KR20240087533A - 트레이딩 타입별로 목표 수익을 설정하여 트레이딩 봇을 운영하기 위한 방법 및 이를 수행하는 운영 서버 - Google Patents

트레이딩 타입별로 목표 수익을 설정하여 트레이딩 봇을 운영하기 위한 방법 및 이를 수행하는 운영 서버 Download PDF

Info

Publication number
KR20240087533A
KR20240087533A KR1020230140577A KR20230140577A KR20240087533A KR 20240087533 A KR20240087533 A KR 20240087533A KR 1020230140577 A KR1020230140577 A KR 1020230140577A KR 20230140577 A KR20230140577 A KR 20230140577A KR 20240087533 A KR20240087533 A KR 20240087533A
Authority
KR
South Korea
Prior art keywords
trading
user
item
return
operation server
Prior art date
Application number
KR1020230140577A
Other languages
English (en)
Inventor
정택희
이준건
Original Assignee
주식회사 에이치에스88
Filing date
Publication date
Application filed by 주식회사 에이치에스88 filed Critical 주식회사 에이치에스88
Publication of KR20240087533A publication Critical patent/KR20240087533A/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
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis

Abstract

트레이딩 타입별로 목표 수익을 설정하여 트레이딩 봇을 운영하기 위한 방법 및 이를 수행하는 운영 서버가 개시된다. 상기 트레이딩 봇 운영 서버는, 사용자의 거래 종목에 대한 정보 및 상기 사용자의 계좌 정보를 획득하는 정보 획득부; 상기 사용자의 사용자 단말로부터 종목에 대한 매매 관련 입력을 획득하는 사용자 입력 획득부; 거래소에 등록된 종목들 중에서 트레이딩할 종목을 결정하는 트레이딩 종목 결정부; 상기 사용자 단말로부터 획득된 자동 매매에 대응하는 입력에 기반하여 결정된 상기 트레이딩 종목을 트레이딩을 수행하는 종목 트레이딩부; 및 상기 사용자의 매매 패턴을 분석하고, 분석된 상기 매매 패턴에 따른 상기 사용자의 수익 정보를 생성하는 사용자 매매패턴 분석부를 포함할 수 있다.

Description

트레이딩 타입별로 목표 수익을 설정하여 트레이딩 봇을 운영하기 위한 방법 및 이를 수행하는 운영 서버{METHOD FOR OPERATING A TRADING BOT BY SETTING A TARGET PROFIT FOR EACH TRADING TYPE AND AN OPERATION SERVER THAT PERFORMS THIS}
본 발명은 코인 트레이딩 봇을 운영하기 위한 방법 및 이를 수행하는 운영 서버로, 더욱 상세하게는 트레이딩 타입별로 목표 수익을 설정하여 트레이딩 봇을 운영하기 위한 방법 및 이를 수행하는 운영 서버에 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.
최근에 증권 및 가상화폐에 대한 종목 거래에 대한 관심이 증가함에 따라 전문가뿐만 아니라, 일반인들도 종목 거래를 수행하는 경우가 늘어나고 있다. 인터넷 등의 네트워크 통신망을 통해 온라인상에서 가상화폐 및 주식 등을 매도, 매수할 수 있는 사이버 거래가 일반화되고 있다. 이에 각 거래소들은 컴퓨터 사용자들이 네트워크 상에서 증권거래를 수행할 수 있도록 HTS(Home Trading System)을 제공하고 있다. 나아가 최근에는 스마트폰 등의 모바일 기기가 대중화되면서, HTS와 더불어 모바일 기기에서 거래를 할 수 있도록 하는 MTS(Mobile Trading System)을 이용하는 경우도 크게 늘어나고 있다. 이러한 온라인 서비스를 통해 기존에 오프라인 거래보다 개인의 종목 거래가 활발해지고 있다.
또한, 상술한 바와 같이 홈 트레이딩 시스템을 통해서 쉽고 빠르게 가상화폐에 대한 정보들을 얻는 것이 가능하기 때문에 남녀노소 가리지 않고 코인 시장에 참여하는 것이 가능하다. 그러나 단순히 다양한 종류의 정보들을 얻는 것은 가능하지만 이를 토대로 주가를 예측하거나 분석하는 것에는 어려움이 있어서 일확천금의 기대를 안고 주식시장에 들어왔다가 오히려 크고 작은 손해를 보는 경우도 종종 발생하고 있다. 따라서, 사용자에 따라서 맞춤형 트레이딩 방식을 적용하여 수익률을 보장해줄 수 있는 방안이 모색될 필요가 있다.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은, 투자자 개인의 투자 타입에 따라 트레이딩 봇을 이용한 맞춤형 투자 방법을 제공하는데 있다.
상기와 같은 문제점을 해결하기 위한 본 발명의 다른 목적은, 본 문서를 통해 직접적 또는 간접적으로 파악되는 목적들을 추가로 제공할 수 있다.
다양한 실시 예에 따르면, 트레이딩 봇을 운영하여 종목 거래를 수행하는 트레이딩 봇 운영 서버는, 사용자의 거래 종목에 대한 정보 및 상기 사용자의 계좌 정보를 획득하는 정보 획득부; 상기 사용자의 사용자 단말로부터 종목에 대한 매매 관련 입력을 획득하는 사용자 입력 획득부; 거래소에 등록된 종목들 중에서 트레이딩할 종목을 결정하는 트레이딩 종목 결정부; 상기 사용자 단말로부터 획득된 자동 매매에 대응하는 입력에 기반하여 결정된 상기 트레이딩 종목을 트레이딩을 수행하는 종목 트레이딩부; 및 상기 사용자의 매매 패턴을 분석하고, 분석된 상기 매매 패턴에 따른 상기 사용자의 수익 정보를 생성하는 사용자 매매패턴 분석부를 포함할 수 있다.
다양한 실시 예에 따르면, 상기 사용자 매매패턴 분석부는, 미리 학습된 가우시안 혼합 모델을 이용하여, 다수의 사용자 단말들로부터 획득된 학습 데이터들 각각에 대응하는 사용자들을 클러스터링함으로써, 상기 다수의 사용자 단말들에 대응하는 사용자들 각각에 대응하는 클러스터(cluster)를 결정하고, 결정된 클러스터에 부여된 트레이딩 타입을 해당 클러스터에 속하는 사용자의 트레이딩 타입으로 결정하는 트레이딩 타입 예측 모델을 포함할 수 있다.
다양한 실시 예에 따르면, 상기 트레이딩 종목 결정부는, 상기 사용자가 거래했던 종목들 및 상기 종목들을 통한 상기 사용자의 수익률에 기반하여 트레이딩할 종목을 결정하되, 미리 설정된 기간 동안 미리 설정된 수익률 이상을 기록했던 종목들 및 상기 종목들과 유사한 시세 흐름을 가지는 종목들을 상기 트레이딩할 종목으로 결정할 수 있다.
다양한 실시 예에 따르면, 상기 종목 트레이딩부는, 상기 사용자의 분석된 상기 매매패턴으로 상기 사용자의 투자 수익률이 임계 수익률보다 높을 경우 제1 트레이딩 방식으로 트레이딩을 수행하고, 상기 사용자의 분석된 상기 매매패턴으로 상기 사용자의 투자 수익률이 상기 임계 수익률 이하인 경우 제2 트레이딩 방식으로 트레이딩을 수행하고, 상기 제1 트레이딩 방식은 상기 매매패턴에 대한 가중치를 높게 적용하여 상기 매매패턴을 구성하는 지표들 중 미리 설정된 개수를 초과하는 지표들은 동일하게 유지한 트레이딩을 수행하는 방식이고, 상기 제2 트레이딩 방식은 상기 매매패턴에 대한 가중치를 낮게 적용하여 상기 매매패턴을 구성하는 지표들 중 미리 설정된 개수 이하의 지표들은 동일하게 유지한 트레이딩을 수행하는 방식일 수 있다.
다양한 실시 예에 따르면, 상기 트레이딩 봇 운영 서버는 목표 수익률 설정부는 더 포함하고, 상기 목표 수익률 설정부는, 결정된 상기 사용자의 트레이딩 타입에 기반하여 상기 사용자에 대한 목표 투자 수익률을 설정할 수 있다.
또한, 다양한 실시 예들에 따르면, 트레이딩에 있어서 감정을 배제한 자동 트레이딩 봇을 통해 사용자에게 안정적인 수익을 제공할 수 있다.
또한, 다양한 실시 예들에 따르면, 사용자가 일일이 트레이딩을 하지 않아도 되므로, 사용자에게 편의성을 제공할 수 있다.
이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은 일 실시 예에 따른 트레이딩 봇 운영 시스템을 도시한 도면이다.
도 2는 트레이딩 봇 운영 서버의 주요 구성 요소를 나타낸 도면이다.
도 3은 트레이딩 타입 예측 모델을 통해 사용자의 트레이딩 타입을 결정하는 것에 관한 도면이다.
도 4는 사용자의 트레이딩 타입에 따라 맞춤형 트레이딩을 수행하는 것에 관한 도면이다.
도 5는 도 1에 따른 트레이딩 봇 운영 서버의 하드웨어 구성을 나타낸 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 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 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "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.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 일 실시 예에 트레이딩 봇 운영 시스템(10)을 도시한 도면이다. 도 1을 참조하면, 트레이딩 봇 운영 시스템(10)은 트레이딩 봇 운영 서버(100), 사용자 단말(200), 등을 포함할 수 있다. 이하 설명되는 동작들은 트레이딩 봇 운영 서버(100)에 의하여 제어되는 플랫폼(예: 웹 페이지 및/또는 어플리케이션)을 통해 수행 내지 구현될 수 있다. 다시 말해서, 트레이딩 봇 운영 서버(100)는, 사용자가 사용자 단말(200)을 이용하여 네트워크를 통해 트레이딩 봇 운영 서버(100)에 접속하여 다양한 정보를 입력하고, 등록하고, 출력할 수 있는 웹 사이트를 제공할 수 있으며, 사용자 단말(200)에 설치되고 실행됨으로써 다양한 정보를 입력하고, 등록하고, 출력할 수 있는 어플리케이션을 제공할 수 있다.
사용자 단말(200)은 트레이딩 봇 운영 서버(100)를 통해 투자 상품에 대한 거래를 하길 원하는 사용자의 단말을 의미할 수 있으며, 사용자 단말(200)은 통신 가능한 데스크탑 컴퓨터(desktop computer), 랩탑 컴퓨터(laptop computer), 노트북(notebook), 스마트폰(smart phone), 태블릿 PC(tablet PC), 모바일폰(mobile phone), 스마트 워치(smart watch), 스마트 글래스(smart glass), e-book 리더기, PMP(portable multimedia player), 휴대용 게임기, 네비게이션(navigation) 장치, 디지털 카메라(digital camera), DMB(digital multimedia broadcasting) 재생기, 디지털 음성 녹음기(digital audio recorder), 디지털 음성 재생기(digital audio player), 디지털 동영상 녹화기(digital video recorder), 디지털 동영상 재생기(digital video player), 및 PDA(Personal Digital Assistant) 등 일 수 있다.
트레이딩 봇 운영 서버(100)는 홈 트레이딩 시스템(HTS; home trading system), 그래픽 사용자 인터페이스(GUI; graphic user interface), 그래픽 사용자 익스피어런스(GUX; graphic user experience) 및/또는 웹페이지(webpage) 등을 통해 종목 관련 정보를 제공할 수 있다. 홈 트레이딩 시스템(HTS; home trading system), 그래픽 사용자 인터페이스(GUI; graphic user interface), 그래픽 사용자 익스피어런스(GUX; graphic user experience) 및/또는 웹페이지(webpage) 등은 트레이딩 봇 운영 서버(100)에 의하여 제공될 수 있으나, 트레이딩 봇 운영 서버(100)와 연동되어 복수의 계좌 각각을 운영 및/또는 관리하는 서로 다른 증권사에 의해 제공될 수 있다.
트레이딩 봇 운영 서버(100)는 거래 종목을 주문하고자 하는 사용자에게 주문 사용자 인터페이스(UI; user interface)(이하, 주문 UI로 지칭함)를 사용자 단말(200)을 통해 출력할 수 있다. 예를 들면, 트레이딩 봇 운영 서버(100)는 상기 사용자의 계좌 정보 혹은 주문 정보에 의해 유동적으로 결정되는 주문 UI를 상기 사용자의 사용자 단말(200)을 통해 출력할 수 있다. 상기 주문 정보는 상기 사용자가 이미 주문한 내역에 대한 정보를 포함할 수 있다. 트레이딩 봇 운영 서버(100)는 상기 주문 UI를 통하여 사용자로부터 상기 종목에 대한 매도 입력, 매수 입력 및/또는 기 주문 내용에 대한 정정 입력, 기 주문 내용에 대한 취소 입력을 획득할 수 있다.
트레이딩 봇 운영 서버(100)는 매수 입력에 대응하는 매수 주문, 매도 입력에 대응하는 매도 주문, 정정 입력에 대응하는 정정 주문 및 취소 입력에 대응하는 취소 주문 등을 거래소 트레이딩 봇 운영 서버(300)로 전달할 수 있다.
트레이딩 봇 운영 서버(100)는 사용자 단말(200)의 사용자에 대한 개인 정보를 수집할 수 있다. 예를 들어, 개인 정보는 이름, 아이디(ID; identifier), 비밀번호, 도로명 주소, 전화 번호, 휴대폰 번호, 이메일 주소 및/또는 사용자가 본 발명의 트레이딩 봇 운영 서버(100)에서 제공하는 종목 거래 플랫폼을 통하여 종목을 매도 및/또는 매수한 이력, 평가손익, 수익률, 평가금액, 보유수량 등을 포함할 수 있다.
본 발명에서 '종목'은 코인과 가상 화폐 시장에서 취급되는 투자 상품을 의미할 수 있다. '종목 거래'라 함은 코인과 같이, 가상 화폐 시장에서 취급되는 투자 상품에 대한 거래 행위를 통칭하는 개념일 수 있다.
트레이딩 봇 운영 서버(100)는 코인과 같은 가상 화폐를 포함하는 변동성이 있는 투자 상품을 운영하거나, 또는 상기 투자 상품의 매매/환매 업무를 처리할 수 있다. 트레이딩 봇 운영 서버(100)는 증권사 트레이딩 봇 운영 서버, 투자운영사 트레이딩 봇 운영 서버 및/또는 펀드운영사 트레이딩 봇 운영 서버 등과 연동될 수 있다. 트레이딩 봇 운영 서버(100)는 적어도 하나의 종목에 투자될 사용자의 전체 투자 금액이 예치된 유동성 계좌를 운영할 수 있다.
트레이딩 봇 운영 서버(100)는 종목 관련 정보, 투자 정보, 및 시세 정보 등을 제공할 수 있으며, 다양한 지수들을 이용하여 일정 시간 동안의 종목들의 등락율 추세 흐름을 분석할 수 있다. 예를 들어, 트레이딩 봇 운영 서버(100)는 가상 화폐 시장의 외국인 및 기관들의 수급, 원달러환율 등을 실시간으로 크롤링하여, 현재 시점에서의 국내 가상 화폐 시황을 실시간으로 사용자에게 제공할 수 있다.
트레이딩 봇 운영 서버(100)는 사용자의 요청에 따라 데이터를 가공할 수 있고, 가공된 데이터를 숫자, 차트 및/또는 표 등과 같은 수단으로 상기 사용자의 요청에 대응하는 종목 관련 정보를 제공할 수 있다. 종목 관련 정보는 등록된 종목 이름, 주요 지표 정보 및 보조 지표 정보 등과 같이 공지된 종목 거래에 관련된 다양한 정보를 포함할 수 있다. 트레이딩 봇 운영 서버(100)는 종목 관련 정보를 제공함으로써, 사용자가 거래에 필요한 유용한 정보를 제공받아 적합한 거래를 수행하는데 도움을 줄 수 있다.
예를 들어, 주요 지표 정보는, 실시간 시세, 시가 총액, 매수 호가, 매도 호가, 등락률, 최저가, 최고가, 시가, 종가, 체결량, 체결강도 등에 대한 정보를 포함할 수 있다.
예를 들어, 보조 지표 정보는, 추세지표, 변동성 지표, 모멘텀 지표 및 시장강도 지표 등을 포함할 수 있다. 예를 들어, 추세지표는, 추세선, 이동평균선, MACD(Moving Average Convergence & Divergence), DM(Directional Movement Index), ROC(Rate Of Change) 및 ADX(Average Directional Movement Index) 등을 포함할 수 있다. 예를 들어, 변동성 지표는, 불린저벤드, ATR, Envelope 및 Keltner Channels 등을 포함할 수 있다. 예를 들어, 모멘텀 지표는, 이격도, RSI(상대강도지수, Relative Strength Index), 투자심리선, 삼선전환도, AB Ratio, Mass Index, 스토케스틱, SONAR, P&F 및 TRIX 등을 포함할 수 있다. 예를 들어, 시장강도 지표는, 거래량, MFI(Money Flow Index), EOM(Ease Of Movement), OBV, 거래량 이동평균선, Volume 오실레이터 및 Volume Ratio 등을 포함할 수도 있다.
일 실시 예에서, 트레이딩 봇 운영 서버(100)는 트레이딩 봇 운영 서버(100)의 관리자 또는 트레이딩 봇 운영 서버(100)에 접속한 사용자에 의하여 매매 결정 정보를 생성할 수 있다. 매매 결정 정보는 종목 매수 정보 및 종목 매도 정보를 포함할 수 있다. 예를 들어, 트레이딩 봇 운영 서버(100)는 사용자 단말(200)로부터 제1 종목에 대한 제1 주문 체결 목표 매도가 및 제2 종목에 대한 제2 주문 체결 목표 매수가를 획득할 수 있다. 주문 체결 목표 매도가는 사용자가 특정 종목을 매도하는 경우, 상기 사용자가 매도하고자 하는 종목의 목표 시세를 의미할 수 있다. 예를 들어, 제1 종목의 시세가 '251.90'이 되었을 때, 매도 주문이 체결될 수 있도록, 사용자가 제1 종목에 대해 제1 주문 체결 목표 매도가인 '251.90'을 지정하여 매도 주문량 '2'를 입력한 경우, 트레이딩 봇 운영 서버(100)는 사용자 단말(200)을 통해 상기 제1 주문 체결 목표 매도가인 '251.90'을 입력받을 수 있다.
트레이딩 봇 운영 서버(100)는 코인, 코인 선물 및/또는 옵션 등 다양한 투자 상품에 대한 매매 결정 정보를 생성할 수 있다. 트레이딩 봇 운영 서버(100)는 매매 결정 정보에 기초하여 주문 신호를 생성하고, 생성된 주문 신호를 거래소 트레이딩 봇 운영 서버(300)에 제공할 수 있다. 거래소 트레이딩 봇 운영 서버(300)는 트레이딩 봇 운영 서버(100)로부터 획득된 계좌별 주문 신호를 수신하고, 수신된 계좌별 주문 신호에 대응하는 거래가 체결되도록 하는 일련의 과정을 수행할 수 있다.
다른 실시 예에서, 트레이딩 봇 운영 서버(100)는 소정의 로직 또는 알고리즘을 통해 특정 종목 또는 특정 종목군에 대한 매매 결정을 할 수 있다. 트레이딩 봇 운영 서버(100)는 상기 매매 결정에 기초하여 매매 결정에 대응하는 매매 결정 정보를 생성할 수 있다. 이러한 트레이딩 봇 운영 서버(100)의 구체적인 실시 예는 다양할 수 있고, 다수의 시스템 트레이딩 로직 등이 공지되어 있거나 공연히 실시되고 있으며, 구체적인 매매 결정 정보의 로직 또는 알고리즘에 대해서는 상세한 설명은 생략한다.
트레이딩 봇 운영 서버(100)는 대출 기관 서버와도 연동할 수 있다. 트레이딩 봇 운영 서버(100)는 사용자에 의하여 특정 종목을 담보로 담보 대출을 이용할 수 있는 서비스를 제공할 수 있고, 상기 서비스를 대출 기관 서버와 연동하여 제공할 수 있다. 사용자 단말(200)은 특정 종목을 담보로 제공하여 대출 기관 서버로부터 대출을 받을 수 있다. 대출기관 트레이딩 봇 운영 서버(100)는 사용자에 의해 선택된 종목을 담보로 한 담보대출 등의 서비스를 제공하는 은행 등의 대출 기관이 운영하는 트레이딩 봇 운영 서버를 의미할 수 있다. 트레이딩 봇 운영 서버(100)는 거래 종목의 매도, 담보권의 설정 등의 서비스를 제공하는 증권사가 운영하는 트레이딩 봇 운영 서버를 포함하거나, 상기 증권사가 운영하는 트레이딩 봇 운영 서버와 연동될 수 있다.
도 1에서는 설명의 편의를 위해 트레이딩 봇 운영 서버(100)를 하나의 장치로 도시하였지만, 실시 예에 따라 상기 트레이딩 봇 운영 서버(100)는 트레이딩 봇 운영 서버(100)와 작동적으로 연결된 복수 개의 장치들을 포함할 수 있다. 예를 들어, 복수의 계좌가 각각 서로 다른 증권사에 의해 운영 및/또는 관리되는 계좌인 경우, 상기 트레이딩 봇 운영 서버(100)는 서로 다른 증권사의 시스템과 연동될 수 있다. 트레이딩 봇 운영 서버(100), 사용자 단말(200)은 각각 통신 네트워크에 연결되어, 통신 네트워크를 통해 서로간 데이터를 송수신할 수 있다. 예를 들어, 통신 네트워크는 LAN(Local Area Network), MAN(Metropolitan Area Network), GSM(Global System for Mobile Network), EDGE(Enhanced Data GSM Environment), HSDPA(High Speed Downlink Packet Access), W-CDMA(Wideband Code Division Multiple Access), CDMA(Code Division Multiple Access), TDMA(Time Division Multiple Access), 블루투스(Bluetooth), 지그비(Zigbee), 와이-파이(Wi-Fi), VoIP(Voice over Internet Protocol), LTE Advanced, IEEE802.16m, WirelessMAN-Advanced, HSPA+, 3GPP Long Term Evolution (LTE), Mobile WiMAX(IEEE 802.16e), UMB(formerly EV-DO Rev. C), Flash-OFDM, iBurst and MBWA (IEEE 802.20) systems, HIPERMAN, Beam-Division Multiple Access (BDMA), Wi-MAX(World Interoperability for Microwave Access), 5G 등 다양한 종류의 유선 또는 무선 네트워크가 사용될 수 있다.
도 2는 트레이딩 봇 운영 서버(100)의 주요 구성 요소를 나타낸 도면이다.
트레이딩 봇 운영 서버(100)는 정보 획득부(101), 사용자 입력 획득부(102), 트레이딩 종목 결정부(103), 종목 트레이딩부(104), 사용자 매매패턴 분석부(105), 목표 수익률 설정부(106) 등을 포함할 수 있다.
정보 획득부(101)는 사용자가 매수한 종목에 대한 정보 및 사용자의 계좌 정보를 획득할 수 있다. 정보 획득부(101)는 사용자가 매수한 종목 외에 사용자의 투자 관심 종목에 대한 정보를 획득할 수 있다. 예를 들어, 종목에 대한 정보는, 종목의 거래 시세, 종목에 대응하는 코인 정보, 종목에 대응하는 회사 등을 포함할 수 있다. 사용자 입력 획득부(102)는 사용자의 사용자 단말(200)로부터 종목에 대한 매도 입력, 매수 입력, 기 주문 내용에 대한 정정 입력, 기 주문 내용에 대한 취소 입력 및/또는 자동 트레이딩 입력을 획득할 수 있다.
트레이딩 종목 결정부(103)는 거래소에 등록된 종목들 중에서 트레이딩할 종목을 결정하되, 사용자가 과거에 거래했던 종목들 및 상기 종목들을 통한 사용자의 수익률에 기반하여 트레이딩(예: 자동 매매)할 종목을 결정할 수 있다. 트레이딩 종목 결정부(103)는 제1 시점(예: 현 매매 시점) 이전의 시점인 제2 시점부터 상기 제1 시점까지 거래했던 종목들에 관한 정보 및 상기 종목들을 통한 사용자의 수익률에 관한 정보를 획득할 수 있고, 미리 설정된 수익률보다 높은 수익률을 보여줬던 종목들을 결정할 수 있다. 트레이딩 종목 결정부(103)는 종목 트레이딩부(104)에 의하여 트레이딩될 종목을 결정하되, 사용자가 일정 수준 이상의 수익률을 기록했던 종목들 및 상기 기록했던 종목들과 유사한 시세 흐름을 보이는 다른 유사 종목들을 결정하고, 종목 트레이딩부(104)는 상기 기록했던 종목들 및 상기 기록했던 종목들과 다른 유사 종목들을 통해 트레이딩을 수행할 수 있다.
트레이딩 종목 결정부(103)는 상기 기록했던 종목들과 유사한 시세 흐름을 보이는 다른 유사 종목들을 결정하되, 13주 수익률(분기 수익률), 26주 수익률(반기 수익률), 52주 수익률(1년 수익률)에 기반하여 상기 다른 유사 종목들을 결정할 수 있다. 트레이딩 종목 결정부(103)는 상기 기록했던 종목들의 평균 13주 수익률, 평균 26주 수익률, 평균 52주 수익률을 각각 산출하고, 상기 평균 13주 수익률의 특정 범위(예: +-10%) 내의 13주 수익률을 가지고, 상기 평균 26주 수익률의 특정 범위(예: +-15%) 내의 26주 수익률을 가지고, 상기 평균 52주 수익률의 특정 범위(예: +-20%) 내의 52주 수익률을 가진 다른 유사 종목들을 결정할 수 있다.
종목 트레이딩부(104)는 수동 트레이딩 방식 및 자동 트레이딩 방식을 통해 종목 트레이딩을 수행할 수 있다. 수동 트레이딩 방식은, 예를 들어, 종목 트레이딩부(104)가 사용자로부터 획득한 입력에 대응하는 기능을 수행할 수 있으며 사용자 단말(200)로부터 특정 종목에 대한 매수 입력을 획득한 경우, 매수 주문 신호를 생성하고, 생성된 매수 주문 신호에 대응하는 매도 주문 신호룰 결정하고, 결정된 매도 주문 신호 및 상기 매수 주문 신호에 기초하여 매매를 체결하도록 제어할 수 있다. 매수가 체결된 경우, 매수 금액만큼의 예수금이 감소할 수 있다. 자동 트레이딩 방식은, 예를 들어, 종목 트레이딩부(104)가 사용자로부터 자동 매매 입력에 대응하는 기능을 수행할 수 있으며, 사용자의 자동 매매에 대응하는 입력에 따라 특정 종목에 대한 매수 및 매도를 수행할 수 있다. 본 명세서에서 기술되는 대부분의 실시 예는 트레이딩 봇(트레이딩 봇 운영 서버)에 의하여 자동 트레이딩되는 방식에 관한 것일 수 있다.
사용자 매매패턴 분석부(105)는 종목 트레이딩부(104)에 의하여 사용자 맞춤형 트레이딩을 수행하기 위한 사용자 매매 패턴을 분석할 수 있다. 사용자 매매패턴 분석부(105)는 사용자의 매매 패턴을 분석하고, 분석된 매매 패턴에 따른 사용자의 수익 정보, 손실 정보를 생성할 수 있다. 상기 수익 정보는 기간별 수익률, 기간별 수익 금액 등을 포함하고, 상기 손실 정보는 기간별 손실률, 기간별 손실 금액 등을 포함할 수 있다.
사용자 매매패턴 분석부(105)는 사용자의 매매 패턴에 따른 사용자의 수익 정보, 및 손실 정보를 생성하되, 시장 상황을 고려하여 사용자의 상대적인 수익 정보 및 상대적인 손실 정보를 생성할 수 있다. 예를 들어, 사용자 매매패턴 분석부(105)는 코인 시장 수익률 대비 사용자의 상대 수익률을 산출할 수 있다.
사용자 매매패턴 분석부(105)는 학습 데이터들을 이용하여 사용자들 각각과 대응하는 트레이딩 타입(trading type)을 결정할 수 있다. 트레이딩 타입은 유사한 트레이딩 타입(예: 매매 주기, 수익률)을 가질 것으로 예측되는 사용자들이 분류된 타입일 수 있다. 구체적으로, 사용자 매매패턴 분석부(105)는 학습 데이터들 각각에 대응하는 사용자들을 클러스터링함으로써, 사용자들 각각과 대응하는 클러스터를 결정하고, 결정된 클러스터에 부여되는 트레이딩 타입을 결정하는 트레이딩 타입 예측 모델을 포함할 수 있다. 예를 들어, 트레이딩 타입 예측 모델은, 가우시안 혼합 모델(Gaussian Mixture Model, GMM)에 따른 클러스터링을 수행할 수 있다.
도 3은 트레이딩 타입 예측 모델을 통해 사용자의 트레이딩 타입을 결정하는 것에 관한 도면이다.
트레이딩 타입 예측 모델은, 가우시안 혼합 모델(Gaussian Mixture Model, GMM) 기반으로 동작하는 클러스터링 모델을 포함할 수 있다. 트레이딩 타입 예측 모델은 가우시안 혼합 모델(GMM)을 소프트웨어 상으로 구현한 일종의 소스코드 또는 소스코드의 동작 프로그램에 해당할 수 있다. 각 사용자마다 사용자의 매매 주기, 시장 대비 상대 수익률, 투자금, 수익금, 매매 종목 등이 상이하기 때문에, 여러 개의 지표 중 하나가 동일하다고 하더라도 동일한 트레이딩 타입이라고 볼 수 없다. 예를 들어, 단기 투자를 하더라도 수익률이 좋을 수 있고, 장기 투자를 하더라도 수익률이 좋을 수 있듯이 사용자들에 대한 분류는 다양할 수 있다. 따라서, 각 사용자마다 사용자의 매매 주기, 시장 대비 상대 수익률, 투자금, 수익금, 매매 종목 등을 고려하여 트레이딩 타입이 결정될 필요가 있다.
본 발명의 일 실시예에서는 이처럼 사용자마다 사용자의 대한 세부 지표가 상이한 점을 고려하여, 다양한 세부 지표를 기준으로 사용자의 트레이딩 타입이 결정되고 결정된 트레이딩 타입에 기초하여 상기 사용자에게 적용되는 트레이딩 방식이 결정될 수 있도록, 사용자들을 클러스터링하여 다수의 클러스터들(clusters)을 구성하고, 구성된 클러스터들 각각에 대응하는 트레이딩 타입을 결정한다. 여기서, 트레이딩 타입은 사용자가 속한 클러스터마다 개별적으로 부여되는 일종의 식별 기호로서 1, 2, 3 등과 같이 우열 없이 결정되는 식별 번호로 표현되거나 그밖에 다양한 형태의 고유 식별 기호로 표현될 수 있다.
트레이딩 타입 예측 모델은 사용자별로 수집되는 학습 데이터들을 이용하여 사용자에 대응하는 학습 특징 벡터를 생성할 수 있다. 예를 들어, 트레이딩 타입 예측 모델은 사용자별로 수집되는 학습 데이터들을 이용하여 사용자의 평균 매매 주기, 사용자의 1년 평균 시장 대비 상대 수익률, 사용자의 1년 투자금, 사용자의 1년 수익금, 사용자가 1년간 가장 많이 거래한 매매 종목에 따른 식별 기호를 포함하는 전처리 학습 데이터를 획득할 수 있다. 트레이딩 타입 예측 모델은 획득된 전처리 학습 데이터에 포함된 지표들 중 적어도 일부를 이용하여 사용자에 대응하는 학습 특징 벡터를 생성할 수 있다. 예를 들어, 트레이딩 타입 예측 모델은, 사용자의 평균 매매 주기, 사용자의 1년 평균 시장 대비 상대 수익률, 사용자의 1년 투자금, 사용자의 1년 수익금, 사용자가 1년간 가장 많이 거래한 매매 종목에 따른 식별 기호 각각을 성분값으로 하는 학습 특징 벡터를 생성할 수 있다.
예를 들어, 매매 종목에 따른 식별 기호는 일종의 식별 기호로서 1, 2, 3 등과 같이 우열 없이 결정되는 식별 번호로 표현되거나 그밖에 다양한 형태의 고유 식별 기호로 표현될 수 있다. 예를 들어, A 라는 종목의 경우 매매 종목에 따른 식별 기호는 1, B라는 종목의 경우 매매 종목에 따른 식별 기호는 2 등으로 표현될 수 있다.
학습 특징 벡터는, 트레이딩 봇 운영 서버(100)에 등록된 사용자들 및/또는 외부 트레이딩 봇 운영 서버나 외부 단말로부터 획득된 사용자 정보에 대응하는 사용자들마다 각각 하나씩 생성될 수 있다.
트레이딩 타입 예측 모델은 사용자들 각각의 적어도 하나의 학습 특징 벡터를 이용하여 사용자들 각각을 다수의 클러스터들 중 하나로 분류(classify)할 수 있다. 예를 들어, 가우시안 혼합 모델(GMM)의 경우, 미리 지정된 K(K는 1보다 큰 자연수)개의 가우시안 분포들 각각이 클러스터와 대응하며. 사용자들을 K개의 가우시안 분포들 중 하나로 분류하도록 동작할 수 있다.
구체적으로, 가우시안 혼합 모델의 경우, 베이즈 정리(Bayes' theorem)를 이용하여 K개의 가우시안 분포들 중에서 하기 수학식 1에 따른 가우시안 분포 선택함수(γ)의 결과값이 가장 높은 가우시안 분포를 선정하고, 선정된 가우시안 분포를 해당 사용자에 대응하는 트레이딩 타입으로 결정한다.
수학식 1에서 (γ)는 선택함수이고, xn은 n번째 사용자에 따른 학습 특징 벡터이고, znk는 학습 특징 벡터가 주어졌을 때 가우시안 혼합 모델에서 k(k는 1과 K 사이의 자연수)번째 가우시안 분포가 선택되면 1이고, 아니면 0의 값을 갖는 2진 변수이다. 또한 수학식 1에서 μ와 Σ는 가우시안 혼합 모델에 따른 파라미터로서 미리 가우시안 혼합 모델에 대한 학습 과정을 통해 확정되는 값이다. 가우시안 혼합 모델에 따른 파라미터를 결정하기 위한 학습 과정에 대해서는 Christopher Bishop의 Pattern Recognition and Machine Learning, 2008.03.18 을 참조하면 이해할 수 있으므로 구체적인 설명은 생략한다.
도 4는 사용자의 트레이딩 타입에 따라 맞춤형 트레이딩을 수행하는 것에 관한 도면이다.
종목 트레이딩부(104)는 사용자의 트레이딩 타입에 기반하여 사용자 맞춤형 트레이딩을 수행할 수 있다.
종목 트레이딩부(104)는 사용자의 매매 패턴으로 사용자가 특정 종목에 대한 투자 수익률이 높을수록, 사용자의 매매 패턴에 대한 가중치를 높게 적용하고, 종목 트레이딩부(104) 자체 매매 방식에 대한 가중치를 낮게 적용하여 종목 트레이딩을 수행할 수 있다.
종목 트레이딩부(104)는 사용자의 매매 패턴으로 사용자가 특정 종목에 대한 투자 수익률이 낮을수록, 사용자의 매매 패턴에 대한 가중치를 낮게 적용하고, 종목 트레이딩부(104) 자체 매매 방식에 대한 가중치를 높게 적용하여 종목 트레이딩을 수행할 수 있다.
다시 말해서, 종목 트레이딩부(104)는 상기 사용자의 분석된 상기 매매패턴으로 상기 사용자의 투자 수익률이 임계 수익률보다 높을 경우 제1 트레이딩 방식으로 트레이딩을 수행하고, 상기 사용자의 분석된 상기 매매패턴으로 상기 사용자의 투자 수익률이 상기 임계 수익률 이하인 경우 제2 트레이딩 방식으로 트레이딩을 수행할 수 있다. 상기 제1 트레이딩 방식은 상기 매매패턴에 대한 가중치를 높게 적용하여 상기 매매패턴을 구성하는 지표들 중 미리 설정된 개수를 초과하는 지표들은 동일하게 유지한 트레이딩을 수행하는 방식이고, 상기 제2 트레이딩 방식은 상기 매매패턴에 대한 가중치를 낮게 적용하여 상기 매매패턴을 구성하는 지표들 중 미리 설정된 개수 이하의 지표들은 동일하게 유지한 트레이딩을 수행하는 방식일 수 있다. 예를 들어, 매매패턴을 구성하는 지표들은 평균 매수 시간, 평균 매도 시간, 단일 평균 매도액(한 번 매도할 때의 평균 액수), 단일 평균 매수액(한 번 매수할 때의 평균 액수), 평균 매매 주기, 트레이딩 봇 운영 서버 접속 시간, 트레이딩 봇 운영 서버 접속 유지 시간, 하루 평균 매매 횟수 등을 포함할 수 있다.
목표 수익률 설정부(106)는 종목 트레이딩부(104)의 맞춤형 트레이딩을 통해 트레이딩을 수행하는 경우의 목표 투자 수익률을 설정할 수 있다. 목표 수익률 설정부(106)는 상기 사용자와 동일한 클러스터(즉, 동일한 트레이딩 타입)에 포함된 다른 사용자들의 시장 대비 상대 수익률에 기반하여 상기 사용자의 목표 투자 수익률을 설정할 수 있다. 종목 트레이딩부(104)는 목표 수익률 설정부(106)에 의하여 설정된 목표 투자 수익률이 미리 설정된 기간동안 달성된 경우, 트레이딩을 더 이상 수행하지 않을 수 있다.
목표 수익률 설정부(106)는 상기 사용자와 동일한 클러스터에 포함된 다른 사용자들의 시장 대비 상대 수익률을 평균낸 평균 수익률이 높을수록 상기 사용자의 기존 수익률(예: 최근 1년간 수익률)보다 높은 제1 목표 수익률을 결정하고, 상기 사용자와 동일한 클러스터에 포함된 다른 사용자들의 시장 대비 상대 수익률을 평균낸 평균 수익률이 낮을수록 상기 사용자의 기존 수익률보다 높은 제2 목표 수익률을 결정할 수 있다. 상기 제1 목표 수익률과 상기 기존 수익률의 제1 차이는 상기 제2 목표 수익률과 상기 기존 수익률의 제2 차이보다 작을 수 있다. 평균 수익률이 낮은 그룹은 트레이딩 방식의 약간의 변화만으로도 수익률을 개선할 수 있는 여지가 많지만, 평균 수익률이 높은 그룹은 원래 높은 수익률을 더 끌어올리기는 어렵기 때문에, 사용자와 동일한 클러스터에 포함된 다른 사용자들의 시장 대비 상대 수익률을 평균낸 평균 수익률에 따라 사용자에 대한 목표 수익률을 다르게 설정할 수 있다.
목표 수익률 설정부(106)는 이하 수학식 2를 통해서 목표 수익률을 설정할 수 있다.
상기 수학식 2에서, YB는 상기 목표 수익률, YT는 상기 사용자와 동일한 트레이딩 타입에 속한 다른 사용자들의 상대 수익률을 평균낸 평균 수익률, Ms는 사용자의 최근 1년간 수익률일 수 있다.
도 5는 도 1에 따른 트레이딩 봇 운영 서버(100)의 하드웨어 구성을 나타낸 도면이다.
도 5를 참조하면, 트레이딩 봇 운영 서버(100)는 적어도 하나의 프로세서(110) 및 상기 적어도 하나의 프로세서(110)가 적어도 하나의 동작(operation)을 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함할 수 있다.
상기 적어도 하나의 동작은, 전술한 트레이딩 봇 운영 서버(100)의 동작이나 기능 중 적어도 일부를 포함하고 명령어들 형태로 구현되어 프로세서(110)에 의하여 수행될 수 있다.
여기서 적어도 하나의 프로세서(110)는 중앙 처리 장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU), 또는 본 발명의 실시예들에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 메모리(120) 및 저장 장치(160) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(120)는 읽기 전용 메모리(read only memory, ROM) 및 랜덤 액세스 메모리(random access memory, RAM) 중 하나일 수 있고, 저장 장치(160)는, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD), 솔리드 스테이트 드라이브(SSD), 또는 각종 메모리 카드(예를 들어, micro SD 카드) 등일 수 있다.
또한, 트레이딩 봇 운영 서버(100)는 무선 네트워크를 통해 통신을 수행하는 송수신 장치(transceiver)(130)를 포함할 수 있다. 또한, 트레이딩 봇 운영 서버(100)는 입력 인터페이스 장치(140), 출력 인터페이스 장치(150), 저장 장치(160) 등을 더 포함할 수 있다. 트레이딩 봇 운영 서버(100)에 포함된 각각의 구성 요소들은 버스(bus)(170)에 의해 연결되어 서로 통신을 수행할 수 있다. 도 5에서는 트레이딩 봇 운영 서버(100)를 예로 들어 설명하였으나, 이에 한정되는 것은 아니다. 예를 들어, 복수 개의 사용자 단말들은 도 5에 따른 구성요소를 포함할 수 있다.
본 발명에 따른 방법들은 다양한 컴퓨터 수단을 통해 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위해 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능 매체의 예에는 롬(ROM), 램(RAM), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함될 수 있다. 프로그램 명령의 예에는 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 적어도 하나의 소프트웨어 모듈로 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 상술한 방법 또는 장치는 그 구성이나 기능의 전부 또는 일부가 결합되어 구현되거나, 분리되어 구현될 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 트레이딩 봇 운영 서버 200: 사용자 단말

Claims (1)

  1. 트레이딩 봇을 운영하여 종목 거래를 수행하는 트레이딩 봇 운영 서버에 있어서,
    사용자의 거래 종목에 대한 정보 및 상기 사용자의 계좌 정보를 획득하는 정보 획득부;
    상기 사용자의 사용자 단말로부터 종목에 대한 매매 관련 입력을 획득하는 사용자 입력 획득부;
    거래소에 등록된 종목들 중에서 트레이딩할 종목을 결정하는 트레이딩 종목 결정부;
    상기 사용자 단말로부터 획득된 자동 매매에 대응하는 입력에 기반하여 결정된 상기 트레이딩 종목을 트레이딩을 수행하는 종목 트레이딩부; 및
    상기 사용자의 매매 패턴을 분석하고, 분석된 상기 매매 패턴에 따른 상기 사용자의 수익 정보를 생성하는 사용자 매매패턴 분석부를 포함하고,
    상기 사용자 매매패턴 분석부는,
    미리 학습된 가우시안 혼합 모델을 이용하여, 다수의 사용자 단말들로부터 획득된 학습 데이터들 각각에 대응하는 사용자들을 클러스터링함으로써, 상기 다수의 사용자 단말들에 대응하는 사용자들 각각에 대응하는 클러스터(cluster)를 결정하고, 결정된 클러스터에 부여된 트레이딩 타입을 해당 클러스터에 속하는 사용자의 트레이딩 타입으로 결정하는 트레이딩 타입 예측 모델을 포함하고,
    상기 종목 트레이딩부는,
    상기 사용자의 분석된 상기 매매패턴으로 상기 사용자의 투자 수익률이 임계 수익률보다 높을 경우 제1 트레이딩 방식으로 트레이딩을 수행하고,
    상기 사용자의 분석된 상기 매매패턴으로 상기 사용자의 투자 수익률이 상기 임계 수익률 이하인 경우 제2 트레이딩 방식으로 트레이딩을 수행하고,
    상기 제1 트레이딩 방식은 상기 매매패턴에 대한 가중치를 높게 적용하여 상기 매매패턴을 구성하는 지표들 중 미리 설정된 개수를 초과하는 지표들은 동일하게 유지한 트레이딩을 수행하는 방식이고,
    상기 제2 트레이딩 방식은 상기 매매패턴에 대한 가중치를 낮게 적용하여 상기 매매패턴을 구성하는 지표들 중 미리 설정된 개수 이하의 지표들은 동일하게 유지한 트레이딩을 수행하는 방식이고,
    상기 트레이딩 봇 운영 서버는, 목표 수익률 설정부를 더 포함하되,
    상기 목표 수익률 설정부는,
    결정된 상기 사용자의 트레이딩 타입에 기반하여 상기 사용자에 대한 목표 투자 수익률을 설정하는, 트레이딩 봇 운영 서버.
KR1020230140577A 2023-10-19 트레이딩 타입별로 목표 수익을 설정하여 트레이딩 봇을 운영하기 위한 방법 및 이를 수행하는 운영 서버 KR20240087533A (ko)

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020220172495A Division KR102593556B1 (ko) 2022-12-12 2022-12-12 트레이딩 봇을 운영하기 위한 방법 및 이를 수행하는 운영 서버

Publications (1)

Publication Number Publication Date
KR20240087533A true KR20240087533A (ko) 2024-06-19

Family

ID=

Similar Documents

Publication Publication Date Title
Lyócsa et al. YOLO trading: Riding with the herd during the GameStop episode
US20210182300A1 (en) Broker chat bot
KR102447254B1 (ko) 고속 거래 체결을 지원하는 거래소 운영 방법 및 시스템
Sloboda et al. Contemporary challenges and risks of retail banking development in Ukraine
Göncü et al. Statistical arbitrage with pairs trading
Snihovyi et al. Implementation of robo-advisor services for different risk attitude investment decisions using machine learning techniques
KR20210003029A (ko) 머신러닝 기반의 휴면 자산 관리 방법 및 시스템
Merika et al. Exploring vessel-price dynamics: the case of the dry bulk market
Sahoo et al. Asymmetric effects of exchange rate movements on traditional and modern services exports: Evidence from a large emerging economy
Ananda et al. The pivotal role of cashless system adoption among micro, small, and medium enterprises (MSMEs) in Malaysia: The challenges and opportunities
Nichkasova et al. Financial technologies as a driving force for business model transformation in the banking sector
Deng et al. Stock price change rate prediction by utilizing social network activities
Lomachynska et al. Modernization of structure of financial systems with the development of FinTech
US20230092126A1 (en) Banking operation support system, banking operation support method, and banking operation support program
KR102374522B1 (ko) 거래 위험 관리를 지원하는 거래소 운영 방법 및 시스템
El-Berawi et al. Adaptive deep learning based cryptocurrency price fluctuation classification
KR102593556B1 (ko) 트레이딩 봇을 운영하기 위한 방법 및 이를 수행하는 운영 서버
CN111667307A (zh) 一种理财产品销量的预测方法及装置
Khudolii et al. The impact of innovation and fintech on the banking business
KR20240087533A (ko) 트레이딩 타입별로 목표 수익을 설정하여 트레이딩 봇을 운영하기 위한 방법 및 이를 수행하는 운영 서버
KR20240087534A (ko) 담보대출 연계 기능을 지원하는 트레이딩 봇을 운영하기 위한 방법 및 이를 수행하는 운영 서버
Burgess Machine Earning–Algorithmic Trading Strategies for Superior Growth, Outperformance and Competitive Advantage
US20130185223A1 (en) Multi-level automated hedging process with news evaluation tool
US20130110741A1 (en) Multi-level automated hedging process
Kosala Predicting the likelihood of dividend payment from Indonesian public companies with data mining methods