KR20200063365A - 인공지능을 이용한 주식 작전세력 추종매매 장치 및 방법 - Google Patents

Abstract

본 발명은 인공지능을 이용한 주식 작전세력 추종매매 장치 및 방법에 관한 것이다. 이를 위하여, 특정 종목의 거래 데이터와 특정 종목의 뉴스 데이터를 기반으로 작전세력이 유입되었는지 판정하는 작전세력 유입 판정 단계; 특정 종목이 작전세력 유입 판정 단계에서 작전세력이 유입된 것으로 판정되는 경우, 작전 구간이 매집 구간인지, 급등 구간인지, 매도 구간인지를 분류하는 작전 구간 분류 단계; 작전 구간 분류 단계에서 매집 구간으로 분류된 경우, 거래 데이터를 이용하여 작전세력의 매집가를 결정하는 매집가 결정 단계; 작전 구간 분류 모듈에서 매도 구간으로 분류된 경우, 거래 데이터를 이용하여 작전세력의 매도 시기를 판정하는 매도 시기 판정 단계; 및 매집가 결정 단계에서 결정한 매집가에서 해당 종목을 매수하는 주문 데이터를 생성하고, 매도 시기 판정 단계에서 판정한 작전세력의 매도 시기에 시장가에서 종목을 매도하는 주문 데이터를 생성하는 추종 매매 단계;를 제공할 수 있다.

Description

인공지능을 이용한 주식 작전세력 추종매매 장치 및 방법{Artificial intelligence-based trading force tracking device and method}

본 발명은 인공지능을 이용한 주식 작전세력 추종매매 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.

기본적 분석 중 5년 내지 10년 이상의 장기 투자를 추구하지 않는 이상, 주식 작전세력의 동향을 파악하는 것이 이러한 주가 흐름의 예측에서 중요한 요소라고 볼 수 있다. 하루에 수백번 매매하는 스켈핑과 같은 초단타 매매, 일주일 정도의 duration을 두고 방향성을 예측하여 매매하는 스윙트레이딩, 6개월 정도의 방향성을 예측하여 투자하는 중장기 투자 등에서 작전세력의 동향을 이용할 수 있다면 매우 성공적인 투자가 가능할 것이다.

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

기존에는 작전세력의 동향 예측을 위해 캔들이나 이평선, 거래량 등을 활용하는 조건식을 이용하였으나, 작전세력의 동향 예측은 기존의 조건식 수준의 프로그램 매매로는 매우 어려운 실정이었다. 게다가, 작전세력의 거래방식은 운영 범위에 따라 상당히 달랐고, 시기에 따라 거래 방식이 변화하여 고정된 방법으로는 정교한 작전세력의 동향 예측이 어려운 문제가 있었다.

따라서, 본 발명의 목적은 이러한 문제를 해결하면서도 정교하게 작전세력의 동향을 예측하여 추종매매를 수행하는 인공지능을 이용한 주식 작전세력 추종매매 장치 및 방법을 제공하는 데에 있다.

이하 본 발명의 목적을 달성하기 위한 구체적 수단에 대하여 설명한다.

본 발명의 목적은, 거래 데이터 및 뉴스 데이터를 기초로 작전세력의 유입을 판정하고 상기 작전세력의 매매를 추종하도록 구성되는 프로그램 코드를 저장하는 메모리 모듈; 및 상기 프로그램 코드를 처리하는 처리 모듈;을 포함하고, 상기 프로그램 코드는, 특정 종목의 상기 거래 데이터와 상기 특정 종목의 상기 뉴스 데이터를 기반으로 상기 작전세력이 유입되었는지 판정하는 작전세력 유입 판정 단계; 상기 특정 종목이 상기 작전세력 유입 판정 단계에서 작전세력이 유입된 것으로 판정되는 경우, 작전 구간이 매집 구간인지, 급등 구간인지, 매도 구간인지를 분류하는 작전 구간 분류 단계; 상기 작전 구간 분류 단계에서 상기 매집 구간으로 분류된 경우, 상기 거래 데이터를 이용하여 상기 작전세력의 매집가를 결정하는 매집가 결정 단계; 상기 작전 구간 분류 모듈에서 상기 매도 구간으로 분류된 경우, 상기 거래 데이터를 이용하여 상기 작전세력의 매도 시기를 판정하는 매도 시기 판정 단계; 및 상기 매집가 결정 단계에서 결정한 상기 매집가에서 해당 종목을 매수하는 주문 데이터를 생성하고, 상기 매도 시기 판정 단계에서 판정한 상기 작전세력의 상기 매도 시기에 시장가에서 종목을 매도하는 주문 데이터를 생성하는 추종 매매 단계;를 포함하여 컴퓨터 상에서 수행되도록 구성되고, 상기 작전세력 유입 판정 단계는 과거의 상기 거래 데이터와 과거의 상기 뉴스 데이터를 기초로 Training 되는 인공신경망(ANN, Artificial Neural Network)에 의해 수행되고, 상기 작전 구간 분류 단계는 상기 거래 데이터 및 상기 뉴스 데이터를 매트릭스 데이터로 임베딩하여 상기 작전 구간을 분류하는 ConvNet(Convolutional Neural Network)에 의해 수행되는 것을 특징으로 하는, 인공지능을 이용한 주식 작전세력 추종매매 장치를 제공하여 달성될 수 있다.

본 발명의 다른 목적은, 주식 작전세력 추종매매 장치의 일구성인 작전세력 유입 판정 모듈이, 특정 종목의 상기 거래 데이터와 상기 특정 종목의 상기 뉴스 데이터를 기반으로 상기 작전세력이 유입되었는지 판정하는 작전세력 유입 판정 단계; 상기 주식 작전세력 추종매매 장치의 일구성인 작전 구간 분류 모듈이, 상기 특정 종목이 상기 작전세력 유입 판정 단계에서 작전세력이 유입된 것으로 판정되는 경우, 작전 구간이 매집 구간인지, 급등 구간인지, 매도 구간인지를 분류하는 작전 구간 분류 단계; 상기 주식 작전세력 추종매매 장치의 일구성인 매집가 결정 모듈이, 상기 작전 구간 분류 단계에서 상기 매집 구간으로 분류된 경우, 상기 거래 데이터를 이용하여 상기 작전세력의 매집가를 결정하는 매집가 결정 단계; 주식 작전세력 추종매매 장치의 일구성인 매도 시기 판정 모듈이, 상기 작전 구간 분류 모듈에서 상기 매도 구간으로 분류된 경우, 상기 거래 데이터를 이용하여 상기 작전세력의 매도 시기를 판정하는 매도 시기 판정 단계; 및 상기 주식 작전세력 추종매매 장치의 일구성인 추종 매매 모듈이, 상기 매집가 결정 단계에서 결정한 상기 매집가에서 해당 종목을 매수하는 주문 데이터를 생성하고, 상기 매도 시기 판정 단계에서 판정한 상기 작전세력의 상기 매도 시기에 시장가에서 종목을 매도하는 주문 데이터를 생성하는 추종 매매 단계;를 포함하고, 상기 작전세력 유입 판정 단계는 과거의 상기 거래 데이터와 과거의 상기 뉴스 데이터를 기초로 Training 되는 인공신경망(ANN, Artificial Neural Network)에 의해 수행되고, 상기 작전 구간 분류 단계는 상기 거래 데이터 및 상기 뉴스 데이터를 매트릭스 데이터로 임베딩하여 상기 작전 구간을 분류하는 ConvNet(Convolutional Neural Network)에 의해 수행되는 것을 특징으로 하는, 인공지능을 이용한 주식 작전세력 추종매매 방법을 제공하여 달성될 수 있다.

상기한 바와 같이, 본 발명에 의하면 이하와 같은 효과가 있다.

첫째, 본 발명의 일실시예에 따르면, 작전세력의 거래방식 변화에도 불구하고 정교하게 작전세력의 동향을 예측하여 추종매매를 수행할 수 있게 되는 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 주식 작전세력 추종매매 장치를 도시한 모식도,
도 2는 본 발명의 일실시예에 따른 작전 구간 분류 모듈에 의해 분류되는 작전 구간을 도시한 모식도,
도 3은 본 발명의 일실시예에 따른 작전 구간 분류 모듈(11)에 포함되는 ConvNet의 예시도이다.

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 주식 작전세력 추종매매 장치

도 1은 본 발명의 일실시예에 따른 인공지능을 이용한 주식 작전세력 추종매매 장치를 도시한 모식도이다. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공지능을 이용한 주식 작전세력 추종매매 장치(1)는, 작전세력 유입 판정모듈(10), 작전 구간 분류 모듈(11), 매집가 결정 모듈(12), 매도 시기 판정 모듈(13), 추종 매매 모듈(14)를 포함할 수 있다.

작전세력 유입 판정모듈(10)은 특정 종목의 거래 데이터(100)와 해당 종목의 뉴스 데이터(200)를 기반으로 작전세력이 유입되었는지 판정하는 모듈이다. 작전세력 유입 판정모듈(10)은 과거의 거래 데이터(100)와 과거의 뉴스 데이터(200)를 기초로 Training 되는 인공신경망(ANN, Artificial Neural Network)으로 구성될 수 있고, 현재의 거래 데이터(100)와 현재의 뉴스 데이터(200)를 기반으로 inference 되어 작전세력 유입 여부에 대한 정보인 작전세력 유입 정보를 생성하는 분류모델로 구성될 수 있다.

작전 구간 분류 모듈(11)은 특정 종목이 작전세력 유입 판정모듈(10)에 의해 작전세력이 유입된 것으로 판정되는 경우, 매집 구간인지, 급등 구간인지, 매도 구간인지를 분류하는 모듈이다. 도 2는 본 발명의 일실시예에 따른 작전 구간 분류 모듈에 의해 분류되는 작전 구간을 도시한 모식도이다. 도 2에 도시된 바와 같이, 특정 종목의 거래 데이터 및 뉴스 데이터는 급등 직전에 작전세력이 해당 종목을 특정 매집 가격에서 매집하는 구간인 매집 구간, 본격적으로 가격을 상승시키는 구간인 급등 구간, 매집한 물량을 모두 매도하는 단계인 매도 구간으로 분류될 수 있다.

작전 구간 분류 모듈(11)은 거래 데이터(100) 및 뉴스 데이터(200)를 매트릭스 데이터로 임베딩하여 작전 구간을 분류하는 인공신경망 중 하나인 ConvNet으로 구성될 수 있다. 본 발명의 일실시예에 따른 작전 구간 분류 모듈(11)에 포함되는 ConvNet(Convolutional Neural Network)은 인공 신경망(Neural Network)의 한 종류로 주로 매트릭스를 인식하는데 사용한다. 예를 들어, 2012년 이미지 인식 경연 대회인 ILSVRC 에서 세계 유수의 기관을 제치고 큰 격차로 캐나다의 토론토 대학의 슈퍼비전이 우승하게 되는데, 그때 사용된 방법이 ConvNet에 기반한다. 기존에는 SIFT, HOG방식 등의 Computer vision이 주로 이용되었었다. ConvNet의 구체적인 설명은 아래와 같다.

작전 구간 분류 모듈(11)에 포함되는 ConvNet은 일반적인 인공 신경망과 같이 각 뉴런이 학습 가능한 가중치(weight)와 바이어스(bias)로 구성되어 있다. 각 뉴런은 입력을 받아 내적 연산(dot product)을 한 뒤 선택에 따라 비선형(non-linear) 연산을 한다. 전체 네트워크는 일반 신경망과 마찬가지로 미분 가능한 하나의 스코어 함수(score function)을 갖게 된다. 입력 레이어(input layer)에서 원본 매트릭스(raw image)를 읽고 출력 레이어(output layer)에서 각 클래스에 대한 점수를 구하게 된다. 또한, ConvNet은 마지막 레이어에 SVM/Softmax와 같은 손실 함수(loss function)을 가지며, 일반 신경망을 학습시킬 때 사용하던 각종 기법들을 동일하게 적용할 수 있다.

일반적인 인공 신경망과 달리 작전 구간 분류 모듈(11)에 포함되는 ConvNet 아키텍쳐는 입력 데이터가 매트릭스(또는, 매트릭스)라는 가정 덕분에 매트릭스 데이터가 갖는 특성들을 인코딩할 수 있다. 이러한 아키텍쳐는 포워드 함수(forward function)을 더욱 효과적으로 구현할 수 있고, 매트릭스 데이터를 이용하여 네트워크를 학습시키는데 필요한 모수(parameter)의 수를 크게 줄일 수 있게 해준다.

작전 구간 분류 모듈(11)에 포함되는 ConvNet은 입력받은 벡터를 일련의 히든 레이어(hidden layer)를 통해 변형(transform) 시킨다. 각 히든 레이어는 뉴런들로 이뤄져 있으며, 각 뉴런은 앞쪽 레이어(previous layer)의 모든 뉴런과 연결되어 있다. 이를 "fully connected" 라고 한다. 같은 레이어 내에 있는 뉴런들끼리는 연결이 존재하지 않고 서로 독립적이다. 마지막 Fully-connected 레이어는 출력 레이어라고 불리며, 분류 모델에서는 복수의 클래스 중 어느 클래스에 속하는지에 대한 클래스 점수(class score)를 나타낸다.

일반적인 인공 신경망은 작전 구간 분류 모듈(11)에 포함되는 ConvNet과 달리 매트릭스를 다루기에 적절하지 않다. CIFAR-10 데이터의 경우 각 매트릭스가 32x32x3(가로와 세로가 32, 3개 컬러 채널)로 이뤄져 있어서 첫 번째 히든 레이어 내의 하나의 뉴런의 경우 32x32x3=3072개의 가중치가 필요하지만, 더 큰 매트릭스를 사용할 경우에는 같은 구조를 이용하는 것이 불가능하다. 예를 들어 200x200x3의 크기를 가진 매트릭스는 같은 뉴런에 대해 200x200x3=120,000개의 가중치를 필요로 하기 때문이다. 게다가, 이런 뉴런이 레이어 내에 복수로 존재하므로 모수의 개수가 크게 증가하게 된다. 이와 같이 Fully-connectivity는 심한 낭비이며 많은 수의 모수는 곧 오버피팅(overfitting)으로 귀결된다.

작전 구간 분류 모듈(11)에 포함되는 ConvNet은 입력이 매트릭스로 이뤄져 있다는 특징을 살려 좀 더 합리적인 방향으로 아키텍쳐를 구성할 수 있다. 특히 일반 신경망과 달리, ConvNet의 레이어들은 가로, 세로, 깊이의 3개 차원을 갖게 된다. 여기에서 말하는 깊이란 전체 신경망의 깊이(depth)가 아니라 액티베이션 볼륨(activation volume)에서의 3번째 차원을 이야기 한다. 예를 들어 CIFAR-10 매트릭스는 32x32x3(가로, 세로, 깊이)의 차원을 갖는 입력 액티베이션 볼륨(activation volume)이라고 볼 수 있다. ConvNet 아키텍쳐에서 하나의 레이어에 위치한 뉴런들은 일반 신경망과는 달리 앞 레이어의 전체 뉴런이 아닌 일부에만 연결이 되어 있다. ConvNet 아키텍쳐는 전체 매트릭스를 클래스 점수들로 이뤄진 하나의 벡터로 만들어주기 때문에 마지막 출력 레이어는 1x1x10(10은 CIFAR-10 데이터의 클래스 개수)의 차원을 가지게 된다.

작전 구간 분류 모듈(11)에 포함되는 ConvNet의 각 레이어는 미분 가능한 변환 함수를 통해 하나의 액티베이션 볼륨을 또다른 액티베이션 볼륨으로 변환(transform) 시킨다. ConvNet 아키텍쳐에서는 크게 컨볼루셔널 레이어(convolutional layer), 풀링 레이어(pooling layer), Fully-connected 레이어라는 3개 종류의 레이어가 사용된다. 전체 ConvNet 아키텍쳐는 이 3종류의 레이어들을 쌓아 만들어진다.

도 3은 본 발명의 일실시예에 따른 작전 구간 분류 모듈(11)에 포함되는 ConvNet의 예시도이다. 도 3에 도시된 바와 같이, 간단한 ConvNet을 예시로 들자면, [INPUT-CONV-RELU-POOL-FC]으로 구축할 수 있다. 입력 데이터(100)의 경우, INPUT 입력 매트릭스가 가로 32, 세로 32, 그리고 RGB 채널을 가지는 경우 입력의 크기는 [32x32x3]이다. CONV 레이어(Conv. Filter, 101)는 입력 매트릭스의 일부 영역과 연결되어 있으며, 이 연결된 영역과 자신의 가중치의 내적 연산(dot product)을 계산하게 된다. 결과 볼륨은 [32x32x12]와 같은 크기를 갖게 된다. RELU 레이어는 max(0,x)와 같이 각 요소에 적용되는 액티베이션 함수(activation function)이다. RELU 레이어는 볼륨의 크기를 변화시키지 않는다([32x32x12]). 그 결과 Activation map 1 (102)을 생성한다. POOL 레이어(pooling, 103)는 "가로,세로" 차원에 대해 다운샘플링(downsampling)을 수행해 [16x16x12]와 같이 줄어든 볼륨(Activation map 2, 104)을 출력한다. FC (fully-connected) 레이어(105)는 클래스 점수들을 계산해 [1x1x10]의 크기를 갖는 볼륨(output layer, 106)을 출력한다. "10"은 10개 카테고리에 대한 클래스 점수에 해당한다. FC 레이어는 이전 볼륨의 모든 요소와 연결되어 있다.

이와 같이, 작전 구간 분류 모듈(11)에 포함되는 ConvNet은 픽셀 값으로 이뤄진 원본 매트릭스를 각 레이어를 거치며 클래스 점수로 변환(transform)시킨다. 어떤 레이어는 모수 (parameter)를 갖지만 어떤 레이어는 모수를 갖지 않는다. 특히 CONV/FC 레이어들은 단순히 입력 볼륨만이 아니라 가중치(weight)와 바이어스(bias)도 포함하는 액티베이션(activation) 함수이다. 반면 RELU/POOL 레이어들은 고정된 함수이다. CONV/FC 레이어의 모수 (parameter)들은 각 매트릭스에 대한 클래스 점수가 해당 매트릭스의 레이블과 같아지도록 그라디언트 디센트(gradient descent)로 학습된다.

작전 구간 분류 모듈(11)에 포함되는 ConvNet의 CONV 레이어의 모수(parameter)들은 일련의 학습가능한 필터들로 이뤄져 있다. 각 필터는 가로/세로 차원으로는 작지만 깊이 (depth) 차원으로는 전체 깊이를 아우른다. 포워드 패스(forward pass) 때에는 각 필터를 입력 볼륨의 가로/세로 차원으로 슬라이딩시키며(정확히는 convolve시키며) 2차원의 액티베이션 맵 (activation map)을 생성한다. 필터를 입력 위로 슬라이딩 시킬 때, 필터와 입력 볼륨 사이에서 내적 연산(dot product)이 이뤄진다. 이러한 과정으로 ConvNet은 입력 데이터의 특정 위치의 특정 패턴에 대해 반응하는(activate) 필터를 학습하게 된다. 이런 액티베이션 맵(activation map)을 깊이(depth) 차원으로 쌓은 것이 곧 출력 볼륨이 된다. 그러므로 출력 볼륨의 각 요소들은 입력의 작은 영역만을 취급하고, 같은 액티베이션 맵 내의 뉴런들은 같은 필터를 적용한 결과이므로 같은 모수들을 공유한다.

작전 구간 분류 모듈(11)에 포함되는 ConvNet에 이용될 수 있는 네트워크 구조들의 예시는 다음과 같다.

LeNet. 최초의 성공적인 ConvNet 애플리케이션들은 1990년대에 Yann LeCun이 만들었다. 그 중에서도 zip 코드나 숫자를 읽는 LeNet 아키텍쳐가 가장 유명하다.

AlexNet. 컴퓨터 비전 분야에서 ConvNet을 유명하게 만든 것은 Alex Krizhevsky, Ilya Sutskever, Geoff Hinton이 만든 AlexNet이다. AlexNet은 ImageNet ILSVRC challenge 2012에 출전해 2등을 큰 차이로 제치고 1등을 했다 (top 5 에러율 16%, 2등은 26%). 아키텍쳐는 LeNet과 기본적으로 유사지만, 더 깊고 크다. 또한, 과거에는 하나의 CONV 레이어 이후에 바로 POOL 레이어를 쌓은 것과 달리 여러 개의 CONV 레이어들을 쌓는 방식으로 구성하였다.

ZF Net. ILSVRC 2013년의 승자는 Matthew Zeiler와 Rob Fergus가 만들었다. 저자들의 이름을 따 ZFNet이라고 불린다. AlexNet에서 중간 CONV 레이어 크기를 조정하는 등 하이퍼파라미터들을 수정해 만들었다.

GoogLeNet. ILSVRC 2014의 승자는 Szegedy et al. 이 구글에서 만들었다. 이 모델의 가장 큰 기여는 파라미터의 개수를 엄청나게 줄여주는 Inception module을 제안한 것이다(4M, AlexNet의 경우 60M). 뿐만 아니라, ConvNet 마지막에 FC 레이어 대신 Average 풀링을 사용해 별로 중요하지 않아 보이는 파라미터들을 많이 줄이게 된다.

VGGNet. ILSVRC 2014에서 2등을 한 네트워크는 Karen Simonyan과 Andrew Zisserman이 만든 VGGNet이라고 불리우는 모델이다. 이 모델의 가장 큰 기여는 네트워크의 깊이가 좋은 성능에 있어 매우 중요한 요소라는 것을 보여준 것이다. 이들이 제안한 여러 개 모델 중 가장 좋은 것은 16개의 CONV/FC 레이어로 이뤄지며, 모든 컨볼루션은 3x3, 모든 풀링은 2x2만으로 이뤄져 있다. 비록 GoogLeNet보다 매트릭스 분류 성능은 약간 낮지만, 여러 Transfer Learning 과제에서 더 좋은 성능을 보인다는 것이 나중에 밝혀졌다. 그래서 VGGNet은 최근에 매트릭스 feature 추출을 위해 가장 많이 사용되고 있다. VGGNet의 단점은, 매우 많은 메모리를 사용하며(140M), 많은 연산량을 필요로 한다는 것이다.

ResNet. Kaiming He et al.이 만든 Residual Network가 ILSVRC 2015에서 우승을 차지했다. Skip connection이라는 특이한 구조를 사용하며 batch normalizatoin을 많이 사용했다는 특징이 있다. 이 아키텍쳐는 마지막 레이어에서 FC 레이어를 사용하지 않는다.

매집가 결정 모듈(12)는 작전 구간 분류 모듈(11)에서 매집 구간으로 분류된 경우, 거래 데이터(100)를 이용하여 작전세력의 매집가를 결정하는 모듈이다. 본 발명의 일실시예에 따른 매집가 결정 모듈(12)은 거래 데이터(100)와 시장가 정보를 통해 특정 주가에서 더 하락할 가능성인 하락 가능성 정보를 생성하고, 하락 가능성 정보를 기초로 매집가를 결정하도록 구성될 수 있다.

매도 시기 판정 모듈(13)는 작전 구간 분류 모듈(11)에서 매도 구간으로 분류된 경우, 거래 데이터(100)를 이용하여 작전세력의 매도 시기를 판정하는 모듈이다. 본 발명의 일실시예에 따른 매도 시기 판정 모듈(13)은 거래 데이터(100), 시장가 정보, 호가 정보를 기초로 작전세력의 매도 시기를 판정하도록 구성될 수 있다. 작전세력의 매도가는 예측이 어렵고 매번 조정되기 때문에 추종매매하기 어렵고 결국 매도하지 못해 손실을 보는 경우가 많은데, 매도 시기 판정 모듈(13)에 의하면 작전세력의 매도를 빠르게 검출 및 판정하여 추종할 수 있게 되는 효과가 발생된다.

추종 매매 모듈(14)는 매집가 결정 모듈(12)에서 결정한 매집가에서 해당 종목을 매수하는 주문 데이터를 생성하고, 매도 시기 판정 모듈(13)에서 판정한 작전세력의 매도 시기에 시장가에서 종목을 매도하는 주문 데이터를 생성하는 모듈이다.

본 발명의 일실시예에 따르면 사용자는 작전세력의 매매를 추종하는 추종매매를 정교하게 실현할 수 있게 되는 효과가 발생된다.

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 주식 작전세력 추종매매 장치
10: 작전세력 유입 판정모듈
11: 작전 구간 분류 모듈
12: 매집가 결정 모듈
13: 매도시기 판정 모듈
14: 추종 매매 모듈
100: 거래 데이터
200: 뉴스 데이터
300: 주문 데이터

Claims (2)

1. 거래 데이터 및 뉴스 데이터를 기초로 작전세력의 유입을 판정하고 상기 작전세력의 매매를 추종하도록 구성되는 프로그램 코드를 저장하는 메모리 모듈; 및
   상기 프로그램 코드를 처리하는 처리 모듈;
   을 포함하고,
   상기 프로그램 코드는,
   특정 종목의 상기 거래 데이터와 상기 특정 종목의 상기 뉴스 데이터를 기반으로 상기 작전세력이 유입되었는지 판정하는 작전세력 유입 판정 단계;
   상기 특정 종목이 상기 작전세력 유입 판정 단계에서 작전세력이 유입된 것으로 판정되는 경우, 작전 구간이 매집 구간인지, 급등 구간인지, 매도 구간인지를 분류하는 작전 구간 분류 단계;
   상기 작전 구간 분류 단계에서 상기 매집 구간으로 분류된 경우, 상기 거래 데이터를 이용하여 상기 작전세력의 매집가를 결정하는 매집가 결정 단계;
   상기 작전 구간 분류 모듈에서 상기 매도 구간으로 분류된 경우, 상기 거래 데이터를 이용하여 상기 작전세력의 매도 시기를 판정하는 매도 시기 판정 단계; 및
   상기 매집가 결정 단계에서 결정한 상기 매집가에서 해당 종목을 매수하는 주문 데이터를 생성하고, 상기 매도 시기 판정 단계에서 판정한 상기 작전세력의 상기 매도 시기에 시장가에서 종목을 매도하는 주문 데이터를 생성하는 추종 매매 단계;
   를 포함하여 컴퓨터 상에서 수행되도록 구성되고,
   상기 작전세력 유입 판정 단계는 과거의 상기 거래 데이터와 과거의 상기 뉴스 데이터를 기초로 Training 되는 인공신경망(ANN, Artificial Neural Network)에 의해 수행되고,
   상기 작전 구간 분류 단계는 상기 거래 데이터 및 상기 뉴스 데이터를 매트릭스 데이터로 임베딩하여 상기 작전 구간을 분류하는 ConvNet(Convolutional Neural Network)에 의해 수행되는 것을 특징으로 하는,
   인공지능을 이용한 주식 작전세력 추종매매 장치.
   
2. 주식 작전세력 추종매매 장치의 일구성인 작전세력 유입 판정 모듈이, 특정 종목의 상기 거래 데이터와 상기 특정 종목의 상기 뉴스 데이터를 기반으로 상기 작전세력이 유입되었는지 판정하는 작전세력 유입 판정 단계;
   상기 주식 작전세력 추종매매 장치의 일구성인 작전 구간 분류 모듈이, 상기 특정 종목이 상기 작전세력 유입 판정 단계에서 작전세력이 유입된 것으로 판정되는 경우, 작전 구간이 매집 구간인지, 급등 구간인지, 매도 구간인지를 분류하는 작전 구간 분류 단계;
   상기 주식 작전세력 추종매매 장치의 일구성인 매집가 결정 모듈이, 상기 작전 구간 분류 단계에서 상기 매집 구간으로 분류된 경우, 상기 거래 데이터를 이용하여 상기 작전세력의 매집가를 결정하는 매집가 결정 단계;
   주식 작전세력 추종매매 장치의 일구성인 매도 시기 판정 모듈이, 상기 작전 구간 분류 모듈에서 상기 매도 구간으로 분류된 경우, 상기 거래 데이터를 이용하여 상기 작전세력의 매도 시기를 판정하는 매도 시기 판정 단계; 및
   상기 주식 작전세력 추종매매 장치의 일구성인 추종 매매 모듈이, 상기 매집가 결정 단계에서 결정한 상기 매집가에서 해당 종목을 매수하는 주문 데이터를 생성하고, 상기 매도 시기 판정 단계에서 판정한 상기 작전세력의 상기 매도 시기에 시장가에서 종목을 매도하는 주문 데이터를 생성하는 추종 매매 단계;
   를 포함하고,
   상기 작전세력 유입 판정 단계는 과거의 상기 거래 데이터와 과거의 상기 뉴스 데이터를 기초로 Training 되는 인공신경망(ANN, Artificial Neural Network)에 의해 수행되고,
   상기 작전 구간 분류 단계는 상기 거래 데이터 및 상기 뉴스 데이터를 매트릭스 데이터로 임베딩하여 상기 작전 구간을 분류하는 ConvNet(Convolutional Neural Network)에 의해 수행되는 것을 특징으로 하는,
   인공지능을 이용한 주식 작전세력 추종매매 방법.
   

Images