KR20200130767A - Method and device for evaluating whether cryptocurrency is listed on cryptocurrency market using artificial neural network - Google Patents

Method and device for evaluating whether cryptocurrency is listed on cryptocurrency market using artificial neural network Download PDF

Info

Publication number
KR20200130767A
KR20200130767A KR1020190050168A KR20190050168A KR20200130767A KR 20200130767 A KR20200130767 A KR 20200130767A KR 1020190050168 A KR1020190050168 A KR 1020190050168A KR 20190050168 A KR20190050168 A KR 20190050168A KR 20200130767 A KR20200130767 A KR 20200130767A
Authority
KR
South Korea
Prior art keywords
cryptocurrency
information
ico
listing
exchange
Prior art date
Application number
KR1020190050168A
Other languages
Korean (ko)
Inventor
김명락
Original Assignee
초록소프트 주식회사
아이씨오 플랫폼 피티이. 엘티디.
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 초록소프트 주식회사, 아이씨오 플랫폼 피티이. 엘티디. filed Critical 초록소프트 주식회사
Priority to KR1020190050168A priority Critical patent/KR20200130767A/en
Publication of KR20200130767A publication Critical patent/KR20200130767A/en

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q40/00Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06Asset management; Financial planning or analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0637Strategic 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q40/00Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange

Abstract

The present invention relates to a method, performed by a server, for evaluating whether blockchain cryptocurrency is listed on the cryptocurrency exchange using an artificial neural network, which comprises the steps of: collecting metadata of initial coin offering (ICO) cryptocurrency; performing deep-learning on the collected metadata of the ICO cryptocurrency using a training dataset; and outputting information on ICO success based on information on the deep-learning result and external evaluation information. Accordingly, information on whether cryptocurrency is listed on the cryptocurrency exchange can be collected not only from the corresponding ICO project team, but also by crawling online information.

Description

인공신경망을 이용한 암호화폐 거래소 상장여부 평가방법{METHOD AND DEVICE FOR EVALUATING WHETHER CRYPTOCURRENCY IS LISTED ON CRYPTOCURRENCY MARKET USING ARTIFICIAL NEURAL NETWORK}Method of evaluating listing on cryptocurrency exchanges using artificial neural networks{METHOD AND DEVICE FOR EVALUATING WHETHER CRYPTOCURRENCY IS LISTED ON CRYPTOCURRENCY MARKET USING ARTIFICIAL NEURAL NETWORK}

본 발명은 인공신경망을 이용한 ICO 성공 여부 평가 방법 및 장치에 관한 것으로서, 보다 상세하게는, 기존 공개된 ICO 정보에 기초하여 신규 암호화폐 거래소 상장여부를 분석하는 방법에 관한 것이다.The present invention relates to a method and apparatus for evaluating the success of an ICO using an artificial neural network, and more particularly, to a method for analyzing whether a new cryptocurrency exchange is listed based on previously disclosed ICO information.

블록체인(Block-Chain)은 다양한 기술 분야에 적용될 수 있지만, 암호화폐를 공개하는 ICO(Initial Coin Offering)에 의해 Fundraising이 용이해지면서 암호화폐(혹은, 가상 화폐)를 구현하기 위한 기술로서 발전하고 있다. 예를 들어, 비트코인도 블록체인 기술을 이용함으로써 일반 통화와는 다른 중앙은행과 같은 제3자가 가치를 담보하지 않아도 통화와 같은 가치를 가지는 것을 달성해가고 있다. 블록체인 발명 이전에는 화폐를 대체할 전자 화폐를 만들기 위해서 그 가치를 보장하거나 화폐의 거래 기록을 관리하는 과정이 필요했다. 하지만 블록체인을 이용하면서 상기의 과정없이도 실제 화폐로서의 기능을 수행할 수 있게 되었다.Block-chain can be applied to various technical fields, but it has developed as a technology for implementing cryptocurrency (or virtual currency) as fundraising is facilitated by ICO (Initial Coin Offering) that discloses cryptocurrency. have. For example, by using blockchain technology, Bitcoin is achieving the same value as a currency even if a third party such as a central bank, which is different from ordinary currencies, does not secure the value. Prior to the invention of the blockchain, in order to create an electronic money that would replace money, it was necessary to ensure its value or to manage the transaction records of money. However, by using the blockchain, it became possible to perform the function as a real currency without the above process.

이러한 암호화폐의 혁신성에 의해서 수많은 암호화폐가 ICO 하고 있으며, 이 중에서 실제로 화폐로서의 가치를 가지며 거래소에서 거래 활성화가 이루어지는 화폐는 극히 일부 항목에 불과하게 되었다.Numerous cryptocurrencies are performing ICOs by this innovativeness of cryptocurrency, and among them, the currency that has the value as a currency and activates trading on the exchange has become only a few items.

현재 시중에 나와있는 암호화폐의 경우 약 80%가 가짜이며, 12%는 기술적으로 성능이 좋지 못한 것으로 알려져 있다. 또한 오직 8% 정도만이 거래소에 상장이 이루어지고, 상장이 이루어진 암호화폐 중에서도 2-3%만이 제 기능을 하며 활발히 거래되고 있는 상황이다.It is known that about 80% of cryptocurrencies on the market are fake, and 12% are technically poor. Also, only about 8% are listed on the exchange, and only 2-3% of the listed cryptocurrencies are functioning and actively trading.

대부분의 ICO는 금융사기에 가까울 정도로 ICO 이후에 해당 화폐의 거래량이 예상치를 밑돌면서 그 가치가 0에 수렴할 정도로 하락이 이루어지고 있는 실정이다.Most of the ICOs are close to financial fraud. After the ICO, the transaction volume of the corresponding currency is below the expected value, and its value is falling to the extent that it converges to zero.

ICO 플랫폼이란 크라우드 펀딩의 방식 등으로 암호화폐에 대한 투자 평가를 딥러닝을 통해서 수행할 수 있는 플랫폼이며, 투자자들이 암호화폐에 투자하는 것을 도와주는 역할을 수행할 수 있다. The ICO platform is a platform that can perform investment evaluation in cryptocurrency through deep learning through crowdfunding, and can play a role of helping investors invest in cryptocurrency.

다만, 기존에는 해당 전문가들이 주관적으로 암호화폐를 수치적으로 평가한 후 암호화폐에 대한 투자 여부를 결정하는 경우가 대부분이었다.However, in the past, in most cases, experts subjectively evaluated cryptocurrency numerically and then decided whether to invest in cryptocurrency.

따라서, 암호화폐에 대한 투자를 고려하는 투자자 입장에서도 백서 등 한정된 ICO 공개 자료만을 가지고 ICO가 성공할지에 대한 의문을 가지게 되었으며, 투자를 유치하려는 프로젝트 팀의 역량이나, 해당 암호화폐에 적용되는 기술에 대한 정보를 쉽게 파악할 수 없는 문제가 발생하고 있다.Therefore, investors considering investment in cryptocurrency have questioned whether the ICO will be successful with only limited ICO public data such as white papers, and the ability of the project team to attract investment or the technology applied to the cryptocurrency There is a problem that it is not possible to easily grasp information about it.

따라서, ICO를 진행하는 프로젝트에 대하여 전체적으로 객관적으로 평가할 수 있는 방법에 대한 필요성이 증가하고 있다. Therefore, there is an increasing need for a method that can objectively evaluate the project undertaking ICO as a whole.

다만 평가라는 측면에서 평가자의 주관적인 의견이 포함될 경우, 평가의 객관성이 낮아지므로, 공정한 평가를 위해서 객관적 항목을 중점적으로 수치화된 평가 결과를 출력할 필요가 있다.However, in terms of evaluation, if the subjective opinion of the evaluator is included, the objectivity of the evaluation is lowered. Therefore, for fair evaluation, it is necessary to output numerical evaluation results focusing on objective items.

본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 본 발명에서는 암호화폐 거래소 상장여부 정보를 해당 ICO 프로젝트 팀으로부터 뿐만 아니라 온라인 상의 정보 등을 크롤링하여 수집할 수 있다.The present invention is to solve the problems of the prior art described above. In the present invention, information on whether to be listed on a cryptocurrency exchange can be collected not only from the corresponding ICO project team, but also online information by crawling.

또한, 본 발명은 수집된 ICO 정보 및 전문가 등의 외부 평가 정보를 딥러닝하여 객관화된 ICO 성공 여부 예측 정보를 제공할 수 있다.In addition, the present invention may provide objectified ICO success prediction information by deep learning the collected ICO information and external evaluation information such as experts.

본 발명의 일 실시예는 서버에 의해 수행되는, 서버에 의해 수행되는, 인공신경망을 이용한 블록체인 암호화폐 거래소 상장여부 평가 방법에 있어서, ICO 암호화폐의 메타데이터를 수집하는 단계; 수집된 ICO 암호화폐의 메타데이터를 트레이닝 데이터세트를 이용하여 딥러닝하는 단계; 및 상기 딥러닝된 결과 정보 및 외부 평가 정보에 기초하여 ICO 성공에 관한 정보를 출력하는 단계를 포함한다.An embodiment of the present invention is performed by a server, performed by a server, in a method for evaluating the listing status of a blockchain cryptocurrency exchange using an artificial neural network, comprising: collecting metadata of ICO cryptocurrency; Deep learning the collected metadata of the ICO cryptocurrency using the training dataset; And outputting information on ICO success based on the deep learning result information and external evaluation information.

본 발명의 다른 일 실시예는 블록체인 암호화폐 거래소 상장여부 평가 서버에 있어서, ICO 암호화폐의 메타데이터를 수집하는 ICO 데이터 수신부; 수집된 ICO 암호화폐의 메타데이터를 트레이닝 데이터세트를 이용하여 딥러닝하는 학습부; 및 상기 딥러닝된 결과 및 외부 평가 정보에 기초하여 ICO 성공에 관한 정보를 출력하는 ICO 성공 정보 출력부를 포함한다.Another embodiment of the present invention is a block chain cryptocurrency exchange listing evaluation server, ICO data receiving unit for collecting metadata of the ICO cryptocurrency; A learning unit for deep learning the collected metadata of the ICO cryptocurrency using the training dataset; And an ICO success information output unit that outputs information on ICO success based on the deep learning result and external evaluation information.

본 발명은 암호화폐 거래소 상장여부를 예측하는 방법에 관한 것으로, ICO 이전에 신규 암호화폐의 거래소 상장 확률을 객관적인 수치로 출력할 수 있다.The present invention relates to a method of predicting whether to be listed on a cryptocurrency exchange, and before the ICO, the probability of listing on an exchange of a new cryptocurrency can be output as an objective number.

도 1은 본 발명의 일 실시예에 따르는 암호화폐 거래소 상장여부를 평가하는 방법을 나타내기 위한 순서도이다.
도 2 는 본 발명의 일 실시예에 따르는 암호화폐 거래소 상장여부 평가 서버의 구조를 개념적으로 나타낸 블록도이다.
도 3은 본 발명의 일 실시예에 따르는 기계학습을 설명하기 위해서 개념적으로 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따르는 전문가 평가를 수집하는 과정을 설명하는 도면이다.
도 5는 본 발명의 일 실시예에 따르는 ICO 성공 여부 예측 정보의 일 예를 나타낸 도면이다.
1 is a flowchart illustrating a method of evaluating whether to list a cryptocurrency exchange according to an embodiment of the present invention.
2 is a block diagram conceptually showing the structure of a server for evaluating whether a cryptocurrency exchange is listed according to an embodiment of the present invention.
3 is a conceptual diagram illustrating machine learning according to an embodiment of the present invention.
4 is a diagram for explaining a process of collecting expert evaluation according to an embodiment of the present invention.
5 is a diagram illustrating an example of information on predicting success or failure of an ICO according to an embodiment of the present invention.

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.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those of ordinary skill in the art can easily implement the present invention. However, the present invention may be implemented in various different forms and is not limited to the embodiments described herein. In the drawings, parts irrelevant to the description are omitted in order to clearly describe the present invention, and similar reference numerals are assigned to similar parts throughout the specification.

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 의미한다.Throughout the specification, when a part is said to be "connected" to another part, this includes not only "directly connected" but also "electrically connected" with another element interposed therebetween. . In addition, when a part "includes" a certain component, it means that other components may be further included rather than excluding other components unless specifically stated to the contrary.

본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다. 한편, '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, '~부'는 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.In the present specification, the term "unit" includes a unit realized by hardware, a unit realized by software, and a unit realized using both. Further, one unit may be realized using two or more hardware, or two or more units may be realized using one hardware. Meanwhile,'~ unit' is not meant to be limited to software or hardware, and'~ unit' may be configured to be in an addressable storage medium or configured to reproduce one or more processors. Thus, as an example,'~ unit' refers to components such as software components, object-oriented software components, class components and task components, processes, functions, properties, and procedures. , Subroutines, segments of program code, drivers, firmware, microcode, circuits, data, databases, data structures, tables, arrays and variables. The components and functions provided in the'~ units' may be combined into a smaller number of elements and'~ units', or may be further divided into additional elements and'~ units'. In addition, components and'~ units' may be implemented to play one or more CPUs in a device or a security multimedia card.

이하에서 언급되는 "사용자 단말"은 네트워크를 통해 서버나 타 단말에 접속할 수 있는 컴퓨터나 휴대용 단말기로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop) 등을 포함하고, 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet), LTE(Long Term Evolution) 통신 기반 단말, 스마트폰, 태블릿 PC 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다. 또한, "네트워크"는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN) 또는 부가가치 통신망(Value Added Network; VAN) 등과 같은 유선 네트워크나 이동 통신망(mobile radio communication network) 또는 위성 통신망 등과 같은 모든 종류의 무선 네트워크로 구현될 수 있다. The "user terminal" mentioned below may be implemented as a computer or portable terminal that can access a server or other terminal through a network. Here, the computer includes, for example, a notebook equipped with a web browser, a desktop, a laptop, and the like, and the portable terminal is, for example, a wireless communication device that ensures portability and mobility. , IMT (International Mobile Telecommunication)-2000, CDMA (Code Division Multiple Access)-2000, W-CDMA (W-Code Division Multiple Access), Wibro (Wireless Broadband Internet), LTE (Long Term Evolution) communication-based terminal, smart It may include all kinds of handheld-based wireless communication devices such as phones and tablet PCs. In addition, the "network" refers to a wired network such as a local area network (LAN), a wide area network (WAN), or a value added network (VAN), or a mobile radio communication network or satellite It can be implemented in any type of wireless network such as a communication network.

도 1은 본 발명의 일 실시예에 따르는 ICO의 성공여부를 평가하는 방법을 나타내기 위한 순서도이다.여기서 ICO 성공여부란, 암호화폐가 거래소에서 상장할지 여부 또는 거래소에서 상장된 후 암호화폐 가치가 상승할지 혹은 하락할지를 모두 포함하는 의미일 수 있다. 1 is a flow chart showing a method of evaluating the success of an ICO according to an embodiment of the present invention. Here, the success or failure of an ICO means whether a cryptocurrency will be listed on an exchange or the value of a cryptocurrency after being listed on an exchange. It can mean both going up or going down.

도1에 도시된 바와 같이, ICO의 성공여부를 평가하기 위해서 서버는 암호화폐의 메타데이터를 수집한다(S110). As shown in Fig. 1, in order to evaluate the success of the ICO, the server collects metadata of the cryptocurrency (S110).

서버는 다양한 경로에서 메타데이터를 수집할 수 있다. 각 암호화폐(2018년 9월 기준 약 1600개 암호화폐)의 정보, 발행 백서, 프로젝트 팀원, 팀원들의 SNS 정보, 사회관계 정보, 코인 유통기간, 코인의 시가총액 등의 다량의 데이터를 수집할 수 있다.The server can collect metadata from various paths. It is possible to collect a large amount of data such as information of each cryptocurrency (approximately 1600 cryptocurrencies as of September 2018), white papers issued, SNS information of project team members and team members, social relations information, coin circulation period, coin market cap, etc. have.

서버가 메타데이터를 수집하는 방식은 다양할 수 있다. 서버가 인터넷 크롤링을 통하여 자동으로 수집할 수 있으며, 경우에 따라서는 사용자가 직접 문서나 URL을 첨부하는 방식으로도 수집하는 것이 가능하다.The way the server collects metadata can vary. The server can collect it automatically through Internet crawling, and in some cases, it is possible to collect it by directly attaching a document or URL.

서버는 수집된 암호화폐의 메타데이터를 트레이닝 데이터세트(Training Data Set)를 이용하여 딥러닝을 수행할 수 있다(S120).The server may perform deep learning on the collected cryptocurrency metadata by using a training data set (S120).

예를 들어, 수집된 데이터들을 입력값(Input)으로 하고, 출력값(Output)을 팀(team), 기술 정보(tech), 상품성(product) 및 실현가능성(feasibility)에 대한 전문가의 정량적 평가 값들을 설정한 후 트레이닝 데이터세트를 삽입하여 딥러닝을 수행할 수 있다. For example, the collected data is used as an input, and the output is used as a team, technical information, product, and the quantitative evaluation values of experts for feasibility. After setting, deep learning can be performed by inserting a training dataset.

또한 다른 예로서, 입력값(Input)으로 암호화폐에 대한 전문가의 정량적 평가 정보를 추가하여 출력값(Output)을 얻는 것도 가능하다.In addition, as another example, it is possible to obtain an output value by adding quantitative evaluation information of an expert on cryptocurrency as an input value.

이때의 딥러닝(deep learning) 방식은 컴퓨터의 신경망을 구성하여 데이터 세트를 구성하고 그 에 대한 학습을 진행하는 방식이다. 즉 수집된 ICO 암호화폐에 대한 메타데이터 정보들 전체 또는 일부를 트레이닝 데이터 세트로 하여 학습 알고리즘을 구성하고 신규 ICO 암호화폐에 대하여 적용하는 방식일 수 있다.In this case, the deep learning method is a method of constructing a neural network of a computer, constructing a data set, and learning about it. That is, it may be a method of constructing a learning algorithm using all or part of the collected metadata information on the ICO cryptocurrency as a training data set and applying it to a new ICO cryptocurrency.

서버는 딥러닝 결과 얻은 정보 및 외부 평가 정보에 기초하여 ICO 성공에 관한 정보를 출력할 수 있다(S130). The server may output information on the success of the ICO based on information obtained as a result of the deep learning and external evaluation information (S130).

서버는 딥러닝을 통해서 신규 암호화폐에 대한 평가 및 암호화폐 전문가들로부터 수집된 외부 평가 정보에 기초하여 ICO 가 성공할 수 있을지에 대한 수치적 결과를 출력할 수 있다.The server can evaluate the new cryptocurrency through deep learning and output a numerical result on whether the ICO can be successful based on external evaluation information collected from cryptocurrency experts.

도 2 는 본 발명의 일 실시예에 따르는 암호화폐 거래소 상장여부 평가 서버의 구조를 개념적으로 나타낸 블록도이다.2 is a block diagram conceptually showing the structure of a server for evaluating whether a cryptocurrency exchange is listed according to an embodiment of the present invention.

도 2에 도시된 바와 같이, 암호화폐 거래소 상장여부 평가 서버(200, 이하, '서버')는 ICO 데이터 수집부(210), 학습부(220) 및 ICO 성공 정보 출력부(230)를 포함할 수 있다.As shown in Figure 2, the cryptocurrency exchange listing evaluation server (200 (hereinafter,'server')) includes an ICO data collection unit 210, a learning unit 220, and an ICO success information output unit 230. I can.

ICO 데이터 수집부(210)는 다양한 경로에서 메타데이터를 수집할 수 있다. 각 암호화폐(2018년 9월 기준 약 1600개 암호화폐)의 정보, 백서, 프로젝트 팀원, 팀원들의 SNS 정보, 사회관계 정보, 코인 유통기간, 코인의 시가총액 등의 다량의 데이터를 수집할 수 있다.The ICO data collection unit 210 may collect metadata from various paths. It is possible to collect a large amount of data such as information of each cryptocurrency (approximately 1600 cryptocurrencies as of September 2018), white papers, SNS information of project team members, team members, social relations information, coin circulation period, coin market cap, etc. .

ICO 데이터 수집부(210)는 ICO정보를 공개하는 사이트를 통하여 암호화폐의 기본정보(예를 들어, 해당 암호화폐의 이름, 팀원 정보, 해당 암호화폐에 대한 ICO 시작일, 종료일, ICO가 실행되는 플랫폼, ICO로드맵, 토큰유형, ICO 상태, 제한된 국가 목록 등), 해당 암호화폐에 대한 SNS 정보, 해당 암호화폐에 대한 백서 정보를 수집할 수 있다. 또한, ICO 데이터 수집부(210)는 암호화폐 거래량 사이트를 통하여 상장된 암호화폐의 거래량과 거래금액, 거래 추이 등과 같은 거래정보를 수집할 수 있다. 또한, ICO 데이터 수집부(210)는 각 암호화폐에 대한 SNS계정으로부터 정형데이터(팔로워수, 코멘트 수 등)와 비정형데이터(게시글, 이미지 등)를 수집할 수 있다. 이러한 데이터 수집은 주기적으로 수행될 수 있다. The ICO data collection unit 210 provides basic information of cryptocurrency through a site that discloses ICO information (for example, the name of the cryptocurrency, team member information, the ICO start date and end date for the cryptocurrency, the platform on which the ICO is executed) , ICO roadmap, token type, ICO status, restricted country list, etc.), SNS information for the corresponding cryptocurrency, and white paper information for the corresponding cryptocurrency can be collected. In addition, the ICO data collection unit 210 may collect transaction information such as transaction volume, transaction amount, and transaction trend of cryptocurrency listed through the cryptocurrency transaction volume site. In addition, the ICO data collection unit 210 may collect structured data (the number of followers, the number of comments, etc.) and unstructured data (posts, images, etc.) from the SNS account for each cryptocurrency. This data collection can be performed periodically.

ICO 데이터 수집부(210)가 메타데이터를 수집하는 방식은 다양할 수 있다. 인터넷 크롤링을 통하여 자동으로 수집할 수 있으며, 경우에 따라서는 사용자가 직접 문서나 URL을 첨부하는 방식으로도 수집하는 것이 가능하다.The ICO data collection unit 210 may collect metadata in various ways. It can be automatically collected through Internet crawling, and in some cases, it is possible to collect it by directly attaching a document or URL.

ICO 데이터 수집부(210)는 암호화폐의 기본정보와 해당 암호화폐의 SNS 정형 데이터를 매칭 및 ICO 라벨링 작업을 수행한 후 데이터베이스 내의 테이블에 삽입한다. 또한, ICO 데이터 수집부(210)는 SNS 비정형데이터를 수집한 후 데이터베이스 내의 테이블에 삽입하여 ICO라벨링된 테이블의 정보와 매칭작업을 수행하고, 해당 암호화폐의 ICO 백서를 다운로드 후 텍스트만 추출한 후 텍스트들을 별도의 테이블 내에 삽입한다. The ICO data collection unit 210 matches basic information of the cryptocurrency and the structured SNS data of the cryptocurrency and inserts it into a table in the database after performing an ICO labeling operation. In addition, the ICO data collection unit 210 collects the SNS unstructured data, inserts it into a table in the database, performs matching with the information of the ICO-labeled table, downloads the ICO white paper of the corresponding cryptocurrency, and extracts only the text. Into a separate table.

학습부(220)는 수집된 메타데이터들을 전처리할 수 있다. 학습부(220)는 수집된 메타데이터들 중 암호화폐 이름, 국가, SNS계정의 정형데이터(예를 들어, 좋아요 수, 팔로워수, 코멘트 수 등)에 대한 정보를 불변 변수로 지정하고, 각 암호화폐의 ICO기간, 암호화폐 프로젝트 키워드, PRE ICO가격, ICO가격, 팀인원 리스트, 소프트캡, 하드캡, 최소 투자금액, 거래가능 코인, 판매하는 토큰 수 등에 관한 정보를 가변 변수로 지정할 수 있다. The learning unit 220 may pre-process the collected metadata. The learning unit 220 designates information on the cryptocurrency name, country, and structured data (for example, the number of likes, the number of followers, the number of comments, etc.) of the collected metadata as an immutable variable, and each password Information on the currency's ICO period, cryptocurrency project keywords, PRE ICO price, ICO price, team member list, soft cap, hard cap, minimum investment amount, tradable coins, and number of tokens to be sold can be specified as variable variables.

학습부(220)는 각 변수들을 각각 수치로 정의를 내려 변수들의 값을 표현한다. 이후, 정규화를 통해 각 변수들을 0~1의 값으로 정의할 수 있다. The learning unit 220 defines each variable as a numerical value and expresses the values of the variables. Thereafter, each variable can be defined as a value of 0 to 1 through normalization.

학습부(220)는 수집된 ICO 암호화폐의 메타데이터에 대한 학습을 수행할 수 있다. The learning unit 220 may learn metadata of the collected ICO cryptocurrency.

학습부(220)는 통계모델을 이용하여 학습을 수행할 수도 있다. 예를 들어, logistic regression 기법을 이용하여 학습을 수행할 수 있다. The learning unit 220 may perform learning using a statistical model. For example, learning can be performed using logistic regression techniques.

학습부(220)는 암호화폐의 메타데이터를 트레이닝 데이터세트를 이용하여 딥러닝 수행할 수도 있다.The learning unit 220 may perform deep learning on the metadata of cryptocurrency using a training dataset.

학습부(220)는 트레이닝 데이터세트를 설정하여, 인공 신경망을 구성할 수 있으며, 인공 신경망을 이용하여 딥러닝을 수행할 수 있다.The learning unit 220 may configure an artificial neural network by setting a training data set, and may perform deep learning using the artificial neural network.

학습부(220)는 두가지 버전으로 딥러닝을 수행할 수 있다. The learning unit 220 may perform deep learning in two versions.

학습부(220)는 상술한 변수들을 모두 다 활용하여 딥러닝을 수행할 수 있다. 이 경우, 의미없는 변수는 학습이 진행됨에 따라 가중치가 0이되어 모델에 영향을 끼치지 않게 된다. The learning unit 220 may perform deep learning using all of the above-described variables. In this case, the weight of the meaningless variable becomes 0 as learning progresses, so that it does not affect the model.

학습부(220)는 4개의 변수선택방법을 이용하여, 변수들의 우선순위를 매긴 후 평균을 내어 가장 높은 순으로 몇가지의 변수를 선택하고, 선택된 변수만을 기반으로 딥러닝을 수행할 수도 있다. The learning unit 220 may use four variable selection methods to prioritize variables and then average them to select several variables in the highest order, and perform deep learning based only on the selected variables.

학습부에서 인공 신경망을 구성하여 딥러닝을 수행하는 방식을 보다 구체적으로 설명하기 위해서 도 3을 참고하기로 한다.In order to describe in more detail a method of performing deep learning by configuring an artificial neural network in the learning unit, reference will be made to FIG. 3.

도 3에 도시된 바와 같이, 입력값(Input Layer) 및 출력값(Output Layer) 간에는 다양한 노드(node)들이 존재하며, 이러한 노드들로 구성된 히든 레이어(Hidden Layer)가 존재할 수 있다. 각 입력값과 출력값에는 상술한 변수가 적용될 수 있다. As shown in FIG. 3, various nodes exist between an input layer and an output layer, and a hidden layer composed of these nodes may exist. The above-described variables may be applied to each input value and output value.

도 3에 도시된 바와 같이, 복수의 입력 노드(I1 내지 I5), 중간 노드(H1 내지 H3) 및 출력노드 (O1)를 포함한 알고리즘을 예로 들어 설명하기로 한다. 이 때, 각각의 노드는 입력값에 가중치를 부여하는 연산과정을 수행할 수 있다. 입력노드(I1 내지 I5)에는 기존 ICO 암호화폐에 대한 정보를 포함하는 데이터 세트들이 입력될 수 있다. 즉, 암호화폐의 기본 정보(I1), 백서(I2), 프로젝트 팀원 정보(I3), 팀원들의 SNS 정보(I4) 및 코인의 시가 총액(I5) 등 다양한 입력값을 가질 수 있다. 상기의 입력 노드의 예시는 설명의 편의를 위하여 예를 든 것이며, 기존 ICO를 수행한 암호화폐에 대한 정보에 관한 것이라면 충분하다.As shown in FIG. 3, an algorithm including a plurality of input nodes I1 to I5, intermediate nodes H1 to H3, and output nodes O1 will be described as an example. At this time, each node may perform an operation process of assigning a weight to an input value. Data sets including information on existing ICO cryptocurrencies may be input to the input nodes I1 to I5. In other words, it can have various input values, such as basic information of cryptocurrency (I1), white paper (I2), project team member information (I3), SNS information of team members (I4), and market capitalization of coins (I5). The example of the input node is given for convenience of explanation, and it is sufficient if it relates to information on the cryptocurrency that has performed an existing ICO.

출력값은 ICO 성공 여부에 대한 수치값일 수 있다. ICO 성공 여부에 대한 수치값은 다양한 항목들의 평균 평점들로 계산될 수 있다. 또는 ICO 성공 여부에 대한 확률값으로 계산될 수도 있다.The output value may be a numerical value for the success of the ICO. The numerical value for the success of the ICO can be calculated by the average ratings of various items. Alternatively, it can be calculated as a probability value for the success of the ICO.

입력노드(I1 내지 I5)에 입력되는 값은 -1 내지 1 일 수 있다. 예를 들어, I3(ICO 프로젝트 팀원) 중 ICO 이력이 있는 경우에는 1, ICO 이력이 전무한 경우에는 -1로 입력될 수 있다. 또한, I4(팀원들의 SNS 정보) 중 SNS가 가장 활발한 경우(일정 수준 이상의 활동 이력이 있는 경우)에는 +1, 보통 수준의 SNS 활동인 경우, 0, 팀원이 전혀 SNS 활동을 하지 않는 경우 -1로 입력될 수 있다.Values input to the input nodes I1 to I5 may be -1 to 1. For example, if there is an ICO history among I3 (ICO project team members), it can be entered as 1, and if there is no ICO history, it can be entered as -1. In addition, of I4 (SNS information of team members), +1 if SNS is the most active (if there is an activity history above a certain level), 0 if it is a moderate level of SNS activity, -1 if the team member does not perform any SNS activity at all. Can be entered as

한편, 위와 같은 방식으로 입력 노드(I1 내지 I5)에 입력되는 값들이 설정된 경우, 복수 개의 입력값 - 출력값 매치에 대한 세트를 활용하여 정확한 상관도를 파악할 수 있도록 기계학습(machine learning)을 수행할 수 있다.On the other hand, when values input to the input nodes I1 to I5 are set in the above manner, machine learning is performed so that the correct correlation can be determined by using a set of a plurality of input values-output values match. I can.

예를 들어, I1 내지 I5에 대응하는 입력값들을 하나의 세트라고 가정하고 서로 다른 입력값을 포함하는 5개의 세트를 정의할 때, 제1 세트, 제2 세트, 제3 세트, 제4 세트 및 제5 세트에 대한 출력값이 각각 0.1, 0.2, 0.3, 0.4 및 0.5가 되었다고 가정한다. 이 때 출력값의 합은 1.5가 될 수 있다.For example, assuming that input values corresponding to I1 to I5 are one set, and defining five sets including different input values, the first set, the second set, the third set, the fourth set, and Assume that the output values for the fifth set are 0.1, 0.2, 0.3, 0.4 and 0.5, respectively. At this time, the sum of the output values can be 1.5.

학습부(220)는 1.5의 출력값에 대하여 보정을 수행할 수 있다. 구체적으로 1.5는 특정 팀원을 통해 수집한 값일 수 있다. 다만 ICO 프로젝트 팀에는 여러 팀원이 있을 수 있기 때문에, 이를 일반화하기 위한 보정 작업이 요구된다. 그러므로, 팀원 전체에 대한 SNS 활동지수의 합을 팀원의 수로 나눈 값을 팀원의 SNS 활동 값으로 간주할 수 있다.The learning unit 220 may perform correction on the output value of 1.5. Specifically, 1.5 may be a value collected through a specific team member. However, since the ICO project team may have several team members, correction work is required to generalize this. Therefore, the value obtained by dividing the sum of the SNS activity index for all team members by the number of team members can be regarded as the SNS activity value of the team member.

한편, 각 노드 간에는 -1 내지 1의 가중치가 추가로 부여되어 연산될 수 있다. 그리고 중간노드(H1 내지 H3)에서는 가중치가 반영된 값들의 사칙연산(더하기, 빼기, 곱하기 및 나누기) 중 적어도 하나가 수행될 수 있다.Meanwhile, a weight of -1 to 1 may be additionally assigned to each node to be calculated. In addition, at least one of four arithmetic operations (addition, subtraction, multiplication, and division) of values reflecting the weights may be performed in the intermediate nodes H1 to H3.

이러한 경우, 학습의 알고리즘의 정확도를 높이기 위한 가장 중요한 포인트는, 중간 노드(H1 내지 H3)의 개수 및 노드 간의 가중치 값의 크기 및 부호(+ 또는 -)일 수 있다. 본 설명에서는 중간 노드(H1 내지 H3)를 3개로 표현하였으나, 경우에 따라서는 다른 개수로 설정될 수 있다.In this case, the most important point for increasing the accuracy of the learning algorithm may be the number of intermediate nodes H1 to H3 and the size and sign (+ or -) of a weight value between nodes. In the present description, the intermediate nodes H1 to H3 are expressed as three, but may be set to a different number in some cases.

한편, 노드 간에 가중치를 정하는 것은 처음에 어떠한 값을 놓고 시작하는지에 대한 알고리즘 정확도에 매우 중요한 부분을 차지할 수 있다. 만약 엉뚱한 값을 기준으로 시작할 경우, 로컬 미니멈(local minimum)에 빠져서 가중치 최적화 작업을 수행할 수 없게 될 수 있다. 즉, 초기값을 잘못 설정할 경우 그 이후에 어떠한 초기값 변경을 수행하더라도 최소값이 로컬 미니멈 값에만 머무르게 되는 오류가 도출될 수 있는 것이다.On the other hand, determining the weight between nodes can play a very important part in the accuracy of the algorithm as to which value to start with. If you start with an incorrect value, you may fall into a local minimum and you may not be able to perform weight optimization. That is, if the initial value is incorrectly set, an error in which the minimum value stays only in the local minimum value may be derived even if any initial value change is performed thereafter.

따라서 이러한 문제를 해결하기 위해서 학습부(220)는 유전자 알고리즘(GA)을 활용할 수 있다.Therefore, in order to solve this problem, the learning unit 220 may utilize a genetic algorithm (GA).

예를 들어, 학습부(220)는 노드 간의 가중치들에 대한 4개의 서로 다른 세트를 생성하고 각 세트들을 가중치 초기값으로 설정하여, 상술한 가중치 최적화 과정을 반복적으로 수행할 수 있다. 이어서, 각 세트들을 통해 출력값들을 비교하고, 실제 출력값과 가장 적은 차이를 나타내는 세트를 가중치 초기값 세트로 설정할 수 있다.For example, the learning unit 220 may repeatedly perform the aforementioned weight optimization process by generating four different sets of weights between nodes and setting each set as an initial weight value. Subsequently, the output values are compared through each set, and a set representing the smallest difference from the actual output value may be set as an initial weight value set.

ICO 성공 정보 출력부(230)는 신규 암호화폐의 ICO가 성공할 것인지에 대한 정보를 출력할 수 있다. 이때 성공에 대한 기준으로는 거래소에 상장되거나, 기준 거래량 이상으로 거래되는 것으로 설정할 수 있다. The ICO success information output unit 230 may output information on whether the ICO of the new cryptocurrency will be successful. At this time, as a criterion for success, it may be listed on an exchange or set to be traded in excess of the standard trading volume.

또한, ICO 성공 정보 출력부(230)는 성공 여부에 대한 정보 외에도 각 항목 별 평가 결과 정보도 출력할 수 있다. 예를 들어, 팀원 항목, 기술 정보, 상품성, 실현가능성 등의 항목을 각 항목별로 평점의 형식으로 출력할 수 있다. 이에 대한 자세한 설명은 후술하기로 한다.In addition, the ICO success information output unit 230 may output evaluation result information for each item in addition to information on success or failure. For example, items such as team member items, technical information, marketability, and feasibility can be output in the form of a rating for each item. A detailed description of this will be described later.

도 4는 본 발명의 일 실시예에 따르는 전문가 평가를 수집하는 과정을 설명하는 도면이다. 4 is a diagram for explaining a process of collecting expert evaluation according to an embodiment of the present invention.

도 4에 도시된 바와 같이, 서버는 ICO에 대한 전문가로부터 ICO에 대한 평가 정보를 수집할 수 있다. ICO라는 것이 객관적인 자료로서 평가되는 부분이 크지만, 실질적으로 투자가치가 있는지에 대한 정보는 ICO 전문가가 능숙하게 분석할 수 있기 때문에 전문가의 주관적인 정보 또한 ICO 성공 여부 예측에 중요한 지표가 될 수 있다.As shown in FIG. 4, the server may collect evaluation information on ICO from experts on ICO. Although ICO is evaluated as an objective data, information on whether there is practical investment value can be skillfully analyzed by an ICO expert, so subjective information from experts can also be an important indicator in predicting the success of an ICO.

서버는 단말을 통해 전문가로부터 다양한 항목에 대한 평점 정보를 입력받을 수 있다. 크게 팀, 사업성, 기술, 제품과 같은 4가지 항목으로 평점정보를 입력받을 수있다. 이때, 팀은 경영자, 개발자, 파트너, 고문, 마케팅에 대한 세부항목이 평점을 매기는 기준이 될 수 있고, 사업성은 서비스, 시장성, 광고 등이 평점을 매기는 기준이 될 수 있으며, 기술은 성능, 검증, MVP, 윤리 등이 평점을 매기는 기준이 될 수 있으며, 제품은 기본사항, 진행도 등이 평점을 매기는 기준이 될 수 있다. 그 외에도, ICO 프로젝트 팀원의 구성 및 각 팀원들의 역량 정보, 보유기술, 경력, 직책 등에 대한 팀(Team) 평가, ICO 하려는 암호화폐의 블록체인 기술, 기술적 실현 가능성, 보안이슈 등에 대한 기술 정보(Tech) 평가, 투자가치, 확장성, 시장성, 범용성 등에 대한 상품성(Product) 평가 및 활용용도, 진입성, 접근성, 설계 모델에 관한 실현 가능성(Feasibility) 평가 등의 항목으로 평점 정보를 입력받을 수 있다.The server may receive rating information for various items from an expert through the terminal. You can receive rating information in four categories: team, business feasibility, technology, and product. At this time, the team can be a criterion for rating detailed items on managers, developers, partners, advisors, and marketing, and business can be a criterion for rating service, marketability, advertisement, etc., and technology is performance , Verification, MVP, ethics, etc. can be the criteria for rating, and for a product, basic matters, progress, etc. can be the criteria for rating. In addition, the composition of the ICO project team members and the competency information of each team member, the team evaluation on the skills, career, and position, etc. ) Rating information can be input in items such as evaluation, investment value, scalability, marketability, and versatility of product evaluation and utilization, accessibility, accessibility, feasibility evaluation for design models, etc.

이러한 전문가의 외부 평가 정보는 기존 ICO를 진행한 암호화폐에 대해서 전부 또는 일부에서 진행될 수 있다. 외부 평가 정보를 수집한 서버로서는 많은 외부 평가 정보를 가지고 있는 경우, 신규 ICO 성공 여부 예측 모델 수립에 유리하게 적용될 수 있지만, 일정 량 이상의 외부 평가 정보가 있다면 신규 ICO 성공 여부 예측 모델 수립에 충분하다고 볼 수 있다.This expert's external evaluation information can be carried out in all or part of the cryptocurrency that has performed the existing ICO. As a server collecting external evaluation information, if it has a lot of external evaluation information, it can be advantageously applied to the establishment of a new ICO success prediction model, but if there is a certain amount of external evaluation information, it is considered sufficient to establish a new ICO success prediction model. I can.

이러한 전문가의 외부 평가 정보는 앞서 설명한 딥러닝 과정에서 입력값(Input Layer)에 적용될 수도 있다. 특히, 신규 ICO에 대한 성공 여부 예측 모델을 수립할 경우에 전문가의 외부 평가 정보를 입력값으로 할 경우, 딥러닝 및 전문가 평가가 결합된 하이브리드 모델(Hybrid Due Diligent; HDD)를 구현할 수 있는 유리한 효과를 가진다.This expert's external evaluation information may be applied to an input layer in the deep learning process described above. In particular, when establishing a model for predicting the success or failure of a new ICO, if external evaluation information from experts is used as an input value, a hybrid model (Hybrid Due Diligent (HDD)) combined with deep learning and expert evaluation can be implemented. Have.

이러한 신규 ICO에 대한 성공 여부 예측의 출력값은 ICO가 이루어지고 일정 기간 이후의 전문가 외부 평가 정보와 함께 딥러닝되어 기존 암호화폐에 대한 정보를 변경하고, 지속적으로 딥러닝 모델을 업데이트할 수 있다.The output value of the prediction of the success of such a new ICO is deep-learned along with external evaluation information from experts after a certain period of time after the ICO is made, so that information on the existing cryptocurrency can be changed, and the deep learning model can be continuously updated.

도 5는 본 발명의 일 실시예에 따르는 ICO 성공 여부 예측 정보의 일 예를 나타낸 도면이다.5 is a diagram illustrating an example of information on predicting success or failure of an ICO according to an embodiment of the present invention.

도 5에 도시된 바와 같이, 신규로 ICO 하려는 암호화폐에 대한 성공 예측 수치값이 단말을 통해 디스플레이되어 사용자에게 제공될 수 있다. 성공의 기준으로는 일정 기간 동안 기준 거래량 이상으로 거래될 확률일 수 있으며, 확률의 형태로 표시될 수 있다. As shown in FIG. 5, a success predicted numerical value for a cryptocurrency to be newly ICO may be displayed through a terminal and provided to a user. The criterion of success may be the probability of trading more than the standard trading volume for a certain period, and may be expressed in the form of probability.

또한, 신규 ICO에 대한 각 항목별(팀, 기술정보, 생산성 및 실현가능성) 평점 정보가 함께 출력될 수 있다. 투자자로서는 각 항목별 평점 또는 전체적인 평가 정보를 인지하여 ICO에 투자할 것인지를 용이하게 결정할 수 있는 유리한 효과를 가지게 된다.In addition, rating information for each item (team, technology information, productivity, and feasibility) for a new ICO may be output together. As an investor, it has an advantageous effect of being able to easily decide whether to invest in an ICO by recognizing the rating for each item or the overall evaluation information.

또한, 추가 실시예로서, 서버의 ICO 성공 정보 출력부(230)는 각 암호화폐가 ICO를 통해 상장된 후 어느 정도의 가치를 가질지를 평가하고 사용자에게 제공할 수 있다. 상술한 바와 같이, 서버는 기존의 학습결과를 바탕으로 암호화폐의 기본정보나 SNS데이터, 백서 정보를 입력할 경우, 그 암호화폐가 ICO에 성공할지를 평가할 수 있다. 여기서 더 나아가, 서버는 기존 ICO에 성공한 암호화폐의 가치가 상장시점 이후의 몇 개월간 변화된 추이를 함께 학습함으로써, 어떤 암호화폐가 상장 이후 어떠한 가치 변동 곡선을 그리는지를 학습하고 예측할 수 있다. 예를 들어, 암호화폐 거래소 상장 시점에서의 상장가를 1.0이라고 하였을 때, 특정 기간(예를 들어 3개월) 뒤의 해당 암호화폐의 가치가 1.5, 0.2, 또는 1.0이 될지를 예측할 수 있다. 이를 통해, 서버는 아직 상장되지 않은 암호화폐의 정보(기본정보, 백서, SNS계정)를 입력받은 후, 해당 암호화폐가 상장이후 몇배나 더 가치 상승할지, 가치가 하향 곡선을 그릴지 등을 예측할 수 있다. In addition, as a further embodiment, the ICO success information output unit 230 of the server may evaluate how much value each cryptocurrency will have after listing through ICO and provide it to the user. As described above, when the server inputs basic information of cryptocurrency, SNS data, and white paper information based on the existing learning results, the server can evaluate whether the cryptocurrency will succeed in ICO. Further, the server can learn and predict which cryptocurrency draws what value fluctuation curve after listing by learning the trend of changes in the value of the cryptocurrency that succeeded in the existing ICO over the months after listing. For example, if the listing price at the time of listing on a cryptocurrency exchange is 1.0, it is possible to predict whether the value of the corresponding cryptocurrency will be 1.5, 0.2, or 1.0 after a certain period (for example, 3 months). Through this, the server receives information about the cryptocurrency that has not yet been listed (basic information, white paper, SNS account), and then predicts how many times the value of the cryptocurrency will increase after listing, whether the value will draw a downward curve, etc. I can.

또한, 추가 실시예로서, 서버는 각 투자자별 암호화폐를 추천해줄 수도 있다. 먼저, 서버는 각 투자자들의 가입한 기본정보(나이, 성별, 관심 키워드 등), 암호화폐 거래소 상장여부평가 사이트 이용패턴(예를 들어, 이전에 클릭했던 암호화폐, 컨텐츠 디스플레이 순서), 가상화폐 투자 이력을 기반으로 어떠한 성질의 암호화폐에 관심을 가질지를 판단할 수 있다. 이후, 서버는 투자자의 관심사에 가장 매칭되는 암호화폐들 중 ICO 성공가능성(상장 가능성)이 높은 순서대로 투자자에게 ICO 암호화폐 리스트를 추천할 수 있다. In addition, as an additional embodiment, the server may recommend cryptocurrencies for each investor. First, the server is the basic information that each investor subscribes to (age, gender, keywords of interest, etc.), the use pattern of the site evaluation site for listing on a cryptocurrency exchange (for example, the cryptocurrency that was clicked before, the order of content display), and investment in virtual currency You can determine what kind of cryptocurrency you will be interested in based on your history. After that, the server can recommend the list of ICO cryptocurrencies to investors in the order of the highest probability of ICO success (listing possibility) among the cryptocurrencies that best match the interests of the investor.

또한, 추가 실시예로서, 서버는 암호화폐 거래소 상장여부를 판단하는 딥러닝을 수행할 때에, 백서에 담긴 텍스트들을 참고할 수 있다. 즉, ICO에 성공한 암호화폐의 백서에 자주 나타난 텍스트(예를 들어, 거래, 분산화된, 생태계, 순서 등)와 실패한 암호화폐의 백서에 자주 나타난 텍스트들(예를 들어, 사용자, 투자, 만들다, 가격 등)을 수집하고, 이를 바탕으로 평가 대상 암호화폐의 백서에 자주 나타난 텍스트들이 기존 수집된 텍스트들과 어느 정도의 유사성을 가지는 지 판단함으로써, 암호화폐 거래소 상장여부에 대한 평가에 고려할 수 있다. In addition, as an additional embodiment, the server may refer to texts contained in the white paper when performing deep learning to determine whether to be listed on a cryptocurrency exchange. In other words, texts frequently appearing in white papers of successful cryptocurrencies (e.g., transactions, decentralization, ecosystem, order, etc.) and texts frequently appearing in white papers of failed cryptocurrencies (e.g., users, investments, create, etc.) Price, etc.), and based on this, it is possible to consider the evaluation of the listing of cryptocurrency exchanges by determining how similar the texts frequently appearing in the white papers of the cryptocurrency to be evaluated have with the existing texts collected.

본 발명의 일 실시예는 컴퓨터에 의해 실행되는 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. An embodiment of the present invention may also be implemented in the form of a recording medium including instructions executable by a computer such as a program module executed by a computer. Computer-readable media can be any available media that can be accessed by a computer, and includes both volatile and nonvolatile media, removable and non-removable media. Further, the computer-readable medium may include both computer storage media and communication media. Computer storage media includes both volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data. Communication media typically includes computer readable instructions, data structures, program modules, or other data in a modulated data signal such as a carrier wave, or other transmission mechanism, and includes any information delivery medium.

본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.Although the methods and systems of the present invention have been described in connection with specific embodiments, some or all of their components or operations may be implemented using a computer system having a general-purpose hardware architecture.

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.The above description of the present invention is for illustrative purposes only, and those of ordinary skill in the art to which the present invention pertains will be able to understand that it can be easily modified into other specific forms without changing the technical spirit or essential features of the present invention. will be. Therefore, it should be understood that the embodiments described above are illustrative in all respects and not limiting. For example, each component described as a single type may be implemented in a distributed manner, and similarly, components described as being distributed may also be implemented in a combined form.

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.The scope of the present invention is indicated by the claims to be described later rather than the detailed description, and all changes or modified forms derived from the meaning and scope of the claims and their equivalent concepts should be interpreted as being included in the scope of the present invention. do.

200: 암호화폐 거래소 상장여부 평가 서버
200: Cryptocurrency exchange listing evaluation server

Claims (12)

서버에 의해 수행되는, 인공신경망을 이용한 암호화폐 거래소 상장여부 평가 방법에 있어서,
암호화폐의 메타데이터를 수집하는 단계;
수집된 암호화폐의 메타데이터와 ICO 성공결과를 트레이닝 데이터세트로 이용하여 딥러닝하는 단계; 및
상기 딥러닝된 결과 정보에 기초하여, 신규 암호화폐에 대한 ICO 성공 여부에 관한 정보를 출력하는 단계;
를 포함하며,
상기 메타데이터는 기존 암호화폐에 대한 기본정보, ICO정보, 및 SNS 정보를 포함하는, 인공신경망을 이용한 암호화폐 거래소 상장여부 평가 방법.
In the method of evaluating the listing status of a cryptocurrency exchange using an artificial neural network performed by a server,
Collecting metadata of cryptocurrency;
Deep learning using the collected cryptocurrency metadata and ICO success results as a training dataset; And
Outputting information on success or failure of an ICO for a new cryptocurrency based on the deep learning result information;
Including,
The metadata includes basic information about the existing cryptocurrency, ICO information, and SNS information, a method for evaluating the listing of a cryptocurrency exchange using an artificial neural network.
제1항에 있어서,
상기 메타데이터는,
암호화폐의 백서, ICO 팀원 정보 및 코인 유통정보 중 적어도 하나 이상을 더 포함하는 것을 특징으로 하는, 인공신경망을 이용한 암호화폐 거래소 상장여부 평가 방법.
The method of claim 1,
The metadata is,
A method for evaluating the listing of a cryptocurrency exchange using an artificial neural network, characterized in that it further comprises at least one or more of a white paper of cryptocurrency, ICO team member information, and coin distribution information.
제1항에 있어서,
상기 딥러닝하는 단계는,
각각의 트레이닝 세트에 대하여 서로 다른 가중치를 설정하여 딥러닝하는 것을 특징으로 하는, 인공신경망을 이용한 암호화폐 거래소 상장여부 평가 방법.
The method of claim 1,
The deep learning step,
A method for evaluating the listing of cryptocurrency exchanges using an artificial neural network, characterized in that deep learning by setting different weights for each training set.
제1항에 있어서,
상기 ICO 성공 여부에 관한 정보를 출력하는 단계는,
외부 평가 정보를 추가로 고려하여 딥러닝을 수행하고 상기 암호화폐 거래소 상장여부에 관한 정보를 출력하되, 상기 외부 평가 정보는,
ICO 프로젝트 팀 정보, 기술 정보, 상품성 및 실행가능성에 대한 전문가의 정량적 평가 정보를 포함하는 것을 특징으로 하는, 인공신경망을 이용한 암호화폐 거래소 상장여부 평가 방법.
The method of claim 1,
The step of outputting information on whether the ICO was successful or not,
Deep learning is performed by additionally considering external evaluation information, and information on whether to be listed on the cryptocurrency exchange is output, but the external evaluation information is,
A method for evaluating the listing of a cryptocurrency exchange using an artificial neural network, characterized in that it includes information on the ICO project team, technical information, and quantitative evaluation information of experts on marketability and feasibility.
제1항에 있어서,
상기 ICO 성공 여부에 관한 정보를 출력하는 단계는
신규 암호화폐가 상기 ICO 이후에 기준 거래량 이상 거래될 확률에 관한 정보를 출력하는 단계인 것을 특징으로 하는, 인공신경망을 이용한 암호화폐 거래소 상장여부 평가 방법.
The method of claim 1,
The step of outputting information on the success of the ICO
A method of evaluating whether a new cryptocurrency is listed on a cryptocurrency exchange using an artificial neural network, characterized in that in the step of outputting information on a probability that a new cryptocurrency will be traded more than a reference transaction volume after the ICO.
제1항에 있어서,
상기 ICO 성공 여부에 관한 정보를 출력하는 단계는
신규 암호화폐가 ICO에 성공한 후, 거래소에서의 암호화폐 가치가 상승할 것인지에 관한 정보를 출력하는 단계를 포함하는, 인공신경망을 이용한 암호화폐 거래소 상장여부 평가 방법.
The method of claim 1,
The step of outputting information on the success of the ICO
A method for evaluating the listing of a cryptocurrency exchange using an artificial neural network, comprising the step of outputting information on whether the value of the cryptocurrency in the exchange will increase after the new cryptocurrency has succeeded in the ICO.
제1항에 있어서,
서버에 접속한 투자자들의 웹사이트 사용이력 및 암호화폐 투자패턴을 기반으로 투자자들의 성향에 맞는 암호화폐를 추천하되, ICO 성공가능성이 높은 암호화폐 순으로 추천하는 단계를 더 포함하는, 인공신경망을 이용한 암호화폐 거래소 상장여부 평가 방법.
The method of claim 1,
Based on the website usage history and cryptocurrency investment pattern of investors who have connected to the server, recommending cryptocurrencies that fit the preferences of investors, but in order of cryptocurrencies with the highest ICO success, using artificial neural networks. How to evaluate the listing of cryptocurrency exchanges.
암호화폐 거래소 상장여부 평가 서버에 있어서,
암호화폐의 메타데이터를 수집하는 ICO 데이터 수신부;
수집된 암호화폐의 메타데이터와 ICO 성공결과를 트레이닝 데이터세트로 이용하여 딥러닝하는 학습부; 및
상기 딥러닝된 결과에 기초하여 신규 암호화폐에 대한 ICO 성공 여부에 관한 정보를 출력하는 ICO 성공 정보 출력부;
를 포함하며,
상기 메타데이터는 기존 암호화폐에 대한 기본정보, ICO정보, 및 SNS 정보를 포함하는 것을 특징으로 하는, 암호화폐 거래소 상장여부 평가 서버.
In a cryptocurrency exchange listing evaluation server,
ICO data receiver for collecting metadata of cryptocurrency;
A learning unit for deep learning using the collected cryptocurrency metadata and ICO success results as a training dataset; And
An ICO success information output unit for outputting information on whether the ICO for a new cryptocurrency is successful based on the deep learning result;
Including,
The metadata is characterized in that it includes basic information on the existing cryptocurrency, ICO information, and SNS information, cryptocurrency exchange listing evaluation server.
제6항에 있어서,
상기 메타데이터는,
암호화폐의 백서, ICO 팀원 정보 및 코인 유통정보 중 적어도 하나 이상을 더 포함하는 것을 특징으로 하는, 암호화폐 거래소 상장여부 평가 서버.
The method of claim 6,
The metadata is,
A cryptocurrency exchange listing evaluation server, characterized in that it further comprises at least one or more of a white paper of cryptocurrency, ICO team member information, and coin distribution information.
제6항에 있어서,
상기 학습부는,
각각의 트레이닝 세트에 대하여 서로 다른 가중치를 설정하여 딥러닝하는 것을 특징으로 하는, 암호화폐 거래소 상장여부 평가 서버.
The method of claim 6,
The learning unit,
A cryptocurrency exchange listing evaluation server, characterized in that deep learning by setting different weights for each training set.
제6항에 있어서,
상기 ICO 성공 정보 출력부는 상기 외부 평가 정보를 추가로 고려하여 딥러닝을 수행하고 상기 암호화폐 거래소 상장여부에 관한 정보를 출력하되,상기 외부 평가 정보는,
ICO 프로젝트 팀 정보, 기술 정보, 상품성 및 실행가능성에 대한 전문가의 정량적 평가 정보를 포함하는 것을 특징으로 하는, 암호화폐 거래소 상장여부 평가 서버.
The method of claim 6,
The ICO success information output unit performs deep learning by additionally considering the external evaluation information and outputs information on whether to be listed on the cryptocurrency exchange, wherein the external evaluation information,
A cryptocurrency exchange listing evaluation server, characterized in that it contains the ICO project team information, technical information, and quantitative evaluation information of experts on marketability and feasibility.
제6항에 있어서,
상기 ICO 성공 정보 출력부는,
신규 암호화폐가 상기 ICO 이후에 기준 거래량 이상 거래될 확률에 관한 정보를 출력하는 단계인 것을 특징으로 하는, 암호화폐 거래소 상장여부 평가 서버.
The method of claim 6,
The ICO success information output unit,
In the step of outputting information on a probability that a new cryptocurrency will be traded more than a reference transaction volume after the ICO, a cryptocurrency exchange listing evaluation server.
KR1020190050168A 2019-04-30 2019-04-30 Method and device for evaluating whether cryptocurrency is listed on cryptocurrency market using artificial neural network KR20200130767A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190050168A KR20200130767A (en) 2019-04-30 2019-04-30 Method and device for evaluating whether cryptocurrency is listed on cryptocurrency market using artificial neural network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190050168A KR20200130767A (en) 2019-04-30 2019-04-30 Method and device for evaluating whether cryptocurrency is listed on cryptocurrency market using artificial neural network

Publications (1)

Publication Number Publication Date
KR20200130767A true KR20200130767A (en) 2020-11-20

Family

ID=73697212

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190050168A KR20200130767A (en) 2019-04-30 2019-04-30 Method and device for evaluating whether cryptocurrency is listed on cryptocurrency market using artificial neural network

Country Status (1)

Country Link
KR (1) KR20200130767A (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023211190A1 (en) * 2021-11-23 2023-11-02 초록소프트 주식회사 Method and device for providing cryptocurrency analysis service based on machine learning model for predicting price and transaction volume and evaluating value
KR20240012014A (en) 2022-07-20 2024-01-29 채재병 System for protection of trade content by verifying transaction sender

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023211190A1 (en) * 2021-11-23 2023-11-02 초록소프트 주식회사 Method and device for providing cryptocurrency analysis service based on machine learning model for predicting price and transaction volume and evaluating value
KR20240012014A (en) 2022-07-20 2024-01-29 채재병 System for protection of trade content by verifying transaction sender

Similar Documents

Publication Publication Date Title
García-García et al. Rapid internationalization and long-term performance: The knowledge link
Xintong et al. Brief survey of crowdsourcing for data mining
Agarwal et al. An interdisciplinary review of research in conjoint analysis: Recent developments and directions for future research
US20120209919A1 (en) Social Net Advocacy Contextual Text Analytics
Lytvyn et al. Design of the architecture of an intelligent system for distributing commercial content in the internet space based on SEO-technologies, neural networks, and Machine Learning
Golder Social science with social media
US20100268809A1 (en) System and method for assessing the usability and accessibility of web 2.0 features and functionalities of websites
Zhang et al. Value of big data to finance: observations on an internet credit Service Company in China
US20120209918A1 (en) Social Net Advocacy Measure
Lilley et al. Counting what counts
Mishra et al. Merchants’ adoption of mobile payment in emerging economies: the case of unorganised retailers in India
Hanafizadeh et al. Digital divide and e-readiness: Trends and gaps
Daud et al. Finding rising stars in bibliometric networks
Min Global business analytics models: Concepts and applications in predictive, healthcare, supply chain, and finance analytics
Putra et al. A credit scoring model for smes based on social media data
KR20200130767A (en) Method and device for evaluating whether cryptocurrency is listed on cryptocurrency market using artificial neural network
Poluru et al. Applications of Domain-Specific Predictive Analytics Applied to Big Data
CN114371946A (en) Information push method and information push server based on cloud computing and big data
Paas et al. Adoption of services and apps on mobile phones by micro-entrepreneurs in Sub-Saharan Africa
Rondović et al. Discovering the determinants and predicting the degree of e-business diffusion using the decision tree method: Evidence from Montenegro
CN109829593A (en) The credit rating of target object determines method, apparatus, storage medium and electronic device
Ponzoa et al. EU27 and USA institutions in the digital ecosystem: Proposal for a digital presence measurement index
Vysotska et al. V. Lytvyn
Serrano-Cinca et al. A structural model for sales in the e-retailing industry
Nilashi et al. The nexus between quality of customer relationship management systems and customers' satisfaction: Evidence from online customers’ reviews