KR20210017957A - 머신러닝 기반의 관계형 금융 방식을 이용한 p2p 금융 장치, 방법 및 컴퓨터 프로그램 - Google Patents

머신러닝 기반의 관계형 금융 방식을 이용한 p2p 금융 장치, 방법 및 컴퓨터 프로그램 Download PDF

Info

Publication number
KR20210017957A
KR20210017957A KR1020190121495A KR20190121495A KR20210017957A KR 20210017957 A KR20210017957 A KR 20210017957A KR 1020190121495 A KR1020190121495 A KR 1020190121495A KR 20190121495 A KR20190121495 A KR 20190121495A KR 20210017957 A KR20210017957 A KR 20210017957A
Authority
KR
South Korea
Prior art keywords
loan
investor
borrower
rate
personal information
Prior art date
Application number
KR1020190121495A
Other languages
English (en)
Other versions
KR102321437B1 (ko
Inventor
어창욱
김휘기
박성환
송하진
김진수
박수연
Original Assignee
주식회사 인터리핀
어창욱
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 주식회사 인터리핀, 어창욱 filed Critical 주식회사 인터리핀
Publication of KR20210017957A publication Critical patent/KR20210017957A/ko
Application granted granted Critical
Publication of KR102321437B1 publication Critical patent/KR102321437B1/ko

Links

Images

Classifications

    • G06Q40/025—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/22—Payment schemes or models
    • G06Q20/223—Payment schemes or models based on the use of peer-to-peer networks

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Technology Law (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

본 발명의 일 실시예에 따른 P2P 금융 장치는 P2P 금융 서비스의 차입자 개인 정보 및 투자자 개인 정보를 저장하는 데이터베이스, 차입자로부터 대출 요청을 수신하는 경우 차입자에 대해 소정의 심사 기준을 적용하여 대출 요청에 대한 상환 조건을 설정한 대출 상품을 생성하는 대출 심사부, 투자자 개인 정보와 차입자 개인 정보 간에 서로 동질성을 갖는 상관 관계를 기초로 투자자가 차입자의 대출 상품에 투자할 경우의 대출 상품에 대해 예측되는 연체율 및 실수익률을 판별하는 신경망 모델을 기초로, 투자자가 복수의 대출 상품의 각각에 투자할 경우 예측되는 연체율 및 실수익률을 판별하는 상관 관계 판별부 및 복수의 대출 상품 각각에 대해 예측되는 연체율 및 실수익률을 기초로 투자자가 선호하는 조건의 대출 상품을 우선적으로 추천하는 대출 상품 추천부를 포함할 수 있다.

Description

머신러닝 기반의 관계형 금융 방식을 이용한 P2P 금융 장치, 방법 및 컴퓨터 프로그램{P2P LOAN SERVER, METHOD AND COMPUTER PROGRAM THROUGH RELATIONSHIP BANKING BASED ON MACHINE LEARNING}
본 발명은 머신러닝 기반의 관계형 금융 방식을 이용한 P2P 금융 장치, 방법 및 컴퓨터 프로그램에 관한 것으로서, 보다 자세하게는 P2P 금융 플랫폼의 투자자와 차입자 간 동질성이라는 요소가 채권/채무 관계에 미치는 상관 관계를 머신러닝 알고리즘을 통해 분석하여 이를 P2P 대출에 활용하는 기술에 관한 것이다.
투자자를 모집한 후 자금이 필요한 차입자에게 투자의 형식으로 자금을 융통할 수 있도록 하고, 투자자에게 투자 금액에 대한 소정의 이자를 지급 받을 수 있도록 중계하는 P2P 금융 플랫폼 산업이 크게 성장하고 있다.
기존의 금융 대출은 도 1의 좌측과 같이, 은행이 예금자로부터 지급된 금원을 관리하면서 차입자에게 대출해주는 형태로서 예금자와 차입자 간의 직접적인 상관 관계가 존재하지 않으며 대출금이 회수되지 못하게 되는 리스크는 은행이 부담하게 되는 구조이다.
이와 달리, P2P 금융 플랫폼 산업은 투자자를 모집하여 자금이 필요한 차입자에게 투자의 형식으로 자금을 융통하는 형태로서, 도 1의 우측과 같이 투자자와 차입자 사이에 직접적인 채권/채무 관계가 발생하게 된다. 따라서, P2P 금융 플랫폼에서 차입자는 필요로 하는 자금을 투자자로부터 제때에 제대로 투자받고, 투자자는 차입자로부터 원금과 이자를 정상적으로 지불 받을 수 있도록 하는 시스템을 구축하는 것이 중요하다.
다만, 현존하는 P2P 금융 플랫폼에서 차입자에 대한 대출 심사는 기존의 금융 대출 방식과 유사하게 차입자에 대한 정량적 심사를 거쳐 대출을 승인한 후 투자자를 모집하게 되는데, 기존의 금융 대출에서는 대출금 회수에 대한 부담을 금융 기관이 부담하지만 P2P 금융 플랫폼에서는 대출금이 회수되지 못하는 부담을 투자자가 지게 된다는 차이점 때문에, 기존의 정량적 심사만을 통한 차입자와 투자자의 연결은 투자자에게 큰 리스크가 될 수 있다는 문제가 있다. 또한, 이러한 리스크에 대한 대가는 높은 이자로 연결될 수 밖에 없기 때문에, 차입자 입장에서도 이러한 리스크는 높은 이자의 부담으로 이어진다는 문제를 내포한다.
금융 기관과 차입자 간에 채권/채무 관계가 발생하는 기존 금융 대출과 달리, P2P 금융 플랫폼 산업에서는 투자자와 차입자 사이에 직접적인 채권/채무 관계가 발생한다. 이에 따라, P2P 금융 플랫폼을 사용하는 투자자와 차입자의 개인 정보 간에는 도 2와 같이 서로 동질성을 갖는 상관 관계가 나타날 수 있다.
본 발명의 실시예는 정량 심사 방식뿐만 아니라 투자자와 차입자 간의 동질성이라는 요소를 활용하는 관계형 금융 방식을 통한 차입자와 투자자의 연결을 통하여 상호 간에 신뢰감과 의무감을 보다 강하게 형성시킬 수 있는 기술을 제공하고자 한다.
이러한 동질성이라는 요소의 가치는 인류의 오랜 특징을 살펴보았을 때, 동질성을 공유하지 않는 사인 관계보다 같은 동질성을 공유하는 공통체의 구성원 간에 서로에게 신뢰감과 의무감이 보다 강하게 형성된다는 사실을 통해 그 가치를 확인할 수 있다.
본 발명의 실시예는 이러한 동질성의 요소를 단순한 추측이 아닌 머신러닝 알고리즘을 통한 투자자와 차입자 간에 동질성과 해당 채권/채무 관계의 연체율 및 실수익률로 이어지는 상관 관계를 기술적으로 판별하여, 차입자에게는 연체율을 낮출 수 있도록 하고 투자자에게는 실수익률을 높일 수 있도록 관계를 형성하는 기술을 제공하고자 한다.
다만, 본 발명의 실시예가 이루고자 하는 기술적 과제는 이상에서 언급한 과제로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 기술적 과제가 도출될 수 있다.
일 실시예에 따른 P2P 금융 장치는 P2P 금융 서비스의 차입자 개인 정보 및 투자자 개인 정보를 저장하는 데이터베이스, 차입자로부터 대출 요청을 수신하는 경우 상기 차입자에 대해 소정의 심사 기준을 적용하여 상기 대출 요청에 대한 상환 조건을 설정한 대출 상품을 생성하는 대출 심사부, 상기 투자자 개인 정보와 상기 차입자 개인 정보 간에 서로 동질성을 갖는 상관 관계를 기초로 상기 투자자가 상기 차입자의 대출 상품에 투자할 경우의 상기 대출 상품에 대해 예측되는 연체율 및 실수익률을 판별하는 신경망 모델을 기초로, 상기 투자자가 복수의 대출 상품의 각각에 투자할 경우 예측되는 연체율 및 실수익률을 판별하는 상관 관계 판별부 및 상기 복수의 대출 상품 각각에 대해 예측되는 연체율 및 실수익률을 기초로 상기 투자자가 선호하는 조건의 대출 상품을 우선적으로 추천하는 대출 상품 추천부를 포함할 수 있다.
또한, 상기 신경망 모델은 상기 투자자 개인 정보와 상기 차입자 개인 정보의 동질성 정도가 상기 대출 상품의 연체율 및 실수익률에 미치는 상관 관계를 소정의 머신러닝 알고리즘을 기초로 학습하여, 투자자 개인 정보, 차입자 개인 정보 및 대출 상품을 입력하면 상기 대출 상품에 대한 차입자의 연체율 및 실수익률을 도출할 수 있다.
또한, 상기 신경망 모델은 입력층, 은닉층 및 출력층을 포함하는 신경망으로 구성되고, 상기 입력층에 투자자 개인 정보, 차입자 개인 정보 및 대출 상품에 대한 정보가 레이블링된 학습 데이터가 입력되도록 설정되고, 상기 출력층에 상기 대출 상품에 대한 기 확인된 차입자의 연체율 및 상기 대출 상품에 대한 기 확인된 투자자의 실수익률이 레이블링된 학습 데이터가 입력되도록 설정되어, 다수의 학습 데이터가 상기 설정에 따라 입력됨에 따라 상기 투자자 개인 정보와 상기 차입자 개인 정보의 동질성 정도가 상기 대출 상품의 상환 및 연체에 미치는 상관 관계가 상기 은닉층 간의 연결 정보를 갱신시키는 딥러닝 알고리즘 기반으로 학습될 수 있다.
또한, 상기 차입자 개인 정보 및 상기 투자자 개인 정보는 거주지, 고향, 직군, 학교 및 관심사에 대한 정보를 포함하고, 상기 대출 상품에 대한 정보는 대출 금액, 대출 기간, 이자율에 대한 정보를 포함할 수 있다.
또한, 상기 투자자 개인 정보는 대출 상품에 대해 선호하는 이자율의 범위에 따라 위험 선호형, 위험 중립형 및 위험 회피형 중 어느 하나로 결정된 투자 성향 정보를 포함할 수 있다.
또한, 상기 대출 상품 추천부는 상기 투자자에 대해 결정된 상기 투자 성향 정보를 기초로 상기 복수의 대출 상품 중 상기 투자 성향 정보를 기초로 상기 이자율의 범위를 만족하는 대출 상품을 필터링하고, 상기 필터링된 대출 상품 중 상기 연체율이 낮고 상기 실수익률이 높은 것으로 판별된 순서로 대출 상품을 추천할 수 있다.
또한, 상기 대출 상품 추천부는 상기 투자자가 투자금을 입력한 경우 상기 판별된 순서의 대출 상품 중 기 설정된 개수의 상위 대출 상품에 대해 상기 투자금을 기 설정된 비율로 나누어 투자금을 배분할 수 있다.
또한, 상기 대출 상품 추천부는 상기 투자자가 상기 복수의 대출 상품 중 일부를 선택하여 상기 선택된 대출 상품 각각에 대해 투자 금액을 입력하는 경우, 상기 연체율 및 실수익률을 기초로 상기 선택된 대출 상품에 대한 예상 수익률을 계산할 수 있다.
일 실시예에 따른 P2P 금융 방법은 P2P 금융 서비스의 차입자 개인 정보 및 투자자 개인 정보를 저장하는 단계, 차입자로부터 대출 요청을 수신하는 경우 상기 차입자에 대해 소정의 심사 기준을 적용하여 상기 대출 요청에 대한 상환 조건을 설정한 대출 상품을 생성하는 단계, 상기 투자자 개인 정보와 상기 차입자 개인 정보 간에 서로 동질성을 갖는 상관 관계를 기초로 상기 투자자가 상기 차입자의 대출 상품에 투자할 경우의 상기 대출 상품에 대해 예측되는 연체율 및 실수익률을 판별하는 신경망 모델을 기초로, 상기 투자자가 복수의 대출 상품의 각각에 투자할 경우 예측되는 연체율 및 실수익률을 판별하는 단계 및 상기 복수의 대출 상품 각각에 대한 연체율 및 실수익률을 기초로 상기 투자자가 선호하는 조건의 대출 상품을 우선적으로 추천하는 단계를 포함할 수 있다.
동질성의 요소를 투자자/차입자의 채권/채무 관계에 접목하기 위해서는 두 요소 사이에 어떠한 상관 관계가 있는 지를 기술적으로 정립하는 과정이 중요하다. 본 발명의 실시예에 따르면 투자자/차입자 간 동질성의 요소가 상호 간에 발생하는 채권/채무 관계에 미치는 상관 관계를 머신러닝 알고리즘을 통해 판별한다. 이에 따라, 투자자와 차입자 간의 동질성과 채권/채무 관계의 연체율 및 실수익률로 이어지는 상관 관계를 기술적으로 판별하여 투자자와 차입자를 매칭시킬 수 있으며, 나아가 투자자와 차입자 간의 동질성에 기한 신뢰감과 의무감 생성하는 관계형 금융 방식은 차입자의 연체를 방지하고 투자자의 투자에 대한 리스크를 줄이는 효과를 달성할 수 있다.
이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은 기존의 금융 대출의 형태와 P2P 금융 플랫폼의 형태를 비교한 예시도이다.
도 2는 P2P 금융 플랫폼을 사용하는 투자자와 차입자의 개인 정보 간에 동질성을 가질 수 있는 요소를 나타낸 예시도이다.
도 3은 본 발명의 일 실시예에 따른 P2P 금융 장치의 구성을 나타내는 기능 블럭도이다.
도 4는 본 발명의 일 실시예에 따라 투자자와 차입자 간의 개인 정보에서 동질성을 가질 수 있는 요소를 나타낸 예시도이다.
도 5는 본 발명의 일 실시예에 따른 신경망 모델이 머신러닝 알고리즘 중 딥러닝을 이용한 신경망으로 구성된 예시도이다.
도 6은 본 발명의 일 실시예에 따라 하나의 대출 상품에 대해 투자한 복수의 투자자들의 동질성을 갖는 정보를 다이어그램화한 예시도이다.
도 7은 본 발명의 일 실시예에 따른 P2P 금융 장치가 수행하는 P2P 금융 방법의 프로세스를 도시하는 흐름도이다.
본 발명의 이점 및 특징,　그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다.　　그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있으며,　단지 본 실시예들은 본 발명의 개시가 완전하도록 하고,　본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며,　본 발명의 범주는 청구항에　의해 정의될 뿐이다.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명은 본 발명의 실시예들을 설명함에 있어 실제로 필요한 경우 외에는 생략될 것이다.　　그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다.　　그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도면에 표시되고 아래에 설명되는 기능 블록들은 가능한 구현의 예들일 뿐이다. 다른 구현들에서는 상세한 설명의 사상 및 범위를 벗어나지 않는 범위에서 다른 기능 블록들이 사용될 수 있다. 또한 본 발명의 하나 이상의 기능 블록이 개별 블록들로 표시되지만, 본 발명의 기능 블록들 중 하나 이상은 동일 기능을 실행하는 다양한 하드웨어 및 소프트웨어 구성들의 조합일 수 있다.
또한 어떤 구성 요소들을 포함한다는 표현은 개방형의 표현으로서 해당 구성 요소들이 존재하는 것을 단순히 지칭할 뿐이며, 추가적인 구성 요소들을 배제하는 것으로 이해되어서는 안 된다.
나아가 어떤 구성 요소가 다른 구성 요소에 연결되어 있다거나 접속되어 있다고 언급될 때에는, 그 다른 구성 요소에 직접적으로 연결 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다고 이해되어야 한다.
또한 '제1, 제2' 등과 같은 표현은 복수의 구성들을 구분하기 위한 용도로만 사용된 표현으로써, 구성들 사이의 순서나 기타 특징들을 한정하지 않는다.
이하에서는 도면들을 참조하여 본 발명의 실시예들에 대해 설명하도록 한다.
도 1은 기존의 금융 대출의 형태와 P2P 금융 플랫폼의 형태를 비교한 예시도이다.
도 1을 참조하면 금융 기관과 차입자 간에 채권/채무 관계가 발생하는 기존 금융 대출과 달리, P2P 금융 플랫폼 산업에서는 투자자와 차입자 사이에 직접적인 채권/채무 관계가 발생한다. 따라서, P2P 금융 플랫폼에서 차입자는 필요로 하는 자금을 투자자로부터 제때에 제대로 투자받고, 투자자는 차입자로부터 원금과 이자를 정상적으로 지불 받을 수 있도록 하는 시스템을 구축하는 것이 중요하다.
다만, 현존하는 P2P 금융 플랫폼에서 차입자에 대한 대출 심사는 차입자에 대한 정량적 심사를 거쳐 대출을 승인한 후 투자자를 모집하게 되는데, 기존의 금융 대출에서는 대출금 회수에 대한 부담을 금융 기관이 부담하지만 P2P 금융 플랫폼에서는 대출금이 회수되지 못하는 부담을 투자자가 지게 된다는 차이점 때문에, 기존의 정량적 심사만을 통한 차입자와 투자자의 연결은 투자자에게 큰 리스크가 될 수 있다는 문제가 있다. 또한, 이러한 리스크에 대한 대가는 높은 이자로 연결될 수 밖에 없기 때문에, 차입자 입장에서도 이러한 리스크는 높은 이자의 부담으로 이어진다는 문제를 내포한다.
도 2는 P2P 금융 플랫폼을 사용하는 투자자와 차입자의 개인 정보 간에 동질성을 가질 수 있는 요소를 나타낸 예시도이다.
도 2를 참조하면, P2P 금융 플랫폼을 사용하는 투자자와 차입자의 개인 정보 간에는 서로 동질성을 갖는 상관 관계가 나타날 수 있다. 이에 따라, 본 발명의 실시예는 정량 심사 방식뿐만 아니라 투자자와 차입자 간의 동질성이라는 요소를 활용하는 관계형 금융 방식을 통한 차입자와 투자자의 연결을 통하여 상호 간에 신뢰감과 의무감을 보다 강하게 형성할 수 있는 기술을 제공하고자 한다. 이러한 동질성의 요소를 단순한 추측이 아닌 머신러닝 알고리즘을 통한 투자자와 차입자 간에 동질성과 해당 채권/채무 관계의 연체율 및 실수익률로 이어지는 상관 관계를 기술적으로 판별하여, 차입자에게는 연체율을 낮출 수 있도록 하고 투자자에게는 실수익률을 높일 수 있도록 관계를 형성할 수 있도록 한다. 이러한 P2P 금융 플랫폼 서비스를 제공하는 P2P 금융 장치(100)의 구성은 다음과 같다.
도 3은 본 발명의 일 실시예에 따른 P2P 금융 장치(100)의 구성을 나타내는 기능 블럭도이다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 P2P 금융 장치(100)는 데이터베이스(110), 대출 심사부(120), 상관 관계 판별부(130) 및 대출 상품 추천부(140)를 포함할 수 있다.
데이터베이스(110)는 P2P 금융 플랫폼 서비스를 이용하는 투자자/차입자로부터 또는 외부 기관(ex. 신용평가정보원)으로부터 투자자/차입자의 정보를 제공 받아 저장할 수 있다. 데이터베이스(110)가 저장하는 투자자/차입자의 정보는 크게 금융 정보와 개인 정보로 분류할 수 있다.
금융 정보는 투자 및 대출을 위해 필요한 금융 관련 정보들을 의미한다. 일 예로, 금융 정보는 자금 상태, 투자를 원하는 사업 분야 정보, 투자 금액, 투자 금리, 투자 기간, 투자 목적, 대출 금액, 대출 금리, 대출 기간, 대출 목적, 재무 정보, 신용 등급, 사업 기간, 연체 이력, 파산 이력, 신용 한도, 보증 정보, 담보 정보, 상환 능력 정보 등을 포함할 수 있다.
개인 정보는 개인을 특정할 수 있는 다양한 정보를 의미한다. 일 예로, 개인정보는 거주지, 고향, 직군, 학교, 관심사, 나이, 가족 관계, 이력 등을 포함할 수 있다.
대출 심사부(120)는 차입자로부터 대출 요청을 수신하는 경우 차입자에 대해 소정의 심사 기준을 적용하여 대출 요청에 대한 상환 조건을 설정한 대출 상품을 생성할 수 있다. 예를 들어, 대출 심사부(120)는 정량 심사 방식에 따라 차입자의 금융 정보를 고려하여 대출 가부를 판별할 수 있다. 정량 심사 방식은 크게 두 분류로 나누어지는데 차입자의 월 소득을 기준으로 금융 비용의 지불이 가능한지 판단하는 상환 능력 평가나, 대출 금액을 정상적으로 상환할 의지가 있는 지를 신용 등급을 통해 판단하는 상환 의지 평가를 포함할 수 있다. 다만, 상술한 정량 심사 방식은 예시일 뿐, 본 발명의 실시예에는 다양한 심사 기준을 적용할 수 있으며 특정한 실시예에 한정되는 것은 아니다.
대출 심사부(120)는 차입자의 대출 요청에 대한 대출 상품 생성이 가능하다고 판별한 경우, 차입자의 선택 또는 동의에 따라 상환 조건을 설정한 대출 상품을 생성할 수 있다. 예를 들어, 상환 조건은 대출 금액, 대출 금액에 따른 순수 이자 납부 기간, 원금 및 이자 납부 기간, 순수 이자 납부 기간 별 상환 금액, 원금 및 이자 납부 기간 별 상환 금액, 및 이자율 등을 포함할 수 있다.
도 4는 본 발명의 일 실시예에 따라 투자자와 차입자 간의 개인 정보에서 동질성을 가질 수 있는 요소를 나타낸 예시도이다.
도 4와 같이 대출 상품이 생성된 경우, 투자자는 대출 상품을 요청한 차입자와 채권/채무 관계를 갖게 된다. 이때 P2P 금융 플랫폼을 사용하는 투자자와 차입자의 개인 정보 간에는 서로 동질성을 갖는 상관 관계가 나타날 수 있다. 예를 들어, 도 4에서는 투자자와 차입자가 동일한 직업과 동일한 고등학교를 다녔음을 알 수 있고, 출생지가 동일하지는 않지만 어느 정도 근접한 지역임을 확인할 수 있다.
이러한 동질성의 요소를 투자자/차입자의 채권/채무 관계에 접목하기 위해서는 크게 두 요소 사이에 어떠한 상관 관계가 있는 지를 기술적으로 정립하는 과정이 중요하다. 본 발명의 실시예는 이러한 동질성의 요소가 채권/채무 관계에 미치는 영향을 단순한 추측이 아닌 머신러닝 알고리즘을 통한 투자자와 차입자 간에 동질성과 해당 채권/채무 관계의 연체율 및 실수익률로 이어지는 상관 관계를 후술할 상관 관계 판별부(130)를 통해 기술적으로 판별한다.
상관 관계 판별부(130)는 투자자 개인 정보와 차입자 개인 정보 간에 서로 동질성을 갖는 상관 관계를 기초로 투자자가 차입자의 대출 상품에 투자할 경우, 예측되는 연체율 및 실수익률을 판별하는 신경망 모델을 포함할 수 있다. 상관 관계 판별부(130)는 신경망 모델을 이용하여 투자자가 특정 대출 상품에 투자할 경우 예측되는 연체율 및 실수익률을 판별할 수 있다. 또한, 대출 상품이 복수 개가 생성되어 있는 경우, 상관 관계 판별부(130)는 신경망 모델을 이용하여 투자자가 복수의 대출 상품 각각에 투자할 경우 예측되는 연체율 및 실수익률을 각각 판별하여 비교할 수 있게 한다.
일 실시예에 따른 신경망 모델은 투자자 개인 정보와 차입자 개인 정보의 동질성 정도가 해당 차입자로부터 생성된 대출 상품의 연체율 및 실수익률에 미치는 상관 관계를 소정의 머신러닝 알고리즘을 기초로 학습하여, 투자자 개인 정보, 차입자 개인 정보 및 대출 상품을 입력하면 대출 상품에 대한 차입자의 연체율 및 실수익률을 도출하도록 할 수 있다.
머신러닝(기계 학습, Machine Learning)이란, 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.
인공 신경망(ANN: Artificial Neural Network)은 머신러닝에서 사용되는 모델로서, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런(노드)을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치(weight), 편향(bias)에 대한 활성 함수의 함수값을 출력할 수 있다. 모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다.
인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.
머신러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있는데, 본 발명의 실시예에 따른 신경망 모델은 지도 학습 방식을 통해 학습될 수 있다. 지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 결과 값을 의미할 수 있다.
인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신러닝을 딥러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥러닝은 머신러닝의 일부이다.
도 5는 본 발명의 일 실시예에 따른 신경망 모델이 머신러닝 알고리즘 중 딥러닝 알고리즘을 이용한 신경망으로 구성된 예시도이다.
도 5를 참조하면, 일 실시예에 따른 신경망 모델은 입력층, 은닉층 및 출력층을 포함하는 신경망으로 구성될 수 있고, 입력층에 투자자 개인 정보(ex. 거주지, 고향, 직군, 학교 및 관심사에 대한 정보 등), 차입자 개인 정보(ex. 거주지, 고향, 직군, 학교 및 관심사에 대한 정보 등) 및 대출 상품에 대한 정보(ex. 대출 금액, 대출 기간, 이자율 등)가 레이블링된 학습 데이터들이 입력되도록 설정되고, 출력층에는 대출 상품에 대한 기 확인된 차입자의 연체율 정보(ex. 연체 기간, 연체 횟수, 만기 상환 여부) 및 대출 상품에 대한 기 확인된 투자자의 실수익률 정보(ex. 월별 평균 수익률, 최종 수익률, 투자 만족도)가 레이블링된 학습 데이터들이 입력되도록 설정할 수 있다.
위와 같이, 구성된 신경망 모델에 상기 정보들이 레이블링된 다수의 학습 데이터를 상기 설정에 따라 입력시킴으로써, 신경망 모델을 구성하는 뉴런 간의 가중치나 및 뉴런의 편향은 손실 함수를 최소화하는 방향으로 갱신됨에 따라, 신경망 모델은 은닉층 간의 연결 정보(ex. 가중치, 편향)가 투자자 개인 정보와 차입자 개인 정보의 동질성 정도가 대출 상품의 상환 및 연체에 미치는 상관 관계를 반영하도록 학습될 수 있다.
한편, 도 5의 학습에 사용된 파라미터 수나 은닉층의 구성는 예시일 뿐으로 이에 한정되는 것이 아니며, 딥러닝 알고리즘 외에 decision tree(DT), k-nearest neighbor(KNN), logistic regression(LR), multilayer perceptron(MLP), random forest(RF), support vector machine(SVM) 및 lasso 등 사용할 파라미터의 종류나 수에 따라 적합한 알고리즘을 선택하여 사용할 수 있다.
대출 상품 추천부(140)는 신경망 모델에 의해 복수의 대출 상품 각각에 대해 예측되는 연체율 및 실수익률을 기초로 투자자가 선호하는 조건의 대출 상품을 우선적으로 추천할 수 있다. 투자자가 선호하는 조건은 투자자의 개인 정보를 기초로 결정될 수 있다. 일 예로, 투자자 개인 정보는 대출 상품에 대해 선호하는 이자율의 범위에 따라 위험 선호형(ex. 이자율 10% 이상, 차입자 신용 등급: 무관), 위험 중립형(ex. 이자율 5%~10%, 차입자 신용 등급: 1 등급 ~ 7 등급) 및 위험 회피형(ex. 이자율 0.1%~5%, 차입자 신용 등급: 1 등급 ~ 5 등급)과 같은 투자 성향에 대한 정보를 포함할 수 있다.
일 실시예에 따른 대출 상품 추천부(140)는 투자자에 대해 결정된 투자 성향 정보를 기초로 복수의 대출 상품 중 투자 성향 정보를 기초로 이자율의 범위 또는 신용 등급의 범위를 만족하는 대출 상품을 필터링하고, 필터링된 대출 상품 중 신경망 모델이 판별한 연체율이 낮거나 또는 실수익률이 높은 것으로 판별된 순서로 대출 상품을 추천할 수 있다.
일 실시예에 따른 대출 상품 추천부(140)는 투자자가 투자할 투자금의 총액을 입력한 경우 우선적으로 추천된 순서의 대출 상품 중 기 설정된 개수의 상위 대출 상품에 대해 상기 투자금을 기 설정된 비율로 나누어 투자금을 배분하여 자동적으로 투자하도록 할 수 있다. 예를 들어, 투자자가 1000만원을 10개의 대출 상품에 분산 투자하도록 설정한 경우, 우선적으로 추천된 10개의 대출 상품에 대해 1000만원을 균등하게 100만원씩 분산 투자하도록 분배하거나, 또는 연체율이 낮고 실수익률이 높은 것으로 판별된 대출 상품 순서로 보다 많은 금액이 투자되도록 분배할 수 있다.
일 실시예에 따른 대출 상품 추천부(140)는 투자자가 복수의 대출 상품 중 일부를 선택하여 선택된 대출 상품 각각에 대해 투자 금액을 입력하는 경우 연체율 또는 실수익률을 기초로 선택된 대출 상품에 대한 예상 수익률을 계산할 수 있다. 예를 들어, 특정 대출 상품에 대해 신경망 모델이 판별한 월별 평균 수익률 또는 최종 수익률을 투자 금액에 곱하여 실수익률에 대한 정보를 출력할 수 있으며, 신경망 모델이 판별한 연체 기간 또는 연체 횟수를 고려하여 연체율에 대한 정보를 출력할 수 있다.
이에 따라, 투자자가 특정 대출 상품에 투자를 결정하면, 도 6과 같이 투자자는 대출 상품에 투자한 후 해당 대출 상품에 투자한 투자자들의 동질성 정도를 확인할 수 있다.
한편 상술한 실시예의 P2P 금융 장치(100)가 포함하는 데이터베이스(110), 대출 심사부(120), 상관 관계 판별부(130) 및 대출 상품 추천부(140)는 이들의 기능을 수행하도록 프로그램된 명령어를 포함하는 메모리, 및 이들 명령어를 수행하는 마이크로프로세서를 포함하는 연산 장치에 의해 구현될 수 있다. 즉, 메모리는 프로세서가 구현하는 구성들이 상술한 동작을 수행하도록 하는 명령어들을 저장할 수 있고, 데이터베이스(110), 대출 심사부(120), 상관 관계 판별부(130) 및 대출 상품 추천부(140)에 의해 수행되는 동작은 프로세서에 의해 수행되는 동작으로 이해될 수 있다.
또한, 상술한 실시예의 P2P 금융 장치(100)는 통신 인터페이스를 추가적으로 포함할 수 있고 서버(server)의 형태로 구현될 수 있다. 통신 인터페이스는 무선 통신 모듈 또는 유선 통신 모듈을 포함하여, 유무선 통신을 통해 투자자/차입자가 이용하는 단말들과 정보를 송수신 할 수 있다.
도 7은 본 발명의 일 실시예에 따른 P2P 금융 장치(100)가 수행하는 P2P 금융 방법의 프로세스를 도시하는 흐름도이다. 도 7에 따른 P2P 금융 방법의 각 단계는 도 3을 통해 설명된 P2P 금융 장치(100)에 의해 수행될 수 있으며, 각 단계를 설명하면 다음과 같다.
먼저, 데이터베이스(110)는 P2P 금융 서비스의 차입자 개인 정보 및 투자자 개인 정보를 저장할 수 있다(S1010).
이후, 차입자로부터 대출 요청을 수신하는 경우 대출 심사부(120)는 차입자에 대해 소정의 심사 기준을 적용하여 대출 요청에 대한 상환 조건을 설정한 대출 상품을 생성할 수 있다(S1020).
다음으로, 상관 관계 판별부(130)는 투자자 개인 정보와 차입자 개인 정보 간에 서로 동질성을 갖는 상관 관계를 기초로 투자자가 차입자의 대출 상품에 투자할 경우의 대출 상품에 대해 예측되는 연체율 및 실수익률을 판별하는 신경망 모델을 기초로, 투자자가 복수의 대출 상품의 각각에 투자할 경우 예측되는 연체율 및 실수익률을 판별할 수 있다(S1030).
이에 따라, 대출 상품 추천부(140)는 복수의 대출 상품 각각에 대한 연체율 및 실수익률을 기초로 투자자가 선호하는 조건의 대출 상품을 우선적으로 추천할 수 있다(S1040).
한편, 상술한 각 단계의 주체인 구성 요소들이 해당 단계를 실시하기 위한 과정은 도 3 내지 도 6과 함께 설명하였으므로 중복된 설명은 생략한다.
상술한 실시예들에 따르면 투자자/차입자 간 동질성의 요소가 상호 간에 발생하는 채권/채무 관계에 미치는 상관 관계를 머신러닝 알고리즘을 통해 판별할 수 있다. 이에 따라, 투자자와 차입자 간의 동질성과 채권/채무 관계의 연체율 및 실수익률로 이어지는 상관 관계를 기술적으로 판별하여 투자자와 차입자를 매칭시킬 수 있으며, 투자자와 차입자 간의 동질성에 기한 신뢰감과 의무감 생성하는 관계형 금융 방식을 통해 차입자의 연체를 방지하고 투자자의 투자에 대한 리스크를 줄이는 효과를 달성할 수 있다.
상술한 본 발명의 실시예들은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.
하드웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.
펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드 등이 기록된 컴퓨터 프로그램은 컴퓨터 판독 가능 기록 매체 또는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 메모리 유닛은 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 프로세서와 데이터를 주고 받을 수 있다.
또한 본 발명에 첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방법으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
더불어 각 블록 또는 각 단계는 특정된 논리적 기능을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또한 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
이와 같이, 본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: P2P 금융 장치
110: 데이터베이스
120: 대출 심사부
130: 상관 관계 판별부
140: 상품 추천부

Claims (10)

  1. P2P 금융 서비스의 차입자 개인 정보 및 투자자 개인 정보를 저장하는 데이터베이스;
    차입자로부터 대출 요청을 수신하는 경우 상기 차입자에 대해 소정의 심사 기준을 적용하여 상기 대출 요청에 대한 상환 조건을 설정한 대출 상품을 생성하는 대출 심사부;
    상기 투자자 개인 정보와 상기 차입자 개인 정보 간에 서로 동질성을 갖는 상관 관계를 기초로 상기 투자자가 상기 차입자의 대출 상품에 투자할 경우의 상기 대출 상품에 대해 예측되는 연체율 및 실수익률을 판별하는 신경망 모델을 기초로, 상기 투자자가 복수의 대출 상품의 각각에 투자할 경우 예측되는 연체율 및 실수익률을 판별하는 상관 관계 판별부; 및
    상기 복수의 대출 상품 각각에 대해 예측되는 연체율 및 실수익률을 기초로 상기 투자자가 선호하는 조건의 대출 상품을 우선적으로 추천하는 대출 상품 추천부를 포함하는,
    P2P 금융 장치.
  2. 제1항에 있어서,
    상기 신경망 모델은,
    상기 투자자 개인 정보와 상기 차입자 개인 정보의 동질성 정도가 상기 대출 상품의 연체율 및 실수익률에 미치는 상관 관계를 소정의 머신러닝 알고리즘을 기초로 학습하여, 투자자 개인 정보, 차입자 개인 정보 및 대출 상품을 입력하면 상기 대출 상품에 대한 차입자의 연체율 및 실수익률을 도출하는,
    P2P 금융 장치.
  3. 제2항에 있어서,
    상기 신경망 모델은,
    입력층, 은닉층 및 출력층을 포함하는 신경망으로 구성되고, 상기 입력층에 투자자 개인 정보, 차입자 개인 정보 및 대출 상품에 대한 정보가 레이블링된 학습 데이터가 입력되도록 설정되고, 상기 출력층에 상기 대출 상품에 대한 기 확인된 차입자의 연체율 및 상기 대출 상품에 대한 기 확인된 투자자의 실수익률이 레이블링된 학습 데이터가 입력되도록 설정되어, 다수의 학습 데이터가 상기 설정에 따라 입력됨에 따라 상기 투자자 개인 정보와 상기 차입자 개인 정보의 동질성 정도가 상기 대출 상품의 상환 및 연체에 미치는 상관 관계가 상기 은닉층 간의 연결 정보를 갱신시키는 딥러닝 알고리즘 기반으로 학습된,
    P2P 금융 장치.
  4. 제3항에 있어서,
    상기 차입자 개인 정보 및 상기 투자자 개인 정보는,
    거주지, 고향, 직군, 학교 및 관심사에 대한 정보를 포함하고,
    상기 대출 상품에 대한 정보는,
    대출 금액, 대출 기간, 이자율에 대한 정보를 포함하는,
    P2P 금융 장치.
  5. 제3항에 있어서,
    상기 투자자 개인 정보는,
    대출 상품에 대해 선호하는 이자율의 범위에 따라 위험 선호형, 위험 중립형 및 위험 회피형 중 어느 하나로 결정된 투자 성향 정보를 포함하는,
    P2P 금융 장치.
  6. 제5항에 있어서,
    상기 대출 상품 추천부는,
    상기 투자자에 대해 결정된 상기 투자 성향 정보를 기초로 상기 복수의 대출 상품 중 상기 투자 성향 정보를 기초로 상기 이자율의 범위를 만족하는 대출 상품을 필터링하고, 상기 필터링된 대출 상품 중 상기 연체율이 낮고 상기 실수익률이 높은 것으로 판별된 순서로 대출 상품을 추천하는,
    P2P 금융 장치.
  7. 제6항에 있어서,
    상기 대출 상품 추천부는,
    상기 투자자가 투자금을 입력한 경우 상기 판별된 순서의 대출 상품 중 기 설정된 개수의 상위 대출 상품에 대해 상기 투자금을 기 설정된 비율로 나누어 투자금을 배분하는,
    P2P 금융 장치.
  8. 제3항에 있어서,
    상기 대출 상품 추천부는,
    상기 투자자가 상기 복수의 대출 상품 중 일부를 선택하여 상기 선택된 대출 상품 각각에 대해 투자 금액을 입력하는 경우, 상기 연체율 및 실수익률을 기초로 상기 선택된 대출 상품에 대한 예상 수익률을 계산하는,
    P2P 금융 장치.
  9. P2P 금융 장치가 수행하는 P2P 금융 방법에 있어서,
    P2P 금융 서비스의 차입자 개인 정보 및 투자자 개인 정보를 저장하는 단계;
    차입자로부터 대출 요청을 수신하는 경우 상기 차입자에 대해 소정의 심사 기준을 적용하여 상기 대출 요청에 대한 상환 조건을 설정한 대출 상품을 생성하는 단계;
    상기 투자자 개인 정보와 상기 차입자 개인 정보 간에 서로 동질성을 갖는 상관 관계를 기초로 상기 투자자가 상기 차입자의 대출 상품에 투자할 경우의 상기 대출 상품에 대해 예측되는 연체율 및 실수익률을 판별하는 신경망 모델을 기초로, 상기 투자자가 복수의 대출 상품의 각각에 투자할 경우 예측되는 연체율 및 실수익률을 판별하는 단계; 및
    상기 복수의 대출 상품 각각에 대한 연체율 및 실수익률을 기초로 상기 투자자가 선호하는 조건의 대출 상품을 우선적으로 추천하는 단계를 포함하는,
    P2P 금융 방법.
  10. 제9항의 방법을 프로세서가 수행하도록 하는 컴퓨터 판독 가능 기록매체에 저장된 컴퓨터 프로그램.
KR1020190121495A 2019-08-05 2019-10-01 머신러닝 기반의 관계형 금융 방식을 이용한 p2p 금융 장치, 방법 및 컴퓨터 프로그램 KR102321437B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190095196 2019-08-05
KR20190095196 2019-08-05

Publications (2)

Publication Number Publication Date
KR20210017957A true KR20210017957A (ko) 2021-02-17
KR102321437B1 KR102321437B1 (ko) 2021-11-03

Family

ID=74731344

Family Applications (3)

Application Number Title Priority Date Filing Date
KR1020190121493A KR102321436B1 (ko) 2019-08-05 2019-10-01 관계형 p2p 금융정보제공 서버, 방법 및 그 시스템
KR1020190121495A KR102321437B1 (ko) 2019-08-05 2019-10-01 머신러닝 기반의 관계형 금융 방식을 이용한 p2p 금융 장치, 방법 및 컴퓨터 프로그램
KR1020190143805A KR102324155B1 (ko) 2019-08-05 2019-11-11 블록체인 기반의 p2p 대출 서비스 자율보증증명 방법 및 장치

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020190121493A KR102321436B1 (ko) 2019-08-05 2019-10-01 관계형 p2p 금융정보제공 서버, 방법 및 그 시스템

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020190143805A KR102324155B1 (ko) 2019-08-05 2019-11-11 블록체인 기반의 p2p 대출 서비스 자율보증증명 방법 및 장치

Country Status (1)

Country Link
KR (3) KR102321436B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102527162B1 (ko) * 2021-11-17 2023-04-28 이동주 블록체인 네트워크를 통한 원리금수취권 거래 중개 방법 및 이를 수행하는 서버
KR20230074868A (ko) 2021-11-22 2023-05-31 박혜원 인력사무소 애플리케이션 플랫폼의 일용노무비 지급 방법 및 그 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180060317A (ko) * 2016-11-28 2018-06-07 한국전력공사 심층 신경망 기반 수용가 전력 수요 예측 장치 및 방법
KR20180086398A (ko) * 2018-07-20 2018-07-31 주식회사 에잇퍼센트 자동 분산투자 서버 및 방법
KR20180118922A (ko) * 2017-04-24 2018-11-01 (주)투게더앱스 대출 중개 플랫폼 시스템 및 신용도평가 장치와 그 방법
KR101913591B1 (ko) * 2017-08-25 2018-12-28 경희대학교 산학협력단 비정형 데이터를 정형화하여 금융상품을 추천하는 방법
KR101975448B1 (ko) * 2018-08-14 2019-05-08 (주) 에이투연구소 인공지능을 이용하여 빅데이터 기반 상품 투자 추천 알고리즘을 평가하는 시스템 및 방법

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140134567A (ko) * 2013-05-14 2014-11-24 주식회사 코스콤 전자계약 시스템 및 그 방법
KR20160076583A (ko) * 2014-12-23 2016-07-01 제이티친애저축은행 주식회사 유,무선 웹서비스를 이용한 즉시 대출서비스 방법
KR101877335B1 (ko) * 2017-01-02 2018-08-09 주식회사 코인플러그 블록체인 및 이와 연동되는 머클 트리 구조 기반의 모바일 아이디를 이용하여 사용자를 비대면 인증하는 방법, 단말 및 이를 이용한 서버
KR20190031989A (ko) * 2017-09-19 2019-03-27 주식회사 케이티 블록체인 기반의 전자 계약 처리 시스템 및 방법
KR101857223B1 (ko) * 2017-11-13 2018-05-11 주식회사 온더 블록체인 토큰 기반의 사용자 식별 방법 및 시스템
KR20190089506A (ko) * 2018-01-23 2019-07-31 박동화 블록체인상에서 공유 분산장부와 외부 저장장치에 정보를 분리저장하여 구현한 안전한 전자계약시스템
KR101980307B1 (ko) * 2018-04-19 2019-05-20 김시내 피투피(p2p) 투자 중개 시스템
KR20180074650A (ko) * 2018-06-27 2018-07-03 이여송 투자자들의 크라우드 펀딩 기능을 제공하는 온라인 개인 은행의 ｐ２ｐ 대출 서비스 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180060317A (ko) * 2016-11-28 2018-06-07 한국전력공사 심층 신경망 기반 수용가 전력 수요 예측 장치 및 방법
KR20180118922A (ko) * 2017-04-24 2018-11-01 (주)투게더앱스 대출 중개 플랫폼 시스템 및 신용도평가 장치와 그 방법
KR101913591B1 (ko) * 2017-08-25 2018-12-28 경희대학교 산학협력단 비정형 데이터를 정형화하여 금융상품을 추천하는 방법
KR20180086398A (ko) * 2018-07-20 2018-07-31 주식회사 에잇퍼센트 자동 분산투자 서버 및 방법
KR101975448B1 (ko) * 2018-08-14 2019-05-08 (주) 에이투연구소 인공지능을 이용하여 빅데이터 기반 상품 투자 추천 알고리즘을 평가하는 시스템 및 방법

Also Published As

Publication number Publication date
KR102321437B1 (ko) 2021-11-03
KR20210017964A (ko) 2021-02-17
KR102324155B1 (ko) 2021-11-10
KR102321436B1 (ko) 2021-11-03
KR20210017956A (ko) 2021-02-17

Similar Documents

Publication Publication Date Title
Papouskova et al. Two-stage consumer credit risk modelling using heterogeneous ensemble learning
CN109977151B (zh) 一种数据分析方法及系统
Zhao et al. Investigation and improvement of multi-layer perceptron neural networks for credit scoring
Nune et al. Novel artificial neural networks and logistic approach for detecting credit card deceit
Bahrammirzaee A comparative survey of artificial intelligence applications in finance: artificial neural networks, expert system and hybrid intelligent systems
US20230342846A1 (en) Micro-loan system
Aydin et al. Prediction of financial crisis with artificial neural network: an empirical analysis on Turkey
Yang Adaptive credit scoring with kernel learning methods
Ala’raj et al. Modelling customers credit card behaviour using bidirectional LSTM neural networks
Purohit et al. Credit evaluation model of loan proposals for Indian Banks
KR20190104919A (ko) 주식 자동 매매 시스템 및 방법
KR102321437B1 (ko) 머신러닝 기반의 관계형 금융 방식을 이용한 p2p 금융 장치, 방법 및 컴퓨터 프로그램
Eddy et al. Credit scoring models: Techniques and issues
CN109522317A (zh) 一种反欺诈预警方法及系统
US20210201400A1 (en) Intelligent servicing
Dzik-Walczak et al. An implementation of ensemble methods, logistic regression, and neural network for default prediction in Peer-to-Peer lending
Gadre-Patwardhan et al. A review of artificially intelligent applications in the financial domain
Pendharkar et al. A misclassification cost‐minimizing evolutionary–neural classification approach
Deplano et al. Anatomy of a portfolio optimizer under a limited budget constraint
Aksoy et al. Comparison of machine learning methods in prediction of financial failure of businesses in the manufacturing industry: Evidence from borsa İstanbul
Rahman et al. Nearest neighbor classifier method for making loan decision in commercial bank
Gelindon et al. Credit Risk Evaluation in Banking and Lending Sectors Using Neural Network Model
Anwar et al. Forecasting stock market prices using advanced tools of machine learning
KR102650314B1 (ko) 암호화폐 거래 데이터를 기반으로 학습된 인공지능 모델을 활용한 차익거래 발생 예측 방법, 장치 및 시스템
Saha et al. Credit Risk Prediction using Extra Trees Ensemble Method

Legal Events

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