KR20230088597A - 투자주체별 투자키워드 분석방법 및 그 시스템 - Google Patents

투자주체별 투자키워드 분석방법 및 그 시스템 Download PDF

Info

Publication number
KR20230088597A
KR20230088597A KR1020210176948A KR20210176948A KR20230088597A KR 20230088597 A KR20230088597 A KR 20230088597A KR 1020210176948 A KR1020210176948 A KR 1020210176948A KR 20210176948 A KR20210176948 A KR 20210176948A KR 20230088597 A KR20230088597 A KR 20230088597A
Authority
KR
South Korea
Prior art keywords
investment
keyword
trading
entity
items
Prior art date
Application number
KR1020210176948A
Other languages
English (en)
Inventor
김대진
김동진
박경자
박광수
심충섭
Original Assignee
주식회사 씽크풀
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 씽크풀 filed Critical 주식회사 씽크풀
Priority to KR1020210176948A priority Critical patent/KR20230088597A/ko
Publication of KR20230088597A publication Critical patent/KR20230088597A/ko

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9032—Query formulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/258—Heading extraction; Automatic titling; Numbering
    • 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
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Landscapes

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

Abstract

투자주체별 투자키워드 분석방법 및 그 시스템이 개시된다.
상기 투자주체별 투자키워드 분석방법은 시스템이 투자주체 각각의 매매정보를 확인하는 단계, 상기 시스템이 확인한 투자주체 각각의 매매정보에 기초하여 미리 정해진 기준에 따라 투자주체별 매매대상 종목들 중 복수 개의 주요 매매종목들을 특정하는 단계, 및 상기 시스템이 특정한 주요 매매종목들에 기초하여 투자주체별로 적어도 하나의 투자 키워드를 선별하는 단계를 포함한다.

Description

투자주체별 투자키워드 분석방법 및 그 시스템{Method and system for analyzing investment keyword for each investing entity}
본 발명은 투자주체별 투자키워드 분석방법 및 그 시스템에 관한 것이다.
보다 상세하게는 투자주체별로 금융상품(예컨대, 주식, 채권, (금융·상품) 선물/옵션, ETF, 가상화폐 등 투자대상이 되는 모든 금융상품) 각각에 주로 투자하는지를 분석하는 것에 그치지 않고, 투자 주체별로 투자에 관심 있는 키워드를 효과적으로 분석할 수 있는 기술적 사상에 관한 것이다.
투자시장에서는 통상 대량의 매매를 수행하는 투자주체들(예컨대, 외국인, 연기금 등 기관투자자 등)이 어떠한 투자를 하는지를 참고하여 투자를 하고자 하는 니즈가 존재한다.
종래에는 투자주체들이 관심을 갖는 개별 금융상품이 무엇인지를 분석하는 경우가 존재하였는데, 이보다는 투자주체가 관심을 가지고 있는 투자분야를 분석할 수 있으면 투자 활용에 보다 유용할 수 있다.
예컨대, 개별 금융상품이 아니라 특정 투자분야와 관련한 금융상품을 복수 개 투자하는 경우 그 매수 강도나 지속성을 판단하기가 쉽다. 왜냐하면 개별 금융상품에 대한 투자는 일회성으로 끝날 수 있지만, 특정 분야에 투자하는 경우 산업에 대한 긍정적 신호일 수 있고 지속될 가능성이 높기 때문이다.
또한, 특정 투자분야에 대한 투자가 개별 투자주체가 아니라 복수의 투자주체(예컨대, 외국인과 연기금 또는 연기금과 투자신탁 등 투자규모가 큰 투자주체들의 다양한 결합)가 함께 특정분야에 투자하는 경우 그 매수 강도나 지속성은 더욱 강할 수 있다.
또한, 해당 관심분야에 해당하는 개별 금융상품이라 하더라도 투자주체의 매매가 수행되지 않은 종목의 발굴 등과 같이 개인 투자자들의 투자기회가 남아 있을 수 있는 등 개인투자자들의 투자 판단에 다양한 유용한 효과를 가져올 수 있다.
-한국특허출원 출원번호(1020140026118, "주식 종목 추천 시스템")
본 발명이 이루고자 하는 기술적인 과제는 투자주체별로 투자주체의 매매정보에 기초하여 해당 투자주체가 어떠한 관심분야를 가지고 있는지를 효과적으로 파악하고 이를 통해 투자자에게 유용한 정보를 제공할 수 있는 기술적 사상을 제공하는 것이다.
본 발명의 기술적 사상에 따른 투자주체별 투자키워드 분석방법은, 시스템이 투자주체 각각의 매매정보를 확인하는 단계, 상기 시스템이 확인한 투자주체 각각의 매매정보에 기초하여 미리 정해진 기준에 따라 투자주체별 매매대상 종목들 중 복수 개의 주요 매매종목들을 특정하는 단계, 및 상기 시스템이 특정한 주요 매매종목들에 기초하여 투자주체별로 적어도 하나의 투자 키워드를 선별하는 단계를 포함할 수 있다.
또한, 상기 시스템이 확인한 투자주체 각각의 매매정보에 기초하여 미리 정해진 기준에 따라 투자주체별 매매대상 종목들 중 복수 개의 주요 매매종목들을 특정하는 단계는, 상기 시스템이 투자주체별 상기 매매대상 종목들 중에서 매매비중이 높은 순서로 미리 정해진 개수의 상기 주요 매매종목들을 특정하는 단계를 포함하며, 상기 매매비중은 전체 주식수 대비 매매량에 기초하여 결정되는 정보인 것을 특징으로 할 수 있다.
또한, 상기 시스템이 특정한 주요 매매종목들에 기초하여 투자주체별로 적어도 하나의 투자 키워드를 선별하는 단계는, 상기 시스템이 상기 주요 매매종목들 각각으로부터 대응되는 연관 키워드를 적어도 하나 추출하여 투자주체별 투자 키워드 후보군을 특정하는 단계, 및 상기 시스템이 특정한 상기 투자 키워드 후보군으로부터 투자주체별 상기 적어도 하나의 투자 키워드를 선별하는 단계를 포함할 수 있다.
또한, 상기 시스템이 특정한 상기 투자 키워드 후보군으로부터 투자주체별 상기 적어도 하나의 투자 키워드를 선별하는 단계는, 상기 시스템이, 상기 투자 키워드 후보군에 포함된 각각의 후보 투자 키워드별로, 상기 후보 투자 키워드가 추출된 매매종목들의 매매비중을 가중치로 적용하여 상기 적어도 하나의 투자 키워드를 선별하는 단계; 또는 상기 시스템이, 상기 투자 키워드 후보군에 포함된 각각의 후보 투자 키워드별로 상기 후보 투자 키워드가 추출된 빈도수에 기초하여 상기 적어도 하나의 투자 키워드를 선별하는 단계를 포함할 수 있다.
또한, 상기 시스템이 상기 주요 매매종목들 각각으로부터 대응되는 연관 키워드를 적어도 하나 추출하여 투자주체별 투자 키워드 후보군을 특정하는 단계는, 상기 시스템이, 미리 정해진 종목별 연관 키워드 정보를 이용하여 상기 투자 키워드 후보군을 특정하는 단계를 포함하며, 상기 투자주체별 투자키워드 분석방법은, 다수의 금융분야 비정형 데이터를 포함하는 학습 데이터를 학습하여 구축되는 딥러닝 기반의 언어모델을 이용하여 종목별 연관키워드를 특정하는 단계를 더 포함할 수 있다.
또한, 상기 투자주체별 투자키워드 분석방법은, 상기 시스템이 특정 투자주체의 상기 적어도 하나의 투자 키워드에 상응하는 투자 키워드 매칭 금융상품들을 선별하는 단계, 및 상기 시스템이 선별한 상기 투자 키워드 매칭 금융상품들 중에서 상기 특정 투자주체의 주요 매매종목에 포함되지 않은 금융상품을 선별하는 단계를 더 포함할 수 있다.
또한, 상기 투자주체별 투자키워드 분석방법은, 상기 시스템이, 상기 투자주체별 적어도 하나의 투자 키워드에 기초하여, 복수의 투자주체들에 공통적으로 상응하는 공통 투자 키워드를 선별하는 단계를 더 포함할 수 있다.
또한, 상기 투자주체별 투자키워드 분석방법은, 상기 시스템이 과거의 일정기간 동안의 투자주체별 과거 투자 키워드를 선별하는 단계, 상기 시스템이 상기 과거의 일정기간에 상응하는 상기 과거 투자 키워드를 유저단말기로 제공하고, 제공된 정보에 기초하여 상기 과거의 일정기간 이후인 과거 예측대상시점의 투자예측을 요청하는 단계, 및 상기 시스템이 요청에 응답하여 수신되는 과거 예측대상시점의 상기 투자예측과 상기 과거 예측대상시점의 실제 정보를 비교하여 상기 투자예측의 정확성을 상기 유저 단말기로 제공하는 단계를 더 포함할 수 있다.
데이터 처리장치에 설치되며 상술한 방법을 수행하기 위한 컴퓨터 판독가능한 기록매체에 기록된 컴퓨터 프로그램이 제공될 수 있다..
본 발명의 실시 예에 따른 투자주체별 투자키워드 분석시스템은, 프로세서, 및 프로그램이 저장된 저장장치를 포함하며, 상기 프로세서는 상기 프로그램을 구동하여, 투자주체 각각의 매매정보를 확인하고, 확인한 투자주체 각각의 매매정보에 기초하여 미리 정해진 기준에 따라 투자주체별 매매대상 종목들 중 복수 개의 주요 매매종목들을 특정하며, 특정한 주요 매매종목들에 기초하여 투자주체별로 적어도 하나의 투자 키워드를 선별할 수 있다.
또한, 상기 프로세서는 상기 프로그램을 구동하여, 투자주체별 상기 매매대상 종목들 중에서 매매비중이 높은 순서로 미리 정해진 개수의 상기 주요 매매종목들을 특정하되, 상기 매매비중은 전체 주식수 대비 매매량에 기초하여 결정되는 것을 특징으로 할 수 있다.
또한, 상기 프로세서는 상기 프로그램을 구동하여, 상기 주요 매매종목들 각각으로부터 대응되는 연관 키워드를 적어도 하나 추출하여 투자주체별 투자 키워드 후보군을 특정하고, 특정한 상기 투자 키워드 후보군으로부터 투자주체별 상기 적어도 하나의 투자 키워드를 선별할 수 있다.
또한, 상기 프로세서는 상기 프로그램을 구동하여, 상기 투자 키워드 후보군에 포함된 각각의 후보 투자 키워드별로, 상기 후보 투자 키워드가 추출된 매매종목들의 매매비중을 가중치로 적용하여 상기 적어도 하나의 투자 키워드를 선별하거나, 상기 투자 키워드 후보군에 포함된 각각의 후보 투자 키워드별로 상기 후보 투자 키워드가 추출된 빈도수에 기초하여 상기 적어도 하나의 투자 키워드를 선별할 수 있다.
또한, 상기 프로세서는 상기 프로그램을 구동하여, 특정 투자주체의 상기 적어도 하나의 투자 키워드에 상응하는 투자 키워드 매칭 금융상품들을 선별하고, 선별한 상기 투자 키워드 매칭 금융상품들 중에서 상기 특정 투자주체의 주요 매매종목에 포함되지 않은 금융상품을 선별할 수 있다.
또한, 상기 프로세서는 상기 프로그램을 구동하여, 상기 투자주체별 적어도 하나의 투자 키워드에 기초하여, 복수의 투자주체들에 공통적으로 상응하는 공통 투자 키워드를 선별할 수 있다.
또한, 상기 프로세서는 상기 프로그램을 구동하여, 과거의 일정기간 동안의 투자주체별 과거 투자 키워드를 선별하고, 상기 과거의 일정기간에 상응하는 상기 과거 투자 키워드를 유저단말기로 제공하고, 제공된 정보에 기초하여 상기 과거의 일정기간 이후인 과거 예측대상시점의 투자예측을 요청하고, 과거 예측대상시점의 상기 투자예측과 상기 과거 예측대상시점의 실제 정보를 비교하여 상기 투자예측의 정확성을 상기 유저 단말기로 제공할 수 있다.
본 발명의 기술적 사상에 따르면 투자주체별로 투자주체의 매매정보에 기초하여 해당 투자주체가 어떠한 관심분야를 가지고 있는지를 효과적으로 파악하고 이를 통해 투자자에게 유용한 정보를 제공할 수 있는 효과가 있다.
특히 투자주체별로 어떤 개별 금융상품을 매매했는지에 대한 정보가 아니라 어떤 관심분야를 주로 매매했는지를 알 수 있으므로, 매매 강도와 매매의 지속성을 판단하기 쉬운 효과가 있다.
특히 복수의 투자주체의 관심분야를 분석함으로써 그 매매 강도와 매매 지속성을 판단하기가 더욱 쉬운 효과가 있다.
또한, 아직 매매가 수행되지 않은 해당 관심분야에 속하는 개별 금융상품들에 대한 투자기회를 개인투자자들에게도 제공할 수 있는 효과가 있다.
또한, 투자주체별 관심분야를 도출하기 위해서는 투자주체별 매매종목들 중 주요 매매종목들을 선정하는 것이 필요한데, 이때 단순한 투자금액이나 수량을 기준으로 선정하는 것이 아니라 매매비중(해당 종목의 전체 수량 대비 매매 수량)을 통해 주요 매매종목들을 선정함으로써 투자주체의 진정한 관심분야와 매매 영향도를 보다 실체적으로 추출할 수 있는 효과가 있다.
또한 투자주체별 관심분야를 나타내는 키워드를 선정하는 방식을 과거의 기간 동안에 적용하고, 과거의 키워드들과 과거의 주가방향에 기초하여 투자자들이 투자예측(예컨대, 키워드 예측 또는 특정 종목의 주가 방향 예측)을 하는 기술적 사상을 제공함으로써 투자주체별 키워드 기반의 투자자 교육을 할 수 있는 효과가 있다.
본 발명의 상세한 설명에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도1은 본 발명의 기술적 사상에 따른 개략적인 시스템 구성들을 설명하기 위한 도면이다.
도2는 본 발명의 실시 예에 따른 시스템의 개략적인 논리적 구성을 설명하기 위한 도면이다.
도3은 본 발명의 실시 예에 따른 시스템의 개략적인 물리적 구성을 설명하기 위한 도면이다.
도4는 본 발명의 실시 예에 따른 시스템이 수행하는 투자주체별 투자키워드 분석방법을 구현하기 위한 데이터 플로우를 예시적으로 나타낸다.
도5는 본 발명의 실시 예에 따른 매매비중을 설명하기 위한 도면이다.
도6 내지 도 7은 본 발명의 실시 예에 따라 투자주체별 투자 키워드를 선정하는 방식을 설명하기 위한 도면이다.
도8은 본 발명의 실시 예에 따라 투자주체별 투자 키워드를 이용하여 서비스 정보를 제공할 수 있는 개념을 설명하기 위한 도면이다.
도9는 본 발명의 실시 예에 따른 키워드를 이용하여 투자자를 교육할 수 있는 개념을 설명하기 위한 도면이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 아니 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 명세서에 있어서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 본 명세서에 있어서는 어느 하나의 구성요소가 다른 구성요소로 데이터를 '전송'하는 경우에는 상기 구성요소는 상기 다른 구성요소로 직접 상기 데이터를 전송할 수도 있고, 적어도 하나의 또 다른 구성요소를 통하여 상기 데이터를 상기 다른 구성요소로 전송할 수도 있는 것을 의미한다. 반대로 어느 하나의 구성요소가 다른 구성요소로 데이터를 '직접 전송'하는 경우에는 상기 구성요소에서 다른 구성요소를 통하지 않고 상기 다른 구성요소로 상기 데이터가 전송되는 것을 의미한다.
이하, 첨부된 도면들을 참조하여 본 발명의 실시 예들을 중심으로 본 발명을 상세히 설명한다. 각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다.
도1은 본 발명의 기술적 사상에 따른 개략적인 시스템 구성들을 설명하기 위한 도면이다.
도1을 참조하면, 본 발명의 기술적 사상에 따른 투자주체별 투자키워드 분석방법을 구현하기 위해서는 소정의 시스템(이하, 100)이 구현될 수 있다.
상기 시스템(100)은 본 발명의 기술적 사상에 따라 투자주체별 매매정보를 확인하고, 이에 기초하여 투자주체별 관심분야 즉, 투자 키워드를 추출할 수 있다.
투자주체라 함은 투자를 수행하는 주체를 의미하며, 통상 주체의 성격에 따라 투자주체가 구분되기도 한다. 예컨대, 투자주체는 연기금 등 국내 기관투자자, 외국인 등과 같이 그 투자주체의 구성이나 투자자로써의 성격에 따라 분류될 수 있다. 물론, 필요에 따라서는 개별 주체 각각(예컨대, 기관 중에서도 A 투자회사, B 투자회사 등)이 본 발명의 실시 예에 따른 투자주체일 수 있다. 어떠한 경우든 매매정보를 구분하여 확인할 수 있는 경우이면, 본 발명의 기술적 사상에 따른 투자주체가 될 수 있다.
상기 시스템(100)은 매매정보를 소정의 정보제공 시스템(예컨대, 증권사, 거래소 등의 시스템, 200)을 통해 확인할 수 있다.
물론 필요에 따라 상기 시스템(100)은 상기 정보제공 시스템(200)과 별개로 구현되는 것이 아니라, 상기 시스템(100)과 상기 정보제공 시스템(200)은 물리적으로 하나의 시스템으로 구현될 수도 있다. 물론, 상기 시스템(100)의 운영주체와 상기 정보제공 시스템(200)의 운영주체는 동일할 수도 있으며, 다른 운영주체가 각각 운영할 수도 있다. 어떠한 경우든 상기 정보제공 시스템(200)은 투자주체별 매매정보를 상기 시스템(100)에 제공할 수 있다. 이를 위해 상기 시스템(100)과 상기 정보제공 시스템(200)은 소정의 유무선 네트워크를 통해 서로 통신할 수 있음은 물론이다.
그러면 상기 시스템(100)은 투자주체별 매매정보를 확인하고, 분석하여 투자주체별 투자 키워드를 적어도 하나 추출할 수 있다.
상기 매매정보에는 투자주체별로 어떤 개별 금융상품을 매수하였는지 또는 매도하였는지에 대한 정보가 포함되어 있을 수 있다. 그리고 이러한 매매정보에 기초하여 상기 시스템(100)은 투자주체 각각의 관심분야를 특정할 수 있고, 이러한 관심분야는 키워드라는 형식으로 표현될 수 있다.
이를 위해 본 발명의 기술적 사상에 따른 상기 시스템(100)은 개별 금융상품별로 서로 대응되는 연관 키워드를 적어도 하나 미리 유지할 수 있다.
즉, 개별 금융상품별로 관련된 키워드를 미리 추출하여 유지/관리할 수 있고, 이를 이용하여 투자주체별 매매정보에 기초한 투자주체별 관심분야 즉, 투자 키워드를 추출할 수 있다.
상기 개별 금융상품별 연관 키워드는 다양한 비정형 데이터에 기초하여 선정될 수 있다. 이러한 비정형 데이터는 뉴스, 블로그, 카페, 커뮤니티 등의 소셜 네트워크 상의 정보, 투자자들의 댓글 등과 같이 금융분야에서 유통되는 다양한 정보들을 포함할 수 있다.
이러한 비정형 데이터에는 개별 금융상품과 관련된 뉴스나 투자자들의 의견, 기타 다양한 정보들이 포함될 수 있고 이로부터 개별 금융상품 각각에 대응되는 연관 키워드가 추출될 수 있다. 이러한 연관 키워드를 효과적으로 추출하기 위해서는 딥러닝 기반의 언어모델, 소위 자연어 처리모델이 이용될 수 있다.
이러한 자연어 처리모델은 비정형 데이터에 포함된 토큰들을 벡터 공간상의 벡터로 인코딩할 수 있고, 이러한 인코딩된 벡터를 이용해 금융상품별로 연관 키워드를 추출할 수 있다.
한편 본 발명의 기술적 사상에 따라 연관 키워드를 미리 금융상품별로 결정해두는 경우는, 연관 키워드의 결정 시점에서 현재 네트워크상에 유통되는 다수의 컨텐츠 생산자에 의해 작성된 금융분야의 비정형 데이터 즉, 의견, 반응, 분석들을 토대로 상기 특정 금융상품의 연관 키워드를 결정하는 특징이 있다. 이를 위해 상기 시스템(100)은 특정 금융상품의 연관 키워드를 결정하기 위해 사용되는 비정형 데이터를 상기 비정형 데이터의 생산시점(예컨대, 네트워크상에 업로드 시점)에 기초하여 제한할 수 있다. 예컨대 최근 소정의 기간(예컨대, 1달, 3달 등)에 생산된 비정형 데이터 만에 기초하여 상기 시스템(100)은 특정 금융상품의 연관 키워드를 결정할 수 있다.
그리고 이러한 연관 키워드의 결정을 주기적으로 수행하면서 해당 특정 금융상품의 연관 키워드의 변화를 모니터링 함으로써 상기 특정 금융상품 또는 상기 특정 금융상품의 주체(예컨대, 회사 등)의 사업방향의 변화나 유의미한 이벤트의 발생여부를 연관 키워드에 기반하여 확인할 수 있는 효과가 있다.
본 발명의 기술적 사상에 의하면 상기 시스템(100)은 특정 금융상품의 연관 키워드를 네트워크 상에 유통되는 비정형 데이터를 분석하여 결정하며, 이러한 비정형 데이터의 분석에는 딥러닝 기반의 자연어 처리모델(Natural Language Processing Model)을 이용할 수 있다.
특히 보다 정확도 높은 연관 키워드의 결정을 위해 상기 시스템(100)은 컨텍스트 센서티브(context sensitive)한 자연어 처리모델을 이용할 수 있다. 컨텍스트 센서티브 자연어 처리모델은 컨텍스트 프리(Context Free) 자연어 처리모델과 상반되는 개념으로써 어떤 키워드 또는 문장의 의미를 문맥에 따라 달리 정의 또는 인식하는 자연어 처리모델을 의미할 수 있다. 이에 비해 컨텍스트 프리 자연어 처리모델은 문맥과 무관하게 해당 키워드 또는 문장 자체로써 해당 키워드 또는 문장의 의미를 정의하거나 인식하는 것을 의미할 수 있다.
이러한 컨텍스트 센서티브한 자연어 처리모델은 다수의 학습 대상 데이터를 학습하여 실제로 특정 키워드(자연어 처리모델에서는 토큰이라고 표현하기도 하며, 키워드는 하나의 토큰 또는 토큰의 결합일 수 있음, 본 명세서에서는 설명의 편의를 위해 토큰 또는 토큰의 결합을 키워드로 표현하기로 함)와 연관이 있는 키워드를 잘 파악하는 것이 해당 자연어 처리모델의 중요한 성능 중 하나이며, 이를 위해서 어텐션(attention)이라는 개념을 적용한 자연어 처리모델이 등장하였다.
어텐션은 어떤 키워드를 정의하거나 인식하기 위해 해당 키워드와 연관이 있으므로 더 집중(attention)해서 참고하여야 다른 키워드와의 관계를 의미할 수 있다. 예컨대, 제1키워드와 어텐션의 값이 높은 제2키워드는 학습 데이터 상에서 상기 특정 키워드와 연관성이 높게 사용되었음을 의미할 수 있다.
어텐션 메커니즘과 어텐션 함수 등의 어텐션의 개념에 대해서는 널리 공지되어 있으므로 상세한 설명은 생략하도록 한다.
이러한 어텐션의 개념을 이용하여 학습 데이터들에 사용된 키워드들을 벡터화하는 자연어 처리모델의 경우 학습 데이터들에 포함된 각각의 키워드들은 문맥을 반영하여 벡터화될 수 있게 된다.
이러한 자연어 처리모델의 일예는 예컨대, ELMo(Embeddings from Language Model), ULM-FiT (Universal Language Model Fine-tuning for Text Classification), BERT (Bidirectional Encoder Representations from Transformers) 등이 존재한다.
상기의 자연어 처리모델은 어떠한 경우든 키워드를 벡터화하는 태스크(word embedding)를 수행하며, 이러한 키워드의 벡터화를 통해 해당 키워드의 의미를 벡터로 표현할 수 있다.
특히 BERT (Bidirectional Encoder Representations from Transformers)의 경우는 비지도 학습(Unsupervised Learning)을 통해 다량의 학습 데이터를 라벨링(labeling)이라는 태스크 없이도 학습하여 키워드별로 문맥에 따라 차별적으로 해당 키워드를 높은 성능으로 벡터화할 수 있는 모델로 각광을 받고 있다.
따라서 본 발명의 일실시 예에 의한 자연어 처리모델은 학습 데이터를 BERT 자연어 처리모델을 통해 학습하여 각각의 키워드를 벡터화하는 자연어 처리모델일 수 있지만, 이에 국한되지는 않는다.
어떠한 경우든 본 발명의 기술적 사상에 의하면 컨텍스트 센서티브한 자연어 처리모델을 통해 문맥을 반영한 각각의 키워드의 벡터화 결과를 이용할 경우, 종래에 단순히 통계적인 빈도 등을 통해 연관 키워드를 결정하는 방식에 비해 훨씬 높은 성능(즉, 단순히 특정 키워드와 같이 등장하는 빈도는 높지만 실질적인 연관성은 거의 없는 일반적인 의미의 단어들)을 가질 수 있다.
결국, 본 발명의 기술적 사상은 네트워크상의 비정형 데이터를 통해 특정 금융상품의 연관 키워드를 결정함으로써 다수의 컨텐츠 생산자의 다양한 의견이 반영되면서도 시간적 경향성을 반영할 수 있다는 장점을 그대로 보유하면서도, 네트워크상에 수집된 비정형 데이터를 이용하는 경우 발생할 수 있는 문제점을 해결할 수 있는 기술적 사상을 같이 제공할 수 있다.
상기 시스템(100)은 금융상품별 연관 키워드를 자체적으로 유지/관리할 수도 있고, 외부에 유지/관리하면서 필요한 경우 접근하여 이용할 수도 있다.
한편, 상기 시스템(100)이 매매정보에 기초하여 투자주체별 관심분야 즉, 투자 키워드를 추출하기 위해서는, 투자주체별로 주요 매매종목을 특정할 필요가 있다. 왜냐하면 단순히 소량 또는 소액으로 매매한 종목까지도 관심이 있다고 보기는 어려울 수 있기 때문이다.
이때 본 발명의 특징적인 기술적 사상에 의하면, 매매비중이라는 개념을 이용하여 효과적으로 주요 매매종목을 선정할 수 있다. 이하에서는 설명의 편의를 위해 매수를 하는 경우를 중심으로 설명하지만, 매도 관점에서의 투자 키워드가 도출될 수도 있음은 물론이다.
예컨대, 특정 투자주체가 300여개의 개별 금융상품을 매수하였다고 가정할 수 있다. 이러한 경우 통상 상기 특정 투자주체가 300여개의 개별 금융상품 전체에 주도적인 관심이 있다고 보기는 어려울 수 있으며, 이에 따라 주로 매수한 미리 정해진 수(예컨대, 100개, 200개 등)의 개별 금융상품을 주요 매매종목으로 특정할 수 있다.
이때 주요 매매종목을 선정하는 기준이 필요할 수 있는데, 단순히 매매금액이나 매매수량을 기준으로 이러한 주요 매매종목을 선정하는 경우에는 시가총액 상위 종목 위주로 주요 매매종목이 추출될 수 있는 문제점이 있다. 또한, 단순 매매수량을 기준으로 매매종목을 선정하는 경우에는, 주당 매매가격이 작은 종목 위주로 주요 매매종목이 추출될 수 있는 문제점이 있다.
따라서 진정으로 해당 개별 금융상품을 어떤 중요도로 매매했는지를 판단하기 위한 객관적인 기준이 필요할 수 있고, 이를 위해 본 발명의 기술적 사상에 의하면 매매비중이라는 개념이 정의될 수 있다.
이러한 매매비중은 개별 금융상품의 전체 주식수 대비 매매수량에 기초하여 정의되는 정보일 수 있다. 즉, 전체 주식수 대비 해당 투자주체가 매매를 한 비율로 정의되는 매매비중은 해당 개별 금융상품에 대해 투자주체가 얼마나 주된 매매대상으로 매매하였는지를 상대적으로 정확하게 표현할 수 있는 지표가 될 수 있기 때문이다.
예컨대, 특정 투자주체가 매수한 금융상품들은 전체 주식수가 백만주인데 10만주를 매수한 제1종목과, 전체 주식수가 1억주인데 10만주를 매수한 제2종목이 있을 수 있다. 그리고 제1종목의 주당 가격이 천원이고, 제2종목은 주당 가격이 만원일 수 있다. 이러한 경우 단순히 매매금액 기준으로 주요 매매종목을 선정하는 경우에는 제2종목의 매매금액이 10억이고 제1종목의 매매금액은 1억이므로 제2종목이 보다 높은 주요 매매종목의 지표를 가질 수 있다. 또한, 단순히 매매수량으로 주요 매매종목을 선정하는 경우에는 두 종목이 공통된 지표를 가진다고 할 수 있다.
하지만 본 발명의 기술적 사상과 같이 매매비중으로 주요 매매종목을 선정하는 경우, 제1종목은 전체 주식수 대비 10%를 매수한 경우이고, 제2종목은 0.1%를 매수한 경우이므로 제1종목이 보다 높은 지표를 가질 수 있다. 이는 특정 투자주체가 제1종목에 대해 보다 많은 관심과 주요한 투자종목으로 삼고 있다고 할 수 있으며, 제1종목에 대한 가격 변동 영향력 등이 더 크다고 할 수 있다. 따라서 본 발명의 기술적 사상에 따르면 매매비중을 통해 특정 투자주체가 보다 주요한 투자종목으로 취급하고 있는 종목을 보다 객관적으로 선정할 수 있는 효과가 있다.
이러한 방식으로 주요 매매종목이 선정되면, 상기 시스템(100)은 주요 매매종목별 연관 키워드들을 개별 금융상품별 연관 키워드 정보에 기초하여 추출할 수 있다.
그리고 상기 시스템(100)은 주요 매매종목별 연관 키워드들에 기초하여 투자주체별 투자 키워드를 선별할 수 있다. 즉, 특정 투자주체가 주요한 투자종목으로 취급하고 있는 종목들을 객관적으로 선별한 후, 선별한 각 종목들에 해당하는 연관 키워드들로부터 상기 특정 투자주체가 주요한 관심을 가지는 투자 키워드들을 도출할 수 있다.
이러한 투자 키워드들은 단순히 많은 주요 매매종목들 각각별 연관 키워드를 추출하여, 많은 빈도를 가지는 연관 키워드들 순으로 일정 개수를 투자 키워드로 추출할 수도 있다.
다른 실시 예에 의하면, 연관 키워드들 각각의 중요도를 전술한 바와 같은 매매비중(해당 키워드가 추출된 개별 금융상품의 매매비중)을 반영함으로써, 보다 객관적이고 효과적으로 투자주체별 관심분야를 수치화할 수 있다. 이러한 일예는 후술하도록 한다.
한편, 상기 시스템(100)은 투자주체별 투자키워드를 추출하면, 이에 기반하여 다양한 서비스 정보를 투자자에게 제공할 수 있다. 이를 위해 상기 시스템(100)은 투자자 단말기(유저 단말기, 300)와 소정의 네트워크를 통해 통신할 수 있다.
상기 시스템(100)이 투자자에게 제공하는 서비스 정보는 상기 투자주체별 투자키워드 그 자체일 수도 있다. 또는 상기 서비스 정보는 예컨대, 특정 투자주체의 관심분야에 해당하는 금융상품이면서도 상기 특정 투자주체가 아직 매수를 하지 않은 종목일 수도 있다. 또는 서로 다른 투자주체들의 공통적인 관심분야가 상기 서비스 정보일 수도 있다.
또는 상기 투자주체별 투자키워드에 기초하여 투자정보를 예측할 수 있도록 교육을 시킬 수 있는 정보 또는 일련의 서비스가 상기 서비스 정보일 수도 있다. 기타 투자주체별 투자키워드를 이용하여 투자자에게 유의미한 다양한 정보들이 상기 서비스 정보에 포함될 수 있고, 이러한 일예는 상세히 후술하도록 한다.
이러한 기술적 사상을 구현하기 위한 본 발명의 실시 예에 따른, 상기 시스템(100)은 도2 및 도3과 같은 구성을 포함할 수 있다.
도2는 본 발명의 실시 예에 따른 시스템의 개략적인 논리적 구성을 설명하기 위한 도면이다. 또한 도3은 본 발명의 실시 예에 따른 시스템의 개략적인 물리적 구성을 설명하기 위한 도면이다.
도2를 참조하면, 본 발명의 기술적 사상에 따른 시스템(100)은 제어모듈(110), 데이터 수집모듈(120), 종목특정 모듈(130)을 포함할 수 있다. 실시 예에 따라 상기 시스템(100)은 딥러닝 기반의 언어모델(140), 서비스 모듈(150), 및/또는 DB(160)를 더 포함할 수 있다.
상기 시스템(100)은 본 발명의 기술적 사상을 구현하기 위해 필요한 하드웨어 리소스(resource) 및/또는 소프트웨어를 구비한 논리적인 구성을 의미할 수 있으며, 반드시 하나의 물리적인 구성요소를 의미하거나 하나의 장치를 의미하는 것은 아니다. 즉, 상기 시스템(100)은 본 발명의 기술적 사상을 구현하기 위해 구비되는 하드웨어 및/또는 소프트웨어의 논리적인 결합을 의미할 수 있으며, 필요한 경우에는 서로 이격된 장치에 설치되어 각각의 기능을 수행함으로써 본 발명의 기술적 사상을 구현하기 위한 논리적인 구성들의 집합으로 구현될 수도 있다. 또한, 상기 시스템(100)은 본 발명의 기술적 사상을 구현하기 위한 각각의 기능 또는 역할별로 별도로 구현되는 구성들의 집합을 의미할 수도 있다. 예컨대, 상기 제어모듈(110), 상기 데이터 수집모듈(120), 상기 종목특정 모듈(130), 상기 언어모델(140), 상기 서비스 모듈(150), 및/또는 상기 DB(160) 각각은 서로 다른 물리적 장치에 위치할 수도 있고, 동일한 물리적 장치에 위치할 수도 있다. 또한, 구현 예에 따라서는 상기 제어모듈(110), 상기 데이터 수집모듈(120), 상기 종목특정 모듈(130), 상기 언어모델(140), 상기 서비스 모듈(150), 및/또는 상기 DB(160) 각각을 구성하는 소프트웨어 및/또는 하드웨어의 결합 역시 서로 다른 물리적 장치에 위치하고, 서로 다른 물리적 장치에 위치한 구성들이 서로 유기적으로 결합되어 각각의 상기 모듈들을 구현할 수도 있다.
또한, 본 명세서에서 모듈이라 함은, 본 발명의 기술적 사상을 수행하기 위한 하드웨어 및 상기 하드웨어를 구동하기 위한 소프트웨어의 기능적, 구조적 결합을 의미할 수 있다. 예컨대, 상기 모듈은 소정의 코드와 상기 소정의 코드가 수행되기 위한 하드웨어 리소스(resource)의 논리적인 단위를 의미할 수 있으며, 반드시 물리적으로 연결된 코드를 의미하거나, 한 종류의 하드웨어를 의미하는 것은 아님은 본 발명의 기술분야의 평균적 전문가에게는 용이하게 추론될 수 있다.
한편, 상기 시스템(100)은 물리적으로는 도3에 도시된 바와 같은 구성을 가질 수 있다. 상기 시스템(100)은 은 본 발명의 기술적 사상을 구현하기 위한 프로그램이 저장되는 메모리(저장장치)(120-1), 및 상기 메모리(120)에 저장된 프로그램을 실행하기 위한 프로세서(110-1)가 구비될 수 있다.
상기 프로세서(110-1)는 상기 시스템(100)의 구현 예에 따라, CPU, 모바일 프로세서 등 다양한 명칭으로 명명될 수 있음을 본 발명의 기술분야의 평균적 전문가는 용이하게 추론할 수 있을 것이다. 또한, 도2에서 설명한 바와 같이 상기 시스템(100)은 복수의 물리적 장치들이 유기적으로 결합되어 구현될 수도 있으며, 이러한 경우 상기 프로세서(110-1)는 물리적 장치별로 적어도 한 개 구비되어 본 발명의 시스템(100)을 구현할 수 있음을 본 발명의 기술분야의 평균적 전문가는 용이하게 추론할 수 있을 것이다.
상기 메모리(120-1)는 상기 프로그램이 저장되며, 상기 프로그램을 구동시키기 위해 상기 프로세서가 접근할 수 있는 어떠한 형태의 저장장치로 구현되어도 무방하다. 또한 하드웨어적 구현 예에 따라 상기 메모리(120-1)는 어느 하나의 저장장치가 아니라 복수의 저장장치로 구현될 수도 있다. 또한 상기 메모리(120-1)는 주기억장치뿐만 아니라, 임시기억장치를 포함할 수도 있다. 또한 휘발성 메모리 또는 비휘발성 메모리로 구현될 수도 있으며, 상기 프로그램이 저장되고 상기 프로세서에 의해 구동될 수 있도록 구현되는 모든 형태의 정보저장 수단을 포함하는 의미로 정의될 수 있다.
상기 시스템(100)은 실시 예에 따라 본 발명의 기술적 사상에 따라 투자주체별 투자키워드를 추출하고, 이에 따른 서비스 정보를 제공할 수 있는 시스템을 의미할 수 있다. 예컨대, 웹 서버, 컴퓨터 등 다양한 방식으로 구현될 수 있으며, 본 명세서에서 정의되는 기능을 수행할 수 있는 어떠한 형태의 데이터 프로세싱 장치도 포함하는 의미로 정의될 수 있다.
또한 상기 시스템(100)의 실시 예에 따라 다양한 주변장치들(주변장치 1 내지 주변장치 N, 130-1, 131-1)이 더 구비될 수 있다. 예컨대, 키보드, 모니터, 그래픽 카드, 통신장치 등이 주변장치로써 상기 시스템(100)에 더 포함될 수 있음을 본 발명의 기술분야의 평균적 전문가는 용이하게 추론할 수 있을 것이다.
이하, 본 명세서에서 소정의 모듈이 어떤 기능을 수행한다고 함은 상기 프로세서(110-1)가 상기 메모리(120-1)에 구비된 프로그램을 구동하여 상기 기능을 수행하는 것을 의미함을 본 발명의 기술분야의 평균적 전문가는 용이하게 추론할 수 있을 것이다.
이러한 구성들을 통해 수행되는 본 발명의 실시 예에 따른 투자주체별 투자키워드 분석방법은 도4에 도시된 바와 같을 수 있다.
도4는 본 발명의 실시 예에 따른 시스템이 수행하는 투자주체별 투자키워드 분석방법을 구현하기 위한 데이터 플로우를 예시적으로 나타낸다.
도2 및 도4를 참조하면, 상기 제어모듈(110)은 본 발명의 기술적 사상을 구현하기 위해 투자시스템(100)에 포함된 다른 구성(예컨대, 상기 제어모듈(110), 상기 데이터 수집모듈(120), 상기 종목특정 모듈(130), 상기 언어모델(140), 상기 서비스 모듈(150), 및/또는 상기 DB(160) 등)의 기능 및/또는 리소스를 제어할 수 있다.
상기 데이터 수집모듈(120)은 투자주체별 매매정보를 획득하고 이를 확인할 수 있다(S100). 또한, 필요한 경우 전술한 바와 같이 특정 금융상품에 상응하는 복수의 비정형 데이터들을 수집할 수도 있으며, 이를 통해 개별 금융상품별 연관 키워드를 도출하는데 이용될 수도 있다.
상기 투자주체별 매매정보는 전술한 바와 같이 정보제공 시스템(200)으로부터 수신할 수 있다. 또한, 기 데이터 수집모듈(120)은 소정의 정보 소스 시스템이 제공하는 웹 또는 앱의 정보를 크롤링하거나 상기 시스템이 제공하는 API를 통해 수집할 수 있다. 이러한 정보 소스 시스템은 SNS(Social Network Service) 시스템, 언론사, 거래소, 금융기관, 포털, 카페, 블로그 등 다양할 수 있다.
그러면 상기 종목특정 모듈(130)은 획득한 투자주체별 매매정보에 기초하여 투자주체별 주요 매매종목을 특정할 수 있다(S110).
상기 종목특정 모듈(130)은 투자주체별 매매정보를 확인하고, 이에 기초하여 투자주체별 매매종목을 먼저 특정할 수 있다. 즉, 투자주체가 매매한 종목을 먼저 특정할 수 있다. 그리고 특정된 매매종목들 중 주요 매매종목을 특정할 수 있다.
이때 상기 종목특정 모듈(130)은 투자주체별 매매종목들 중 주요 매매종목을 선별하는 기준으로 전술한 바와 같이 매매비중이라는 기준을 이용할 수 있다.
상기 매매비중은 도5에 도시된 바와 같이 전체 주식수 대비 순매매량을 의미할 수 있다. 도5에서는 매수 관점에서의 관심분야를 분석하기 위해 순매수량을 이용하는 일예를 도시하고 있지만, 매도 관점에서 투자주체별 관심분야를 분석하기 위해서는 순매도량이 이용될 수 있음을 본 발명의 기술분야의 평균적 전문가는 용이하게 추론할 수 있을 것이다.
또한, 도5에서는 매매비중이 순매수량/전체 주식수 인 경우를 도시하고 있지만, 도5에 도시된 수식에서 소정의 가중치를 곱하거나 소정의 상수를 더 하는 등 일부 수식을 변형하여 이용할 수도 있다. 어떤 경우든 전체 주식수 대비 순매수량(순매도량)을 이용하고, 이와 비례된 지표를 이용하여 주요 매매종목을 선정할 수 있음을 본 발명의 기술분야의 평균적 전문가는 용이하게 추론할 수 있을 것이다.
예컨대, 상기 종목특정 모듈(130)은 매매비중을 기준 지표로 투자주체의 매매종목들 중 상기 기준지표가 높은 순서대로 미리 정해진 개수의 종목들을 주요 매매종목으로 특정할 수 있다.
이처럼 투자주체별 주요 매매종목이 특정되면(S110) 상기 제어모듈(110)은 투자주체별 투자 키워드를 선별할 수 있다(S120).
상기 제어모듈(110)이 특정된 주요 매매종목으로부터 투자주체별 투자키워드를 선별하는 일예는 도6 및 도7을 참조하여 설명하도록 한다.
도6 내지 도7은 본 발명의 실시 예에 따라 투자주체별 투자 키워드를 선정하는 방식을 설명하기 위한 도면이다.
우선 도6을 참조하면, 종목특정 모듈(130)에 의해 특정된 소정의 투자주체의 주요 매매종목이 종목 A, 종목 B, 종목 C, 종목 D를 포함할 수 있다.
이러한 경우 상기 제어모듈(110)은 미리 저장된 정보인 개별 금융상품별 연관 키워드 정보에 기초하여 주요 매매종목들(예컨대, A, B, C, D) 각각으로부터 연관 키워드를 추출할 수 있다.
이러한 개별 금융상품별 연관 키워드 정보를 생성하고, 유지/관리하기 위해서는 딥러닝 기반의 언어모델(140)이 구비될 수 있으며, 이러한 언어모델(140)을 통해 개별 금융상품별 연관 키워드가 미리 결정될 수 있다.
상기 언어모델(140)은 비정형 데이터에 포함된 키워드들(토큰)을 벡터화할 수 있다. 그러면 상기 제어모듈(110)은 상기 언어모델(140)에 의해 벡터화된 키워드들에 기초하여, 상기 개별 금융상품의 키워드(즉, 상기 특정 금융상품의 명칭)에 상응하는 제1벡터 및 상기 제1벡터와 소정의 기준을 만족하는 제2벡터를 적어도 하나 추출하고, 추출된 적어도 하나의 제2벡터에 대응되는 키워드를 상기 연관 키워드로 추출할 수 있다.
성능이 뛰어난 즉, 잘 훈련된 언어모델(140)은 키워드를 벡터화하면서 동일하거나 유사한 의미를 가지는 키워드는 벡터공간 상에서 가까운 위치에 존재할 수 있도록 벡터화를 수행할 수 있다. 그리고 이렇게 벡터화된 키워드들은 벡터 공간 상(예컨대, BERT의 경우 768차원 공간)에 매핑될 수 있다.
결국 소정의 키워드와 밀접한 연관이 있는 것으로 언어모델(140)을 통해 학습된 키워드들 각각의 벡터들은 벡터공간 상에서 가까운 위치에 매핑되게 되고, 상기 언어모델(140)은 컨텍스트를 고려하여 워드 임베딩(키워드 벡터화)을 수행하며, 이에 따라 단순히 특정 금융상품에 해당하는 키워드와 함께 기재된 경우가 많지만 다른 금융상품과도 함께 기재된 경우 등 과 같이 실질적인 의미상으로 큰 연관성이 없는 단어들(예컨대, 주식에서 일반적으로 쓰이는 키워드들, '~이다' 등의 용언 등)은 상기 특정 금융상품에 대응되는 벡터와는 벡터 공간 상에서 거리가 상대적으로 멀게 매핑될 수 있다.
따라서 이러한 특징으로 통해 상기 제어모듈(110)은 학습대상 데이터들에 포함된 키워드들이 상기 언어모델(140)에 의해 각각 벡터화된 결과를 통해 상기 특정 금융상품의 연관 키워드를 추출할 수 있다.
예컨대, 상기 특정 금융상품의 명칭에 해당하는 제1벡터와 미리 정해진 일정 기준 예컨대, 코사인 유사도(Cosine Similarity)가 일정 값 이상이거나 상기 제1벡터와 유클리디안 거리(Euclidean Distance)가 일정 값 이하인 벡터들을 추출하고 추출된 벡터들에 대응되는 키워드를 연관 키워드로 추출할 수 있다.
코사인 유사도 또는 유클리디언 거리는 모두 벡터 공간 상에서 벡터의 유사도를 측정하기 위해 사용될 수 있는 지표임은 본 발명의 기술분야의 평균적 전문가는 용이하게 추론할 수 있을 것이다.
또한 상기 일정 값을 얼마로 결정할지는 실험을 통해 결정할 수 있음은 물론이다.
이렇게 추출된 연관 키워드는 서비스의 관리자 또는 추가적인 프로세싱에 의해 더 제한될 수도 있지만, 어떠한 경우든 이러한 방식으로 추출된 연관 키워드들이 상기 특정 금융상품의 연관 키워드 또는 그 후보로 특정될 수 있다.
이러한 언어모델(140)을 통해 개별 금융상품 즉, 특정 금융상품별 연관 키워드가 상기 DB(160)에 유지/관리될 수 있다. 그러면 상기 제어모듈(110)은 상기 DB(160)에 저장된 개별 금융상품별 연관 키워드 정보를 이용할 수 있다.
예컨대, 종목 A의 연관 키워드는 k1A, k2A, k3A일 수 있고, 종목 B의 연관 키워드는 k1B, k2B, k3B일 수 있고, 종목 C의 연관 키워드는 k1c, k2c일 수 있다. 또한, 종목 D의 연관 키워드는 k1D, k2D, k3D일 수 있다.
그러면, 추출된 키워드들 k1A, k2A, k3A, k1B, k2B, k3B, k1c, k2c, k1D, k2D, k3D가 상기 투자주체의 투자 키워드 후보군으로 특정될 수 있다.
그러면 상기 제어모듈(110)은 특정된 상기 투자 키워드 후보군(k1A, k2A, k3A, k1B, k2B, k3B, k1c, k2c, k1D, k2D, k3D)으로부터 투자주체별 상기 적어도 하나의 투자 키워드를 선별할 수 있다.
이를 위해 상기 제어모듈(110)은 단순히 투자 키워드 후보군 중 빈도수가 높은 순서대로 소정 개수의 키워드를 투자 키워드로 특정할 수도 있다. 즉, 주요 매매종목들 중 공통된 연관 키워드가 많을수록 해당 공통된 연관 키워드를 투자 키워드로 선별할 수 있고, 이는 상기 투자주체가 공통된 연관 키워드에 대응되는 종목들을 주요 투자종목으로 삼고 있음을 의미할 수 있다.
한편, 다른 실시 예에 따르면, 상기 제어모듈(110)은 단순히 빈도수에 기반하여 투자 키워드 후보군에서 투자 키워드를 선별하는 것이 아니라, 매매비중을 더 고려하여 투자 키워드를 선별할 수도 있다.
예컨대, 도 7에 도시된 바와 같이 투자 키워드 후보군에 포함된 특정 후보 키워드(K)가 종목 A, 종목 B, 종목 D에서 각각 공통적으로 추출될 수 있다. 이러한 경우 상기 후보 키워드(K)의 중요도(SK)는 단순히 빈도수에 기반하는 경우는 3일 수 있다.
하지만 다른 실시 예에 의하면, 상기 후보 키워드(K)의 중요도(SK) 역시 매매비중을 가중치로 적용하여 연산될 수 있다.
예컨대, 특정 투자주체가 A 종목에 대해서는 매매비중 SA 만큼 매매를 하였고, B 종목에 대해서는 매매비중 SB 만큼 매매를 하였고, C 종목에 대해서는 매매비중 SC 만큼 매매를 하였을 수 있다.
이러한 경우 상기 후보 키워드(K)의 중요도(SK)는 도 7에 도시된 바와 같이 매매종목들 각각의 빈도(1)에 매매비중(SA, SB, SC)를 가중치로 하여 합산한 지표로 정의될 수 있다.
결국 이러한 경우에는 매매비중이 해당 투자주체가 그 종목을 얼마나 주요한 관심종목으로 여기는지를 객관적으로 나타내는 지표이므로, 투자 키워드 역시 이러한 매매비중을 고려하여 선정할 수 있게 되는 효과가 있다.
이러한 방식으로 상기 제어모듈(110)은 투자 키워드 후보군들에 포함된 각각의 후보 키워드들에 대해 중요도(SK)를 연산할 수 있으며, 연산된 중요도(SK)의 상위 몇 개의 후보 키워드들을 투자 키워드로 특정할 수 있다.
이처럼 투자주체별 투자 키워드가 특정되면, 상기 서비스 모듈(150)은 투자주체별 투자키워드에 기초하여 투자자에게 유의미한 정보를 제공할 수 있다.
이러한 일예는 도8을 참조하여 설명하도록 한다.
도8은 본 발명의 실시 예에 따라 투자주체별 투자 키워드를 이용하여 서비스 정보를 제공할 수 있는 개념을 설명하기 위한 도면이다.
도8을 참조하면, 제1투자주체(E1), 제2투자주체(E2), 및 제3투자주체(E3) 각각의 투자키워드는 도8에 도시된 바와 같을 수 있다.
예컨대, 제1투자주체(E1)의 투자키워드는 K1, K2, K3일 수 있고, 제2투자주체(E2)의 투자키워드는 K2, K3, K4일 수 있고, 제3투자주체(E3)의 투자키워드는 K3일 수 있다.
그러면, 상기 서비스 모듈(150)은 특정 투자주체(예컨대, 제1투자주체(E1)의 투자 키워드(K1, K2, K3)에 상응하는 투자 키워드 매칭 금융상품들을 선별할 수 있다. 즉, 상기 특정 투자주체가 관심있는 투자분야 또는 화두인 투자 키워드에 대응되는 종목들인 매칭 금융상품들을 선별할 수 있다. 예컨대, 상기 개별 금융상품별 연관 키워드 정보에 기초하여 투자 키워드를 연관 키워드로 포함하고 있는 금융상품이 투자 키워드 매칭 금융상품일 수 있다. 이러한 매칭 금융상품들의 일부는 당연히 상기 특정 투자주체의 주요 매매종목에 포함되지만, 나머지 일부는 상기 주요 매매종목에 포함되어 있지 않을 수 있다.
그러면 상기 서비스 모듈(150)은 선별한 상기 투자 키워드 매칭 금융상품들 중에서 상기 특정 투자주체의 주요 매매종목에 포함되지 않은 금융상품을 선별하고 이를 투자자 단말기(300)로 제공할 수 있다. 즉, 특정 투자주체의 관심분야이지만 해당 특정 투자주체가 실제로 매매를 하지 않은 종목에 대한 정보를 투자자에게 서비스 정보로 제공할 수 있으며, 이를 통해 개인 투자자들에게 아직 상기 특정 투자주체에 의해 먼저 투자되지 않았지만 공통적인 관심 또는 화두를 가지는 개별 금융상품에 대한 투자기회를 제공할 수 있는 효과가 있다.
실시 예에 따라서는, 상기 서비스 모듈(150)은 상기 투자주체별 적어도 하나의 투자 키워드에 기초하여, 복수의 투자주체들에 공통적으로 상응하는 공통 투자 키워드를 선별하여 투자자 단말기(300)로 제공할 수도 있다.
예컨대, 도8에 도시된 일예에서, 투자 키워드(K3)는 3개의 서로 다른 투자주체들(E1, E2, E3)의 공통된 투자 키워드일 수 있다. 이는 투자주체들이 공통적으로 관심이 있는 분야 또는 화두를 분석하여 투자자에게 제공하는 의미가 있을 수 있다.
상기 서비스 모듈(150)은 공통 투자키워드를 갖는 투자주체들의 수가 클수록 우선순위를 가지도록 공통 투자 키워드를 선별하여 투자자에게 제공할 수 있다. 예컨대, K3는 3개의 투자주체들의 공통 키워드이고, K2는 2개의 투자주체들의 공통 키워드일 수 있다. 이러한 경우 K3만을 투자자들에게 제공할 수도 있고, 우선순위를 부여하여 K3, K2라는 공통 키워드를 투자자에게 제공할 수도 있다. 또는 적어도 2개의 투자주체에 공통된 공통 키워드들을 제공하면서, 몇 개의 투자주체가 공통으로 투자 키워드로 삼고 있는지에 대한 정보를 별도로 제공할 수도 있다. 다양한 실시 예가 가능함을 본 발명의 기술분야의 평균적 전문가는 용이하게 추론할 수 있을 것이다.
또 다른 실시 예에 의하면, 상기 서비스 모듈(150)은 상술한 바와 같은 투자주체별 투자키워드를 추출하는 기술적 사상을 이용하여 투자자들을 학습시킬 수 있는 서비스 또는 서비스 정보를 제공할 수도 있다.
이러한 일예는 도9에 도시된다.
도9는 본 발명의 실시 예에 따른 키워드를 이용하여 투자자를 교육할 수 있는 개념을 설명하기 위한 도면이다.
도9를 참조하면, 상기 서비스 모듈(150)은 과거의 일정기간 동안(예컨대, t1 내지 t4)의 투자주체별 과거 투자 키워드를 선별하고 이를 투자자(유저) 단말기로 제공할 수 있다. 예컨대, 각각의 시점(t1, t2, t3, t4)들은 과거 하루 단위일 수도 있고, 일주일 단위 또는 기타 다양한 기간단위일 수 있다. 그리고 각 시점별 투자 키워드들은 도8에 도시된 바와 같을 수 있다.
이처럼 과거의 실제 있었던 일정 기간 동안 투자주체별 투자키워드라는 정보를 제공하고, 이렇게 제공된 투자키워드라는 정보를 이용하여 투자자가 상기 과거 일정기간 이후의 예측대상시점에 대해 투자에 유의미한 예측을 해볼 수 있도록 함으로써, 투자자 교육에 본 발명의 기술적 사상이 이용될 수도 있다. 이러한 예측대상시점은 상기 과거 일정기간 동안에 비해서는 미래이지만 현재 시점으로는 과거의 시점이며, 따라서 예측대상시점에서 투자예측에 상응하는 실제 정보(예컨대, 투자 키워드 또는 특정 종목의 주가방향 등)가 어떠했는지를 즉각적으로 확인할 수 있다.
예컨대 요청되는 투자예측은 상기 과거 일정기간(예컨대, t1 내지 t4)의 다음 시점(예컨대, t5)인 과거 예측대상시점에서 해당 투자주체의 투자 키워드일 수도 있다. 투자 키워드의 예측은 투자주체가 시기별로 순환 투자를 하는 경우에 유용한 예측요소일 수 있다.
또는 요청되는 투자예측은 이전 기간 동안의 투자키워드에 상응하는 주요 매매종목들의 주가 상승 또는 하락 예측일 수도 있다.
이러한 투자예측을 요청하고, 투자자 단말기(300)로부터 투자예측이 수신되면 상기 서비스 모듈(150)은 상기 과거 예측대상시점에서의 투자예측에 대응되는 실제정보를 비교하여 예측의 정확성을 소정의 방식으로 제공할 수 있다. 즉, 이미 과거의 기간 동안 발생한 사실이고 예측되는 시점(t5)역시 과거의 시점이므로, 상기 서비스 모듈(150)은 요청된 투자예측이 맞는지 틀리는지 또는 얼마정도 정확한지 여부를 투자자에게 즉각적으로 피드백 해줄 수 있으며, 이로 인해 빠른 시간 내에 과거의 실제 사례에 대한 다양한 투자교육을 제공할 수 있는 효과가 있다.
예컨대, 단순히 예측이 맞았는지 틀렸는지에 대한 정보를 제공할 수도 있고, 투자예측을 요청할 때 몇 프로 상승 또는 하락의 예측을 요청한 경우에는 이러한 상승 또는 하락의 퍼센티지에 기반하여 정확도를 소정의 방식으로 스코어링할 수도 있다.
다양한 방식으로 상기 서비스 모듈(150)은 투자와 관련된 유의미한 정보를 예측해보도록 하고, 그에 대한 평가를 해줌으로써 투자자의 투자실력을 향상시키는 서비스를 제공할 수 있다.
본 발명의 실시 예에 따른 투자주체별 투자키워드 분석방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 하드 디스크, 플로피 디스크, 광 데이터 저장장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.
본 발명은 도면에 도시된 일 실시 예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (16)

  1. 시스템이 투자주체 각각의 매매정보를 확인하는 단계;
    상기 시스템이 확인한 투자주체 각각의 매매정보에 기초하여 미리 정해진 기준에 따라 투자주체별 매매대상 종목들 중 복수 개의 주요 매매종목들을 특정하는 단계; 및
    상기 시스템이 특정한 주요 매매종목들에 기초하여 투자주체별로 적어도 하나의 투자 키워드를 선별하는 단계를 포함하는 투자주체별 투자키워드 분석방법.
  2. 제1항에 있어서, 상기 시스템이 확인한 투자주체 각각의 매매정보에 기초하여 미리 정해진 기준에 따라 투자주체별 매매대상 종목들 중 복수 개의 주요 매매종목들을 특정하는 단계는,
    상기 시스템이 투자주체별 상기 매매대상 종목들 중에서 매매비중이 높은 순서로 미리 정해진 개수의 상기 주요 매매종목들을 특정하는 단계를 포함하며,
    상기 매매비중은 전체 주식수 대비 매매량에 기초하여 결정되는 정보인 것을 특징으로 하는 투자주체별 투자키워드 분석방법.
  3. 제1항에 있어서, 상기 시스템이 특정한 주요 매매종목들에 기초하여 투자주체별로 적어도 하나의 투자 키워드를 선별하는 단계는,
    상기 시스템이 상기 주요 매매종목들 각각으로부터 대응되는 연관 키워드를 적어도 하나 추출하여 투자주체별 투자 키워드 후보군을 특정하는 단계;
    상기 시스템이 특정한 상기 투자 키워드 후보군으로부터 투자주체별 상기 적어도 하나의 투자 키워드를 선별하는 단계를 포함하는 투자주체별 투자키워드 분석방법.
  4. 제3항에 있어서, 상기 시스템이 특정한 상기 투자 키워드 후보군으로부터 투자주체별 상기 적어도 하나의 투자 키워드를 선별하는 단계는,
    상기 시스템이, 상기 투자 키워드 후보군에 포함된 각각의 후보 투자 키워드별로, 상기 후보 투자 키워드가 추출된 매매종목들의 매매비중을 가중치로 적용하여 상기 적어도 하나의 투자 키워드를 선별하는 단계; 또는
    상기 시스템이, 상기 투자 키워드 후보군에 포함된 각각의 후보 투자 키워드별로 상기 후보 투자 키워드가 추출된 빈도수에 기초하여 상기 적어도 하나의 투자 키워드를 선별하는 단계를 포함하는 투자주체별 투자키워드 분석방법.
  5. 제3항에 있어서, 상기 시스템이 상기 주요 매매종목들 각각으로부터 대응되는 연관 키워드를 적어도 하나 추출하여 투자주체별 투자 키워드 후보군을 특정하는 단계는,
    상기 시스템이, 미리 정해진 종목별 연관 키워드 정보를 이용하여 상기 투자 키워드 후보군을 특정하는 단계를 포함하며,
    상기 투자주체별 투자키워드 분석방법은,
    다수의 금융분야 비정형 데이터를 포함하는 학습 데이터를 학습하여 구축되는 딥러닝 기반의 언어모델을 이용하여 종목별 연관키워드를 특정하는 단계를 더 포함하는 투자주체별 투자키워드 분석방법.
  6. 제1항에 있어서, 상기 투자주체별 투자키워드 분석방법은,
    상기 시스템이 특정 투자주체의 상기 적어도 하나의 투자 키워드에 상응하는 투자 키워드 매칭 금융상품들을 선별하는 단계; 및
    상기 시스템이 선별한 상기 투자 키워드 매칭 금융상품들 중에서 상기 특정 투자주체의 주요 매매종목에 포함되지 않은 금융상품을 선별하는 단계를 더 포함하는 투자주체별 투자키워드 분석방법.
  7. 제1항에 있어서, 상기 투자주체별 투자키워드 분석방법은,
    상기 시스템이, 상기 투자주체별 적어도 하나의 투자 키워드에 기초하여, 복수의 투자주체들에 공통적으로 상응하는 공통 투자 키워드를 선별하는 단계를 더 포함하는 투자주체별 투자키워드 분석방법.
  8. 제1항에 있어서, 상기 투자주체별 투자키워드 분석방법은,
    상기 시스템이 과거의 일정기간 동안의 투자주체별 과거 투자 키워드를 선별하는 단계;
    상기 시스템이 상기 과거의 일정기간에 상응하는 상기 과거 투자 키워드를 유저단말기로 제공하고, 제공된 정보에 기초하여 상기 과거의 일정기간 이후인 과거 예측대상시점의 투자예측을 요청하는 단계; 및
    상기 시스템이 요청에 응답하여 수신되는 과거 예측대상시점의 상기 투자예측과 상기 과거 예측대상시점의 실제 정보를 비교하여 상기 투자예측의 정확성을 상기 유저 단말기로 제공하는 단계를 더 포함하는 투자주체별 투자키워드 분석방법.
  9. 데이터 처리장치에 설치되며 제1항 내지 제8항 중 어느 한 항에 기재된 방법을 수행하기 위한 컴퓨터 판독가능한 기록매체에 기록된 컴퓨터 프로그램.
  10. 프로세서;
    프로그램이 저장된 저장장치를 포함하며,
    상기 프로세서는 상기 프로그램을 구동하여,
    투자주체 각각의 매매정보를 확인하고, 확인한 투자주체 각각의 매매정보에 기초하여 미리 정해진 기준에 따라 투자주체별 매매대상 종목들 중 복수 개의 주요 매매종목들을 특정하며, 특정한 주요 매매종목들에 기초하여 투자주체별로 적어도 하나의 투자 키워드를 선별하는 투자주체별 투자키워드 분석시스템.
  11. 제10항에 있어서, 상기 프로세서는 상기 프로그램을 구동하여,
    투자주체별 상기 매매대상 종목들 중에서 매매비중이 높은 순서로 미리 정해진 개수의 상기 주요 매매종목들을 특정하되, 상기 매매비중은 전체 주식수 대비 매매량에 기초하여 결정되는 것을 특징으로 하는 투자주체별 투자키워드 분석시스템.
  12. 제10항에 있어서, 상기 프로세서는 상기 프로그램을 구동하여,
    상기 주요 매매종목들 각각으로부터 대응되는 연관 키워드를 적어도 하나 추출하여 투자주체별 투자 키워드 후보군을 특정하고, 특정한 상기 투자 키워드 후보군으로부터 투자주체별 상기 적어도 하나의 투자 키워드를 선별하는 투자주체별 투자키워드 분석시스템.
  13. 제12항에서, 상기 프로세서는 상기 프로그램을 구동하여,
    상기 투자 키워드 후보군에 포함된 각각의 후보 투자 키워드별로, 상기 후보 투자 키워드가 추출된 매매종목들의 매매비중을 가중치로 적용하여 상기 적어도 하나의 투자 키워드를 선별하거나, 상기 투자 키워드 후보군에 포함된 각각의 후보 투자 키워드별로 상기 후보 투자 키워드가 추출된 빈도수에 기초하여 상기 적어도 하나의 투자 키워드를 선별하는 투자주체별 투자키워드 분석시스템.
  14. 제10항에 있어서, 상기 프로세서는 상기 프로그램을 구동하여,
    특정 투자주체의 상기 적어도 하나의 투자 키워드에 상응하는 투자 키워드 매칭 금융상품들을 선별하고, 선별한 상기 투자 키워드 매칭 금융상품들 중에서 상기 특정 투자주체의 주요 매매종목에 포함되지 않은 금융상품을 선별하는 투자주체별 투자키워드 분석시스템.
  15. 제10항에 있어서, 상기 프로세서는 상기 프로그램을 구동하여,
    상기 투자주체별 적어도 하나의 투자 키워드에 기초하여, 복수의 투자주체들에 공통적으로 상응하는 공통 투자 키워드를 선별하는 투자주체별 투자키워드 분석시스템.
  16. 제10항에 있어서, 상기 프로세서는 상기 프로그램을 구동하여,
    과거의 일정기간 동안의 투자주체별 과거 투자 키워드를 선별하고, 상기 과거의 일정기간에 상응하는 상기 과거 투자 키워드를 유저단말기로 제공하고, 제공된 정보에 기초하여 상기 과거의 일정기간 이후인 과거 예측대상시점의 투자예측을 요청하고, 과거 예측대상시점의 상기 투자예측과 상기 과거 예측대상시점의 실제 정보를 비교하여 상기 투자예측의 정확성을 상기 유저 단말기로 제공하는 투자주체별 투자키워드 분석시스템.
KR1020210176948A 2021-12-10 2021-12-10 투자주체별 투자키워드 분석방법 및 그 시스템 KR20230088597A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210176948A KR20230088597A (ko) 2021-12-10 2021-12-10 투자주체별 투자키워드 분석방법 및 그 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210176948A KR20230088597A (ko) 2021-12-10 2021-12-10 투자주체별 투자키워드 분석방법 및 그 시스템

Publications (1)

Publication Number Publication Date
KR20230088597A true KR20230088597A (ko) 2023-06-20

Family

ID=86994930

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210176948A KR20230088597A (ko) 2021-12-10 2021-12-10 투자주체별 투자키워드 분석방법 및 그 시스템

Country Status (1)

Country Link
KR (1) KR20230088597A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140026118A (ko) 2012-08-24 2014-03-05 웅진케미칼 주식회사 폴리비닐덴플루오라이드(ｐｖｄｆ) 비대칭 다공성 중공사막의 제조방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140026118A (ko) 2012-08-24 2014-03-05 웅진케미칼 주식회사 폴리비닐덴플루오라이드(ｐｖｄｆ) 비대칭 다공성 중공사막의 제조방법

Similar Documents

Publication Publication Date Title
Sprenger et al. News or noise? Using Twitter to identify and understand company‐specific news flow
US20200311815A1 (en) Stock market prediction using natural language processing
Hagenau et al. Automated news reading: Stock price prediction based on financial news using context-capturing features
US9690849B2 (en) Systems and methods for determining atypical language
Modina et al. A default prediction model for Italian SMEs: the relevance of the capital structure
US11734330B2 (en) Processing unstructured voice of customer feedback for improving content rankings in customer support systems
Groth et al. How to enable automated trading engines to cope with news-related liquidity shocks? Extracting signals from unstructured data
KR20210086817A (ko) 인공지능 기반의 투자지표 결정방법 및 그 시스템
AU2020202730B2 (en) Method and system for personalizing software based on real time tracking of voice-of-customer feedback
Keller et al. Trading on cryptocurrency markets: Analyzing the behavior of bitcoin investors
Fullerton Jr et al. Physical infrastructure and economic growth in El Paso
Himanshu et al. Prioritizing and establishing cause and effect relationships among financial reporting quality metrics
Klimczak Text analysis in finance: The challenges for efficient application
KR20230088597A (ko) 투자주체별 투자키워드 분석방법 및 그 시스템
Samal et al. Hedging effectiveness and influential direction between spot and futures market of aluminium: An evidence from India
Kalatzis et al. Multicollinearity and financial constraint in investment decisions: a Bayesian generalized ridge regression
Li et al. Research on Efficiency in Credit Risk Prediction Using Logistic‐SBM Model
Aydogdu et al. Using long short‐term memory neural networks to analyze SEC 13D filings: A recipe for human and machine interaction
Polyzos et al. Efficient Market Hypothesis on the blockchain: A social‐media‐based index for cryptocurrency efficiency
Xu et al. The effect of green, supply chain factors in predicting China’s stock price crash risk: evidence from random forest model
Ferretti et al. Analysts’ Recommendations and Press Sentiment: Complementary or Alternative to Drive Investors’ Trading Behavior?
KR102345481B1 (ko) 인공지능 기반의 종목연관 키워드 결정방법 및 그 시스템
Pastwa et al. Unpacking the black box of ICO white papers: a topic modeling approach
KR20230010956A (ko) 인공지능 기반의 투자 지표 결정 및 종목 정보 제공 방법 및 이를 수행하는 컴퓨팅 시스템
KR20230010955A (ko) 인공지능 기반의 개인화된 종목 정보 제공 방법 및 이를 수행하는 컴퓨팅 시스템

Legal Events

Date Code Title Description
E902 Notification of reason for refusal