KR20240020030A - 암호화폐 투자 알고리즘 매칭 시스템 및 방법 - Google Patents

암호화폐 투자 알고리즘 매칭 시스템 및 방법 Download PDF

Info

Publication number
KR20240020030A
KR20240020030A KR1020220097976A KR20220097976A KR20240020030A KR 20240020030 A KR20240020030 A KR 20240020030A KR 1020220097976 A KR1020220097976 A KR 1020220097976A KR 20220097976 A KR20220097976 A KR 20220097976A KR 20240020030 A KR20240020030 A KR 20240020030A
Authority
KR
South Korea
Prior art keywords
investment
algorithm
automatic
return
cryptocurrency
Prior art date
Application number
KR1020220097976A
Other languages
English (en)
Inventor
이성원
Original Assignee
이성원
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 이성원 filed Critical 이성원
Priority to KR1020220097976A priority Critical patent/KR20240020030A/ko
Publication of KR20240020030A publication Critical patent/KR20240020030A/ko

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • 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
    • G06Q20/04—Payment circuits
    • G06Q20/06—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme
    • G06Q20/065—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme using e-cash
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Technology Law (AREA)
  • Artificial Intelligence (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

실시예에 따른 암호화폐 투자 알고리즘 매칭 시스템 및 방법은 개인투자자의 투자 성향, 투자 과정 및 암호화폐 투자 시장을 인공지능과 빅데이터를 기반으로 분석하여 개인 투자자에게 적합한 암호화폐 투자 알고리즘을 매칭하여 자동 투자를 수행할 수 있도록 한다. 또한, 실시예에 따른 암호화폐 투자 알고리즘 매칭 시스템 및 방법은 이미 하나의 자산으로 인정받기 시작한 암호화폐 투자 시장에서 주식과 같이, 개인 투자자의 투자 성향을 분석하고 투자자에게 적합한 암호화폐 및 알고리즘 분석 정보를 제공한다. 또한, 실시예에서는 개인 및 기업간에 공유되는 투자 알고리즘을 수집하여 투자 성향에 맞춰 수집된 알고리즘을 분류하고, 분석함으로써, 암호화폐에 대한 안정적인 투자 시장을 형성할 수 있도록 한다.

Description

암호화폐 투자 알고리즘 매칭 시스템 및 방법{CRYPTOCURRENCY INVESTMENT ALGORITHM MATCHING SYSTEM AND METHOD}
본 개시는 암호화폐 투자 알고리즘 매칭 시스템 및 방법에 관한 것으로 구체적으로, 개인투자자의 투자 성향, 투자 과정 및 암호화폐 투자 시장을 인공지능과 빅데이터를 기반으로 분석하여 개인 투자자에게 적합한 암호화폐 투자 알고리즘을 매칭하여 자동 투자를 수행할 수 있도록 하는 시스템 및 방법에 관한 것이다.
본 명세서에서 달리 표시되지 않는 한, 이 섹션에 설명되는 내용들은 이 출원의 청구항들에 대한 종래 기술이 아니며, 이 섹션에 포함된다고 하여 종래 기술이라고 인정되는 것은 아니다.
암호화폐(Cryptocurrency)란 블록체인을 기반으로 분산 환경에서 암호화 기술(cryptography)을 사용하여 만든 디지털 화폐(digital currency)로서, 피투피(P2P: Peer-to-Peer) 네트워크에서 안전한 거래를 위해 암호화 기술(cryptography)을 사용하는 전자 화폐이다. 암호화폐는 전자화폐의 하나로 보기도 하지만 전자금융거래법에 정의된 전자화폐의 특성인 현금 교환성이 보장되지 않으며 정부가 가치나 지급을 보장하지 않는다는 점에서 전자화폐와는 구별된다. 또한 가상화폐로 많이 알려져 있으나 개발자가 발행에 관여하지 않고 가상공간이 아닌 현실에서도 통용된다는 점에서 가상화폐와 차이가 있다.
암호화폐는 분산 환경에서 통화 단위(units of currency)를 생성하고 유지하며 안전한 거래를 위해 암호화 기술을 사용하여 분산 장부에 거래 정보를 기록하는 일종의 디지털 자산이다. 이를 취득하기 위해서는 수학적으로 복잡한 연산을 풀어야 하므로 암호화폐는 거래 정보의 변조가 현실적으로 불가능하다. 거래를 위해 은행과 같은 제3의 신뢰기관을 통한 신분 인증 절차를 거치지 않으며, 거래 당사자의 개인 정보도 이용하지 않으므로 익명성을 보장받는다. 중앙 통제 기관 없이 분산 네트워크(예를 들어, 피투피(P2P: Peer-to-Peer)) 참여자들이 거래 정보를 분산하여 저장, 관리한다. 이때 분산 저장 및 관리를 위해 일반적으로 블록체인과 같은 분산원장기술을 사용한다. 가장 잘 알려진 암호화폐가 2009년에 출현된 비트코인(bitcoin)이다. 비트코인은 암호화 기술로 SHA-256(Secure Hash Algorithm 256) 기반의 작업증명(PoW: Proof of Work) 방식을 사용한다.
현재 블록체인 기반의 암호화폐 시장은 주식 시장처럼 명확한 정보나 시장의 가능성을 보고 투자를 하기보단 투자 정보가 부족해 SNS 등의 입소문으로 인해 이뤄지는 투자로 투기에 가까운 시장이 형성되어 있다. 또한, 블록체인 기반의 암호화폐 투자 시장은 단순 투자자들 간의 정보만 교류하는 커뮤니티로 형성되어 있으며, 명확한 정보를 전달하고 분석해주는 파트너, 플랫폼이 부족하다.
이미 해외에서는 암호화폐 시장이 자리를 잡고 투자에 대한 커뮤니티와 알고리즘 솔루션의 개발이 빠르게 이뤄지고 공유되고 있다. 하지만 국내에서는 암호화폐 투자자 모임인 단순 커뮤니티만 존재할 뿐 투자에 대한 프로세스나 파트너가 부재한 실정이다.
암호화폐 시장은 일평균 약 8조원 가까이 거래되고 있고, 이미 코스피 거래량의 50% 이상을 추격할 만큼 빠르게 성장하고 있는 수익가능성 가능성 매우 높은 시장이다. 하지만 실제 투자자들이 정보의 부재나 잘못된 정보에 기반한 투자로 손해를 얻게 되는 일이 늘어남에 따라, 암호화폐에 대한 부정적인 인식과 여론이 확산되고 있다. 암호화폐 투자정보를 얻을 수 있는 해외 알고리즘 플랫폼 트레이딩 뷰(Trading View)는 단순 알고리즘만 제공하고, 거래할 수 있으며 별도의 데이터나 투자 성향에 맞는 추천 솔루션이 없어 개인 투자자들에게 초기 진입장벽이 매우 높은 실정이다.
1. 한국등록특허 제10-2217886호 (2021.02.15.) 2. 한국등록특허 제10-2000519호 (2019.07.10.)
실시예에 따른 암호화폐 투자 알고리즘 매칭 시스템 및 방법은 개인투자자의 투자 성향, 투자 과정 및 암호화폐 투자 시장을 인공지능과 빅데이터를 기반으로 분석하여 개인 투자자에게 적합한 암호화폐 투자 알고리즘을 매칭하여 자동 투자를 수행할 수 있도록 한다.
또한, 실시예에 따른 암호화폐 투자 알고리즘 매칭 시스템 및 방법은 이미 하나의 자산으로 인정받기 시작한 암호화폐 투자 시장에서 주식과 같이, 개인 투자자의 투자 성향을 분석하고 투자자에게 적합한 암호화폐 및 알고리즘 분석 정보를 제공한다.
또한, 실시예에서는 개인 및 기업간에 공유되는 투자 알고리즘을 수집하여 투자 성향에 맞춰 수집된 알고리즘을 분류하고, 분석함으로써, 암호화폐에 대한 안정적인 투자 시장을 형성할 수 있도록 한다.
실시예에 따른 암호화폐 투자 알고리즘 매칭 방법은 (A) 사용자 단말은 회원가입시 투자목적, 목표수익률을 포함하는 투자 정보를 입력 받아 서버로 전송하는 단계; (B) 서버는 사용자 단말로부터 투자정보를 수집하고, 수집된 투자정보를 기반으로 사용자의 투자기간 대비 희망 수익률에 따라 투자성향 레벨을 파악하는 단계; (C) 서버는 자동 투자 알고리즘을 수집하고, 수집된 자동 투자 알고리즘의 누적 수익률 및 테스트 수익에 따라 예상 수익률을 산출하고, 산출된 예상 수익률을 기반으로 자동 투자 알고리즘 각각의 투자 레벨을 파악하는 단계; (D) 서버는 사용자의 투자성향 레벨과 자동 투자 알고리즘의 투자 레벨을 비교하여, 사용자의 투자성향 레벨과 일정 수준 이상 유사한 자동 투자 알고리즘을 추출하는 단계; 및 (E) 서버는 추출된 자동 투자 알고리즘 정보를 사용자 단말로 전송하고, 사용자 단말로부터 선택된 자동 투자 알고리즘 정보를 수신하는 단계; 를 포함한다.
실시예에 따른 암호화폐 자동 투자 알고리즘 매칭 시스템은 회원가입시 투자목적, 목표수익률을 포함하는 투자 정보를 입력 받아 서버로 전송하는 사용자 단말; 사용자 단말로부터 투자정보를 수집하고, 수집된 투자정보를 기반으로 사용자의 투자기간 대비 희망 수익률에 따라 투자성향 레벨을 파악하고,
자동 투자 알고리즘을 수집하고, 수집된 자동 투자 알고리즘의 누적 수익률 및 테스트 수익에 따라 예상 수익률을 산출하고, 산출된 예상 수익률을 기반으로 자동 투자 알고리즘 각각의 투자 레벨을 파악하고, 사용자의 투자성향 레벨과 자동 투자 알고리즘의 투자 레벨을 비교하여, 사용자의 투자성향 레벨과 일정 수준 이상 유사한 자동 투자 알고리즘을 추출하고, 추출된 자동 투자 알고리즘 중 예측 수익률이 가장 높은 알고리즘과 사용자를 매칭하는 서버; 를 포함한다.
이상에서와 같은 실시예에 따른 암호화폐 투자 알고리즘 매칭 시스템 및 방법은 투자 시간이 정해져 있는 주식과 다르게 암호화폐 투자는 365일 24시간 상시로 거래가 일어나므로, 항상 투자를 보조해줄 수 있는 비서와 같은 투자 파트너를 제공한다.
실시예에서는 거래소와 API 연동을 통하여 실시간으로 사용자가 언제 어디서든 미리 정해 둔 작업이나 알고리즘에 맞는 투자를 실행할 수 있도록 함으로써, 사용자가 직접 플랫폼에 들어가지 않아도 알고리즘 기반의 투자가 자동으로 이뤄질 수 있도록 하여 수익 창출 향상에 기여할 수 있다.
또한, 실시예에서는 개인 및 기업간에 공유되는 투자 알고리즘을 수집하여 투자 성향에 맞춰 수집된 알고리즘을 분류하고, 분석함으로써, 암호화폐에 대한 안정적인 투자 시장을 형성할 수 있도록 한다.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 실시예에 따른 암호화폐 자동 투자 알고리즘 매칭 시스템 구성을 나타낸 도면
도 2는 실시예에 따른 서버의 데이터 처리 구성을 나타낸 도면
도 3은 실시예에 따른 자동 투자 알고리즘 정보 수집 소스를 나타낸 도면
도 4는 암호화폐 자동 투자 알고리즘 매칭 시스템의 신호 흐름을 나타낸 도면
도 5는 실시예에 따른 사용자와 자동 투자 알고리즘 매칭 서버의 데이터 처리과정을 나타낸 도면
도 6은 실시예에 따른 암호화폐 자동 투자 매칭 시스템의 사용자 인터페이스를 나타낸 도면
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 도면부호는 동일 구성 요소를 지칭한다.
본 발명의 실시 예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시 예에서의 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.
도 1은 실시예에 따른 암호화폐 자동 투자 알고리즘 매칭 시스템 구성을 나타낸 도면이다.
도 1을 참조하면, 실시예에 따른 암호화폐 자동 투자 알고리즘 매칭 시스템은 서버(100) 및 사용자 단말(200)을 포함하여 구성될 수 있다. 실시예에서 사용자 단말(200)은 회원가입 시 투자목적, 목표수익률, 투자기간을 포함하는 사용자의 투자정보를 입력 받아 서버(100)로 전송한다. 서버(200)는 사용자 단말(100)로부터 투자정보를 수집하고, 수집된 투자정보를 기반으로 사용자의 투자기간 대비 희망 수익률에 따라 투자성향의 레벨을 파악한다. 또한, 서버(100)는 웹 크롤링을 통해 자동 투자 알고리즘을 수집하고, 수집된 자동 투자 알고리즘의 누적 수익률 및 테스트 수익에 따라 예상 수익률을 산출한다. 실시예에서는 산출된 예상 수익률을 기반으로 자동 투자 알고리즘 각각의 투자 레벨을 파악한다. 실시예에서 서버(100)는 사용자의 투자성향 레벨과 자동 투자 알고리즘의 투자 레벨을 비교하여, 사용자의 투자성향 레벨과 일정 수준 이상 유사한 자동 투자 알고리즘을 추출하고, 추출된 자동 투자 알고리즘 정보를 사용자 단말로 전송한다. 사용자 단말(100)로부터 선택된 자동 투자 알고리즘 정보를 수신하고, 선택한 자동 투자 알고리즘을 적용하여 자동 투자를 시작한다. 실시예에서는 적용한 자동 투자 알고리즘에 의한 수익율이 일정 수준 미만이거나, 손실액이 임계치(예컨대, 사용자 설정액수)를 초과하는 경우, 자동 투자를 종료한다.
실시예에서, 적어도 하나의 사용자 단말(200)은, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데
스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 사용자 단말(200)은, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 사용자 단말(200)은, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(smartphone), 스마트 패드(smartpad), 태블릿 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
실시예에 따른 암호화폐 투자 알고리즘 매칭 시스템 및 방법은 개인투자자의 투자 성향, 투자 과정 및 암호화폐 투자 시장을 인공지능과 빅데이터를 기반으로 분석하여 개인 투자자에게 적합한 암호화폐 투자 알고리즘을 매칭하여 자동 투자를 수행할 수 있도록 한다. 또한, 실시예에 따른 암호화폐 투자 알고리즘 매칭 시스템 및 방법은 이미 하나의 자산으로 인정받기 시작한 암호화폐 투자 시장에서 주식과 같이, 개인 투자자의 투자 성향을 분석하고 투자자에게 적합한 암호화폐 및 알고리즘 분석 정보를 제공한다. 또한, 실시예에서는 개인 및 기업간에 공유되는 투자 알고리즘을 수집하여 투자 성향에 맞춰 수집된 알고리즘을 분류하고, 분석함으로써, 암호화폐에 대한 안정적인 투자 시장을 형성할 수 있도록 한다.
도 2는 실시예에 따른 서버의 데이터 처리 구성을 나타낸 도면이다.
도 2를 참조하면, 실시예에 따른 서버(100)는 사용자 투자 성향 분석모듈(110), 자동 투자 알고리즘 분석 모듈(120), 추천 알고리즘 추출 모듈(130), 자동 투자 알고리즘 생성모듈(140) 및 수수료 산출 모듈(150)을 포함하여 구성될 수 있다. 본 명세서에서 사용되는 '모듈' 이라는 용어는 용어가 사용된 문맥에 따라서, 소프트웨어, 하드웨어 또는 그 조합을 포함할 수 있는 것으로 해석되어야 한다. 예를 들어, 소프트웨어는 기계어, 펌웨어(firmware), 임베디드코드(embedded code), 및 애플리케이션 소프트웨어일 수 있다. 또 다른 예로, 하드웨어는 회로, 프로세서, 컴퓨터, 집적 회로, 집적 회로 코어, 센서, 멤스(MEMS; Micro-Electro-Mechanical System), 수동 디바이스, 또는 그 조합일 수 있다.
사용자 투자 성향 분석 모듈(110)은 사용자 단말로부터 회원가입시 투자목적, 목표수익률을 포함하는 투자 정보를 수집하고, 수집된 투자 정보를 분석하여 사용자 각각의 투자 성향을 파악한다. 실시예에서 사용자 투자 성향은 사용자가 희망하는 기간대비 목표 수익률, 투자 금액에 따라 투자 성향 레벨로 산출될 수 있다. 예컨대, 기간 대비 목표 수익률이 제1 수치(예컨대, 70 퍼센트)를 초과하는 경우 공격투자형 레벨, 제 2 수치(예컨대, 50 퍼센트)를 초과하는 경우, 적극투자형 레벨, 제3 수치 (예컨대, 30 퍼센트)를 초과하는 경우 위험 중립형 레벨, 제 4수치 (예컨대, 20 퍼센트) 이하인 경우, 안정추구형 레벨, 제 5수치 (10퍼센트)이하인 경우 안정형 레벨로 산출될 수 있다.
자동 투자 알고리즘 분석 모듈(120)은 웹 상에서의 크롤링 작업을 통해, 자동 투자 알고리즘을 수집하고, 수집된 자동 투자 알고리즘의 누적 수익률 및 테스트 수익에 따라 예상 수익률을 산출한다. 실시예에 따른 자동 투자 알고리즘 정보 수집 소스를 나타낸 도 3에 도시된 바와 같이, 실시예에서는 사용자, 웹상 게시글, 게시글의 댓글과 첨부파일, 주문, 과거수익, 자산을 포함하는 거래소 데이터를 크롤링하여 자동 투자 알고리즘을 수집하고, 수집된 자동 투자 알고리즘의 누적 수익률을 파악하여 예상 수익률을 산출할 수 있다. 실시예에서 자동 투자 알고리즘 분석 모듈(120)은 투자 기간 대비 예상 수익률을 산출하여 자동 투자 알고리즘 각각의 투자 레벨을 설정한다. 자동 투자 알고리즘의 투자 레벨 또한, 기간 대비 예상 수익률이 제1 수치(예컨대, 70 퍼센트)를 초과하는 경우 공격투자형 레벨, 제 2 수치(예컨대, 50 퍼센트)를 초과하는 경우, 적극투자형 레벨, 제3 수치 (예컨대, 30 퍼센트)를 초과하는 경우 위험 중립형 레벨, 제 4수치 (예컨대, 20 퍼센트) 이하인 경우, 안정추구형 레벨, 제 5수치 (10퍼센트)이하인 경우 안정형 레벨로 산출될 수 있다.
추천 알고리즘 추출 모듈(130)은 사용자의 투자성향 레벨과 자동 투자 알고리즘의 투자 레벨을 비교하여, 사용자의 투자성향 레벨과 일정 수준 이상 유사한 자동 투자 알고리즘을 추출한다. 예컨대, 특정 사용자의 투자 성향이 안정형으로 파악된 경우, 실시예에서는 안정형 레벨에 포함된 자동 투자 알고리즘을 추출하여 사용자에게 추천할 수 있도록 한다. 실시예에서 추천 알고리즘 추출 모듈(130)은 추출된 자동 투자 알고리즘 중 예측 수익률이 가장 높은 알고리즘과 사용자를 매칭한다. 또한, 실시예에서 추천 알고리즘 추출 모듈(130)은 사용자가 투자 가능 기간을 투자 가능 기간을 우선 조건으로 설정한 경우, 사용자의 투자 가능 기간에 기반한 자동 투자 알고리즘을 추출할 수 있다. 예컨대, 사용자의 투자 가능 기간이 3개월이고, 자동 투자 알고리즘의 투자 기간과 예상 수익률이 6개월에 10퍼센트 수익, 3개월에 8프로 수익인 경우, 투자 가능 기간이 우선 조건인 경우에는 3개월에 8프로의 예상 수익이 산출된 자동 투자 알고리즘을 해당 사용자에게 우선 추천할 수 있다.
실시예에서는 사용자 단말에서 선택한 자동 투자 알고리즘을 적용하여, 자동 투자를 시작하고, 자동 투자 알고리즘에 의한 수익율이 일정 수준 미만이거나, 손실액이 임계치를 초과하는 경우, 자동 투자를 종료한다.
또한, 실시예에서 추천 알고리즘 추출 모듈(130)은 실제 투자에 적용되어 수익을 창출 시키는 자동 투자 알고리즘을 수집하고, 수집된 자동 투자 알고리즘의 기간대비 수익률과 수익액을 각각 파악하여, 수익률과 수익액에 따라 자동 투자 알고리즘 각각에 우선 추천 순위를 부여한다. 실시예에서는 자동 투자 알고리즘의 수익률과 수익액이 많을수록 높은 추천 순위를 부여한다. 실시예에서는 투자 금액, 서버에 지급한 수수료 및 가입기간을 포함하는 사용자 로열티 수치에 따라 로열티 수치가 일정 수준을 초과하는 사용자에게 우선 추천 순위가 부여된 자동 투자 알고리즘 정보를 제공할 수 있다. 실시예에서는 사용자 로열티 수치가 높은 사용자에게 우선 추천 순위가 높은 자동 투자 알고리즘을 추천할 수 있다.
자동 투자 알고리즘 생성 모듈(140)은 추출된 자동 투자 알고리즘이 실제 투자에 적용되는 경우, 자동 투자 알고리즘의 실제 수익률과 수익액 정보를 수집하고, 수익률이 일정 수준을 초과하는 경우, 실제로 적용된 자동 투자 알고리즘을 기반으로 새로운 자동 투자 알고리즘을 생성한다. 예컨대, 자동 투자 알고리즘 생성 모듈(140)은 수익률이 일정 수준 이상인 자동 투자 알고리즘의 투자 시점, 투자액 비율, 거래소별 비중, 매수 및 매도 주기, 매수 및 매도 조건을 포함하는 투자 패턴 정보를 분석하고, 분석된 투자 패턴과 일정 수준이상 유사한 자동 투자 알고리즘을 생성할 수 있다.
실시예에서는 인공지능 머신러닝을 통한 사용자의 투자 정보 분석 과정을 통해 투자 성향 레벨을 파악할 수 있다. 또한, 인고지능 머신러닝을 통한 자동 투자 알고리즘 분석을 수행하여 자동 투자 알고리즘 각각의 투자 레벨을 파악하고, 새로운 투자 알고리즘을 생성할 수 있다. 실시예에서 자동 투자 알고리즘 생성 모듈(140)은 노이즈 대응 외 학습하지 못한 패턴 처리를 위해 학습 외 분포 데이터 탐지(out of distribution detection)과정을 수행한다. 학습 외 분포 데이터 탐지는 인공지능에 입력된 분석 데이터가 학습된 확률분포 데이터 인지 아닌지 식별하는 것이다. 실시예에서는 학습 외 분포 데이터 탐지를 통해 인공 신경망이 판단하기 어려운 이미지를 걸러내거나 예외 처리하여 안정성과 신뢰성을 높일 수 있도록 한다. 실시예에서는 학습 외 분포 데이터 탐지를 위해서 딥러닝 판정에 대해 얼마나 확신(confidence)하는지를 나타내는 확률 값을 보정(calibration)하거나 학습 외 분포 데이터를 생성적 대립 신경망(GAN, Generative Adversarial Network)으로 생성하고 학습하여 탐지 정확도를 향상시킬 수 있도록 한다.
또한, 실시예에서는 데이터 분석 정확도를 유지하면서 모델의 크기를 줄이기 위해, 연산을 간소화하는 경량 딥러닝 기술을 이용하여 자동 투자 알고리즘을 분석하고, 사용자 투자 성향 레벨을 확정하고, 새로운 자동 투자 알고리즘을 생성할 수 있도록 한다. 실시예에서는 수집된 데이터 분석을 위해 콘볼루션 신경망(CNN, Convolution Neural Network)에서 콘볼루션 필터를 변형하여 연산 차원을 축소(Reduction)하거나 큰 영향이 없는 신경망의 가중치(weight)를 삭제하는 가지치기, 가중치 값의 부동 소수점을 줄여 연산을 간소화하는 양자화 과정을 수행하여 데이터 경량화를 가능하도록 한다. 또한, 실시예에서는 미리 학습시킨 큰 신경망의 출력을 작은 신경망에서 모방 학습하도록 하여 연산을 간소화하며 정확도를 유지할 수 있도록 한다.
수수료 산출모듈(150)은 자동 투자 알고리즘에 의한 투자 수익률 또는 수익이 일정 수치를 초과하는 경우, 수익에 대한 일정 비율을 수수료로 청구한다.
이하에서는 암호화폐 투자 알고리즘 매칭 방법에 대해서 차례로 설명한다. 실시예에 따른 암호화폐 투자 알고리즘 매칭 방법의 작용(기능)은 암호화폐 투자 알고리즘 매칭 시스템의 기능과 본질적으로 같은 것이므로 도 1 내지 도 3과 중복되는 설명은 생략하도록 한다.
도 4는 암호화폐 자동 투자 알고리즘 매칭 시스템의 신호 흐름을 나타낸 도면이다.
도 4를 참조하면, S100 단계에서는 사용자 단말(200)에서 투자가능기간, 투자금액, 희망 수익률 등을 포함하는 사용자 투자 정보를 수집하여 S200 단계에서는 수집된 사용자 투자 정보를 서버(100)로 전송한다. S300 단계에서는 서버에서 수집된 사용자 투자 정보를 분석하여 사용자 투자 성향 및 투자 성향 레벨을 산출한다. S400 단계에서는 웹 크롤링을 통해 자동 투자 알고리즘을 수집하고, 수집된 알고리즘 각각의 투자 레벨을 산출한다. S500 단계에서는 산출된 사용자 투자 성향 레벨과 알고리즘의 투자 레벨에 따라 사용자에 적합한 자동 투자 알고리즘을 추출하고, S600 단계에서 추출된 알고리즘을 사용자 단말로 전송한다. S700 단계에서는 사용자 단말에서 수신한 자동 투자 알고리즘에 따라 암호화폐 투자를 자동으로 수행한다.
도 5는 실시예에 따른 사용자와 자동 투자 알고리즘 매칭 서버의 데이터 처리과정을 나타낸 도면이다.
도 5를 참조하면, S100 단계에서는 서버에서 사용자 단말로부터 투자정보를 수집하고, 수집된 투자정보를 기반으로 사용자의 투자기간 대비 희망 수익률에 따라 투자성향의 레벨을 파악한다. 실시예에서 사용자 투자 성향은 사용자가 희망하는 기간대비 목표 수익률, 투자 금액에 따라 투자 성향 레벨로 산출될 수 있다. 예컨대, 기간 대비 목표 수익률이 제1 수치(예컨대, 70 퍼센트)를 초과하는 경우 공격투자형 레벨, 제 2 수치(예컨대, 50 퍼센트)를 초과하는 경우, 적극투자형 레벨, 제3 수치 (예컨대, 30 퍼센트)를 초과하는 경우 위험 중립형 레벨, 제 4수치 (예컨대, 20 퍼센트) 이하인 경우, 안정추구형 레벨, 제 5수치 (10퍼센트)이하인 경우 안정형 레벨로 산출될 수 있다.
S200 단계에서는 웹 크롤링을 통해 자동 투자 알고리즘을 수집하고, 수집된 자동 투자 알고리즘의 누적 수익률 및 테스트 수익에 따라 예상 수익률을 산출한다. 실시예에 따른 자동 투자 알고리즘 정보 수집 소스를 나타낸 도 3에 도시된 바와 같이, 실시예에서는 사용자, 웹상 게시글, 게시글의 댓글과 첨부파일, 주문, 과거수익, 자산을 포함하는 거래소 데이터를 크롤링하여 자동 투자 알고리즘을 수집하고, 수집된 자동 투자 알고리즘의 누적 수익률을 파악하여 예상 수익률을 산출할 수 있다. 투자 기간 대비 예상 수익률을 산출하여 자동 투자 알고리즘 각각의 투자 레벨을 설정한다. 자동 투자 알고리즘의 투자 레벨 또한, 기간 대비 예상 수익률이 제1 수치(예컨대, 70 퍼센트)를 초과하는 경우 공격투자형 레벨, 제 2 수치(예컨대, 50 퍼센트)를 초과하는 경우, 적극투자형 레벨, 제3 수치 (예컨대, 30 퍼센트)를 초과하는 경우 위험 중립형 레벨, 제 4수치 (예컨대, 20 퍼센트) 이하인 경우, 안정추구형 레벨, 제 5수치 (10퍼센트)이하인 경우 안정형 레벨로 산출될 수 있다.
S300 단계에서는 산출된 예상 수익률을 기반으로 자동 투자 알고리즘 각각의 투자 레벨을 파악한다. S400 단계에서는 사용자의 투자성향 레벨과 자동 투자 알고리즘의 투자 성향 레벨을 비교하여, 사용자의 투자성향 레벨과 일정 수준 이상 유사한 자동 투자 알고리즘을 추출하고, 추출된 자동 투자 알고리즘 중 예측 수익률이 가장 높은 알고리즘과 사용자를 매칭한다. 실시예에서는 추출된 자동 투자 알고리즘 중 예측 수익률이 가장 높은 알고리즘과 사용자를 매칭한다. 또한, 실시예에서는 투자 가능 기간이 우선 조건으로 설정된 경우, 사용자의 투자 가능 기간에 기반한 자동 투자 알고리즘을 추출할 수 있다. 예컨대, 사용자의 투자 가능 기간이 3개월이고, 자동 투자 알고리즘의 투자 기간과 예상 수익률이 6개월에 10퍼센트 수익, 3개월에 8프로 수익인 경우, 투자 가능 기간이 우선 조건인 경우에는 3개월에 8프로의 예상 수익이 산출된 자동 투자 알고리즘을 해당 사용자에게 우선 추천할 수 있다.
또한, 실시예에서는 실제 투자에 적용되어 수익을 창출 시키는 자동 투자 알고리즘을 수집하고, 수집된 자동 투자 알고리즘의 기간대비 수익률과 수익액을 각각 파악하여, 수익률과 수익액에 따라 자동 투자 알고리즘 각각에 우선 추천 순위를 부여한다. 예컨대, 자동 투자 알고리즘의 수익률과 수익액이 많을수록 높은 추천 순위를 부여한다. 실시예에서는 투자 금액, 서버에 지급한 수수료 및 가입기간을 포함하는 사용자 로열티 수치에 따라 로열티 수치가 일정 수준을 초과하는 사용자에게 우선 추천 순위가 부여된 자동 투자 알고리즘 정보를 제공할 수 있다. 실시예에서는 사용자 로열티 수치가 높은 사용자에게 우선 추천 순위가 높은 자동 투자 알고리즘을 추천할 수 있다.
S500 단계에서는 자동 투자 알고리즘의 예상 수익률이 일정 수준 미만인 경우, 자동 투자 알고리즘에 포함된 매수 시점, 매수 주기 및 매수 항목을 포함하는 투자세부 정보를 수정한다. 또한, 추출된 자동 투자 알고리즘이 실제 투자에 적용되는 경우, 자동 투자 알고리즘의 실제 수익률 정보를 수집하고, 수익률이 일정 수준을 초과하는 경우, 실제 적용된 자동 투자 알고리즘을 기반으로 새로운 자동 투자 알고리즘을 생성한다. 실시예에서는 수익률이 일정 수준 이상인 자동 투자 알고리즘의 투자 시점, 투자액 비율, 거래소별 비중, 매수 및 매도 주기, 매수 및 매도 조건을 포함하는 투자 패턴 정보를 분석하고, 분석된 투자 패턴과 일정 수준이상 유사한 자동 투자 알고리즘을 생성할 수 있다.
실시예에서는 선택한 자동 투자 알고리즘을 적용하여, 자동 투자를 시작하고, 자동 투자 알고리즘에 의한 수익율이 일정 수준 미만이거나, 손실액이 임계치를 초과하는 경우, 자동 투자를 종료한다.
도 6은 실시예에 따른 암호화폐 자동 투자 매칭 시스템의 사용자 인터페이스를 나타낸 도면이다.
도 6을 참조하면, 실시예에 따른 암호화폐 자동 투자 매칭 시스템의 사용자 인터페이스는 사용자 자산, 투자 정보 및 시장현황 정보를 디스플레이하는 대시보드를 제공하고, 트레이딩 뷰 및 URL 자동 매매를 지원한다. 또한, 실시예에서는 일정 기간이상 일정 수준 이상의 수익률을 달성한 전략가의 트레이딩 노하우를 공유할 수 있도록 한다.
이상에서와 같은 실시예에 따른 암호화폐 투자 알고리즘 매칭 시스템 및 방법은 투자 시간이 정해져 있는 주식과 다르게 암호화폐 투자는 365일 24시간 상시로 거래가 일어나므로, 항상 투자를 보조해줄 수 있는 비서와 같은 투자 파트너를 제공한다.
실시예에서는 거래소와 API 연동을 통하여 실시간으로 사용자가 언제 어디서든 미리 정해 둔 작업이나 알고리즘에 맞는 투자를 실행할 수 있도록 함으로써, 사용자가 직접 플랫폼에 들어가지 않아도 알고리즘 기반의 투자가 자동으로 이뤄질 수 있도록 하여 수익 창출 향상에 기여할 수 있다.
또한, 실시예에서는 개인 및 기업간에 공유되는 투자 알고리즘을 수집하여 투자 성향에 맞춰 수집된 알고리즘을 분류하고, 분석함으로써, 암호화폐에 대한 안정적인 투자 시장을 형성할 수 있도록 한다.
개시된 내용은 예시에 불과하며, 특허청구범위에서 청구하는 청구의 요지를 벗어나지 않고 당해 기술분야에서 통상의 지식을 가진 자에 의하여 다양하게 변경 실시될 수 있으므로, 개시된 내용의 보호범위는 상술한 특정의 실시예에 한정되지 않는다.

Claims (10)

  1. 암호화폐 투자 알고리즘 매칭 방법에 있어서,
    (A) 사용자 단말은 회원가입시 투자목적, 목표수익률을 포함하는 투자 정보를 입력 받아 서버로 전송하는 단계;
    (B) 서버는 사용자 단말로부터 투자정보를 수집하고, 수집된 투자정보를 기반으로 사용자의 투자기간 대비 희망 수익률에 따라 투자성향 레벨을 파악하는 단계;
    (C) 서버는 자동 투자 알고리즘을 수집하고, 수집된 자동 투자 알고리즘의 누적 수익률 및 테스트 수익에 따라 예상 수익률을 산출하고, 산출된 예상 수익률을 기반으로 자동 투자 알고리즘 각각의 투자 레벨을 파악하는 단계;
    (D) 서버는 사용자의 투자성향 레벨과 자동 투자 알고리즘의 투자 레벨을 비교하여, 사용자의 투자성향 레벨과 일정 수준 이상 유사한 자동 투자 알고리즘을 추출하는 단계;
    (E) 서버는 추출된 자동 투자 알고리즘 정보를 사용자 단말로 전송하고, 사용자 단말로부터 선택된 자동 투자 알고리즘 정보를 수신하는 단계; 를 포함하는 암호화폐 투자 알고리즘 매칭 방법.
  2. 제1항에 있어서, 상기 (C)의 단계; 는
    자동 투자 알고리즘의 예상 수익률이 일정 수준 미만인 경우, 상기 자동 투자 알고리즘에 포함된 매수 시점, 매수 주기, 매수/매도 조건 및 매수 항목을 포함하는 투자세부 정보를 수정하는 것을 특징으로 하는 암호화폐 투자알고리즘 매칭 방법.
  3. 제1항에 있어서, 상기 (E)의 단계; 는
    선택한 자동 투자 알고리즘을 적용하여 자동 투자를 시작한 후 상기 자동 투자 알고리즘에 의한 수익율이 일정 수준 미만이거나, 손실액이 임계치를 초과하는 경우, 자동 투자를 종료하는 것을 특징으로 하는 암호화폐 투자 알고리즘 매칭 방법.
  4. 제1항에 있어서, 상기 (D)의 단계; 는
    추출된 자동 투자 알고리즘이 실제 투자에 적용되는 경우, 상기 자동 투자 알고리즘의 실제 수익률 정보를 수집하고, 실제 수익률이 일정 수준을 초과하는 경우, 실제 투자에 적용된 자동 투자 알고리즘을 기반으로 새로운 자동 투자 알고리즘을 생성하는 것을 특징으로 하는 암호화폐 투자 알고리즘 매칭 방법.
  5. 제1항에 있어서, 상기 (D)의 단계; 는
    추출된 자동 투자 알고리즘 중 예측 수익률이 가장 높은 알고리즘과 사용자를 매칭하는 것을 특징으로 하는 암호화폐 투자 알고리즘 매칭 방법.
  6. 제1항에 있어서, 상기 암호화폐 투자 알고리즘 매칭 방법; 은
    (F) 서버는 자동 투자 알고리즘에 의한 투자 수익률 또는 수익이 일정 수치를 초과하는 경우, 수익에 대한 일정 비율을 수수료로 청구하는 단계; 를 포함하는 것을 특징으로 하는 암호화폐 투자 알고리즘 매칭 방법.
  7. 암호화폐 투자 알고리즘 매칭 시스템에 있어서,
    회원가입시 투자목적, 목표수익률을 포함하는 투자 정보를 입력 받아 서버로 전송하는 사용자 단말;
    상기 사용자 단말로부터 투자정보를 수집하고, 수집된 투자정보를 기반으로 사용자의 투자기간 대비 희망 수익률에 따라 투자성향 레벨을 파악하고,
    자동 투자 알고리즘을 수집하고, 수집된 자동 투자 알고리즘의 누적 수익률 및 테스트 수익에 따라 예상 수익률을 산출하고, 산출된 예상 수익률을 기반으로 자동 투자 알고리즘 각각의 투자 레벨을 파악하고,
    사용자의 투자성향 레벨과 자동 투자 알고리즘의 투자 레벨을 비교하여, 사용자의 투자성향 레벨과 일정 수준 이상 유사한 자동 투자 알고리즘을 추출하고, 추출된 자동 투자 알고리즘 중 예측 수익률이 가장 높은 알고리즘과 사용자를 매칭하는 서버; 를 포함하는 암호화폐 투자 알고리즘 매칭 시스템.
  8. 제7항에 있어서, 상기 서버; 는
    자동 투자 알고리즘의 예상 수익률이 일정 수준 미만인 경우, 상기 자동 투자 알고리즘에 포함된 매수 시점, 매수 주기 및 매수 항목을 포함하는 투자세부 정보를 수정하는 것을 특징으로 하는 암호화폐 투자알고리즘 매칭 시스템.
  9. 제7항에 있어서, 상기 사용자 단말; 은
    선택한 자동 투자 알고리즘을 적용하여, 자동 투자를 시작하고, 상기 자동 투자 알고리즘에 의한 수익율이 일정 수준 미만이거나, 손실액이 임계치를 초과하는 경우, 자동 투자를 종료하는 것을 특징으로 하는 암호화폐 투자 알고리즘 매칭 시스템.
  10. 제7항에 있어서, 상기 서버; 는
    추출된 자동 투자 알고리즘이 실제 투자에 적용되는 경우, 상기 자동 투자 알고리즘의 실제 수익률 정보를 수집하고, 수익률이 일정 수준을 초과하는 경우, 실제 적용된 자동 투자 알고리즘을 기반으로 새로운 자동 투자 알고리즘을 생성하는 것을 특징으로 하는 암호화폐 투자 알고리즘 매칭 시스템.
KR1020220097976A 2022-08-05 2022-08-05 암호화폐 투자 알고리즘 매칭 시스템 및 방법 KR20240020030A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220097976A KR20240020030A (ko) 2022-08-05 2022-08-05 암호화폐 투자 알고리즘 매칭 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220097976A KR20240020030A (ko) 2022-08-05 2022-08-05 암호화폐 투자 알고리즘 매칭 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20240020030A true KR20240020030A (ko) 2024-02-14

Family

ID=89896619

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220097976A KR20240020030A (ko) 2022-08-05 2022-08-05 암호화폐 투자 알고리즘 매칭 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20240020030A (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000000519A (ko) 1998-06-01 2000-01-15 김판수 충격 반향에 의한 금속의 불연속 자동측정장치
KR102217886B1 (ko) 2018-08-14 2021-02-19 이건영 빅데이터 기반 상품 투자 추천 알고리즘의 최적 가중치를 인공지능을 이용하여 탐색하는 시스템 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000000519A (ko) 1998-06-01 2000-01-15 김판수 충격 반향에 의한 금속의 불연속 자동측정장치
KR102217886B1 (ko) 2018-08-14 2021-02-19 이건영 빅데이터 기반 상품 투자 추천 알고리즘의 최적 가중치를 인공지능을 이용하여 탐색하는 시스템 및 방법

Similar Documents

Publication Publication Date Title
US11659050B2 (en) Discovering signature of electronic social networks
Xu et al. Sok: Decentralized exchanges (dex) with automated market maker (amm) protocols
US11170395B2 (en) Digital banking platform and architecture
WO2020119272A1 (zh) 风险识别模型训练方法、装置及服务器
US11900271B2 (en) Self learning data loading optimization for a rule engine
CN110402570B (zh) 信息处理方法和系统、服务器、终端、计算机存储介质
US20210326881A1 (en) Systems and methods for generating a machine learning model for risk determination
CN107798607A (zh) 资产配置策略获取方法、装置、计算机设备和存储介质
US20210243215A1 (en) Fraud detection based on analysis of frequency-domain data
CN113011884B (zh) 账户特征的提取方法、装置、设备及可读存储介质
CN111062808B (zh) 信用卡额度评估方法、装置、计算机设备及存储介质
WO2019074446A1 (en) LOAN REQUEST PROCESSING SYSTEM AND METHOD
Kulkarni et al. Advanced credit score calculation using social media and machine learning
US20230281479A1 (en) Object recognition method and apparatus, electronic device and storage medium
Wang et al. Into the deep web: Understanding e-commercefraud from autonomous chat with cybercriminals
US11188917B2 (en) Systems and methods for compressing behavior data using semi-parametric or non-parametric models
US11947643B2 (en) Fraud detection system, fraud detection method, and program
CN113935738B (zh) 交易数据处理方法、装置、存储介质及设备
CN113327161A (zh) 一种用于信贷业务的智能风控决策系统
Oprea et al. Is Bitcoin ready to be a widespread payment method? Using price volatility and setting strategies for merchants
KR20240020030A (ko) 암호화폐 투자 알고리즘 매칭 시스템 및 방법
CN115689571A (zh) 异常用户行为监测方法、装置、设备和介质
US11631144B2 (en) Crowdfunding endorsement using non-internet enabled devices
CN110362981B (zh) 基于可信设备指纹判断异常行为的方法及系统
Hamedinia et al. Analysis of Stock Market Manipulation using Generative Adversarial Nets and Denoising Auto-Encode Models

Legal Events

Date Code Title Description
E902 Notification of reason for refusal