KR20210058171A - 주식 예측 딥러닝 모델 생성 및 파라미터 최적화를 위한 Automated Deep Learning Studio - Google Patents

주식 예측 딥러닝 모델 생성 및 파라미터 최적화를 위한 Automated Deep Learning Studio Download PDF

Info

Publication number
KR20210058171A
KR20210058171A KR1020190145311A KR20190145311A KR20210058171A KR 20210058171 A KR20210058171 A KR 20210058171A KR 1020190145311 A KR1020190145311 A KR 1020190145311A KR 20190145311 A KR20190145311 A KR 20190145311A KR 20210058171 A KR20210058171 A KR 20210058171A
Authority
KR
South Korea
Prior art keywords
deep learning
data
learning model
stock
user interface
Prior art date
Application number
KR1020190145311A
Other languages
English (en)
Inventor
유성준
구영현
정다운
윤학림
Original Assignee
세종대학교산학협력단
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 세종대학교산학협력단 filed Critical 세종대학교산학협력단
Priority to KR1020190145311A priority Critical patent/KR20210058171A/ko
Publication of KR20210058171A publication Critical patent/KR20210058171A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q40/06—Asset management; Financial planning or analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

일 실시예에 따른 주식 예측을 위한 딥러닝 모델 생성 방법은, 주식 예측을 위한 종목 데이터를 조회하는 단계; 상기 조회된 종목 데이터에 기초하여 딥러닝 모델을 생성하는 단계; 및 상기 생성된 딥러닝 모델을 이용하여 상기 조회된 종목 데이터를 학습시킴에 따라 종목 데이터에 대한 주가를 예측한 예측 결과를 제공하는 단계를 포함할 수 있다.

Description

주식 예측 딥러닝 모델 생성 및 파라미터 최적화를 위한 Automated Deep Learning Studio{AUTOMATED DEEP LEARNING STUDIO FOR SIMPLIFYING STOCK PREDICTIVE DEEP LEARNING MODELS AND PARAMETER OPTIMIZATION}
아래의 설명은 주식 예측을 위한 딥러닝 모델을 생성하는 기술에 관한 것이다.
주식 시장에서 전문지식이 있는 전문투자자를 대체할 수 있는 수단인 컴퓨터를 이용한 시스템 트레이딩에 관해서 많은 연구가 이루어지고 있다. 시스템 트레이딩에서 가장 중요하게 생각하는 수단은 예측 정확도이다. 시장을 정확하게 예측하는 기술을 기반으로 트레이딩을 진행하기 때문이다. 하지만 현 대부분의 시스템 트레이딩은 기존 투자자들의 매매를 보다 고도화한 것에 가깝다.
전문투자자가 Passive와 Active 상품(개별주식, 채권, ETF, 펀드, 파생상품 등)을 포괄해 투자하는 반면, 시스템 트레이딩은 주로 Passive 상품(ETF, Index fund)을 투자한다. 금융 위기 이후 저금리 환경 장기화로 인한 투자 목표수익률이 하향됐다. 이에 따라 '시중금리+α'를 추구하는 투자 수요가 증가했다.
금융선진국에서는 기존 시스템 트레이딩의 passive한 방식에서 벗어나 머신러닝, 딥러닝, AI 등을 이용한 active 전략의 트레이딩 시스템이 출현하고 있다.
방대한 데이터를 활용해 AI를 활용한 시스템 트레이딩 영역에서 활용되고 있지만 일반 투자자 및 전문투자자들은 프로그래밍 언어와 인공지능 분야 지식이 없기 때문에 시스템 트레이딩을 하는데 프로그래밍 언어와 인공지능 지식을 습득한 후 개발하는데 어려움을 겪고 있다.
일반 투자자 및 전문투자자들이 프로그래밍 언어와 인공지능 분야에 지식이 없어도 손쉽게 개인이 가지고 있는 금융 지식을 활용해 주식을 예측할 수 있는 딥러닝 모델을 생성하도록 자동화된 딥러닝 스튜디오를 제공하는 방법 및 시스템을 제공할 수 있다.
주식 예측을 위한 딥러닝 모델 생성 방법은, 주식 예측을 위한 종목 데이터를 조회하는 단계; 상기 조회된 종목 데이터에 기초하여 딥러닝 모델을 생성하는 단계; 및 상기 생성된 딥러닝 모델을 이용하여 상기 조회된 종목 데이터를 학습시킴에 따라 종목 데이터에 대한 주가를 예측한 예측 결과를 제공하는 단계를 포함할 수 있다.
상기 딥러닝 모델을 생성하는 단계는, 상기 조회된 종목 데이터에 대한 딥러닝 모델을 생성하기 위한 강화학습 알고리즘, LSTM 알고리즘 또는 CNN 알고리즘을 포함하는 유저 인터페이스를 제공하고, 상기 제공된 유저 인터페이스를 통하여 학습 알고리즘이 선택됨을 수신하는 단계를 포함할 수 있다.
상기 딥러닝 모델을 생성하는 단계는, 상기 수신된 학습 알고리즘에 기초하여 하이퍼 파라미터를 수동 또는 자동으로 선택하여 딥러닝 모델을 생성하는 단계를 포함할 수 있다.
상기 딥러닝 모델을 생성하는 단계는, 상기 수신된 학습 알고리즘의 에포크 수, 타임 스탭, 배치 사이즈, 레이어 개수, 학습률, 드롭 아웃, 손실 함수, 최적화 함수 또는 활성화 함수를 포함하는 하이퍼 파라미터를 설정하기 위한 유저 인터페이스를 제공하고, 상기 제공된 유저 인터페이스를 통하여 설정된 하이퍼 파라미터를 수신하는 단계를 포함할 수 있다.
상기 딥러닝 모델을 생성하는 단계는, 상기 조회된 종목 데이터에 대한 특징을 추출함에 따라 상기 수신된 학습 알고리즘 기반의 딥러닝 모델의 하이퍼 파라미터를 탐색하고, 상기 탐색된 하이퍼 파라미터를 딥러닝 모델에 적용하는 단계를 포함할 수 있다.
상기 조회하는 단계는, 상기 사용자로부터 종목 데이터가 선정되고, 상기 선정된 종목 데이터에 대한 정형 데이터 자동 전처리를 수행하는 단계를 포함할 수 있다.
상기 조회하는 단계는, 상기 자동 전처리를 통하여 상기 선정된 종목 데이터의 훈련 데이터 기간, 검증 데이터 기간, 테스트 데이터 기간, 각각의 데이터의 비율을 선택하는 유저 인터페이스를 제공하고, 상기 제공된 유저 인터페이스를 통하여 선택된 훈련 데이터 기간, 검증 데이터 기간, 테스트 데이터 기간, 각각의 데이터의 비율을 설정하는 단계를 포함할 수 있다.
상기 제공하는 단계는, 상기 생성된 딥러닝 모델을 이용하여 상기 조회된 종목 데이터 및 상기 조회된 종목 데이터에 설정된 테스트 기간에 기초하여 학습시킴에 따라 상기 조회된 종목 데이터에 대한 주가를 예측한 예측 결과를 제공하는 단계를 포함할 수 있다.
상기 제공하는 단계는, 상기 생성된 딥러닝 모델을 이용하여 제공된 예측 결과에 기초하여 실제 종목 데이터에 대한 투자가 진행됨에 따라 실제 종목 데이터의 매수 날짜, 매도 날짜, 매수가, 매도가 및 수익률을 제공하는 단계를 포함할 수 있다.
딥러닝 시스템은, 주식 예측을 위한 종목 데이터를 조회하는 조회부; 상기 조회된 종목 데이터에 기초하여 딥러닝 모델을 생성하는 모델 생성부; 및 상기 생성된 딥러닝 모델을 이용하여 상기 조회된 종목 데이터를 학습시킴에 따라 종목 데이터에 대한 주가를 예측한 예측 결과를 제공하는 제공부를 포함할 수 있다.
상기 모델 생성부는, 상기 조회된 종목 데이터에 대한 딥러닝 모델을 생성하기 위한 강화학습 알고리즘, LSTM 알고리즘 또는 CNN 알고리즘을 포함하는 유저 인터페이스를 제공하고, 상기 제공된 유저 인터페이스를 통하여 학습 알고리즘이 선택됨을 수신할 수 있다.
상기 모델 생성부는, 상기 수신된 학습 알고리즘에 기초하여 하이퍼 파라미터를 수동 또는 자동으로 선택하여 딥러닝 모델을 생성하고, 1)상기 수신된 학습 알고리즘의 에포크 수, 타임 스탭, 배치 사이즈, 레이어 개수, 학습률, 드롭 아웃, 손실 함수, 최적화 함수 또는 활성화 함수를 포함하는 하이퍼 파라미터를 설정하기 위한 유저 인터페이스를 제공하고, 상기 제공된 유저 인터페이스를 통하여 설정된 하이퍼 파라미터를 수신하거나, 2) 상기 조회된 종목 데이터에 대한 특징을 추출함에 따라 상기 수신된 학습 알고리즘 기반의 딥러닝 모델의 하이퍼 파라미터를 탐색하고, 상기 탐색된 하이퍼 파라미터를 딥러닝 모델에 적용할 수 있다.
상기 조회부는, 상기 사용자로부터 종목 데이터가 선정되고, 상기 선정된 종목 데이터에 대한 정형 데이터 자동 전처리를 수행하고, 상기 자동 전처리를 통하여 상기 선정된 종목 데이터의 훈련 데이터 기간, 검증 데이터 기간, 테스트 데이터 기간, 각각의 데이터의 비율을 선택하는 유저 인터페이스를 제공하고, 상기 제공된 유저 인터페이스를 통하여 선택된 훈련 데이터 기간, 검증 데이터 기간, 테스트 데이터 기간, 각각의 데이터의 비율을 설정할 수 있다.
상기 제공부는, 상기 생성된 딥러닝 모델을 이용하여 상기 조회된 종목 데이터 및 상기 조회된 종목 데이터에 설정된 테스트 기간에 기초하여 학습시킴에 따라 상기 조회된 종목 데이터에 대한 주가를 예측한 예측 결과를 제공할 수 있다.
상기 제공부는, 상기 생성된 딥러닝 모델을 이용하여 제공된 예측 결과에 기초하여 실제 종목 데이터에 대한 투자가 진행됨에 따라 실제 종목 데이터의 매수 날짜, 매도 날짜, 매수가, 매도가 및 수익률을 제공할 수 있다.
일 실시예에 따른 딥러닝 시스템은 사용자가 프로그래밍 언어, 인공지능에 대한 지식이 없어도 주식 예측하는 딥러닝 모델을 간편하게 생성할 수 있도록 제공할 수 있다. 또한, 또한 지식이 있는 사람도 프로그래밍을 하지 않고 원하는 모델을 간단하게 생성할 수 있다.
일 실시예에 따른 딥러닝 시스템은 사용자들이 큰 지식 없이 사용자가 원하는 딥러닝 모델을 생성하여 주식 시장에서 다양하게 활용할 수 있도록 제공할 수 있다.
도 1은 일 실시예에 따른 딥러닝 시스템의 구조도를 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 딥러닝 시스템의 동작을 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 딥러닝 시스템에서 종목 데이터를 선정하는 것을 설명하기 위한 예이다.
도 4는 일 실시예에 따른 딥러닝 시스템에서 종목 데이터 조회 및 전처리를 수행하는 것을 설명하기 위한 예이다.
도 5는 일 실시예에 따른 딥러닝 시스템에서 딥러닝 모델의 알고리즘을 선택하는 것을 설명하기 위한 예이다.
도 6은 일 실시예에 따른 딥러닝 시스템에서 하이퍼 파라미터를 설정하는 것을 설명하기 위한 예이다.
도 7은 일 실시예에 따른 딥러닝 시스템에서 딥러닝 모델을 학습시키는 것을 설명하기 위한 예이다.
도 8은 일 실시예에 따른 딥러닝 시스템에서 백테스팅 그래프를 나타낸 예이다.
도 9는 일 실시예에 따른 딥러닝 시스템에서 백테스팅 상세 내용을 나타낸 예이다.
도 10은 일 실시예에 따른 딥러닝 시스템의 구성을 설명하기 위한 블록도이다.
도 11은 일 실시예에 따른 딥러닝 시스템에서 주가 예측을 위한 딥러닝 모델을 생성하는 방법을 설명하기 위한 흐름도이다.
이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.
일반 투자자 및 전문투자자들이 프로그래밍 언어와 인공지능 분야에 지식이 없이도 손쉽게 개인이 가지고 있는 금융 지식을 활용해 주식을 예측할 수 있는 인공지능 기반의 자동화 딥러닝 스튜디오를 제공하는 방법 및 시스템을 제공할 수 있다. 이때, 자동화 딥러닝 스튜디오는 주식 예측을 위한 딥러닝 모델을 자동 또는 수동으로 생성할 수 있는 유저 인터페이스를 제공하고, 제공된 유저 인터페이스를 통하여 주식 예측을 위한 종목 데이터와 관련된 각각의 파라미터 정보를 입력함으로써 생성된 딥러닝 모델을 통하여 종목 데이터에 대한 주가를 예측할 수 있다.
구체적으로, 딥러닝 시스템은 자동화 딥러닝 스튜디오 형식을 통하여 사용자가 원하는 종목의 데이터를 불러올 수 있고 불러온 데이터로 딥러닝 알고리즘을 학습시켜 원하는 딥러닝 모델을 생성할 수 있다. 이러한 전체 과정이 웹 화면 또는 모바일 화면에 표시되어 사용자가 클릭 몇 번으로 손쉽게 딥러닝 모델을 생성할 수 있도록 제공될 수 있다. 또한, 딥러닝 시스템은 자동 모델링을 제공해 인공지능 전문가들이 노하우를 통해 조정했던 파라미터를 자동화해 가장 좋은 성능을 발휘하는 파라미터와 딥러닝 모델을 제공할 수 있다. 마지막으로, 백테스팅을 통해 생성된 딥러닝 모델을 테스트할 수 있는 환경을 제공할 수 있다. 백테스팅을 통해 사용자로부터 생성된 딥러닝 모델에 대한 성과를 확인해볼 수 있다. 모델의 성과는 거래 날짜, 가격, 수익률, 자본금으로 구성되어 있을 수 있다. 이에, 딥러닝 시스템은 프로그래밍 언어와 인공지능을 모르는 금융 투자자들이 손쉽게 인공지능을 만들어 개인 맞춤 시스템 트레이딩 모델을 사용할 수 있어 시스템 트레이딩 문턱을 낮출 수 있을 것을 기대한다.
도 1은 일 실시예에 따른 딥러닝 시스템의 구조도를 설명하기 위한 도면이다.
딥러닝 시스템은 종목 데이터를 선정할 수 있는 UI/UX를 제공할 수 있다. 사용자는 제공된 UI/UX를 통하여 종목 데이터를 선정할 수 있다. 예를 들면, 사용자는 종목 데이터를 입력하거나, 종목 리스트로부터 종목 데이터를 선정할 수 있다. 또는, 사용자는 종목 데이터에 대한 종목 코드를 입력하여 종목 데이터를 선정할 수 있다.
딥러닝 시스템은 사용자로부터 입력된 종목 데이터를 불러와 정형데이터 자동 전처리 기술을 통해 데이터 정제, 데이터 정규화, 데이터 분리, 데이터 통합을 진행할 수 있다. 딥러닝 시스템은 종목 데이터에 대한 전처리 기술을 통하여 종목 데이터에 적합한 특징을 추출하고, 하이퍼 파라미터 자동 최적화를 통해 딥러닝 모델에 적합한 파라미터를 찾고 딥러닝 모델에 적용할 수 있다. 딥러닝 시스템은 딥러닝 모델을 학습시킴에 따라 학습된 딥러닝 모델의 검증을 수행하여 백테스팅 결과를 시각화하여 사용자에게 제공할 수 있다.
도 2는 일 실시예에 따른 딥러닝 시스템의 동작을 설명하기 위한 도면이다.
사용자로부터 종목 데이터가 선정될 수 있다(201). 도 3을 참고하면, 종목 데이터를 선정하는 것을 설명하기 위한 예이다. 사용자는 딥러닝 모델 학습에 사용할 종목 데이터를 선정할 수 있다. 딥러닝 시스템은 종목의 종목코드와 종목명으로 종목을 검색 가능하도록 하며, 자동 완성 기능을 통하여 간편화할 수 있다. 실시예에서는 코스피 200에 속하는 전 종목을 대상으로 하는 것을 가정하기로 한다. 이외에도, 코스피 200 이외에도 미국 주식시장의 종목, 유럽 주식시장의 종목, 중국 주식시장의 종목 등 다양한 나라의 주식시장의 종목이 적용될 수도 있다.
딥러닝 시스템은 종목 데이터를 선정하기 위한 유저 인터페이스를 제공할 수 있고, 제공된 유저 인터페이스를 통하여 종목 데이터를 선정할 수 있다. 예를 들면, 딥러닝 시스템은 코스피 정보에 대한 종목명, 종목코드를 포함하는 리스트를 제공할 수 있고, 사용자로부터 종목명 또는 종목코드가 선택됨을 수신할 수 있다. 또는, 딥러닝 시스템은 유저 인터페이스를 통하여 종목명 또는 종목코드가 입력됨을 수신할 수 있다.
딥러닝 시스템은 사용자로부터 선정된 종목 데이터를 조회할 수 있다(202). 도 4를 참고하면, 종목 데이터 조회 및 전처리를 수행하는 것을 설명하기 위한 예이다. 딥러닝은 학습 데이터에 영향을 많이 받는다. 이에, 딥러닝 시스템은 학습(training)시킬 데이터와 테스트할 데이터를 분류하여 학습시킬 수 있도록 제공할 수 있다. 이때, 테스트 데이터는 검증을 진행할 때 사용될 수 있다. 딥러닝 시스템은 사용자가 학습시킬 데이터와 테스트할 데이터의 비율을 선정할 수 있도록 유저 인터페이스를 제공할 수 있다. 사용자는 유저 인터페이스를 통하여 학습시킬 데이터와 테스트할 데이터의 비율을 선정할 수 있다. 이때, 유저 인터페이스를 통하여 제공된 비율값을 선택함으로써 학습시킬 데이터와 테스트할 데이터의 비율을 설정할 수 있고, 또는, 사용자로부터 직접 비율이 입력됨으로써 학습시킬 데이터와 테스트할 데이터의 비율이 설정될 수 있다. 이러한 비율은 전처리를 통하여 파생변수가 생성된다.
딥러닝 시스템은 종목 데이터에 기초하여 수동 또는 자동으로 딥러닝 모델을 생성할 수 있다(203). 도 5를 참고하면, 딥러닝 모델의 알고리즘을 선택하는 것을 설명하기 위한 예이다. 딥러닝 시스템은 수동 또는 자동으로 딥러닝 모델을 생성하기 위한 유저 인터페이스를 제공할 수 있다.
예를 들면, 딥러닝 시스템은 강화학습(Reinforcement Learning), LSTM(Long Short Term Memory), CNN(Convolutional Neural Network) 알고리즘 그룹을 선택하는 유저 인터페이스를 제공할 수 있고, 각각의 알고리즘 그룹 내부에 상세 알고리즘을 선택하는 유저 인터페이스를 제공할 수 있다. 이때, 강화학습 알고리즘 그룹에는 DQN, DDQN, DDDQN 등의 세부 알고리즘, LSTM 알고리즘 그룹에 LSTM, SimpleRNN, GRU 등의 세부 알고리즘, CNN 알고리즘 그룹에 CNN 등의 세부 알고리즘 등이 제공될 수 있다. 실시예에서는 딥러닝을 위한 알고리즘의 예시를 나타낸 것일 뿐, 이러한 알고리즘에 한정되는 것은 아니며, 알고리즘이 추가, 삭제 및 변경될 수 있다.
구체적으로, LSTM 알고리즘 그룹은 시계열 특성을 학습해 예측을 진행하는 대표적인 딥러닝 알고리즘이다. 다음으로 강화학습 알고리즘 그룹은 알파고를 통해 유명해진 알고리즘으로서, 컴퓨터가 환경, 행동, 보상, 규칙을 통해 에이전트를 학습시키는 방법이다. 에이전트는 학습을 진행할수록 더 좋은 투자를 하는 방향으로 학습을 진행한다. 실시예에 따른 딥러닝 시스템에서 에이전트는 매수/매도 시점을 예측해 수익률이 높아지도록 학습을 진행할 수 있다. 또한, CNN은 이미지 분야에서 많이 사용하는 알고리즘으로 이미지의 특징을 추출해 분류/예측을 진행한다. CNN은 주로 이미지 분류 문제에 많이 사용되며 실시예에 따른 딥러닝 시스템에서 시계열 특성의 전처리를 통한 이미지를 입력받아 종목 데이터가 상승 또는 하락할 것인지 분류하는데 사용될 수 있다.
딥러닝 시스템은 하이퍼 파라미터를 선택할 수 있다. 딥러닝 시스템은 수동으로 딥러닝 모델을 생성하기로 결정됨에 따라 수동으로 하이퍼 파라미터를 선택할 수 있다(204). 도 6을 참고하면, 하이퍼 파라미터를 설정하는 것을 설명하기 위한 예이다. 일례로, LSTM이 선택되었다고 가정하기로 한다. 도 6과 같이, 딥러닝 시스템은 수동으로 딥러닝 모델을 생성하기 위한 하이퍼 파라미터를 선택 또는 설정하는 유저 인터페이스를 제공할 수 있다. 예를 들면, LSTM의 에포크 수, 타임 스텝, 배치 사이즈, 레이어 개수, 학습률, 드롭 아웃, 손실 함수, 최적화 함수, 활성화 함수 등을 포함하는 하이퍼 파라미터를 선택 또는 설정할 수 있다. 딥러닝 내부에 성능의 영향을 주는 복수 개의 파라미터들이 존재한다. 딥러닝 시스템은 하이퍼 파라미터를 사용자가 수동으로 설정하여 딥러닝 모델의 성능을 향상시킬 수 있다. 이때, 하이퍼 파라미터의 개수의 추가 및 삭제 등 하이퍼 파라미터를 설정하기 위한 설정 정보가 변경될 수 있다. 딥러닝 시스템은 사용자로부터 선택 또는 설정된 하이퍼 파라미터를 딥러닝 모델에 적용할 수 있다.
또한, 딥러닝 시스템은 자동으로 딥러닝 모델을 생성하기로 결정됨에 따라 하이퍼 파라미터를 자동으로 선택할 수 있다(205). 예를 들면, 딥러닝 시스템은 랜덤으로 하이퍼 파라미터를 선택할 수 있다. 딥러닝 시스템은 자동으로 하이퍼 파라미터를 선택할 경우, 도 6의 화면과 달리 선택한 종목 데이터와 알고리즘에 기반한 최적의 하이퍼 파라미터를 제공할 수 있다. 예를 들면, 사용자로부터 선택된 종목 데이터와 알고리즘에 적합한 하이퍼 파라미터가 추출될 수 있고, 추출된 하이퍼 파라미터가 자동으로 선택될 수 있다. 또는, 딥러닝 시스템에 하이퍼 파라미터에 대한 기본값이 설정되어 있을 수 있다. 딥러닝 시스템은 자동으로 선택된 하이퍼 파라미터를 딥러닝 모델에 적용할 수 있다.
딥러닝 시스템은 딥러닝 모델을 학습시킬 수 있다(206, 207). 딥러닝 시스템은 자동 또는 수동으로 생성된 딥러닝 모델을 학습시킬 수 있다. 도 7을 참고하면, 딥러닝 모델을 학습시키는 것을 설명하기 위한 예이다. 딥러닝 시스템은 딥러닝 모델이 학습될 때의 진행 상태를 제공할 수 있다. 예를 들면, 학습은 0~100까지 진행되며, 100% 완료 후 학습 모델의 테스트 결과가 출력될 수 있다.
딥러닝 시스템은 자동 또는 수동으로 생성된 딥러닝 모델을 이용하여 조회된 종목 데이터를 학습시킴에 따라 종목 데이터에 대한 주가를 예측한 예측 결과를 제공할 수 있다. 이때, 딥러닝 시스템은 생성된 딥러닝 모델의 정보 및 딥러닝 모델을 학습시킴에 따라 획득된 학습 정보를 데이터베이스에 저장할 수 있다.
도 8을 참고하면, 딥러닝 시스템은 종목 데이터에 대한 백테스팅 결과를 그래프로 나타낼 수 있다. 딥러닝 시스템은 사용자로부터 설정된 테스트 기간에 기초하여 종목 데이터에 대한 검증을 수행할 수 있다. 딥러닝 시스템은 사용자로부터 설정된 테스트 기간 동안 발생한 누적 수익률, 최대 수익, 평균 손익, 최대 손해, 사용 종목, 테스트 기간, 매수 매도 시점을 나타내는 그래프를 제공할 수 있다. 이때, 테스트 기간에서 테스트를 위하여 사용되는 테스트 데이터는 딥러닝 모델의 학습에 사용되지 않은 데이터를 이용하여 사용자의 실제 종목 데이터의 주가를 예측하기 위하여 테스트될 수 있다.
도 9를 참고하면, 백테스팅 상세 내용을 나타낸 예이다. 딥러닝 시스템은 딥러닝 모델을 사용하여 실제로 투자를 진행하였을 경우, 종목을 매수한 날짜와 매도한 날짜, 금액, 매도가, 수익률 등을 표시할 수 있다.
도 10은 일 실시예에 따른 딥러닝 시스템의 구성을 설명하기 위한 블록도이고, 도 11은 일 실시예에 따른 딥러닝 시스템에서 주가 예측을 위한 딥러닝 모델을 생성하는 방법을 설명하기 위한 흐름도이다.
딥러닝 시스템(1000)의 프로세서는 조회부(1010), 모델 생성부(1020) 및 제공부(1030)를 포함할 수 있다. 이러한 프로세서의 구성요소들은 딥러닝 시스템(1000)에 저장된 프로그램 코드가 제공하는 제어 명령에 따라 프로세서에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 프로세서 및 프로세서의 구성요소들은 도 11의 딥러닝 모델 생성 방법이 포함하는 단계들(1110 내지 1130)을 수행하도록 딥러닝 시스템을 제어할 수 있다. 이때, 프로세서 및 프로세서의 구성요소들은 메모리가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.
프로세서는 딥러닝 모델 생성 방법을 위한 프로그램의 파일에 저장된 프로그램 코드를 메모리에 로딩할 수 있다. 예를 들면, 딥러닝 시스템에서 프로그램이 실행되면, 프로세서는 운영체제의 제어에 따라 프로그램의 파일로부터 프로그램 코드를 메모리에 로딩하도록 딥러닝 시스템을 제어할 수 있다. 이때, 프로세서 및 프로세서가 포함하는 조회부(1010), 모델 생성부(1020) 및 제공부(1030) 각각은 메모리에 로딩된 프로그램 코드 중 대응하는 부분의 명령을 실행하여 이후 단계들(1110 내지 1130)을 실행하기 위한 프로세서의 서로 다른 기능적 표현들일 수 있다.
단계(1110)에서 조회부(1010)는 주식 예측을 위한 종목 데이터를 조회할 수 있다. 조회부(1010)는 사용자로부터 종목 데이터가 선정되고, 선정된 종목 데이터에 대한 정형 데이터 자동 전처리를 수행할 수 있다. 조회부(1010)는 자동 전처리를 통하여 선정된 종목 데이터의 훈련 데이터 기간, 검증 데이터 기간, 테스트 데이터 기간, 각각의 데이터의 비율을 선택하는 유저 인터페이스를 제공하고, 제공된 유저 인터페이스를 통하여 선택된 훈련 데이터 기간, 검증 데이터 기간, 테스트 데이터 기간, 각각의 데이터의 비율을 설정할 수 있다.
단계(1120)에서 모델 생성부(1020)는 조회된 종목 데이터에 기초하여 딥러닝 모델을 생성할 수 있다. 예를 들면, 모델 생성부(1020)는 딥러닝 모델을 자동 또는 수동으로 생성할 수 있다. 모델 생성부(1020)는 조회된 종목 데이터에 대한 딥러닝 모델을 생성하기 위한 강화학습 알고리즘, LSTM 알고리즘 또는 CNN 알고리즘을 포함하는 유저 인터페이스를 제공하고, 제공된 유저 인터페이스를 통하여 학습 알고리즘이 선택됨을 수신할 수 있다. 모델 생성부(1020)는 수신된 학습 알고리즘에 기초하여 하이퍼 파라미터를 수동 또는 자동으로 선택하여 딥러닝 모델을 생성할 수 있다. 모델 생성부(1020)는 수신된 학습 알고리즘의 에포크 수, 타임 스탭, 배치 사이즈, 레이어 개수, 학습률, 드롭 아웃, 손실 함수, 최적화 함수 또는 활성화 함수를 포함하는 하이퍼 파라미터를 설정하기 위한 유저 인터페이스를 제공하고, 제공된 유저 인터페이스를 통하여 설정된 하이퍼 파라미터를 수신할 수 있다. 모델 생성부(1020)는 조회된 종목 데이터에 대한 특징을 추출함에 따라 상기 수신된 학습 알고리즘 기반의 딥러닝 모델의 하이퍼 파라미터를 탐색하고, 탐색된 하이퍼 파라미터를 딥러닝 모델에 적용할 수 있다.
단계(1130)에서 제공부(1030)는 자동 또는 수동으로 생성된 딥러닝 모델을 이용하여 조회된 종목 데이터를 학습시킴에 따라 종목 데이터에 대한 주가를 예측한 예측 결과를 제공할 수 있다. 제공부(1030)는 생성된 딥러닝 모델을 이용하여 조회된 종목 데이터 및 조회된 종목 데이터에 설정된 테스트 기간에 기초하여 학습시킴에 따라 조회된 종목 데이터에 대한 주가를 예측한 예측 결과를 제공할 수 있다. 제공부(1030)는 생성된 딥러닝 모델을 이용하여 제공된 예측 결과에 기초하여 실제 종목 데이터에 대한 투자가 진행됨에 따라 실제 종목 데이터의 매수 날짜, 매도 날짜, 매수가, 매도가 및 수익률을 제공할 수 있다.
일 실시예에 따른 딥러닝 시스템은 하이퍼 파라미터와 딥러닝 구조 중 레이어 수를 조정하는 방식을 통하여 경량화하고, 주식 시장에 한정함으로써 학습 시간을 감소시킬 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (15)

  1. 주식 예측을 위한 딥러닝 모델 생성 방법에 있어서,
    주식 예측을 위한 종목 데이터를 조회하는 단계;
    상기 조회된 종목 데이터에 기초하여 딥러닝 모델을 생성하는 단계; 및
    상기 생성된 딥러닝 모델을 이용하여 상기 조회된 종목 데이터를 학습시킴에 따라 종목 데이터에 대한 주가를 예측한 예측 결과를 제공하는 단계
    를 포함하는 딥러닝 모델 생성 방법.
  2. 제1항에 있어서,
    상기 딥러닝 모델을 생성하는 단계는,
    상기 조회된 종목 데이터에 대한 딥러닝 모델을 생성하기 위한 강화학습 알고리즘, LSTM 알고리즘 또는 CNN 알고리즘을 포함하는 유저 인터페이스를 제공하고, 상기 제공된 유저 인터페이스를 통하여 학습 알고리즘이 선택됨을 수신하는 단계
    를 포함하는 딥러닝 모델 생성 방법.
  3. 제2항에 있어서,
    상기 딥러닝 모델을 생성하는 단계는,
    상기 수신된 학습 알고리즘에 기초하여 하이퍼 파라미터를 수동 또는 자동으로 선택하여 딥러닝 모델을 생성하는 단계
    를 포함하는 딥러닝 모델 생성 방법.
  4. 제3항에 있어서,
    상기 딥러닝 모델을 생성하는 단계는,
    상기 수신된 학습 알고리즘의 에포크 수, 타임 스탭, 배치 사이즈, 레이어 개수, 학습률, 드롭 아웃, 손실 함수, 최적화 함수 또는 활성화 함수를 포함하는 하이퍼 파라미터를 설정하기 위한 유저 인터페이스를 제공하고, 상기 제공된 유저 인터페이스를 통하여 설정된 하이퍼 파라미터를 수신하는 단계
    를 포함하는 딥러닝 모델 생성 방법.
  5. 제3항에 있어서,
    상기 딥러닝 모델을 생성하는 단계는,
    상기 조회된 종목 데이터에 대한 특징을 추출함에 따라 상기 수신된 학습 알고리즘 기반의 딥러닝 모델의 하이퍼 파라미터를 탐색하고, 상기 탐색된 하이퍼 파라미터를 딥러닝 모델에 적용하는 단계
    를 포함하는 딥러닝 모델 생성 방법.
  6. 제1항에 있어서,
    상기 조회하는 단계는,
    상기 사용자로부터 종목 데이터가 선정되고, 상기 선정된 종목 데이터에 대한 정형 데이터 자동 전처리를 수행하는 단계
    를 포함하는 딥러닝 모델 생성 방법.
  7. 제6항에 있어서,
    상기 조회하는 단계는,
    상기 자동 전처리를 통하여 상기 선정된 종목 데이터의 훈련 데이터 기간, 검증 데이터 기간, 테스트 데이터 기간, 각각의 데이터의 비율을 선택하는 유저 인터페이스를 제공하고, 상기 제공된 유저 인터페이스를 통하여 선택된 훈련 데이터 기간, 검증 데이터 기간, 테스트 데이터 기간, 각각의 데이터의 비율을 설정하는 단계
    를 포함하는 딥러닝 모델 생성 방법.
  8. 제1항에 있어서,
    상기 제공하는 단계는,
    상기 생성된 딥러닝 모델을 이용하여 상기 조회된 종목 데이터 및 상기 조회된 종목 데이터에 설정된 테스트 기간에 기초하여 학습시킴에 따라 상기 조회된 종목 데이터에 대한 주가를 예측한 예측 결과를 제공하는 단계
    를 포함하는 딥러닝 모델 생성 방법.
  9. 제1항에 있어서,
    상기 제공하는 단계는,
    상기 생성된 딥러닝 모델을 이용하여 제공된 예측 결과에 기초하여 실제 종목 데이터에 대한 투자가 진행됨에 따라 실제 종목 데이터의 매수 날짜, 매도 날짜, 매수가, 매도가 및 수익률을 제공하는 단계
    를 포함하는 딥러닝 모델 생성 방법.
  10. 딥러닝 시스템에 있어서,
    주식 예측을 위한 종목 데이터를 조회하는 조회부;
    상기 조회된 종목 데이터에 기초하여 딥러닝 모델을 생성하는 모델 생성부; 및
    상기 생성된 딥러닝 모델을 이용하여 상기 조회된 종목 데이터를 학습시킴에 따라 종목 데이터에 대한 주가를 예측한 예측 결과를 제공하는 제공부
    를 포함하는 딥러닝 시스템.
  11. 제10항에 있어서,
    상기 모델 생성부는,
    상기 조회된 종목 데이터에 대한 딥러닝 모델을 생성하기 위한 강화학습 알고리즘, LSTM 알고리즘 또는 CNN 알고리즘을 포함하는 유저 인터페이스를 제공하고, 상기 제공된 유저 인터페이스를 통하여 학습 알고리즘이 선택됨을 수신하는
    것을 특징으로 하는 딥러닝 시스템.
  12. 제11항에 있어서,
    상기 모델 생성부는,
    상기 수신된 학습 알고리즘에 기초하여 하이퍼 파라미터를 수동 또는 자동으로 선택하여 딥러닝 모델을 생성하고, 1)상기 수신된 학습 알고리즘의 에포크 수, 타임 스탭, 배치 사이즈, 레이어 개수, 학습률, 드롭 아웃, 손실 함수, 최적화 함수 또는 활성화 함수를 포함하는 하이퍼 파라미터를 설정하기 위한 유저 인터페이스를 제공하고, 상기 제공된 유저 인터페이스를 통하여 설정된 하이퍼 파라미터를 수신하거나, 2) 상기 조회된 종목 데이터에 대한 특징을 추출함에 따라 상기 수신된 학습 알고리즘 기반의 딥러닝 모델의 하이퍼 파라미터를 탐색하고, 상기 탐색된 하이퍼 파라미터를 딥러닝 모델에 적용하는
    것을 특징으로 하는 딥러닝 시스템.
  13. 제10항에 있어서,
    상기 조회부는,
    상기 사용자로부터 종목 데이터가 선정되고, 상기 선정된 종목 데이터에 대한 정형 데이터 자동 전처리를 수행하고, 상기 자동 전처리를 통하여 상기 선정된 종목 데이터의 훈련 데이터 기간, 검증 데이터 기간, 테스트 데이터 기간, 각각의 데이터의 비율을 선택하는 유저 인터페이스를 제공하고, 상기 제공된 유저 인터페이스를 통하여 선택된 훈련 데이터 기간, 검증 데이터 기간, 테스트 데이터 기간, 각각의 데이터의 비율을 설정하는
    것을 특징으로 하는 딥러닝 시스템.
  14. 제10항에 있어서,
    상기 제공부는,
    상기 생성된 딥러닝 모델을 이용하여 상기 조회된 종목 데이터 및 상기 조회된 종목 데이터에 설정된 테스트 기간에 기초하여 학습시킴에 따라 상기 조회된 종목 데이터에 대한 주가를 예측한 예측 결과를 제공하는
    것을 특징으로 하는 딥러닝 시스템.
  15. 제10항에 있어서,
    상기 제공부는,
    상기 생성된 딥러닝 모델을 이용하여 제공된 예측 결과에 기초하여 실제 종목 데이터에 대한 투자가 진행됨에 따라 실제 종목 데이터의 매수 날짜, 매도 날짜, 매수가, 매도가 및 수익률을 제공하는
    것을 특징으로 하는 딥러닝 시스템.
KR1020190145311A 2019-11-13 2019-11-13 주식 예측 딥러닝 모델 생성 및 파라미터 최적화를 위한 Automated Deep Learning Studio KR20210058171A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190145311A KR20210058171A (ko) 2019-11-13 2019-11-13 주식 예측 딥러닝 모델 생성 및 파라미터 최적화를 위한 Automated Deep Learning Studio

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190145311A KR20210058171A (ko) 2019-11-13 2019-11-13 주식 예측 딥러닝 모델 생성 및 파라미터 최적화를 위한 Automated Deep Learning Studio

Publications (1)

Publication Number Publication Date
KR20210058171A true KR20210058171A (ko) 2021-05-24

Family

ID=76153193

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190145311A KR20210058171A (ko) 2019-11-13 2019-11-13 주식 예측 딥러닝 모델 생성 및 파라미터 최적화를 위한 Automated Deep Learning Studio

Country Status (1)

Country Link
KR (1) KR20210058171A (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230027903A (ko) * 2021-08-20 2023-02-28 유한책임회사 블루바이저시스템즈 학습모델에 기초한 주가 변동 예측 장치
KR102582737B1 (ko) * 2022-03-31 2023-09-25 주식회사 에너자이 시계열 이상 감지 모델의 경량화 방법, 및 경량화 장치
KR20240044759A (ko) 2022-09-29 2024-04-05 인하대학교 산학협력단 페어 트레이딩 학습 장치
KR20240044722A (ko) 2022-09-29 2024-04-05 인하대학교 산학협력단 Ai를 이용한 주식 매매 학습 방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230027903A (ko) * 2021-08-20 2023-02-28 유한책임회사 블루바이저시스템즈 학습모델에 기초한 주가 변동 예측 장치
KR102582737B1 (ko) * 2022-03-31 2023-09-25 주식회사 에너자이 시계열 이상 감지 모델의 경량화 방법, 및 경량화 장치
KR20240044759A (ko) 2022-09-29 2024-04-05 인하대학교 산학협력단 페어 트레이딩 학습 장치
KR20240044722A (ko) 2022-09-29 2024-04-05 인하대학교 산학협력단 Ai를 이용한 주식 매매 학습 방법

Similar Documents

Publication Publication Date Title
KR20210058171A (ko) 주식 예측 딥러닝 모델 생성 및 파라미터 최적화를 위한 Automated Deep Learning Studio
Gijsbers et al. Amlb: an automl benchmark
CN110956272A (zh) 实现数据处理的方法和系统
Pinto et al. Strategic bidding in electricity markets: An agent-based simulator with game theory for scenario analysis
CN110188910A (zh) 利用机器学习模型提供在线预测服务的方法及系统
CN114365158A (zh) 视觉创建和监控机器学习模型
CN111199469A (zh) 用户还款模型生成方法、装置及电子设备
CN111178656A (zh) 信用模型训练方法、信用评分方法、装置及电子设备
CN113254003A (zh) 量化交易策略的编辑方法及系统
Silva et al. A multi-criteria decision model for the selection of a more suitable Internet-of-Things device
KR20210065642A (ko) 주식 정보 선행적 예측 방법 및 이를 위한 장치
CN110930256A (zh) 一种量化分析方法及量化分析系统
CN110781978A (zh) 一种用于机器学习的特征处理方法和系统
KR102454317B1 (ko) 가상 사용자 및 상품 증강을 이용한 콜드-스타트 문제 해결 방안
Neri How to Identify Investor's types in real financial markets by means of agent based simulation
KR102284440B1 (ko) 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법
CN113590692A (zh) 一种三阶段人群挖掘条件优化方法及系统
Janosek et al. Knowledge discovery in dynamic data using neural networks
KR101886418B1 (ko) Gpu를 활용한 주가 예측 시뮬레이션 제공 시스템
KR20220001065A (ko) 컨텐츠와 자산의 관련도 평가 방법 및 장치
CN113886579B (zh) 行业资讯正负面模型构建方法和系统、识别方法和系统
CN117151247B (zh) 机器学习任务建模的方法、装置、计算机设备和存储介质
CN114254764B (zh) 基于反馈的机器学习模型搜索方法、系统、设备及介质
Misitano INFRINGER: a novel interactive multi-objective optimization method able to learn a decision maker’s preferences utilizing machine learning
Martínez-Plumed et al. Between Progress and Potential Impact of AI: the Neglected Dimensions

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X601 Decision of rejection after re-examination