KR20210003029A

KR20210003029A - 머신러닝 기반의 휴면 자산 관리 방법 및 시스템

Info

Publication number: KR20210003029A
Application number: KR1020190107041A
Authority: KR
Inventors: 황용국; 임건기; 한병일
Original assignee: 유한책임회사 블루바이저시스템즈; 황용국
Priority date: 2019-07-01
Filing date: 2019-08-30
Publication date: 2021-01-11

Abstract

머신러닝 기반으로 사용자의 휴면 자산을 관리하는 방법 및 시스템이 제공된다. 본 개시에 따른 휴면 자산 관리 방법은, 머신러닝 기반으로 투자 자산의 과거 히스토리에 대한 유사도 검색을 수행하고, 상기 유사도 검색 결과에 따라 유사 차트를 추출할 기준 일자를 결정하고, 상기 결정된 기준 일자에 따라 상기 유사 차트를 추출하여 상기 유사 차트에 기반한 예상 차트 모형을 생성한다.
상기한 구성들을 통해, 저렴한 수수료로 랩어카운트와 같은 개인 맞춤형 휴면 자산 관리 서비스를 제공할 수 있게 된다.

Description

머신러닝 기반의 휴면 자산 관리 방법 및 시스템{METHOD AND SYSTEM FOR MANAGING DIAPAUSE ASSETS BASED ON MACHINE-LEARNING}

본 개시는 휴면 자산 관리 방법 및 시스템에 관한 것이다. 자세하게는 머신러닝 기반으로 사용자의 휴면 자산을 관리하는 방법 및 시스템에 관한 것이다.

저금리 시대가 지속됨에 따라, 일반적인 예금 금리보다 높은 수익을 기대할 수 있는 고수익 금융 상품에 대한 관심이 증가하고 있다. 이러한 고수익 금융 상품으로는 유가증권 시장의 주식 종목을 기반으로 포트폴리오를 구성하여 투자하는 펀드 상품이 대표적이다.

그러나 기존의 펀드 상품은 투자할 최소 금액이 높은 부담이 있었고, 그 운용 수수료 또한 높아서 여유자금이 부족한 서민층이 이용하기에는 많은 어려움이 있었다. 또한, 이러한 펀드 상품은 고객의 투자 성향을 세밀히 고려하지 않고 운용사의 포트폴리오에 따라 일방 통행식으로 자산을 운용하는 문제점도 있었다.

이러한, 문제점을 해결하고자 나온 금융 상품이 랩어카운트 서비스이다. 랩어카운트는 종합자산관리 방식의 금융 상품으로, 고객이 예탁한 자산에 대해 운용사가 고객의 투자 성향에 따라 적절한 운용 배분과 투자종목 추천 등의 고객 맞춤형 서비스를 제공한다. 그러나, 이러한 랩어카운트 상품도 여전히 투자 최소 금액과 운용 수수료가 높아 일반 대중이 이용하기에는 많은 어려움이 있다.

한편, 최근 발표된 바에 따르면 사용하지 않는 휴면계좌는 약 2,400만개로 그 액수는 1조원에 달한다고 한다. 이러한 휴면계좌는 대부분 소액이어서 고객이 미처 휴면계좌의 존재를 알지 못하거나, 알더라도 불편함 때문에 이를 찾지 않고 그대로 방치하는 경우가 많다. 휴면계좌의 자산을 간편하게 찾을 수 있도록 하는 통합조회서비스가 나왔지만, 휴면 자산이 대부분 소액인 관계로 이를 찾더라도 효과적으로 운용하거나 투자할 곳을 찾을 수 없어, 통합조회서비스를 이용하는 사람은 여전히 많지 않은 상황이다.

대한민국 등록특허공보 제10-1975448호 (2019. 05. 08)

본 개시의 몇몇 실시예들을 통해 해결하고자 하는 기술적 과제는, 휴면성 자산을 효과적으로 관리할 수 있고, 저렴한 수수료로 랩어카운트와 같은 개인 맞춤형 자산 관리 서비스를 제공하는 머신러닝 기반의 휴면 자산 관리 방법 및 시스템을 제공하는 데 있다.

본 개시의 몇몇 실시예들을 통해 해결하고자 하는 다른 기술적 과제는, 사용자가 자신의 휴면 자산 관리 상황이나 투자 현황을 실시간으로 확인할 수 있는 머신러닝 기반의 휴면 자산 관리 방법 및 시스템을 제공하는 데 있다.

본 개시의 몇몇 실시예들을 통해 해결하고자 하는 또 다른 기술적 과제는, 휴면 자산을 투자할 수 있는 금융 서비스를 제공함으로써 소액 자산을 투자 시장으로 적극적으로 이끌어내고 그에 따라 금융 산업의 활성화에 기여할 수 있는 머신러닝 기반의 휴면 자산 관리 방법 및 시스템을 제공하는 데 있다.

본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시의 기술분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상기 기술된 문제점들을 해결하기 위한 본 개시의 일 실시예에 따른 머신러닝 기반의 휴면 자산 관리 방법은 머신러닝 기반으로 자산의 과거 히스토리에 대한 유사도 검색을 수행하는 단계, 상기 유사도 검색 결과에 따라 유사 차트를 추출할 기준 일자를 결정하는 단계 및 상기 결정된 기준 일자에 따라 상기 유사 차트를 추출하고, 상기 유사 차트에 기반한 예상 차트 모형을 생성하는 단계를 포함한다.

일 실시예로서, 상기 예상 차트 모형은 몬테카를로 알고리즘을 사용하여 생성될 수 있다.

일 실시예로서, 상기 예상 차트 모형에 따라 상기 자산의 기대수익률 및 위험도를 산출하는 단계 및 상기 산출된 기대수익률 및 위험도에 기반하여, 사용자의 투자 성향에 따른 투자 포트폴리오를 산출하는 단계를 더 포함할 수 있다.

일 실시예로서, 상기 위험도는 상기 예상 차트 모형의 세타, 변동성 또는 상기 기준 일자의 지표 유동성을 참조하여 산출될 수 있다.

일 실시예로서, 상기 투자 포트폴리오를 산출하기 위한 투자 유니버스를 구성하는 단계를 더 포함하고, 상기 투자 유니버스를 구성하는 단계는, 자산들을 하나 이상의 자산군으로 클러스터링하는 단계 상기 자산군별로 스코어링하는 단계 및 상기 스코어링 결과에 따라, 상기 자산들 중 상기 투자 유니버스를 구성할 자산들을 결정하는 단계를 포함할 수 있다.

일 실시예로서, 상기 자산군별로 스코어링하는 단계는, 상기 하나 이상의 스코어링 지표들에 대한 가중치를 산출하는 단계 및 상기 산출된 가중치를 참조하여, 상기 하나 이상의 자산군에 대해 스코어링하는 단계를 포함할 수 있다.

일 실시예로서, 상기 머신러닝에 제공할 데이터를 수집하는 단계를 더 포함하고, 상기 데이터를 수집하는 단계는, 상기 수집한 데이터 웹 크롤링, 웹 마이닝 또는 API를 이용하여 상기 자산과 관련된 기업 정보 또는 시장 정보를 수집할 수 있다.

일 실시예로서, 상기 수집한 데이터를 저장하는 단계를 더 포함하고, 상기 데이터를 저장하는 단계는, 상기 수집한 데이터의 용량이 데이터베이스의 용량을 초과하는 경우 상기 데이터베이스의 증설을 요청하는 단계를 포함할 수 있다.

일 실시예로서, 상기 수집한 데이터를 가공하는 단계를 더 포함하고, 상기 데이터를 가공하는 단계는, 상기 데이터의 유형을 분석하는 단계 및 상기 유형을 분석한 결과에 따라, 상기 데이터를 금융 지표 또는 심리 지표로 가공하는 단계를 포함할 수 있다.

일 실시예로서, 상기 가공한 금융 지표 또는 심리 지표를 데이터베이스에 저장하는 단계를 더 포함하고, 상기 저장하는 단계는, 상기 데이터베이스에 잉여 공간이 존재하는 경우 상기 데이터베이스의 감축을 요청하는 단계를 포함할 수 있다.

일 실시예로서, 상기 자산이 거래되는 시장을 모니터링하고, 상기 모니터링 결과에 따라 상기 자산을 매매하는 리밸런싱 단계를 더 포함할 수 있다.

일 실시예로서, 상기 리밸런싱 단계는, 상기 자산의 매매 가격 및 매매 시기가 적합한지 판단하는 단계 및 상기 판단 결과에 따라, 상기 자산을 매매하는 리밸런싱을 수행하는 단계를 포함할 수 있다.

일 실시예로서, 상기 리밸런싱 단계는, 상기 자산의 매매 가격 및 매매 시기가 적합한지 판단하는 단계, 상기 판단 결과에 따라, 상기 예상 차트 모형에 기반하여 예측한 차트 흐름과 상기 시장의 실제 차트 흐름을 비교하는 단계 및 상기 비교 결과에 따라, 상기 예상 차트 모형에 기반하여 상기 자산의 기대수익률 및 위험도를 산출하는 단계를 포함할 수 있다.

일 실시예로서, 상기 생성된 예상 차트 모형을 참조하여 사용자 계정에 대한 자산 운용을 수행하되, 상기 사용자 계정은 휴면 상태가 해제된 계좌 또는 상기 휴면 상태가 해제된 계좌의 예치금을 이전한 계좌와 연계된 계정일 수 있다.

상기 기술된 문제점들을 해결하기 위한 본 개시의 일 실시예에 따른 머신러닝 기반의 휴면 자산 관리 시스템은 하나 이상의 인스트럭션(instructions)을 저장하는 메모리 및 상기 저장된 하나 이상의 인스트럭션들을 실행함으로써 머신러닝 기반으로 자산의 과거 히스토리에 대한 유사도 검색을 수행하고, 상기 유사도 검색 결과에 따라 유사 차트를 추출할 기준 일자를 결정하고, 상기 결정된 기준 일자에 따라 상기 유사 차트를 추출하여 상기 유사 차트에 기반한 예상 차트 모형을 생성하는, 프로세서를 포함한다.

도 1은 본 개시의 몇몇 실시예에 따른, 머신러닝 기반의 휴면 자산 관리 시스템을 나타내는 개요도이다.
도 2는 도 1에 도시된 서버(100)의 구체적인 구성을 예시적으로 나타내는 블록도이다.
도 3은 본 개시의 몇몇 실시예에 따른, 머신러닝 기반의 휴면 자산 관리 방법을 나타내는 순서도이다.
도 4는 도 3의 S100 단계로 도시된, 데이터 수집 및 가공 단계를 더욱 구체화한 순서도이다.
도 5는 도 4의 S120 단계에서, 클라우드 서버를 스케일-업 하는 방법을 설명하기 위한 순서도이다.
도 6은 도 4의 S130 단계로 도시된, 데이터 유형에 따라 분류 및 가공하는 단계를 더욱 구체화한 순서도이다.
도 7은 도 4의 S140 단계에서, 클라우드 서버를 스케일-다운 하는 방법을 설명하기 위한 순서도이다.
도 8은 도 3의 S200 단계로 도시된, 머신러닝 기반 투자 유니버스 구성 단계를 더욱 구체화한 순서도이다.
도 9는 도 3의 S300 단계로 도시된, 머신러닝 기반 투자 투자 포트폴리오 산출 단계를 더욱 구체화한 순서도이다.
도 10은 도 3의 S400 단계로 도시된, 모니터링 및 리밸런싱 단계를 더욱 구체화한 순서도이다.
도 11은 본 개시의 몇몇 실시예에 따른, 휴면계좌 자산에 대한 머신러닝 기반의 휴면 자산 관리 방법을 예시적으로 설명하는 흐름도이다.
도 12 및 도 13은 본 개시의 몇몇 실시예에 따른, 머신러닝 기반의 휴면 자산 관리 방법에 사용되는 어플리케이션 UI를 보여주는 도면이다.
도 20은 도 8의 단계 S2400의 레이아웃 커스터마이징 방법을 설명하기 위한 순서도이다.
도 14는 본 개시의 다양한 실시예에 따른 장치를 구현할 수 있는 예시적인 컴퓨팅 장치를 나타내는 하드웨어 구성도이다.

이하, 첨부된 도면을 참조하여 본 개시의 바람직한 실시 예들을 상세히 설명한다. 본 개시의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시의 기술적 사상은 이하의 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 개시의 기술적 사상을 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 본 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시의 기술적 사상은 청구항의 범주에 의해 정의될 뿐이다.

각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 개시를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.

또한, 본 개시의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.

명세서에서 사용되는 "포함한다 (comprises)" 및/또는 "포함하는 (comprising)"은 언급된 구성 요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성 요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.

이하, 본 개시의 몇몇 실시예들에 대하여 첨부된 도면에 따라 상세하게 설명한다.

도 1은 본 개시의 몇몇 실시예에 따른, 머신러닝 기반의 휴면 자산 관리 시스템을 나타내는 개요도이다. 도 1에 도시된 바와 같이, 머신러닝 기반의 휴면 자산 관리 시스템(1000)은 서버(100) 및 사용자 단말(200)을 포함할 수 있다. 다만, 이는 본 개시의 목적을 달성하기 위한 바람직한 실시예일 뿐이며, 필요에 따라 일부 구성 요소가 추가되거나 삭제될 수 있음은 물론이다. 예를 들어, 상황에 따라 도 1의 사용자 단말(200)은 삭제될 수 있다. 이하, 각 구성요소에 대하여 간략하게 설명한다.

서버(100)는 사용자 단말(200)의 요청에 따라 사용자에게 머신러닝 기반의 휴면 자산 관리 방법을 이용한 자산 관리 서비스를 제공한다. 가령, 서버(100)는 사용자 단말(200)의 요청에 의해 사용자의 휴면 자산을 위탁받고, 위탁받은 자산을 금융 상품에 투자하거나 운용하여 수익을 내는 컴퓨팅 장치 또는 시스템으로써, 하나 이상의 서버 장치(즉, 컴퓨팅 장치)로 구성될 수 있다. 여기서, 상기 컴퓨팅 장치는, 노트북, 데스크톱(desktop), 랩탑(laptop) 등이 될 수 있으나, 이에 국한되는 것은 아니며 컴퓨팅 기능 및 통신 기능이 구비된 모든 종류의 장치를 포함할 수 있다. 상기 컴퓨팅 장치의 몇몇 예시는 도 14를 참조하여 보다 상세하게 설명된다.

사용자 단말(200)은 서버(100)가 제공하는 휴면 자산 관리 서비스를 이용하기 위해 사용자가 사용하는 클라이언트 단말이다. 사용자 단말(200)에는 서버(100)를 운영하는 자가 제공하는 어플리케이션(APP)이 설치되고, 상기 APP을 통해 서버(100)와 통신할 수 있다. 사용자는 APP을 통하여 본 개시에 따른 휴면 자산 관리 서비스를 요청하고, 사용자의 휴면 계정 및 휴면 자산 관리 현황을 조회하거나, 사용자의 투자 성향 및 관련 정보를 변경할 수 있다. 여기서, APP은 스마트폰이나 스마트TV 같은 스마트 기기에서 실행될 수 있는 응용 프로그램을 의미할 수 있다.

사용자 단말(200)은 서버(100)에 사용자의 휴면 자산의 위탁 운용을 요청하는 서비스 요청을 전송할 수 있다. 서버(100)는 서비스 요청에 응답하여 머신러닝 기반의 휴면 자산 관리 방법을 이용한 자산 관리 서비스를 제공하고, 상기 서비스에 따른 운용 수익을 사용자에게 제공한다.

한편, 도 12 이하에서 후술되겠지만, 사용자 단말(200)는 서버(100)가 제공하는 휴면 자산 관리 서비스에 있어서, 사용자가 자신의 휴면 자산 관리 상황이나 투자 현황을 실시간으로 확인할 수 있도록 하는 사용자 인터페이스(User Interface, UI)를 제공할 수 있다. 사용자는 사용자 단말(200)을 통해 자신이 위탁한 휴면 자산의 관리 현황 등을 모니터링하고, 그에 대한 피드백을 주거나 자신의 투자 성향을 조정할 수 있다.

본 실시예에서, 머신러닝 기반의 휴면 자산 관리 시스템(1000)은 사용자의 동의를 얻어 사용자의 휴면 계좌를 조회하고, 조회한 휴면 계좌의 자산에 대해 로보 어드바이저(11, 12, 13)를 배정하여 사용자를 위한 일임형 투자를 수행한다. 그리고, 사용자의 휴면 자산에 대한 관리 현황을 투자자에게 실시간으로 제공한다.

본 실시예에서, 서버(100)는 사용자들로부터 위탁받은 복수의 휴면 계정(11a, 12a, 13a) 각각에 일대일로 매칭되는 로보 어드바이저(11, 12, 13)를 운영할 수 있다. 로보 어드바이저(11, 12, 13)는 머신러닝 기반으로 수집된 금융 빅데이터를 학습하여 휴면 계정(11a, 12a, 13a)의 자산을 포트폴리오에 따라 분배하고 투자를 시행하는 인공지능 알고리즘을 포함한다. 로보 어드바이저(11, 12, 13)는 사람의 손을 거치지 않고 알고리즘에 따라 스스로 휴면 계정(11a, 12a, 13a)의 자산을 운용하므로, 별도의 인적 비용이 소요되지 않아 경제적이다. 또한, 각 휴면 계정(11a, 12a, 13a)에 전담 로보 어드바이저(11, 12, 13)가 일대일 매칭되므로 개별 사용자의 투자 상황이나 성향에 최적화된 맞춤 투자 서비스를 제공할 수 있다. 로보 어드바이저(11, 12, 13)는 본 개시의 몇몇 실시예를 통해 설명되는 휴면 자산 관리 방법을 수행하는 알고리즘으로서, 도 2 이하에서 후술되는 머신러닝부(140), 리밸런싱부(150) 또는 모니터링부(160)의 전부 또는 일부를 포함할 수 있다.

이하, 서버(100)의 구체적인 구성 및 기능에 대해 도 2를 참조하여 설명한다.

도 2는 도 1에 도시된 서버(100)의 구체적인 구성을 예시적으로 나타내는 블록도이다. 도 2를 참조하면, 서버(100)는 수집부(110), 가공부(120), 데이터베이스(130), 머신러닝부(140), 리밸런싱부(150) 및 모니터링부(160)를 포함한다. 다만, 이는 본 개시의 목적을 달성하기 위해 서버(100)를 구성하는 하나의 실시예일 뿐이며, 필요에 따라 일부 구성 요소는 추가, 삭제 또는 변경될 수 있다. 예를 들어, 데이터베이스(130)는 클라우드 기반의 데이터 저장 서버로 대체될 수 있으며, 이 경우 데이터베이스(130)의 물리적 구성은 서버(100)에 포함되지 않고 클라우드 기반의 서비스를 제공하는 외부 서버(미도시)에 포함되는 것일 수 있다. 이하, 도면을 참조하여 각 구성들을 구체적으로 설명한다.

수집부(110)는 외부로부터 휴면 자산 관리 방법을 위한 빅데이터를 수집한다. 수집부(110)는 예를 들어, 웹크롤러를 이용하여 기업의 기본정보, 재무제표, 전자공시 정보, 지분 정보 및 공인기관에서 제공하는 공시정보 등의 기업 정보를 수집하거나, 웹 마이닝 기법을 활용하여 뉴스, 블로그 또는 소셜 네트워크 서비스(이하, SNS)로부터 데이터를 수집할 수 있다. 또는, 수집부(110)는 금융 상품이 거래되는 시장의 오픈 API나 증권사의 오픈 API를 사용하여 유가증권 지수(예를 들어, 코스피 지수, 코스닥 지수, 나스닥 지수, 다우 지수, 상하이 지수, 항셍 지수 또는 니케이 지수 등), 환율 지표, 유가 지표, 투자자별 매매 동향, 체결 내역, 주식종목의 시가 총액, 거래량, 거래대금, 공매도 현황 등의 시장 정보를 수집하거나 특정 종목에 대한 투자 유의, 투자 경고, 매매 정지, 증자, 배당, 감자 등의 기타 데이터를 수집할 수 있다. 수집부(110)를 통해 수집된 기업 정보, 시장 정보, 기타 정보 또는 데이터는 데이터베이스(130)에 저장된다.

가공부(120)는 수집부(110)를 통해 수집된 데이터들을 휴면 자산 관리에 활용하기 위한 2차 데이터로 가공한다. 예를 들어, 가공부(120)는 수집된 데이터들 중 수치화된 정형 데이터들을 BPS(Book value Per Share), EPS(Earning Per Share), PER(Price Earning Ratio), PBR(Price Book value Ratio), ROE(Return On Equity), ROA(Return On Assets) ,RSI(Relative Strength Index), 스토캐스틱스(Stochastics), 이동평균선(이하, 이평선), 테마별 시장 선호도, 전체 시장 지표, 산업군별 시장 지표, 변동성 지수와 같은 2차 데이터로 가공할 수 있다.

또는, 가공부(120)는 수집된 데이터들 중 수치화되지 않은 비정형 데이터들을 SyntaxNex 알고리즘 또는 그랩컷 알고리즘 등으로 분석하여 투자 자산에 대한 대중들의 기대 심리 또는 공포 심리와 같은 2차 데이터로 가공할 수 있다. 가공부(120)를 통해 가공된 2차 데이터는 데이터베이스(130)에 저장된다.

데이터베이스(130)는 수집부(110)에 의해 수집된 데이터 또는 가공부(120)에 의해 가공된 2차 데이터를 저장한다. 데이터베이스(130)는 서버(100)에 내장된 물리적 저장장치 일 수도 있지만, 바람직하게는 외부의 클라우드 서버(미도시)에 의해 제공되는 클라우드 데이터베이스일 수 있다. 이 경우, 서버(100)는 외부의 클라우드 서버와 데이터 통신을 하여 수집 및 가공된 데이터를 데이터베이스(130)에 저장한다.

일 실시예로서, 데이터베이스(130)는 서버(100)가 필요로 하는 저장 용량의 크기에 따라 가변적으로 용량이 조정될 수 있다. 예를 들어, 서버(100)가 수집부(110)를 통해 수집한 데이터의 용량이 데이터베이스(130)의 잔여 용량보다 큰 경우, 데이터베이스(130)의 용량이 증설되어(스케일-업) 수집된 데이터를 충분히 저장할 수 있도록 조정될 수 있다. 또는, 서버(100)가 수집된 데이터를 가공하여 2차 데이터로 변환하는 과정에서 데이터베이스(130)에 잉여 용량이 발생하는 경우, 데이터베이스(130)의 용량은 감축되어(스케일-다운) 불필요하게 시스템 자원을 차지하는 것을 방지할 수 있다.

머신러닝부(140)는 머신러닝에 기반하여 투자 자산(예를 들어, 주식 종목, 채권 종목, 또는 금, 은, 오일 등 상품 종목 등)의 과거 가격 정보, 차트 정보, 지표 정보, 변동성 정보, 시장 지표나 환율 등과의 관련성 정보, 스코어링 정보 등을 학습하고, 그 결과에 따라 투자 자산들을 스코어링하여 투자 유니버스를 구성한다. 여기서, 투자 유니버스는 투자 포트폴리오를 구성할 투자 후보군의 집합을 의미한다. 그리고, 머신러닝부(140)는 머신러닝에 기반하여 투자 유니버스에 속한 투자 자산들을 대상으로 현재 시장 상황 및 가격 흐름과 가장 유사한 과거의 일자를 추출하고, 추출된 일자와 관련된 가격 차트(예를 들어, 추출된 일자의 익일의 가격 차트)를 기반으로 예상 차트 모형을 생성한다. 그리고, 예상 차트 모형에 따라 투자 자산에 대한 예상 매매 가격, 매매 시기, 및 기대 수익률 등을 설정하고, 그에 대한 위험도를 산출한다. 그리고, 상기 기대 수익률 및 위험도와 함께 개별 사용자의 투자 성향을 참조하여, 상기 사용자 계정에 대한 투자 포트폴리오를 산출한다. 머신러닝부(140)가 투자 유니버스를 구성하고, 투자 포트폴리오를 산출하는 구체적 방법은 도 8 이하에서 더 상세하게 후술된다.

일 실시예로서, 머신러닝부(140)의 인공지능 모델로는 다양한 것들이 사용될 수 있다. 예를 들어, 머신러닝부(140)는 컨벌루션 인공신경망(Convolutional Neural Networks, 이하 ‘CNN’)을 자신의 인공지능 모델로 사용할 수 있다. CNN은 인공신경망에 필터 기술을 결합한 딥러닝 모델로서, 인공신경망이 입력 데이터의 특징을 더 잘 습득할 수 있도록 최적화시킨 것이다.

이때, 머신러닝부(140)의 인공지능 모델은 복수개의 층과 각 층을 구성하는 복수개의 노드로 이루어진 그래프 구조의 인공신경망을 포함할 수 있고, 상기 복수개의 층은 하나 이상의 입력층, 하나 이상의 은닉층 및 하나 이상의 출력층을 포함할 수 있다. 입력층은 인공신경망의 층 구조에서 분석/학습하고자 하는 데이터를 입력 받는 층을 의미하고, 출력층은 인공신경망의 층 구조에서 결과값이 출력되는 층을 의미한다. 은닉층은 인공신경망의 층 구조에서 입력층과 출력층을 제외한 모든 층을 의미한다. 인공신경망은 뉴런의 연속된 층으로 구성되어 있으며, 각 층의 뉴런은 다음 층의 뉴런에 연결되어 있다. 은닉층 없이 입력층과 출력층을 바로 연결하면 각 입력이 다른 입력에 상관없이 독립적으로 출력에 기여하여 정확한 결과를 얻기 어렵다. 실제로는 입력 데이터가 상호 의존적이고 서로 결합되어 복잡한 구조로 출력에 영향을 미치므로, 은닉층을 추가하여 은닉층의 뉴런이 최종 출력에 영향을 미치는 입력 간의 미묘한 상호작용을 잡아내게 된다.

일 실시예로서, 머신러닝부(140)의 CNN 모델은 텐서플로우(tensorflow) 알고리즘으로 구현될 수 있다.

일 실시예로서, 머신러닝부(140)는 투자 유니버스를 구성하기 위해 하나 이상의 스코어링 지표를 결정하고, 상기 스코어링 지표에 대한 가중치(또는, 중요도 지표)를 산출하기 위해 텐서플로우를 이용할 수 있다.

일 실시예로서, 머신러닝부(140)는 투자 자산들을 속성에 따라 하나 이상의 자산군으로 클러스터링하고, 클러스터링된 자산군별로 스코어링을 하여 상위의 스코어를 받은 투자 자산들을 중심으로 투자 유니버스를 구성할 수 있다. 이때, 상기 스코어링 지표의 가중치가 참조될 수 있다.

일 실시예로서, 머신러닝부(140)는 투자 자산에 대해 현재 시장 상황 및 가격 흐름과 가장 유사한 과거의 일자를 추출하기 위해 CNN 모델을 이용할 수 있다.

일 실시예로서, 머신러닝부(140)는 상기 추출된 과거 일자와 관련된 차트를 기반으로 투자 자산의 예상 차트 모형을 생성하기 위해 몬테카를로 알고리즘을 사용할 수 있다. 이때, 머신러닝부(140)는 상기 과거 일자와 관련된 차트와 함께 과거의 학습 데이터 및 주요 금융 지표를 참조할 수 있다.'

리밸런싱부(150)는 머신러닝부(140)를 통해 생성한 예상 차트 모형을 기반으로 예측한 차트의 흐름과 실제 시장의 흐름이 유사한지 비교하고, 산출된 투자 포트폴리오에 따른 리밸런싱을 수행한다. 가령, 예측한 차트의 흐름과 실제 시장의 흐름이 유사한 경우, 리밸런싱부(150)는 예측한 차트에 기반하여 설정한 예상 매매 가격 및 매매 시기에 따라 실제 투자 자산에 대한 매매를 수행한다. 반면에, 예측한 차트의 흐름과 실제 시장의 흐름이 상이한 경우, 예를 들어, 예측한 차트와 실제 차트의 갭이 소정의 기준 이상으로 발생한 경우 리밸런싱부(150)는 CNN 모델을 이용하여 투자 자산에 대한 매매 가격, 매매 시기, 및 기대 수익률 등을 재설정하고, 그에 대한 위험도 및 투자 포트폴리오를 재산출한다.

일 실시예로서, 리밸런싱부(150)는 예측한 차트의 흐름과 실제 시장의 흐름이 상이한 경우, 기존 예측에 따른 매매가 이미 수행되었다면 이를 되돌리기 위한 반대매매를 수행할 수 있다. 즉, 예측한 차트 흐름에 따라 투자 자산을 매수한 후, 예측한 차트 흐름과 실제 시장의 흐름이 상이하게 되었다면, 리밸런싱부(150)는 앞서 매수한 투자 자산을 매도할 수 있다.

모니터링부(160)는 실제 시장의 흐름을 모니터링하여 리밸런싱부(150)에 제공한다. 모니터링부(160)는 시장이 종료(또는, 마감)하기 전까지 지속적으로 시장의 흐름 및 가격 변동, 거래 내역 등을 모니터링한다. 모니터링부(160)가 모니터링한 결과는 시장 데이터로서 데이터베이스(130)에 저장될 수 있다.

일 실시예로서, 서버(100)는 외부에서 수집한 데이터를 분석한 결과, 개별 투자 자산에 대한 재무 리스크, 유동성 리스크, 법률적 리스크, 대외 악재, 또는 유사한 다른 투자 자산에 악재가 발생했다고 판단되는 경우, 상기 개별 투자 자산에 대한 투자 유보를 결정할 수 있다. 또는, 서버(100)는 외부에서 수집한 데이터를 분석한 결과, 특정 산업군에 대하여 국내외 정치, 무역 제제 등의 리스크가 발생했다고 판단되는 경우, 해당 산업군에 속하는 투자 자산에 대한 투자를 유보할 수 있다. 또는, 서버(100)는 외부에서 수집한 데이터를 분석한 결과, 전체 투자 시장에 대하여 국제 정치 이슈, 금융 위기, 전쟁, 또는 자연 재해 등의 리스크가 발생했다고 판단되는 경우, 전체 투자 자산에 대한 투자를 유보할 수 있다.

일 실시예로서, 서버(100)는 예측한 차트가 과거 차트 중 큰 폭의 하락을 보인 차트와 유사하다고 판단되면, 투자 자산에 대한 투자를 유보할 수 있다. 또는 서버(100)는 예측한 차트의 세타가 일정 이상 낮은 경우에도 투자를 유보할 수 있다.

상기한 본 개시의 몇몇 실시예들에 따르면, 사용자의 휴면 계좌의 자산을 운용하는 머신러닝 기반의 인공지능을 활용한 일임형 휴면 자산 관리 방법 및 시스템이 제공된다. 그에 따라, 휴면 자산 관리 서비스에 필요한 인력이 최소화되므로, 운용 비용이 크게 절감되며 그 결과 최소 투자 금액을 낮출 수 있고 수수료 또한 저렴하게 자산 관리 서비스를 제공할 수 있다.

또한, 개별 사용자의 투자 성향을 고려하여 투자 포트폴리오를 산출하고, 광범위한 투자 자산들을 대상으로 투자 유니버스 및 투자 포트폴리오를 구성하므로, 기존의 랩어카운트와 유사한 사용자 맞춤 휴면 자산 관리 서비스를 머신러닝 기반으로 저렴하게 제공할 수 있다.

아울러, 투자 및 휴면 자산 관리의 전 과정이 인공지능에 의해 자동으로 수행되므로, 투자 및 휴면 자산 관리 현황을 실시간 추출하여 사용자에게 관련 정보를 제공할 수 있다. 그에 따라, 휴면 자산 관리 현황을 투명하게 공개할 수 있으며, 휴면 자산 관리 서비스에 대한 신뢰성 확보가 가능하다.

특히, 본 개시에 따른 휴면 자산 관리 방법은 휴면 자산을 간편한 절차로 투자할 수 있도록 하는데 크게 기여할 수 있다. 가령 본 개시에 따른 서버(100)는 휴면 계좌를 보유한 사용자가 앱이나 웹을 통해 서비스를 신청하는 경우, 이용 약관 및 개인 정보 활용 동의를 통해 계좌통합조회서비스와 연계하여 사용자의 휴면 계좌를 조회, 휴면상태 해지 및 휴면 계좌의 자산을 운용 계좌로 이체하는 등의 일련의 절차를 매우 간편하게 진행할 수 있다. 또한, 서버(100)는 상기 사용자의 정보 또는 인증 정보를 통해 증권계좌가 없는 사용자에 대해서는 증권계좌를 대신 개설할 수도 있으며, 사용자가 창구에 방문하지 않아도 되는 비대면 계약으로써 본 개시에 따른 휴면 자산 관리 서비스를 제공할 수도 있다.

이러한 휴면 자산 관리 방법에 의하면, 개인의 휴면 자산 발굴 및 활용에 여러가지 긍정적인 변화를 가져올 수 있다. 종전 계좌통합조회서비스가 제공되고 있지만 여전히 휴면 자산의 규모는 3000억원을 상회하는 데, 본 개시에 따른 휴면 자산 관리 방법에 따르면 매우 간편하게 개인의 휴면 자산을 활용할 수 있어 휴면 상태로 미활용되는 자산의 규모를 획기적으로 줄일 수 있다. 또한, 종전 일반적인 자산 관리 서비스는 고액의 투자자만 이용가능한 문제점이 있었으나, 본 개시에 따른 휴면 자산 관리 방법에 따르면 소액 투자자도 얼마든지 이용할 수 있어, 소액인 경우가 일반적인 휴면 자산을 효과적으로 활용할 수 있다. 나아가, 본 개시에 따른 휴면 자산 관리 방법은 휴면 자산 관리의 전 과정을 인공지능에 일임하므로 기존 자산 관리 서비스보다 운용 비용이 크게 줄어드므로, 최소한의 운용 수수료만 수취하고 운용 수익의 대부분을 투자자에게 돌려줄 수 있게 된다.

이하에서는 도 1 및 도 2에서 설명한 서버(100)에 의해 수행되는 머신러닝 기반 휴면 자산 관리 방법에 대해 설명한다. 도 3 이하에서 설명되는 머신러닝 기반의 휴면 자산 관리 방법의 각 단계는 컴퓨팅 장치의 프로세서에 의해 실행되는 하나 이상의 인스트럭션들로 구현될 수 있다.

여기서, 인스트럭션(instruction)이란, 기능을 기준으로 묶인 일련의 컴퓨터 판독가능 명령어로서 컴퓨터 프로그램의 구성 요소이자 프로세서에 의해 실행되는 것을 의미한다.

상기 머신러닝 기반의 휴면 자산 관리 방법에 포함되는 모든 단계는 하나의 물리적인 컴퓨팅 장치에 의하여 실행될 수도 있을 것이나, 상기 방법의 제1 단계들은 제1 컴퓨팅 장치에서 수행되고 상기 방법의 제2 단계들은 제2 컴퓨팅 장치에 의하여 수행되는 것처럼 복수의 컴퓨팅 장치에서 나누어 수행될 수도 있다.

상기 머신러닝 기반 휴면 자산 관리 방법은 다양한 시스템 및/또는 환경에서 수행될 수 있을 것이나, 이해의 편의를 제공하기 위해 도 1 및 도 2에서 예시된 환경을 가정하여 설명을 이어가도록 한다. 아울러, 이하에서 후술된 방법들은 필요에 따라 논리적으로 수행 순서가 바뀔 수 있는 범위 안에서 각 동작의 순서가 바뀔 수 있음은 물론이다.

도 3은 본 개시의 몇몇 실시예에 따른, 머신러닝 기반의 휴면 자산 관리 방법을 나타내는 순서도이다. 도 3을 참조하면, 본 실시예에 따른 휴면 자산 관리 방법은 S100 단계 내지 S400 단계의 네 단계를 포함한다.

S100 단계에서, 서버(100)는 외부로부터 데이터를 수집하여 가공한다. 예를 들어, 서버(100)는 웹크롤러 또는 웹 마이닝 기법을 이용하여 기업의 기본정보, 재무제표, 전자공시 정보, 지분 정보를 수집하거나 뉴스, 블로그 또는 소셜 네트워크 서비스(이하, SNS)를 통해 기업 정보를 수집할 수 있다. 또는, 서버(100)는 시장이나 증권사가 제공하는 API를 이용하여 유가증권 지수(예를 들어, 코스피 지수, 코스닥 지수, 나스닥 지수, 다우 지수, 상하이 지수, 항셍 지수 또는 니케이 지수 등), 환율 지표, 유가 지표, 투자자별 매매 동향, 체결 내역, 주식종목의 시가 총액, 거래량, 거래대금, 공매도 현황 정보를 수집하거나 특정 종목에 대한 투자 유의, 투자 경고, 매매 정지, 증자, 배당, 감자 등의 시장 정보를 수집할 수 있다.

그리고, 서버(100)는 수집된 데이터들을 휴면 자산 관리에 활용하기 위한 2차 데이터로 가공한다. 예를 들어, 서버(100)는 수집된 데이터들 중 수치화된 정형 데이터들을 BPS(Book value Per Share), EPS(Earning Per Share), PER(Price Earning Ratio), PBR(Price Book value Ratio), ROE(Return On Equity), ROA(Return On Assets), RSI(Relative Strength Index), 스토캐스틱스(Stochastics), 이동평균선(이하, 이평선), 테마별 시장 선호도, 전체 시장 지표, 산업군별 시장 지표, 변동성 지수와 같은 2차 데이터로 가공할 수 있다. 또는, 서버(100)는 수집된 데이터들 중 수치화되지 않은 비정형 데이터들을 SyntaxNex 알고리즘 또는 그랩컷 알고리즘 등으로 분석하여 투자 자산에 대한 대중들의 기대 심리 또는 공포 심리와 같은 2차 데이터로 가공할 수 있다.

서버(100)가 수집 또는 가공한 데이터들은 데이터베이스(130)에 저장될 수 있다. 상기 데이터베이스(130)는 외부의 클라우드 서버가 제공하는 데이터베이스일 수 있다.

S200 단계에서, 서버(100)는 머신러닝 기반으로 투자 유니버스를 구성한다. 이를 위해, 서버(100)는 투자 자산들에 대해 소정의 기준에 따라 클러스터링을 수행하여 투자 자산들을 몇 개의 자산군으로 군집화할 수 있다. 예를 들어, 서버(100)는 투자 자산들을 테마별, 등락률 상위 10%, 등락률 하위 10%, 거래량 상위 10%, 단계별 시가 총액, 저평가 종목, 고평가 종목, 기대심리 상위 10% 등 소정의 기준에 따라 클러스터링할 수 있다. 이때, 특정 투자 자산은 여러 자산군에 중복되어 속할 수 있다.

또한, 서버(100)는 투자 유니버스를 산출하기 위해, 스코어링 지표를 결정하고 각 스코어링 지표의 가중치 (또는, 중요도 지표)를 산출한다. 가중치는 각 스코어링 지표를 그 중요도에 따라 차등적으로 반영하기 위해 산출되는 수치이다. 일 실시예로서, 스코어링 지표에는 시가 총액, 수급, 거래대금 및 거래량, 차트 분석, 또는 모멘텀 지표가 포함될 수 있다. 일 실시예로서, 서버(100)는 가중치를 산출하기 위해, 과거의 누적된 스코어링 데이터와 당일의 등락률을 도식화하고, 이를 텐서플로우에 적용하여 스코어링 지표에 대한 가중치를 산출할 수 있다.

서버(100)는 가중치가 산출되면 개별 자산군별로 스코어링을 진행하게 되고, 상위의 스코어를 획득한 투자 자산들로 투자 유니버스를 구성한다. 일 실시예로서, 서버(100)는 스코어가 높은 상위 200개의 투자 자산들로 투자 유니버스를 구성할 수 있다.

S300 단계에서, 서버(100)는 투자 유니버스를 구성하는 투자 자산들을 대상으로 투자 포트폴리오를 산출한다. 서버(100)는 머신러닝 모델(예를 들어, CNN 모델)을 사용하여, 투자 유니버스 내의 투자 자산들에 대해 당일의 가격 차트와 과거의 누적 가격 차트, 등락률, 수급, 거래대금, 시장 유동성 지표, 주요 국가의 시장 유동성 지표, 유가(oil price) 지표 변동성, 주요 국가의 환율 유동성을 비교하고, 현재의 시장 흐름과 가장 유사한 과거의 특정 일자를 추출한다. 그리고, 추출된 특정 일자와 관련된 가격 차트(예를 들어, 특정 일자의 익일 가격 차트)를 추출한다.

서버(100)는 추출된 가격 차트와 함께, 과거의 학습 데이터 및 주요 금융 지표에 대해 몬테카를로 알고리즘을 적용하여, 예상 차트 모형을 생성한다. 그리고, 서버(100)는 예상 차트 모형에서 예상 매매시기, 매매가격 또는 기대 수익률을 설정하고, 예상 차트 모형의 세타, 변동성 및 예상 차트를 추출한 특정 일자의 주요 지표의 유동성을 분석하여 투자 자산의 위험도를 산출한다.

그리고, 서버(100)는 설정 또는 산출한 기대 수익률과 위험도를 바탕으로 사용자의 투자 지식 정도, 사용자의 경제 상황, 사용자의 목표 수익률 또는 사용자의 투자 심리 등, 사용자의 개별 성향을 참조하여, 상기 사용자의 계정에 대해 투자 자산 구성과 비중, 그리고 자산의 총 위험도를 포함하는 투자 포트폴리오를 산출한다.

S400 단계에서, 서버(100)는 실제 시장의 흐름을 실시간으로 모니터링하고, 모니터링한 결과와 앞서 생성한 예상 차트 모형에 따라 예측한 차트 흐름을 비교한다. 그리고, 비교 결과를 참조하여, 산출된 투자 포트폴리오에 따른 리밸런싱을 수행한다. 이를 구체적으로 설명하면, 시장이 개장한 후 서버(100)는 실시간으로 시장을 모니터링한다. 이때, 사전에 예측했던 차트 흐름과 실제 시장의 흐름이 유사한지 몬테카를로 알고리즘을 이용하여 비교한다.

일 실시예로서, 서버(100)는 시장에서의 투자 자산에 대한 호가 잔량, 거래 평균 수량, 차트 흐름, 동일 자산군으로 군집화된 다른 투자 자산들의 차트 흐름을 바탕으로 차트를 예측하고, 그 결과를 실제 시장의 흐름과 비교할 수 있다.

예측한 차트 흐름과 실제 시장의 흐름이 유사한 경우, 서버(100)는 미리 예상한 적정 매매 가격 및 매매 시기에 따라 투자 자산을 매수 또는 매도하는 리밸런싱을 수행한다. 반면에, 예측한 차트 흐름과 실제 시장의 흐름이 상이한 경우(예를 들어, 예측한 차트 흐름과 실제 시장의 흐름 사이에 일정 이상의 갭이 발생한 경우)에는 리밸런싱을 수행하지 않고 CNN 알고리즘을 사용하여 다시 예상 매매 가격, 매매 시기 및 기대 수익률을 재산출한다. 이때, 이미 투자 자산을 매매하였다면 이를 되돌리기 위한 반대매매를 수행할 수 있다.

도 4는 도 3의 S100 단계로 도시된, 데이터 수집 및 가공 단계를 더욱 구체화한 순서도이다. 도 4를 참조하면, S100 단계는 S110 단계 내지 S140 단계의 네 단계를 포함할 수 있다. 도 5는 도 4의 S120 단계에서 설명되는, 클라우드 서버를 스케일-업 하는 방법을 구체화한 순서도이다. 도 6은 도 4의 S130 단계에서 설명되는, 데이터 유형에 따라 분류 및 가공하는 단계를 구체화한 순서도이다. 도 7은 도 4의 S140 단계에서 설명되는, 클라우드 서버를 스케일-다운하는 방법을 구체화한 순서도이다.

이하 도 4 내지 도 7을 참조하여 S100 단계에 대해 구체적으로 설명한다.

S110 단계에서, 서버(100)는 웹 크롤링, 웹 마이닝, 또는 API를 이용하여 기업 정보에 대한 데이터 및 시장 정보에 대한 데이터를 수집한다. 서버(100)가 수집하는 데이터의 유형 및 그 수집하는 방법에 대해서는 앞서 상세히 설명하였으므로 여기서는 추가적인 설명을 생략한다.

S120 단계에서, 서버(100)는 수집된 데이터를 데이터베이스(130)에 저장한다. 본 실시예에서는, 데이터가 저장되는 데이터베이스(130)가 외부의 클라우드 서버가 제공하는 데이터베이스인 것을 전제한다. 한편, 서버(100)는 수집된 데이터의 용량이 데이터베이스(130)의 잔여 용량보다 큰 경우, 필요한 저장 공간을 확보하기 위해 데이터베이스(130)를 증설할 수 있다(스케일-업).

도 5를 참조하여, 스케일-업의 구체적인 단계들을 설명한다. 먼저, S121 단계에서, 서버(100)가 수집한 데이터, 즉 데이터베이스(130)에 저장되어야 할 데이터가 클라우드 서버의 데이터베이스 용량을 초과하거나 클라우드 서버의 연산 능력을 초과하는지 판단한다.

초과하는 경우, 본 실시예는 S122 단계로 진행하고, 서버(100)는 클라우드 서버의 증설을 요청하게 된다. 그리고, 클라우드 서버가 증설되면, 서버(100)는 데이터베이스에 수집된 데이터를 저장한다(S123 단계).

반면에, 수집한 데이터가 클라우드 서버의 용량 등을 초과하지 않으면, 현재 클라우드 서버 용량으로 데이터를 저장할 수 있으므로, 본 실시예는 바로 S123 단계로 진행한다.

그리고, S124 단계에서, 서버(100)는 데이터 수집이 완료되었는지 판단한다. 데이터 수집이 완료되었으면 다음 단계인 S130 단계로 진행하고, 데이터 수집이 완료되지 않았으면 S121 단계 이전으로 되돌아가 데이터 수집 및 저장을 계속하게 된다.

다시 도 4로 돌아가면, S130 단계에서, 서버(100)는 수집된 데이터를 그 유형에 따라 분류하고 가공한다. 도 6을 참조하여, S130 단계를 더욱 상세히 설명한다.

S131 단계에서, 서버(100)는 수집된 데이터의 유형을 분석한다. 이는 데이터의 유형에 따라 데이터를 가공하는 수단과 그 결과물이 달라질 수 있기 때문이다. S132 단계에서, 서버(100)는 수집된 데이터의 유형이 수치화된 정형 데이터인지 판단한다. 수치화된 정형 데이터이면 본 실시예는 S133 단계로 진행하여, 수집된 데이터를 금융 지표로 가공한다. 예를 들어, 서버(100)는 수치화된 정형 데이터들을 BPS(Book value Per Share), EPS(Earning Per Share), PER(Price Earning Ratio), PBR(Price Book value Ratio), ROE(Return On Equity), ROA(Return On Assets), RSI(Relative Strength Index), 스토캐스틱스(Stochastics), 이동평균선(이하, 이평선), 테마별 시장 선호도, 전체 시장 지표, 산업군별 시장 지표, 변동성 지수와 같은 금융 지표로 가공할 수 있다. 수집된 데이터가 수치화된 정형 데이터가 아닌 경우 본 실시예는 S134 단계로 진행한다.

S134 단계에서, 서버(100)는 수집된 데이터가 텍스트형 비정형 데이터인지 판단한다. 텍스트형 비정형 데이터이면 본 실시예는 S135 단계로 진행하여, 수집된 데이터에 대해 키워드 분석을 진행하고, 이를 통해 수집된 데이터를 심리 지표로 가공한다. 이때, 서버(100)는 수집된 데이터에 포함된 감정 어휘 단어와 감정 형용사 등을 SyntaxNet 알고리즘으로 분석하여, 기대 심리 또는 공포 심리 등의 심리 지표로 가공할 수 있다. 수집된 데이터가 텍스트형 비정형 데이터가 아닌 경우 본 실시예는 S136 단계로 진행한다.

S136 단계에서, 서버(100)는 수집된 데이터가 이미지형 비정형 데이터인지 판단한다. 이미지형 비정형 데이터로는 그림파일, 이미지, 또는 동영상이 있을 수 있다. 이미지형 비정형 데이터이면 본 실시예는 S137 단계로 진행하여, 수집된 데이터에 대해 이미지 분석을 진행하고, 이를 통해 수집된 데이터를 심리 지표로 가공한다. 이때, 서버(100)는 수집된 데이터를 그랩컷 알고리즘으로 분석하여, 기대 심리 또는 공포 심리 등의 심리 지표로 가공할 수 있다. 수집된 데이터가 이미지형 비정형 데이터가 아닌 경우 본 실시예는 S137 단계를 거치지 않고 바로 S140 단계로 진행한다.

다시, 도 4로 돌아가면, S140 단계에서, 서버(100)는 가공된 데이터를 데이터베이스(130)에 저장한다. 이때, 데이터베이스(130)에 잉여 용량이 존재하면, 이를 감축하는 스케일-다운을 수행할 수 있다. 도 7을 참조하여 스케일-다운에 대해 상세히 설명한다. S141 단계에서, 서버(100)는 앞서 가공된 데이터를 데이터베이스(130)에 저장하고 가공에 사용되었던 원래의 로 데이터(raw data)를 삭제한다. 가령, 서버(100)가 수집된 데이터를 금융 지표 또는 심리 지표 등의 2차 데이터로 가공한 후에는, 최초 수집한 로 데이터(raw data)는 그 용도를 다한 것이므로 삭제될 수 있다. S142 단계에서, 서버(100)는 클라우드 서버에 잉여 공간이 존재하는지 판단한다. 앞서와 같이 로 데이터를 삭제하게 되면, 그만큼 데이터베이스(130)의 용량에 여유가 생길 수 있다. 잉여 공간이 존재하면, 본 실시예는 S143 단계로 진행하고, 서버(100)는 컴퓨팅 자원을 효율적으로 관리하기 위해 클라우드 서버에 잉여 용량을 감축하도록 요청한다. 잉여 공간이 존재하지 않으면, 본 실시예는 S143 단계를 거치지 않고 바로 진행한다.

도 8은 도 3의 S200 단계로 도시된, 머신러닝 기반 투자 유니버스 구성 단계를 더욱 구체화한 순서도이다. 도 8을 참조하면, S200 단계는 S210 단계 내지 S240 단계의 네 단계를 포함한다.

S210 단계에서, 서버(100)는 투자 자산들을 자산의 특징에 따라 하나 이상의 자산군으로 클러스터링(군집화)한다. 예를 들어, 서버(100)는 투자 자산들을 테마별, 등락률 상위 10%, 등락률 하위 10%, 거래량 상위 10%, 단계별 시가 총액, 저평가 종목, 고평가 종목, 기대심리 상위 10% 등 소정의 기준에 따라 하나 이상의 자산군으로 클러스터링할 수 있다. 이때, 특정 투자 자산은 여러 자산군에 중복되어 속할 수 있다.

S220 단계에서, 서버(100)는 스코어링 지표를 설정하고, 머신러닝 기반으로 각 스코어링 지표별 가중치를 산출한다. 이때, 스코어링 지표에는 시가 총액, 수급, 거래대금 및 거래량, 차트 분석, 또는 모멘텀 지표가 포함될 수 있다. 가중치는 각 스코어링 지표를 그 중요도에 따라 차등적으로 반영하기 위해 산출되는 수치로서, 서버(100)는 가중치를 산출하기 위해, 과거의 누적된 스코어링 데이터와 당일의 등락률을 도식화하고, 이를 텐서플로우에 적용하여 스코어링 지표에 대한 가중치를 산출할 수 있다.

S230 단계에서, 서버(100)는 각 자산군에 대한 스코어링을 진행한다. 스코어링 지표별 가중치가 산출되면, 서버(100)는 투자 자산에 대해 스코어링 지표에 따른 스코어링을 할 수 있게 되고, 서버(100)는 군집화된 자산군별로 개별 스코어를 측정하고, 지표별 가중치 및 개별 스코어를 종합하여 자산군에 대한 전체 스코어링을 하게 된다.

S240 단계에서, 서버(100)는 스코어링 결과에 따라 상위의 스코어를 획득한 투자 자산들로 투자 유니버스를 구성한다. 일 실시예로서, 서버(100)는 스코어가 높은 상위 200개의 투자 자산들로 투자 유니버스를 구성할 수 있다.

도 9는 도 3의 S300 단계로 도시된, 머신러닝 기반 투자 투자 포트폴리오 산출 단계를 더욱 구체화한 순서도이다. 도 9를 참조하면, S300 단계는 S310 단계 내지 S350 단계의 다섯 단계를 포함한다.

S310 단계에서, 서버(100)는 머신러닝 기반으로 자산의 과거 히스토리에 대한 유사도 검색을 수행한다. 구체적으로, 서버(100)는 투자 유니버스에 속한 투자 자산들을 대상으로 당일의 분봉 차트와 과거의 누적 분봉 차트, 등락률, 수급, 거래대금, 코스피 유동성 지표, 주요 국가 유가증권 유동성 지표, 유가 지표 변동성 또는 주요 국가 환율 유동성을 비교하여, 머신러닝 모델(예를 들어, CNN 모델)을 사용하여 현재 시장 상황 및 자산의 가격 흐름과 가장 유사한 과거의 특정 일자를 기준 일자로서 추출하는 유사도 검색을 수행한다.

S320 단계에서, 서버(100)는 앞서 검색 결과에 따라 추출된 과거의 특정 일자(즉, 기준 일자)와 관련된 차트를 유사 차트로서 추출한다. 일 실시예로서, 서버(100)는 상기 특정 일자의 익일의 분봉 차트를 상기 유사 차트로서 추출할 수 있다.

S330 단계에서, 서버(100)는 몬테카를로 알고리즘을 이용하여 예상 차트 모형을 생성한다. 일 실시예로서, 서버(100)는 앞서 유사 차트로서 추출한 익일의 분봉 차트, 과거 학습 데이터 및 주요 금융 지표에 대해 몬테카를로 알고리즘을 적용하여 예상 차트 모형을 생성할 수 있다.

S340 단계에서, 서버(100)는 예상 차트 모형에 기반하여 자산의 기대수익률 등을 산출 또는 설정하고, 그에 따른 위험도를 산출한다. 가령, 서버(100)는 예상 차트 모형에서 예상 매매가격, 매매시기 및 기대수익률을 산출하거나 설정하고, 예상 차트 모형의 세타, 변동성 및 예상 차트 모형을 추출한 일자의 주요 지표 유동성을 분석하여 투자 자산의 위험도를 산출할 수 있다.

S350 단계에서, 서버(100)는 설정 또는 산출된 기대수익률 및 위험도와 함께, 사용자의 투자 성향을 고려하여 투자 포트폴리오를 산출한다. 서버(100)는 기대수익률과 위험도를 바탕으로 사용자의 투자 지식, 경제 상황, 목표 수익률, 투자 심리 등을 분석한 사용자의 투자 성향에 맞추어 목표 자산 구성과 비중, 자산의 총 위험도를 포함하는 투자 포트폴리오를 산출한다. 이때, 사용자의 투자 지식, 경제 상황, 목표 수익률, 투자 심리 등의 정보는 본 개시에 따른 자산 관리 서비스를 요청받을 때 사용자로부터 제공받은 정보일 수 있다.

도 10은 도 3의 S400 단계로 도시된, 모니터링 및 리밸런싱 단계를 더욱 구체화한 순서도이다. 도 10을 참조하면, S400 단계는 S410 단계 내지 S470 단계의 일곱 단계를 포함한다.

S410 단계에서, 서버(100)는 실시간으로 시장을 모니터링한다. 시장에 대한 모니터링은 증권사 또는 시장 서버에서 제공하는 API 등을 이용하여 수행될 수 있다.

S420 단계에서, 서버(100)는 현재 시장 흐름에 따른 매매 가격 및 매매 시기가 예측한 결과와 비교해서 적합한지 판단한다. 매매 가격 및 매매 시기가 적합하면, 본 실시예는 S430 단계로 진행한다. 그렇지 않으면, 본 실시예는 S440 단계로 진행한다.

S430 단계에서, 서버(100)는 예측한 매매 가격 및 매매 시기에 따라 실제 투자 자산을 매매하는 리밸런싱을 수행한다. 리밸런싱이 완료되면, 본 실시예는 S470 단계로 진행한다.

S440 단계에서, 서버(100)는 실제 차트 흐름을 예상 차트 모형에 기반하여 예측한 차트 흐름과 비교한다. 그리고, 실제 차트 흐름이 예측한 차트 흐름과 유사한지 상이한지 판단한다. 이때, 서버(100)는 사전에 예측했던 차트 흐름과 실제 차트 흐름을 몬테카를로 알고리즘을 통해서 비교할 수 있다. 이때, 투자 자산의 호가 잔량, 거래 평균 수량, 차트 흐름 또는 같은 자산군에 속한 다른 투자 자산들의 차트 흐름을 바탕으로 차트를 예측할 수 있다.

S450 단계에서, 서버(100)는 실제 차트 흐름과 예측한 차트 흐름 사이에 소정의 기준 이상의 갭이 발생하였는지 판단한다. 소정의 기준 이상의 갭이 발생하였으면, 본 실시예는 S460 단계로 진행한다. 그렇지 않으면, 본 실시예는 S470 단계로 바로 진행한다.

S460 단계에서, 서버(100)는 투자 포트폴리오를 재산출한다. 즉, 예측했던 차트 흐름과 실제 시장의 흐름이 상이한 경우이므로, 서버(100)는 시장 흐름에 맞게 투자 포트폴리오를 재산출하게 된다. 이때, 이미 매매를 한 상태라면, 서버(100)는 이를 되돌리기 위한 반대매매를 수행할 수 있다. 예를 들어, 이미 어떤 투자 자산을 매수한 상태라면, 이를 다시 매도하는 행위를 통해 되돌릴 수 있다. 그리고, 서버(100)는 CNN 모델을 사용하여 다시 예상 매매 가격, 매매 시기 및 기대 수익률을 산출하고, 그에 따른 포트폴리오 재산출을 수행한다.

S470 단계에서, 서버(100)는 시장이 종료하였는지 판단한다. 시장이 종료하였다면, 본 실시예는 그대로 종료한다. 그렇지 않다면, 본 실시예는 S410 단계로 되돌아가 다시 시장을 실시간 모니터링하게 된다.

도 11은 본 개시의 몇몇 실시예에 따른, 휴면계좌 자산에 대한 머신러닝 기반의 자산 관리 방법을 예시적으로 설명하는 흐름도이다. 본 실시예에서는, 머신러닝 기반의 휴면 자산 관리 방법이 적용되는 구체적인 비즈니스 모델의 일 예로서 사용자의 동의를 받아 사용자의 휴면 계좌를 조회하고 휴면 계좌의 자산을 일임형으로 위탁 운용하는 경우를 예시한다. 상기 방법은 휴면 상태가 해제된 계좌 또는 상기 휴면 상태가 해제된 계좌의 예치금을 이전한 계좌와 연계된 사용자 계정을 운용하는 데 적용될 수 있다.

도 11을 참조하면, 먼저 사용자 단말(200)에서 서버(100) 운영자가 제공하는 어플리케이션(APP)을 설치하고 APP을 통해 서버(100)에 회원가입을 요청할 수 있다. 다만, 이는 하나의 실시예일 뿐으로서, 어플리케이션의 설치 및 이를 통한 회원가입 요청이 반드시 필요한 것은 아니다. 그리고, 사용자 단말(200)에서 서버(100)로 본 실시예에 따른 휴면 자산 관리 서비스를 요청하고, 그에 필요한 사용자 인증 정보 등을 전송한다.

서버(100)는 사용자 단말(200)로부터의 서비스 요청에 응답하여, 제공되는 사용자 인증 정보를 이용하여 사용자의 휴면 계좌를 조회한다. 그리고, 서버(100)는 휴면 계좌를 조회한 결과를 사용자 단말(200)에 전송한다. 일 실시예로서, 서버(100)는 사용자의 인증 정보를 이용하여 계좌통합조회서비스와 연계하여 휴면 계좌를 조회할 수 있다. 사용자는 전송된 조회 결과를 보고, 휴면 계좌의 자산 위탁을 사용자 단말(200)을 통해 서버(200)에 요청한다.

서버(100)는 사용자 단말(200)로부터의 요청에 따라, 사용자 휴면 계좌의 자산을 위탁 관리 및 운용한다. 이때, 서버(100)가 휴면 계좌의 자산을 관리 및 운용하는 구체적인 방법은 앞서 설명한 몇몇 실시예에 따른 자산 관리 방법이 사용된다. 즉, 서버(100)는 금융 정보 및 기업 정보를 수집하여 가공하고, 그에 따라 머신러닝 기반의 투자 유니버스를 구성하고, 유사도 검색 및 몬테카를로 알고리즘을 이용하여 기대수익률 및 위험도 등을 산출하고, 사용자의 투자 성향을 반영하여 투자 포트폴리오를 산출하고, 시장의 흐름을 모니터링하여 리밸런싱하는 일련의 방법들을 이용하여 휴면 계좌의 자산을 관리 및 운용한다. 그리고, 휴면 계좌의 자산을 관리 및 운용하여 그에 따른 수익이 발생하면, 서버(100)는 사용자에게 운용 수익을 제공한다. 일 실시예로서, 서버(100)는 상기 계좌통합조회서비스와 연계하여 사용자의 휴면 계좌를 해지하고 상기 휴면 계좌의 자산을 서버(100)가 운용하는 계좌로 이체하는 방법을 통해, 사용자 휴면 계좌의 자산을 관리 및 운용할 수 있다. 일 실시예로서, 서버(100)는 사용자가 보유한 증권계좌가 없는 경우, 증권사와 연계하여 사용자의 증권계좌를 개설하고 상기 개설된 증권계좌를 통해 상기 사용자의 휴면 자산을 운용할 수 있다. 이때, 사용자 증권계좌의 개설은 사용자의 인증 정보 또는 동의를 이용하여 상기 서버(100)가 자동으로 수행할 수 있다.

한편, 사용자가 본 실시예에 따른 휴면 계좌 자산의 위탁 관리 및 운용 서비스를 해지하고자 하는 경우, 사용자는 사용자 단말(200)을 통해 서비스 해지 요청을 전송할 수 있다. 서버(100)는 서비스 해지 요청에 응답하여, 서비스 해지를 진행하고 위탁받은 자산을 사용자에게 반환하게 된다.

상기와 같은 실시예에 따르면, 사용자는 휴면 자산을 간편한 절차로 투자할 수 있게 되고, 본 실시예에 따른 휴면 자산 관리 방법은 최소 투자금의 제한이 낮으므로 소액 휴면 예금자들도 자신의 자산을 쉽게 투자할 수 있게 된다. 또한, 비효율적으로 방치되던 휴면 자산을 금융 시장으로 적극적으로 이끌어내어 금융 산업의 활성화에 기여할 수 있게 된다.

도 12 및 도 13은 본 개시의 몇몇 실시예에 따른, 머신러닝 기반의 휴면 자산 관리 방법에 사용되는 어플리케이션 UI를 보여주는 도면이다. 도 12 및 도 13은 명확한 이해를 위해 UI의 적용 사례를 예시적으로 보여주는 것일 뿐이며, 본 개시의 범위는 이에 한정되지 않고 다양하게 변형된 UI가 본 개시에 따른 휴면 자산 관리 방법에 적용될 수 있다.

도 12를 참조하면, 사용자가 자신의 투자 성향을 설정할 수 있는 인터페이스가 도시된다. 예를 들어, 사용자는 '운용유형' 항목에서 자신의 투자 성향이 '공격형'인지 '안정형'인지 선택함으로써, 본 개시에 따른 자산 관리 방법에 반영된 투자 성향을 변경할 수 있다. 만일, 사용자가 '공격형'으로 자신의 투자 성향을 선택하는 경우, 서버(100)는 투자 리스크는 더 높지만 더 높은 수익을 기대할 수 있는 방향으로 사용자의 투자 포트폴리오를 구성할 것이다. 반면에, 사용자가 '안정형'으로 자신의 투자 성향을 선택하는 경우, 서버(100)는 투자 리스크가 너무 높지 않도록 이를 제한하는 범위에서 사용자의 투자 포트폴리오를 구성할 것이다. 또는, 사용자는 '로스컷'항목의 수치를 변경할 수도 있다. 단기 투자 성향이 강한 사용자라면 로스컷 수치를 더 낮게 변경할 수 있을 것이고(예를 들어, -5%), 장기 투자 성향이 강한 사용자라면 로스컷 수치를 더 높게 변경할 수도 있을 것이다(예를 들어, -30%)

도 13을 참조하면, 사용자가 자신의 포트폴리오를 실시간 확인할 수 있는 인터페이스가 제공된다. '종목명'항목에는 자신의 포트폴리오를 구성하는 투자 자산의 목록이 표시된다. '구분'항목에는 투자 자산의 유형 (예를 들어, 주식인지 채권인지 등)이 표시된다. '등급'항목에는 투자 자산의 등급, 예를 들어, 본 개시에 따른 스코어링 방법에 따른 개별 자산의 스코러링 결과가 표시될 수 있다. 'CNN'항목에는 머신러닝에 기반한 유사도 검색의 결과가 표시될 수 있다. '종목정보'항목에는 해당 투자 자산에 대한 정보를 제공하는 링크 등이 제공될 수 있다.

마지막으로, 도 14를 참조하여 본 개시의 다양한 실시예에 따른 장치를 구현할 수 있는 예시적인 컴퓨팅 장치에 대하여 설명하도록 한다.

도 14는 컴퓨팅 장치(2000)를 나타내는 하드웨어 구성도이다. 도 14에 도시된 바와 같이, 컴퓨팅 장치(2000)는 하나 이상의 프로세서(2100), 프로세서(2100)에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리(2200), 버스(2500), 통신 인터페이스(2400)와 컴퓨터 프로그램(2310)을 저장하는 스토리지(2300)를 포함할 수 있다. 다만, 도 14에는 본 개시의 실시예와 관련 있는 구성요소들만이 도시되어 있다. 따라서, 본 개시가 속한 기술분야의 통상의 기술자라면 도 14에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.

프로세서(2100)는 컴퓨팅 장치(2000)의 각 구성의 전반적인 동작을 제어한다. 프로세서(3100)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 개시의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다. 또한, 프로세서(2100)는 본 개시의 실시예들에 따른 방법/동작을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 컴퓨팅 장치(2000)는 하나 이상의 프로세서를 구비할 수 있다.

메모리(2200)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(2200)는 본 개시의 다양한 실시예들에 따른 방법/동작을 실행하기 위하여 스토리지(2300)로부터 하나 이상의 프로그램(2310)을 로드할 수 있다. 메모리(2200)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.

버스(2500)는 컴퓨팅 장치(2000)의 구성 요소 간 통신 기능을 제공한다. 버스(2500)는 주소 버스(Address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.

통신 인터페이스(2400)는 컴퓨팅 장치(2000)의 유무선 인터넷 통신을 지원한다. 또한, 통신 인터페이스(2400)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(2400)는 본 개시의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다. 경우에 따라, 통신 인터페이스(2400)는 생략될 수도 있다.

스토리지(2300)는 상기 하나 이상의 컴퓨터 프로그램(2310)과 각종 데이터(e.g. 학습 데이터셋), 기계학습 모델 등을 비임시적으로 저장할 수 있다. 스토리지(2300)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.

컴퓨터 프로그램(2310)은 메모리(2200)에 로드될 때 프로세서(2100)로 하여금 본 개시의 다양한 실시예에 따른 방법/동작을 수행하도록 하는 하나 이상의 인스트럭션들을 포함할 수 있다. 즉, 프로세서(2100)는 상기 하나 이상의 인스트럭션들을 실행함으로써, 본 개시의 다양한 실시예에 따른 방법/동작들을 수행할 수 있다.

예를 들어, 컴퓨터 프로그램(2310)은 금융 정보 및 기업 정보를 수집하여 가공하는 동작, 그에 따라 머신러닝 기반의 투자 유니버스를 구성하는 동작, 유사도 검색 및 몬테카를로 알고리즘을 이용하여 기대수익률 및 위험도 등을 산출하는 동작, 사용자의 투자 성향을 반영하여 투자 포트폴리오를 산출하는 동작, 시장의 흐름을 모니터링하여 리밸런싱하는 동작들을 수행하도록 하는 인스트럭션들을 포함할 수 있다.

지금까지 도 1 내지 도 14를 참조하여 본 개시의 다양한 실시예들 및 그 실시예들에 따른 효과들을 언급하였다. 본 개시의 기술적 사상에 따른 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

지금까지 도 1 내지 도 14를 참조하여 설명된 본 개시의 기술적 사상은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체는, 예를 들어 이동형 기록 매체(CD, DVD, 블루레이 디스크, USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비 형 하드 디스크)일 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.

이상에서, 본 개시의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 개시의 기술적 사상이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 개시의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.

도면에서 동작들이 특정한 순서로 도시되어 있지만, 반드시 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행되어야만 하거나 또는 모든 도시 된 동작들이 실행되어야만 원하는 결과를 얻을 수 있는 것으로 이해되어서는 안 된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다. 더욱이, 위에 설명한 실시예들에서 다양한 구성들의 분리는 그러한 분리가 반드시 필요한 것으로 이해되어서는 안 되고, 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키지 될 수 있음을 이해하여야 한다.

이상 첨부된 도면을 참조하여 본 개시의 실시예들을 설명하였지만, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 본 개시가 다른 구체적인 형태로도 실시될 수 있다는 것을 이해할 수 있다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시에 의해 정의되는 기술적 사상의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims

컴퓨팅 장치가 수행하는 머신러닝 기반의 자산 관리 방법에 있어서,
머신러닝 기반으로 자산의 과거 히스토리에 대한 유사도 검색을 수행하는 단계;
상기 유사도 검색 결과에 따라 유사 차트를 추출할 기준 일자를 결정하는 단계; 및
상기 결정된 기준 일자에 따라 상기 유사 차트를 추출하고, 상기 유사 차트에 기반한 예상 차트 모형을 생성하는 단계를 포함하는, 자산 관리 방법.
제1 항에 있어서,
상기 예상 차트 모형은 몬테카를로 알고리즘을 사용하여 생성되는, 자산 관리 방법.
제1 항에 있어서,
상기 예상 차트 모형에 따라 상기 자산의 기대수익률 및 위험도를 산출하는 단계; 및
상기 산출된 기대수익률 및 위험도에 기반하여, 사용자의 투자 성향에 따른 투자 포트폴리오를 산출하는 단계를 더 포함하는, 자산 관리 방법.
제3 항에 있어서,
상기 위험도는 상기 예상 차트 모형의 세타, 변동성 또는 상기 기준 일자의 지표 유동성을 참조하여 산출되는, 자산 관리 방법.
제3 항에 있어서,
상기 투자 포트폴리오를 산출하기 위한 투자 유니버스를 구성하는 단계를 더 포함하고,
상기 투자 유니버스를 구성하는 단계는,
자산들을 하나 이상의 자산군으로 클러스터링하는 단계;
상기 자산군별로 스코어링하는 단계; 및
상기 스코어링 결과에 따라, 상기 자산들 중 상기 투자 유니버스를 구성할 자산들을 결정하는 단계를 포함하는, 자산 관리 방법.
제5 항에 있어서,
상기 자산군별로 스코어링하는 단계는,
상기 하나 이상의 스코어링 지표들에 대한 가중치를 산출하는 단계; 및
상기 산출된 가중치를 참조하여, 상기 하나 이상의 자산군에 대해 스코어링하는 단계를 포함하는, 자산 관리 방법.
제1 항에 있어서,
상기 머신러닝에 제공할 데이터를 수집하는 단계를 더 포함하고,
상기 데이터를 수집하는 단계는,
상기 수집한 데이터 웹 크롤링, 웹 마이닝 또는 API를 이용하여 상기 자산과 관련된 기업 정보 또는 시장 정보를 수집하는, 자산 관리 방법.
제7 항에 있어서,
상기 수집한 데이터를 저장하는 단계를 더 포함하고,
상기 데이터를 저장하는 단계는, 상기 수집한 데이터의 용량이 데이터베이스의 용량을 초과하는 경우 상기 데이터베이스의 증설을 요청하는 단계를 포함하는, 자산 관리 방법.
제7 항에 있어서,
상기 수집한 데이터를 가공하는 단계를 더 포함하고,
상기 데이터를 가공하는 단계는,
상기 데이터의 유형을 분석하는 단계; 및
상기 유형을 분석한 결과에 따라, 상기 데이터를 금융 지표 또는 심리 지표로 가공하는 단계를 포함하는, 자산 관리 방법.
제9 항에 있어서,
상기 가공한 금융 지표 또는 심리 지표를 데이터베이스에 저장하는 단계를 더 포함하고,
상기 저장하는 단계는, 상기 데이터베이스에 잉여 공간이 존재하는 경우, 상기 데이터베이스의 감축을 요청하는 단계를 포함하는, 자산 관리 방법.
제1 항에 있어서,
상기 자산이 거래되는 시장을 모니터링하고, 상기 모니터링 결과에 따라 상기 자산을 매매하는 리밸런싱 단계를 더 포함하는, 자산 관리 방법.
제11 항에 있어서,
상기 리밸런싱 단계는,
상기 자산의 매매 가격 및 매매 시기가 적합한지 판단하는 단계; 및
상기 판단 결과에 따라, 상기 자산을 매매하는 리밸런싱을 수행하는 단계를 포함하는, 자산 관리 방법.
제11 항에 있어서,
상기 리밸런싱 단계는,
상기 자산의 매매 가격 및 매매 시기가 적합한지 판단하는 단계;
상기 판단 결과에 따라, 상기 예상 차트 모형에 기반하여 예측한 차트 흐름과 상기 시장의 실제 차트 흐름을 비교하는 단계; 및
상기 비교 결과에 따라, 상기 예상 차트 모형에 기반하여 상기 자산의 기대수익률 및 위험도를 산출하는 단계를 포함하는, 자산 관리 방법.
제1 항에 있어서,
상기 생성된 예상 차트 모형을 참조하여 사용자 계정에 대한 자산 운용을 수행하되, 상기 사용자 계정은 휴면 상태가 해제된 계좌 또는 상기 휴면 상태가 해제된 계좌의 예치금을 이전한 계좌와 연계된 계정인, 자산 관리 방법.
하나 이상의 인스트럭션(instructions)을 저장하는 메모리; 및
상기 저장된 하나 이상의 인스트럭션들을 실행함으로써 머신러닝 기반으로 자산의 과거 히스토리에 대한 유사도 검색을 수행하고, 상기 유사도 검색 결과에 따라 유사 차트를 추출할 기준 일자를 결정하고, 상기 결정된 기준 일자에 따라 상기 유사 차트를 추출하여 상기 유사 차트에 기반한 예상 차트 모형을 생성하는, 프로세서를 포함하는,
자산 관리 시스템.