 기반으로 하는 출원의 임의의 청구항들에 의해 한정된다. 따라서, 본 발명의 실시예들의 개시는 예시적인 것이며, 이하의 청구항에 기재된 본 발명의 범위를 제한하는 것은 아니다.

1: 인공지능을 이용한 관심종목 매매여부 판정 장치
10: 방향성 분류 모듈
11: 시계열 방향성 모듈, 제1LSTMs
12: 방향성 예측 모듈, 제2LSTM
13: 매매 알림 모듈
100: 거래 데이터
203: 시계열 방향성 세트
205: 방향성 예측 정보
210: 방향성 분류 정보

Claims

거래 데이터를 기초로 특정 관심 종목에 대해 매매 알림을 생성하도록 구성되는 프로그램 코드를 저장하는 메모리 모듈; 및
상기 프로그램 코드를 처리하는 처리 모듈;
을 포함하고,
상기 프로그램 코드는,
상기 특정 관심 종목의 상기 거래 데이터를 수신하여 방향성을 정의할 수 있는 최적의 구간을 계산한 뒤 해당 구간의 상기 방향성을 분류하여 방향성 분류 정보를 생성하는 방향성 분류 단계;
복수개의 제1LSTM이 상기 방향성 분류 정보를 시계열적으로 연속 수신하고, 수신된 상기 방향성 분류 정보를 기초로 시계열 방향성 세트 정보를 생성하는 시계열 방향성 세트 단계;
제2LSTM이 상기 시계열 방향성 세트 정보를 연속적으로 수신하고, 상기 시계열 방향성 세트 정보를 이용하여 방향성 예측 정보를 생성하는 방향성 예측 단계; 및
상기 방향성 예측 정보를 기반으로 상기 특정 관심 종목에 대한 매매 알림인 매매 알림 데이터를 생성하는 매매 알림 단계;
를 포함하여 컴퓨터 상에서 수행되도록 구성되고,
상기 방향성 분류 단계에서의 상기 방향성의 분류는 Convolution Neural Network에 의해 수행되고,
상기 복수개의 제1LSTM은 시계열로 구성되는 복수개의 LSTM(Long-Short Term Memory)으로 구성되고, 각각의 상기 제1LSTM은 하나의 특정 방향성에 대응되는 시게열 분석 Neural Network으로 구성되며,
상기 매매 알림 단계에서 생성된 상기 매매 알림 데이터를 연결된 사용자 클라이언트에 송신하는 것을 특징으로 하는,
인공지능을 이용한 관심종목 매매여부 판정 장치.
인공지능을 이용한 관심종목 매매여부 판정 장치의 일구성인 방향성 분류 모듈이, 특정 관심 종목의 거래 데이터를 수신하여 방향성을 정의할 수 있는 최적의 구간을 계산한 뒤 해당 구간의 상기 방향성을 분류하여 방향성 분류 정보를 생성하는 방향성 분류 단계;
인공지능을 이용한 관심종목 매매여부 판정 장치의 일구성인 시계열 방향성 모듈이, 복수개의 제1LSTM이 상기 방향성 분류 정보를 시계열적으로 연속 수신하고, 수신된 상기 방향성 분류 정보를 기초로 시계열 방향성 세트 정보를 생성하는 시계열 방향성 세트 단계;
인공지능을 이용한 관심종목 매매여부 판정 장치의 일구성인 방향성 예측 모듈이, 제2LSTM이 상기 시계열 방향성 세트 정보를 연속적으로 수신하고, 상기 시계열 방향성 세트 정보를 이용하여 방향성 예측 정보를 생성하는 방향성 예측 단계; 및
인공지능을 이용한 관심종목 매매여부 판정 장치의 일구성인 매매 알림 모듈이, 상기 방향성 예측 정보를 기반으로 상기 특정 관심 종목에 대한 매매 알림인 매매 알림 데이터를 생성하는 매매 알림 단계;
를 포함하여 컴퓨터 상에서 수행되도록 구성되고,
상기 방향성 분류 단계에서의 상기 방향성의 분류는 Convolution Neural Network에 의해 수행되고,
상기 복수개의 제1LSTM은 시계열로 구성되는 복수개의 LSTM(Long-Short Term Memory)으로 구성되고, 각각의 상기 제1LSTM은 하나의 특정 방향성에 대응되는 시게열 분석 Neural Network으로 구성되며,
상기 매매 알림 단계에서 생성된 상기 매매 알림 데이터를 연결된 사용자 클라이언트에 송신하는 것을 특징으로 하는,
인공지능을 이용한 관심종목 매매여부 판정 방법.