WO2021002543A1 - 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램 - Google Patents

인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램 Download PDF

Info

Publication number
WO2021002543A1
WO2021002543A1 PCT/KR2019/016212 KR2019016212W WO2021002543A1 WO 2021002543 A1 WO2021002543 A1 WO 2021002543A1 KR 2019016212 W KR2019016212 W KR 2019016212W WO 2021002543 A1 WO2021002543 A1 WO 2021002543A1
Authority
WO
WIPO (PCT)
Prior art keywords
predicted
price
prediction
value
period
Prior art date
Application number
PCT/KR2019/016212
Other languages
English (en)
French (fr)
Inventor
정현규
윤재훈
이유진
김태욱
Original Assignee
(주)크래프트테크놀로지스
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 (주)크래프트테크놀로지스 filed Critical (주)크래프트테크놀로지스
Publication of WO2021002543A1 publication Critical patent/WO2021002543A1/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
    • 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
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange

Definitions

  • the present invention relates to an apparatus, a method and a computer program for predicting the price of an asset based on artificial intelligence.
  • the bond dealer system refers to a system in which a securities company designated as a dealer conducts direct trading with investors with its own funds. Securities companies analyze and forecast future bond yields, and present buy and sell quote rates similar to the timing of stock trading. An investor may buy or sell bonds if it is determined that the rate of return presented by the securities company is reasonable.
  • Korean Patent Registration No. 10-0410714 is a prior art.
  • Ho discloses a financial asset price prediction information provision system using the Internet.
  • Algorithms for learning autocorrelation typically include RNN and LSTM, and are composed of a structure in which previous learning parameters affect the next learning.
  • assets are determined by a myriad of quantitative indicators, such as the employment index, price index, industrial production index, interest rate, and relative strength index.
  • quantitative indicators such as the employment index, price index, industrial production index, interest rate, and relative strength index.
  • An attempt is made to provide a price prediction apparatus, method, and computer program for predicting future asset prices using input data related to assets and historical price data of assets.
  • TREE module that can quickly and accurately classify input data and a CNN, which is mainly used for image learning with high accuracy, to provide a price prediction device, method, and computer program to accurately predict the price of an asset.
  • an embodiment of the present invention includes a collection unit for collecting historical price data of an asset to be predicted and input data related to the asset, a first period value among the collected input data
  • a first prediction unit that inputs the past price data corresponding to a second period value among the input data corresponding to and the collected past price data into a first prediction module, and predicts predicted price data through the first prediction module.
  • the first prediction unit may provide a price prediction apparatus that predicts the final predicted price data for the specific time point to be predicted based on the predicted image map.
  • collecting historical price data of an asset to be predicted and input data related to the asset, input data corresponding to a first period value among the collected input data, and the collected historical price data Inputting the past price data corresponding to the second period value into a first prediction module, predicting predicted price data through the first prediction module, a comparison value between the predicted predicted price data and actual price data Deriving, generating an image map based on the first period value, the second period value, and the comparison value, learning about the predicted price data by inputting the generated image map into a second prediction module Predicting an image map prior to the specific time point to be predicted through the second prediction module, and predicting the final predicted price data for the particular time point to be predicted based on the predicted image map It is possible to provide a price prediction method including the step.
  • the computer program when executed by a computing device, it collects historical price data of an asset to be predicted and input data related to the asset, and corresponds to a first period value among the collected input data.
  • the past price data corresponding to a second period value among the input data and the collected past price data is input into a first prediction module, the predicted price data is predicted through the first prediction module, and the predicted predicted price
  • a comparison value between data and actual price data is derived, an image map is generated based on the first period value, the second period value, and the comparison value, and the generated image map is input to a second prediction module, and the Learn about predicted price data, predict an image map prior to a specific point in time to be predicted through the second prediction module, and a final predicted price for the specific point in time to be predicted based on the predicted image map
  • a price that overcomes the limitations of an artificial intelligence machine learning model and accurately predicts future asset prices than a conventional general price prediction model eg, LSTM.
  • Prediction devices, methods and computer programs can be provided.
  • FIG. 1 is a block diagram of a price prediction apparatus according to an embodiment of the present invention.
  • FIGS. 2 and 3 are exemplary diagrams showing past price data and input data collected according to simulation conditions and simulation conditions for predicting an asset price according to an embodiment of the present invention.
  • 4 to 6 are exemplary diagrams for explaining a process of predicting predicted price data using a first prediction module according to an embodiment of the present invention.
  • FIG. 7 is an exemplary diagram for describing a process of deriving a comparison value between predicted price data and actual price data according to an embodiment of the present invention.
  • FIG. 8 is an exemplary diagram for explaining a process of predicting an image map corresponding to before a specific point of time by using the generated image map according to an embodiment of the present invention.
  • FIG 9 is an exemplary diagram showing predicted final predicted price data according to an embodiment of the present invention.
  • FIG. 10 is a flowchart of a method of predicting an asset price in a price prediction apparatus according to an embodiment of the present invention.
  • unit includes a unit realized by hardware, a unit realized by software, and a unit realized using both. Further, one unit may be realized using two or more hardware, or two or more units may be realized using one hardware.
  • some of the operations or functions described as being performed by the terminal or device may be performed instead by a server connected to the terminal or device.
  • some of the operations or functions described as being performed by the server may also be performed by a terminal or device connected to the server.
  • the price prediction apparatus 100 may include a collection unit 110, a first prediction unit 120, a derivation unit 130, a generation unit 140, and a second prediction unit 150. have.
  • the collection unit 110 may collect historical price data of an asset to be predicted and input data related to the asset.
  • the collection unit 110 may collect, as input data, historical price data of an asset to be predicted, as well as time series data on an economic index, a technical index, and a common global economic index of a market to which the asset to be predicted belongs.
  • the historical price data of the asset to be predicted and the input data related to the asset are composed of dimensions (data types), and the number of input data may represent the length of time series data.
  • the input data is limited to the index price recalculated according to a specific methodology for the prices of various assets to be predicted, and the types are very diverse depending on the methodology and the types and characteristics of assets, but the representative index KOSPI (domestic ), S&P500 (US), EMBI (each country).
  • Representative indexes are indexes that many asset management companies and fund management institutions refer to when they operate, and are very useful in predicting because they have a significant impact. For example, in the case of an ETF, which is an index-following product, it can be applied to a strategy of directly predicting and investing in price and an investment strategy of index-related futures options.
  • the collection unit 110 may collect, as input data, indicators capable of grasping the economic situation of the bond issuing country and US economic indicators that affect the global economy.
  • Input data may include, for example, retail sales, industrial production, MoneySupplyM3, CSIICMEA Index, Moody's Seasoned Baa Corporate Bond Yield, Wholesale Trade Sales, Unemployment Rate, Retail Sales Advance, etc. It can contain any data you can get.
  • the collection unit 110 when the asset is a stock, the collection unit 110 includes indicators that can know the economic situation of the country issuing the stock, and US economic indicators and indicators for stocks (SMB, HML, RMW, CMA, RF). , Investment indicators (PE Ratio, dividend_yield, market_capital ratio), etc. can be collected as input data.
  • FIGS. 2 and 3 are exemplary diagrams showing historical price data and input data collected according to simulation conditions and conditions for predicting an asset price according to an embodiment of the present invention.
  • the simulation conditions are target country (200), forecast date (201), number of input data (202), reference date (203), predicted operating period (204), MAP SPEC (205), variable (206). , The minimum value 207, the interval 208, the number of cases 209, the maximum value 210, and the like.
  • the simulation conditions are the target country for which bonds are issued by the manager (200):'South Africa', forecast date (201): '2017/06/01 ⁇ 30 (business days: 22 days)', number of input data ( 202): '239', reference date (203, expressed as'T' in the detailed description below): '2017/04/27', predicted operation period (204, expressed as'K' in the detailed description below): It can be set to '24 days'.
  • the reference date 203 may mean a specific time point in the past
  • the predicted operation period 204 may mean a period to be predicted based on the reference date 203 for the predicted price data of the asset. For example, if the reference date 203 is 2017/04/27 and the forecast operation period 204 is set to '24 days', the price of the asset corresponding to the date 24 days has elapsed from 2017/04/27 It can be predicted.
  • the simulation condition may be set by the manager for an image map necessary to predict the price of the bond.
  • the simulation conditions are MAP SPEC (205), which is a combination that allows changes to the image map: '8*40', variable 206 of the image map:'M and N', minimum value 207: 'M-40 days, N-50 days', Interval (208):'M-25 days, N-13 days', Number of cases (209):'M-8, N-40', maximum value (210 ): Can be set as'M-215 days, N-557 days'.
  • 'M' is a time series length to be fitted to the TREE module corresponding to the first prediction module to be used later, and may be a first period value indicating how long information in the past is to be fitted to the tree.
  • 'N' is the period of the period change rate for expressing the past price data when fitting to the TREE module based on a specific date, and the rate of change from the past date to the point corresponding to a specific date for some time in the past. It may be a second period value indicating whether to express.
  • the collection unit 110 collects input data 220 related to an asset (eg, bond) to be predicted from 17/01/27 to 17/03/24, and 17/02 It is possible to collect historical price data 221 of an asset (eg, bond) to be predicted from /15 to 17/04/27.
  • asset eg, bond
  • the first prediction unit 120 may predict predicted price data through the first prediction module. The process of predicting the predicted price data through the first prediction module will be described in detail with reference to FIGS. 4 to 6.
  • 4 to 6 are exemplary diagrams for explaining a process of predicting predicted price data using a first prediction module according to an embodiment of the present invention.
  • the second period value 303 may be set on the basis of the reference days T and 300.
  • the first prediction module may be a TREE module.
  • the TREE module is a model that can quickly and accurately classify a lot of input data, and has strengths in classifying and fitting past data.
  • separate variable adjustment is required.
  • the reason for using the TREE module as the first prediction module is that the TREE module can quickly classify the dimensions (characteristics of the data) of the input data of a number of dimensions, and classify them into arbitrary threshold values of each node of the TREE module. This is because the importance of each dimension can be measured, and through this, the explanatory power of the dimensions of the input data can be secured, and accuracy can be improved when appropriate input data and past price data are used.
  • the first prediction unit 120 corresponds to the input data corresponding to the first period value 302 among the collected input data and the second period value 303 among the collected past price data.
  • Past price data to be input may be input to the first prediction module, and prediction price data may be predicted through the first prediction module.
  • the first prediction unit 120 may input a period change rate value of past price data corresponding to the second period value 303 to the first prediction module.
  • T+1 to T+24 Predicted price data up to 301 can be predicted.
  • the corresponding predicted price data can be predicted.
  • the predicted price data corresponding to 301) can be predicted so as to have explanatory power by targeting this.
  • threshold values of each node for classifying input data by the first prediction module may be set by an administrator.
  • the reason why the forecast operation period is mainly set to 24 days is that the maximum number of business days excluding weekends from one month is 24 days, and there are many cases where strategies are operated by changing the operation period by one month.
  • the first predictor 120 may predict a predicted price change rate value by inputting a price change rate value instead of past price data into the first prediction module.
  • the first prediction unit 120 inputs the input data 310 corresponding to the time points'T-24 (321) to T (322)' into the TREE module, which is the first prediction module, and is'T+1'.
  • the predicted price data 311 corresponding to the period '2017/04/28 ⁇ 2017/201731' 331 corresponding to' ⁇ T+24' can be predicted.
  • the derivation unit 130 may derive a comparison value between the predicted price data and actual price data predicted through the first prediction unit 120. For example, the derivation unit 130 may derive a difference value between the predicted price data and actual price data corresponding to the predicted operating period, and derive an reciprocal of the derived difference value as a comparison value.
  • the comparison value may be derived as an average value for the predicted operating period.
  • the derivation unit 130 may derive a comparison value between the period change rate value of the predicted price data predicted through the first prediction unit 120 and the period change rate value of the actual price data. The process of deriving the comparison value will be described in detail with reference to FIG. 7.
  • the derivation unit 130 derives a difference value between the period change rate value of the predicted price data 410 and the period change rate value of the actual price data 400 corresponding to the predicted operating period, and the derived difference value
  • the reciprocal of can be derived as the comparison value 420.
  • the comparison value 420 may be derived as an average value for the predicted operation period, and may be configured as in Equation 1 below.
  • K denotes the predicted operating period
  • T denotes a reference date representing a specific point in the past
  • ( ) Means the difference between the predicted price data and the actual price data for the period.
  • the comparison values Z T and 420 at the reference date may be an average value of comparison values during the T+1 to T+K period (prediction operation period). That is, the comparison values Z T and 420 at the reference date may be derived by comparing the predicted price data 410 and the actual price data 400 in the period T+1 to T+K. Therefore, when the actual price data 400 exists only up to T+K (for example, when T+24 is the current point), it is derived as the average value of the comparison values in the T+1 to T+K period (prediction operating period) The comparison values Z and 420 can be derived up to T (reference date).
  • the comparison values (Z, 420) are predicted price data 410 and actual price data applied to the first prediction module (TREE module) by a combination of'M (first period value) * N (second period value)' It is the reciprocal of Cost (Z) representing the difference between (400), and the upper comparison value (Z) is the first period value of which the performance of the first prediction module (TREE module) was good, and [M, N] of the second period value Coordinates are indicated, and if the combination of [M, N] is applied to the first prediction module (TREE module) at a specific time point, it has the advantage of obtaining highly accurate prediction price data.
  • the generator 140 may generate an image map based on the first period value, the second period value, and the comparison value. If, in order for the generation unit 140 to generate an image map corresponding to T+1, it needs to know the past price data corresponding to T+25, but if the forecast operation period is set to 24 days, the past price only up to T+24 Since we know the data, we cannot create an image map corresponding to T+1. Therefore, the image map may be generated until the reference date (T).
  • the generation unit 140 generates at least one first image map based on the first period value, the second period value, and the comparison value, and processes the generated first image maps to be stacked in chronological order to generate a second You can create a car image map.
  • the image map may include multidimensional spatial data.
  • the first image map may be a two-dimensional image
  • the second image map may be a three-dimensional image.
  • the generator 140 may generate a first image map based on the first period value M, the second period value N, and the comparison value Z.
  • the generation unit 140 generates a plurality of first image maps including information of the comparison value Z obtained by repeatedly performing this, and generates a plurality of first image maps in chronological order. It can be processed to be stacked to generate a second image map.
  • the second prediction unit 150 inputs the generated image map to the second prediction module to learn about the predicted image price data, and predicts an image map corresponding to the previous point of time to be predicted through the second prediction module. have.
  • a process of generating a map and predicting an image map before a specific point in time will be described in detail with reference to FIG. 8.
  • FIG. 8 is an exemplary diagram for explaining a process of predicting an image map corresponding to before a specific point of time by using the generated image map according to an embodiment of the present invention.
  • the second prediction unit 150 may input the generated image map 503 to the second prediction module to learn about prediction price data.
  • the second prediction module may use a Convolution Neural Network (CNN) 501, which is mainly used for image learning having a high learning accuracy.
  • CNN Convolution Neural Network
  • the reason for using the CNN 501 as the second prediction module is that the CNN 501 is a network showing excellent accuracy in image feature extraction and classification problems.
  • the first period value (M) and the second A high comparison value (Z, feature) can be extracted from the comparison value (Z), which is a number obtained through a combination of period values (N).
  • the combination of the first period value (M) and the second period value (N) corresponding to the extracted high comparison value (Z) is improved. You can make it higher.
  • the second prediction unit 150 may learn about the predicted price data by using the image map 503 immediately before the price prediction start date to predict the price of an asset.
  • the image map 503 may include a coordinate pair of a first period value M and a second period value N, and a comparison value (Z value) corresponding to the coordinate pair.
  • the image map 503 allows it to be determined whether the coordinates of the first period value M and the second period value N have a good comparison value Z, based on the price prediction start date (T+24). As a result, it can be generated only up to the date (T+24-prediction operation period) minus the length of the time series of the forecast operation period.
  • the image map 502 of the actual (T+24) viewpoint cannot be grasped, (T+24-) in consideration of the temporal/spatial (SPATIO-TEMPORAL) factor through the second prediction module (CNN, 501)
  • the image map 502 at the time point T+24 may be learned to be predicted.
  • the first predictor 120 may predict final predicted price data for a specific time point to be predicted based on the predicted image map 502. For example, the first prediction unit 120 extracts at least one comparison value corresponding to a preset threshold value or more from the predicted image map 502, and one first period value corresponding to the extracted comparison value. And a second period value can be derived.
  • the present invention may extract optimal (M, N, Z) parameters for deriving predicted price data through the first predictor and the second predictor.
  • the first predictor 120 may predict final predicted price data for a specific time point to be predicted by inputting the derived first period value M and the second period value N into the first prediction module.
  • the first prediction unit 120 fits and inputs the period change rate value of the past price data derived based on the second period value into the first prediction module, and the prediction period change rate value for a specific time point to be predicted or the final The predicted period change rate value can be predicted.
  • the final predicted price data for a specific predicted time will be described in detail with reference to FIG. 9.
  • the first prediction unit 120 extracts a comparison value Z corresponding to the top 20% using an image map predicted through the second prediction module, and uses the extracted comparison value Z.
  • the corresponding (MN) combination may be fitted back to the first prediction module (TREE module) as quantitative input data, and finally predicted prices may be ensembled using a hardvoting method.
  • the first prediction unit 120 extracts the comparison value Z corresponding to the upper q% (q is designated by the administrator, for example, 5%) of the predicted image map, and the extracted comparison value ( A combination of the first period value M and the second period value N corresponding to Z) can be derived.
  • the first prediction module (TREE module) is used for fitting and input, and finally the first period value M and the second period value N
  • the final predicted price data for a specific time point to be predicted may be predicted by using the average value of predicted values for the number of combinations of the period values (N).
  • the first predictor 120 may predict the final predicted price data by fitting and inputting a total of 16 combinations of the first period values M and the second period values N to the first prediction module.
  • I can.
  • the price prediction apparatus 100 may be executed by a computer program stored in a medium including a sequence of instructions for predicting a price.
  • the computer program collects historical price data of the asset to be predicted and input data related to the asset, and among the collected input data, the input data corresponding to the first period value and the collected historical price data 2 Past price data corresponding to the period value is input into the first prediction module, the prediction price data is predicted through the first prediction module, the comparison value between the predicted predicted price data and the actual price data is derived, and the first period An image map is generated based on the value, the second period value, and the comparison value, and the generated image map is input to the second prediction module to learn about predicted price data, and a specific time point to be predicted through the second prediction module It is possible to provide a computer program stored in a medium including a sequence of instructions for predicting an image map corresponding to the previous image map and predicting final predicted price data for a specific time point to be predicted based on the predicted image map.
  • FIG. 10 is a flowchart of a method of predicting an asset price in a price prediction apparatus according to an embodiment of the present invention.
  • the method of predicting the price of an asset in the price prediction apparatus 100 shown in FIG. 10 includes steps processed in a time series according to the embodiments shown in FIGS. 1 to 9. Therefore, even if omitted below, the method of predicting the price of an asset in the price prediction apparatus 100 according to the implementation illustrated in FIGS. 1 to 9 is also applied.
  • the price prediction apparatus 100 may collect historical price data of an asset to be predicted and input data related to the asset.
  • step S720 the price prediction apparatus 100 may input input data corresponding to the first period value among the collected input data and the past price data corresponding to the second period value among the collected past price data to the first prediction module. have.
  • the price prediction apparatus 100 may predict predicted price data through the first prediction module.
  • the price prediction apparatus 100 may derive a comparison value between the predicted predicted price data and the actual price data.
  • the price prediction apparatus 100 may generate an image map based on the first period value, the second period value, and the comparison value.
  • step S760 the price prediction apparatus 100 may input the generated image map to the second prediction module to learn about the prediction price data.
  • the price prediction apparatus 100 may predict an image map corresponding to a specific point in time to be predicted through the second prediction module.
  • the price prediction apparatus 100 may predict final predicted price data for a specific time point to be predicted based on the predicted image map.
  • steps S710 to S780 may be further divided into additional steps or combined into fewer steps, according to an embodiment of the present invention.
  • some steps may be omitted as necessary, and the order between steps may be switched.
  • the method of predicting the price of an asset in the price prediction apparatus described through FIGS. 1 to 10 may be implemented in the form of a computer program stored in a medium executed by a computer or a recording medium including instructions executable by a computer. have.
  • the method of predicting the price of an asset in the price prediction apparatus described with reference to FIGS. 1 to 10 may be implemented in the form of a computer program stored in a medium executed by a computer.
  • Computer-readable media can be any available media that can be accessed by a computer, and includes both volatile and nonvolatile media, removable and non-removable media. Further, the computer-readable medium may include a computer storage medium. Computer storage media includes both volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

인공 지능에 기초하여 자산의 가격을 예측하는 장치는 예측하고자 하는 자산의 과거 가격 데이터 및 자산과 연관된 입력 데이터를 수집하는 수집부, 제 1 기간값에 해당하는 입력 데이터 및 수집된 과거 가격 데이터 중 제 2 기간값에 해당하는 과거 가격 데이터를 제 1 예측 모듈에 입력하여 예측 가격 데이터를 예측하는 제 1 예측부, 예측 가격 데이터 및 실제 가격 데이터 간의 비교값을 도출하는 도출부, 제 1 기간값, 제 2 기간값 및 비교값에 기초하여 이미지 맵을 생성하는 생성부 및 이미지 맵을 제 2 예측 모듈에 입력하여 예측 가격 데이터에 대해 학습시켜 이미지 맵을 예측하는 제 2 예측부를 포함한다.

Description

인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램
본 발명은 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램에 관한 것이다.
채권딜러제는 딜러로 지정된 증권사가 자체 보유자금으로 투자자들과 직접 매매거래를 행하는 제도를 의미한다. 증권사는 향후 채권수익률을 분석 및 전망하고, 주식 매매의 시기와 비슷하게 매수 및 매도 호가 수익률을 제시한다. 투자자는 증권사가 제시한 수익률이 합당하다고 판단될 경우, 채권을 매수 또는 매도할 수 있다.
증권사는 향후 채권수익률을 분석 및 전망하기 위해서는 경제적 지표, 기술적 지표 등과 같이 가격을 예측하기 위한 계량적 지표를 이용하여 예측하며, 이러한 자산의 예측 기술과 관련하여, 선행기술인 한국등록특허 제10-0410714호는 인터넷을 이용한 금융자산 가격예측 정보제공시스템을 개시하고 있다.
자산의 가격을 예측하기 위해서는 자기 상관을 학습할 수 있는 인공지능 알고리즘이 주로 이용된다. 자기 상관을 학습하는 알고리즘은 대표적으로 RNN, LSTM 등이 존재하며, 이전의 학습파라미터가 다음 학습에 영향을 주는 구조로 구성된다.
그러나 자산은 고용지수, 물가지수, 산업생산지수, 금리, 상대강도지표 등과 같이 무수히 많은 계량적 지표들에 의해 결정된다. 이 무수히 많은 계량적 지표들을 RNN, LSTM 등에 입력하는 경우, 입력 데이터의 차원이 많아짐에 따라 차원의 저주가 발생되어 자산을 예측하는데 적합하지 않다는 단점을 가지고 있다.
자산과 관련된 입력 데이터와 자산의 과거 가격 데이터를 이용하여 미래의 자산의 가격을 예측하는 가격 예측 장치, 방법 및 컴퓨터 프로그램을 제공하고자 한다.
계량적인 입력 데이터를 이용하여 자산의 가격을 예측하는 경우, 차원의 저주가 발생, 예측하기 위한 데이터들의 확률 분포와 인공지능 학습시에 사용하는 데이터들의 확률분포가 달라 기계학습에 한계가 존재하므로, 이를 이미지 맵화하여 자산의 가격을 정확하게 예측하도록 하는 가격 예측 장치, 방법 및 컴퓨터 프로그램을 제공하고자 한다.
입력 데이터를 신속하고 정확하게 분류할 수 있는 TREE 모듈과 높은 정확도를 보여 이미지 학습에 주로 이용되는 CNN을 함께 이용함으로써, 자산의 가격을 정확하게 예측하도록 하는 가격 예측 장치, 방법 및 컴퓨터 프로그램을 제공하고자 한다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 수단으로서, 본 발명의 일 실시예는, 예측하고자 하는 자산의 과거 가격 데이터 및 상기 자산과 연관된 입력 데이터를 수집하는 수집부, 상기 수집된 입력 데이터 중 제 1 기간값에 해당하는 입력 데이터 및 상기 수집된 과거 가격 데이터 중 제 2 기간값에 해당하는 상기 과거 가격 데이터를 제 1 예측 모듈에 입력하고, 상기 제 1 예측 모듈을 통해 예측 가격 데이터를 예측하는 제 1 예측부, 상기 제 1 예측부를 통해 예측된 예측 가격 데이터 및 실제 가격 데이터 간의 비교값을 도출하는 도출부, 상기 제 1 기간값, 상기 제 2 기간값 및 상기 비교값에 기초하여 이미지 맵을 생성하는 생성부 및 상기 생성된 이미지 맵을 제 2 예측 모듈에 입력하여 상기 예측 가격 데이터에 대해 학습시키고, 상기 제 2 예측 모듈을 통해 예측하고자 하는 특정 시점의 이전에 해당하는 이미지 맵을 예측하는 제 2 예측부를 포함하고, 상기 제 1 예측부는 상기 예측된 이미지 맵에 기초하여 상기 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측하는 것인 가격 예측 장치를 제공할 수 있다.
본 발명의 다른 실시예는, 예측하고자 하는 자산의 과거 가격 데이터 및 상기 자산과 연관된 입력 데이터를 수집하는 단계, 상기 수집된 입력 데이터 중 제 1 기간값에 해당하는 입력 데이터 및 상기 수집된 과거 가격 데이터 중 제 2 기간값에 해당하는 상기 과거 가격 데이터를 제 1 예측 모듈에 입력하는 단계, 상기 제 1 예측 모듈을 통해 예측 가격 데이터를 예측하는 단계, 상기 예측된 예측 가격 데이터 및 실제 가격 데이터 간의 비교값을 도출하는 단계, 상기 제 1 기간값, 상기 제 2 기간값 및 상기 비교값에 기초하여 이미지 맵을 생성하는 단계, 상기 생성된 이미지 맵을 제 2 예측 모듈에 입력하여 상기 예측 가격 데이터에 대해 학습시키는 단계, 상기 제 2 예측 모듈을 통해 예측하고자 하는 특정 시점의 이전에 해당하는 이미지 맵을 예측하는 단계 및 상기 예측된 이미지 맵에 기초하여 상기 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측하는 단계를 포함하는 가격 예측 방법을 제공할 수 있다.
본 발명의 또 다른 실시예는, 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우, 예측하고자 하는 자산의 과거 가격 데이터 및 상기 자산과 연관된 입력 데이터를 수집하고, 상기 수집된 입력 데이터 중 제 1 기간값에 해당하는 입력 데이터 및 상기 수집된 과거 가격 데이터 중 제 2 기간값에 해당하는 상기 과거 가격 데이터를 제 1 예측 모듈에 입력하고, 상기 제 1 예측 모듈을 통해 예측 가격 데이터를 예측하고, 상기 예측된 예측 가격 데이터 및 실제 가격 데이터 간의 비교값을 도출하고, 상기 제 1 기간값, 상기 제 2 기간값 및 상기 비교값에 기초하여 이미지 맵을 생성하고, 상기 생성된 이미지 맵을 제 2 예측 모듈에 입력하여 상기 예측 가격 데이터에 대해 학습시키고, 상기 제 2 예측 모듈을 통해 예측하고자 하는 특정 시점의 이전에 해당하는 이미지 맵을 예측하고, 상기 예측된 이미지 맵에 기초하여 상기 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측하도록 하는 명령어들의 시퀀스를 포함하는 매체에 저장된 컴퓨터 프로그램을 제공할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본 발명을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 기재된 추가적인 실시예가 존재할 수 있다.
전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 인공지능 기계학습 모델이 가지는 한계점을 극복하고, 기존의 일반적인 가격 예측 모형(예를 들어, LSTM) 보다 미래의 자산 가격을 정확하게 예측할 수 있는 가격 예측 장치, 방법 및 컴퓨터 프로그램을 제공할 수 있다.
수많은 차원의 계량적 지표를 TREE 모듈을 이용하여 분류하고, 자산의 가격 예측에 영향을 미치는 입력 데이터의 차원별 기여도를 제공하는 가격 예측 장치, 방법 및 컴퓨터 프로그램을 제공할 수 있다.
계량적 입력 데이터를 이미지 입력 데이터로 가공하여 차원의 저주, 미래를 예측하기 위한 데이터와 인공지능 학습시 사용한 데이터들의 서로 다른 확률 분포, 인공지능 학습시에 발생되는 오버피팅(overfitting) 문제들을 해결하여 높은 정확도로 자산의 가격을 예측하는 가격 예측 장치, 방법 및 컴퓨터 프로그램을 제공할 수 있다.
채권, 주식 등 성격이 다른 자산군에도 동일한 방법으로 자산의 예측이 가능함에 따라 적용 범위가 넓고, 가격 예측, 예측된 기간의 예측 추이, 가격 하락 및 오름 정확도 등을 응용하여 다양한 포트폴리오 전략에 응용할 수 있도록 하는 가격 예측 장치, 방법 및 컴퓨터 프로그램을 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 가격 예측 장치의 구성도이다.
도 2 및 도 3은 본 발명의 일 실시예에 따른 자산의 가격 예측을 하기 위한 시뮬레이션 조건 및 시뮬레이션 조건에 따라 수집된 과거 가격 데이터 및 입력 데이터를 도시한 예시적인 도면이다.
도 4 내지 도 6은 본 발명의 일 실시예에 따른 제 1 예측 모듈을 이용하여예측 가격 데이터를 예측하는 과정을 설명하기 위한 예시적인 도면이다.
도 7은 본 발명의 일 실시예에 따른 예측 가격 데이터 및 실제 가격 데이터 간의 비교값을 도출하는 과정을 설명하기 위한 예시적인 도면이다.
도 8은 본 발명의 일 실시예에 따른 생성된 이미지 맵을 이용하여 특정시점의 이전에 해당하는 이미지 맵을 예측하는 과정을 설명하기 위한 예시적인 도면이다.
도 9는 본 발명의 일 실시예에 따른 예측된 최종 예측 가격 데이터를 도시한 예시적인 도면이다.
도 10은 본 발명의 일 실시예에 따른 가격 예측 장치에서 자산의 가격을 예측하는 방법의 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다.
본 명세서에 있어서 단말 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말 또는 디바이스에서 수행될 수도 있다.
이하 첨부된 도면을 참고하여 본 발명의 일 실시예를 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 가격 예측 장치의 구성도이다. 도 1을 참조하면, 가격 예측 장치(100)는 수집부(110), 제 1 예측부(120), 도출부(130), 생성부(140) 및 제 2 예측부(150)를 포함할 수 있다.
수집부(110)는 예측하고자 하는 자산의 과거 가격 데이터 및 자산과 연관된 입력 데이터를 수집할 수 있다. 예를 들어, 수집부(110)는 예측하고자 하는 자산의 과거 가격 데이터와 함께 예측하고자 하는 자산이 속한 시장의 경제 지표, 기술적 지표 및 세계공통경제지표에 대한 시계열 데이터를 입력 데이터로 수집할 수 있다. 예측하고자 하는 자산의 과거 가격 데이터 및 자산과 연관된 입력 데이터는 차원(데이터 종류)으로 구성되고, 입력 데이터의 개수는 시계열 데이터의 길이를 나타낼 수 있다.
여기서, 입력 데이터는 예측하고자 하는 여러 자산들의 가격을 특정한 방법론에 따라 재산정한 인덱스 프라이스(Index Price)로 한정하며, 종류는 방법론 및 자산들의 종류, 특성에 따라 매우 다양하지만, 대표적인 인덱스인 KOSPI(국내), S&P500(미국), EMBI(각 국가)로 한정될 수 있다. 대표적인 인덱스들은 많은 자산운용사 및 자금운용기관들이 운용을 할 때, 참고하는 지표로 영향력이 상당하여 예측하는데 큰 효용이 있다. 예를 들어, 인덱스를 추종하는 상품인 ETF의 경우, 가격을 직접 예측하여 투자하는 전략 및 인덱스 관련 선물 옵션 투자 전략 등에 응용될 수 있다.
예를 들어, 자산이 채권인 경우, 수집부(110)는 채권발행국가의 경제 상황을 파악할 수 있는 지표들 및 전세계 경제에 영향을 미치는 미국의 경제지표를 입력 데이터로 수집할 수 있다. 입력 데이터는 예를 들어, 소매 판매, 산업 생산, MoneySupplyM3, CSIICMEA Index, Moody's Seasoned Baa Corporate Bond Yield, Wholesale Trade Sales, Unemployment Rate, Retail Sales Advance 등을 포함할 수 있으며, 채권발행국가를 고려하여 전산상 얻을 수 있는 모든 데이터들을 포함할 수 있다.
다른 예를 들어, 자산이 주식인 경우, 수집부(110)는 해당주식발행 국가의 경제상황을 알 수 있는 지표들과 미국경제지표 및 주식에 대한 지표(SMB, HML, RMW, CMA, RF), 투자지표(PE Ratio, dividend_yield, market_capital ratio) 등을 입력 데이터로 수집할 수 있다.
이러한 자산과 관련하여 수집된 입력 데이터에 대해서는 도 2 및 도 3을 통해 상세히 설명하도록 한다.
도 2 및 도 3은 본 발명의 일 실시예에 따른 자산의 가격 예측을 하기 위한 시뮬레이션 조건 및 조건에 따라 수집된 과거 가격 데이터 및 입력 데이터를 도시한 예시적인 도면이다.
도 2는 본 발명의 일 실시예에 따른 가격 예측을 하기 위한 시뮬레이션 조건을 도시한 예시적인 도면이다. 도 2를 참조하면, 시뮬레이션 조건은 대상국가(200), 예측 일자(201), 입력 데이터 수(202), 기준일(203), 예측운용기간(204), MAP SPEC(205), 변수(206), 최소값(207), 간격(208), 경우의 수(209), 최대값(210) 등을 포함할 수 있다.
예를 들어, 시뮬레이션 조건은 관리자에 의해 채권을 발행하는 대상국가(200): '남아공', 예측 일자(201): '2017/06/01~30(영업일: 22일)', 입력 데이터 수(202): '239개', 기준일(203, 이하 상세한 설명 내에서 'T'로 표현): '2017/04/27', 예측운용기간(204, 이하 상세한 설명 내에서 'K'로 표현): '24일'로 설정받을 수 있다. 여기서, 기준일(203)은 과거의 특정 시점을 의미할 수 있고, 예측운용기간(204)은 자산의 예측 가격 데이터에 대해 기준일(203)을 기준으로 하여 예측하려는 기간을 의미할 수 있다. 예를 들어, 기준일(203)이 2017/04/27이고, 예측운용기간(204)이 '24일'로 설정된 경우, 2017/04/27로부터 24일이 경과한 일자에 해당하는 자산의 가격이 예측될 수 있다.
또한, 시뮬레이션 조건은 관리자에 의해 채권의 가격을 예측하기 위해 필요한 이미지 맵에 대한 조건을 설정받을 수 있다. 예를 들어, 시뮬레이션 조건은 이미지 맵에 대해 변화를 줄 수 있도록 하는 조합인 MAP SPEC(205): '8*40', 이미지 맵의 변수(206): 'M과 N', 최소값(207): 'M-40일, N-50일', 간격(208): 'M-25일, N-13일', 경우의 수(209): 'M-8, N-40', 최대값(210): 'M-215일, N-557일'로 설정받을 수 있다.
여기서, 'M'은 추후에 이용될 제 1 예측 모듈에 해당하는 TREE 모듈에 피팅할 시계열 길이로, 과거의 얼마 동안의 정보를 트리에 피팅할 것인가를 의미하는 제 1 기간값일 수 있다. 또한, 'N'은 특정일을 기준으로, TREE 모듈에 피팅하는 경우, 과거 가격 데이터를 표현할 기간변화율의 기간으로, 과거의 얼마 동안의 기간변화율로 과거일로부터 특정일에 해당하는 시점까지의 변화율을 표현할 것인가를 의미하는 제 2 기간값일 수 있다.
도 3은 본 발명의 일 실시예에 따라 수집된 입력 데이터를 도시한 예시적인 도면이다. 도 3을 참조하면, 수집부(110)는 17/01/27~17/03/24까지의 예측하고자 하는 자산(예를 들어, 채권)과 관련된 입력 데이터(220)를 수집하고, 17/02/15~17/04/27까지의 예측하고자 하는 자산(예를 들어, 채권)의 과거 가격 데이터(221)를 수집할 수 있다.
다시 도 1로 돌아와서, 제 1 예측부(120)는 제 1 예측 모듈을 통해 예측 가격 데이터를 예측할 수 있다. 제 1 예측 모듈을 통해 예측 가격 데이터를 예측하는 과정에 대해서는 도 4 내지 6을 통해 상세히 설명하도록 한다.
도 4 내지 도 6은 본 발명의 일 실시예에 따른 제 1 예측 모듈을 이용하여예측 가격 데이터를 예측하는 과정을 설명하기 위한 예시적인 도면이다.
도 4는 본 발명의 일 실시예에 따른 기준일 및 예측운용기간에 기초하여 제 1 기간값 및 제 2 기간값이 설정되는 과정을 설명하기 위한 예시적인 도면이다. 도 4를 참조하면, 제 1 예측부(120)는 기준일(T, 300) 및 예측운용기간(K=24)을 설정받을 수 있다. 여기서, 기준일(T, 300)은 과거의 특정 시점으로 설정되고, 제 1 기간값(302)은 기준일(T, 300)로부터 예측운용기간(K=24)을 뺀 시점(T-24)을 기준으로 하여 설정되고, 제 2 기간값(303)은 기준일(T, 300)을 기준으로 하여 설정될 수 있다.
도 4를 참조하면, 제 1 기간값(302)은 기준일(T, 2017/04/27, 300)로부터 예측운용기간(K=24)을 뺀 시점(T-24, 2017/03/24)과 기준일(T, 2017/04/27, 300)에서 예측운용기간(K=24)이 빠진 시점(T-24, 2017/03/24)으로부터 기설정된 최소값(40일)이 반영된 시점(T-64, 2017/01/27) 사이의 기간을 의미하고, 제 2 기간값(303)은 기준일(T, 2017/04/27, 300)과 기설정된 최소값(50일)에 대응하는 시점(T-50, 2017/02/16) 사이의 기간을 의미할 수 있다.
도 5는 본 발명의 일 실시예에 따른 제 1 예측 모듈을 도시한 예시적인 도면이다. 도 5를 참조하면, 제 1 예측 모듈은 TREE 모듈일 수 있다. TREE 모듈은 많은 입력 데이터들을 빠르고 정확하게 분류할 수 있는 모델로, 과거 데이터를 분류 및 피팅하는데 강점이 있다. 여기서, TREE 모듈을 이용하여 미래를 예측하는 경우 별도의 변수 조정이 필요하다.
제 1 예측 모듈로 TREE 모듈을 사용하는 이유는, TREE 모듈은 수 많은 차원의 입력 데이터의 차원(데이터의 특징)들을 빠르게 분류할 수 있고, TREE 모듈의 각 노드들의 임의의 임계값으로 분류하는데 있어 각 차원들의 중요도를 측정할 수 있으며, 이를 통해, 입력 데이터의 차원들에 대한 설명력을 확보할 수 있고, 적절한 입력 데이터와 과거 가격 데이터를 사용할 경우, 정확도를 높일 수 있기 때문이다.
도 4 및 도 5를 참조하면, 제 1 예측부(120)는 수집된 입력 데이터 중 제 1 기간값(302)에 해당하는 입력 데이터 및 수집된 과거 가격 데이터 중 제 2 기간값(303)에 해당하는 과거 가격 데이터를 제 1 예측 모듈에 입력하고, 제 1 예측 모듈을 통해 예측 가격 데이터를 예측할 수 있다. 또한, 제 1 예측부(120)는 제 2 기간값(303)에 해당하는 과거 가격 데이터의 기간변화율값을 제 1 예측 모듈에 입력할 수 있다.
여기서, 제 1 예측부(120)는 입력 데이터와 과거 가격 데이터 간의 예측운용기간(K=24)의 시계열 길이만큼의 차이를 두어 피팅할 수 있다. 예를 들어, 제 1 예측부(120)는 기준일(T, 300)에서 예측운용기간(K=24)을 뺀 시점(T-24)으로부터 제 1 기간(302)값이 반영된 시점(T-64)까지의 입력 데이터 및 제 2 기간값(303)이 반영된 시점(T-50)부터 기준일(T, 300)까지의 과거 가격 데이터를 피팅하여 TREE 모듈에 입력함으로써, T+1부터 T+24(301)까지의 예측 가격 데이터를 예측할 수 있다.
제 1 예측부(120)는 기준일(T, 300) 이후 일자(T+1) 및 기준일(T, 300)에 예측운용기간(K=24)을 더한 시점(T+24, 301) 간의 기간에 해당하는 예측 가격 데이터를 예측할 수 있다. 예를 들어, 기준일(T, 300)에 대해 예측운용기간(K)이 24일로 설정된 경우, 기준일(T, 300)에 예측운용기간(K=24)을 더한 시점(T+24, 301)까지의 인덱스 프라이스에 해당하는 예측 가격 데이터를 예측할 수 있도록, 기준일(T, 300)까지의 입력 데이터에 기초하여 기준일(T, 300)에 예측운용기간(K=24)을 더한 시점(T+24, 301)에 해당하는 예측 가격 데이터가 예측되도록 이를 목표로 하여 설명력을 갖도록 할 수 있다. 여기서, 제 1 예측 모듈(TREE 모듈)로 입력 데이터를 분류하는 각 노드의 임계값들은 관리자에 의해 설정될 수 있다.
또한, 기준일(T, 300)과 예측운용기간(K=24)은 관리자에 의해 임의로 설정될 수 있다. 예측운용기간이 24일로 주로 설정되는 이유는 1개월에서 주말을 제외한 최대 영업일수가 24일이며, 보통 1개월 단위의 운용기간변경으로 전략을 운용하는 경우가 많기 때문이다.
다른 예를 들어, 제 1 예측부(120)는 과거 가격 데이터 대신 가격변화율 값을 제 1 예측 모듈에 입력하여 예측 가격변화율값을 예측할 수도 있다.
도 6을 참조하면, 제 1 예측부(120)는 '기준일(T, 2017/04/27, 322)'로부터 '기준일(T, 2017/04/27, 322)에 예측운용기간(K=24)을 더한 시점(T+24, 2017/05/31, 331)' 간의 기간에 해당하는 예측 가격 데이터(311)를 예측할 수 있다. 예를 들어, 제 1 예측부(120)는 'T-24(321)~T(322)'시점에 해당하는 입력 데이터(310)를 제 1 예측 모듈인 TREE 모듈에 입력하여, 'T+1~T+24'에 해당하는 '2017/04/28~2017/05/31'(331) 기간에 해당하는 예측 가격 데이터(311)를 예측할 수 있다.
도출부(130)는 제 1 예측부(120)를 통해 예측된 예측 가격 데이터 및 실제 가격 데이터 간의 비교값을 도출할 수 있다. 예를 들어, 도출부(130)는 예측 가격 데이터 및 예측운용기간에 해당하는 실제 가격 데이터 간의 차이값을 도출하고, 도출된 차이값에 대한 역수를 비교값으로 도출할 수 있다. 여기서, 비교값은 예측운용기간에 대한 평균값으로 도출될 수 있다. 또한, 도출부(130)는 제 1 예측부(120)를 통해 예측된 예측 가격 데이터의 기간변화율값 및 실제 가격 데이터의 기간변화율값 간의 비교값을 도출할 수 있다. 비교값을 도출하는 과정에 대해서는 도 7을 통해 상세히 설명하도록 한다.
도 7은 본 발명의 일 실시예에 따른 예측 가격 데이터의 기간변화율값 및 실제 가격 데이터의 기간변화율값 간의 비교값을 도출하는 과정을 설명하기 위한 예시적인 도면이다. 도 7을 참조하면, 도출부(130)는 예측 가격 데이터(410)의 기간변화율값 및 예측운용기간에 해당하는 실제 가격 데이터(400) 의 기간변화율값 간의 차이값을 도출하고, 도출된 차이값에 대한 역수를 비교값(420)으로서 도출할 수 있다. 여기서, 비교값(420)은 예측운용기간에 대한 평균값으로 도출될 수 있으며, 다음의 수학식 1과 같이 구성될 수 있다.
Figure PCTKR2019016212-appb-img-000001
수학식 1을 참조하면, K는 예측운용기간을 의미하고, T는 과거의 특정 시점을 나타내는 기준일을 의미하고, (
Figure PCTKR2019016212-appb-img-000002
)은 해당 기간의 예측 가격 데이터와 실제 가격 데이터 간의 차이값을 의미한다.
이에 따르면, 기준일에서의 비교값(Z T, 420)은 T+1 ~ T+K 기간(예측운용기간)에서 비교값들의 평균값일 수 있다. 즉, 기준일에서의 비교값(Z T, 420)은 T+1 ~ T+K 기간에서의 예측 가격 데이터(410) 및 실제 가격 데이터(400)를 비교하여 도출할 수 있다. 따라서, T+K까지만 실제 가격 데이터(400)가 존재하는 경우(예를 들어, T+24가 현재시점인 경우) T+1 ~ T+K 기간(예측운용기간)에서 비교값들의 평균값으로 도출되는 비교값(Z, 420)은 T(기준일)까지 도출될 수 있다.
여기서, 비교값(Z, 420)는 'M(제 1 기간값)*N(제 2 기간값)'의 조합으로 제 1 예측 모듈(TREE 모듈)에 적용한 예측 가격 데이터(410)와 실제 가격 데이터(400) 간의 차이를 나타내는 Cost(Z)의 역수로, 상위 비교값(Z)은 제 1 예측 모듈(TREE 모듈)의 성능이 좋았던 제 1 기간값, 제 2 기간값의 [M, N]의 좌표를 나타내며, 특정 시점에 해당 [M, N]의 조합을 제 1 예측 모듈(TREE 모듈)에 적용하면, 정확도 높은 예측 가격 데이터를 얻을 수 있다는 장점을 갖는다.
생성부(140)는 제 1 기간값, 상기 제 2 기간값 및 비교값에 기초하여 이미지 맵을 생성할 수 있다. 만약, 생성부(140)가 T+1에 해당하는 이미지 맵을 생성하기 위해서는 T+25까지에 해당하는 과거 가격 데이터를 알아야하지만, 예측운용기간을 24일로 설정한 경우 T+24까지만의 과거 가격 데이터를 알고 있으므로, T+1의 에 해당하는 이미지 맵을 생성할 수 없다. 따라서, 이미지 맵은 기준일(T)까지 생성될 수 있다.
생성부(140)는 제 1 기간값, 제 2 기간값 및 비교값에 기초하여 적어도 하나의 제 1 차 이미지 맵을 생성하고, 생성된 제 1 차 이미지 맵을 시간 순으로 쌓도록 가공하여 제 2 차 이미지 맵을 생성할 수 있다. 예를 들어, 이미지 맵은 다차원의 공간 데이터를 포함할 수 있으며, 구체적으로, 제 1 차 이미지 맵은 2차원 이미지이고, 제 2 차 이미지 맵은 3차원 이미지일 수 있다.
예를 들어, 생성부(140)는 제 1 기간값(M), 제 2 기간값(N), 비교값(Z)에 기초하여 제 1 차 이미지 맵을 생성할 수 있다. 이 때, 생성부(140)는 이를 반복적으로 수행하여 획득한 비교값(Z)의 정보를 포함하는 제 1 차 이미지 맵을 복수개로 생성하고, 생성된 복수개의 제 1 차 이미지 맵을 시간 순으로 쌓도록 가공하여 제 2 차 이미지 맵을 생성할 수 있다.
제 2 예측부(150)는 생성된 이미지 맵을 제 2 예측 모듈에 입력하여 예측 이미지 가격 데이터에 대해 학습시키고, 제 2 예측 모듈을 통해 예측하고자 하는 특정 시점의 이전에 해당하는 이미지 맵을 예측할 수 있다. 맵을 생성하여 특정 시점의 이전에 해당하는 이미지 맵을 예측하는 과정에 대해서는 도 8을 통해 상세히 설명하도록 한다.
도 8은 본 발명의 일 실시예에 따른 생성된 이미지 맵을 이용하여 특정시점의 이전에 해당하는 이미지 맵을 예측하는 과정을 설명하기 위한 예시적인 도면이다.
제 2 예측부(150)는 생성된 이미지 맵(503)을 제 2 예측 모듈에 입력하여 예측 가격 데이터에 대해 학습시킬 수 있다. 여기서, 제 2 예측 모듈은 학습 정확도가 높이 이미지 학습에 주로 이용되는 CNN(Convolution Neural Network, 501)가 이용될 수 있다.
제 2 예측 모듈로 CNN(501)을 사용하는 이유는, CNN(501)은 이미지 특징 추출 및 분류 문제에 탁월한 정확도를 보이는 네트워크로, 이 네트워크 원리를 이용하여 제 1 기간값(M)과 제 2 기간값(N)의 조합을 통해 나온 숫자인 비교값(Z) 중 높은 비교값(Z, 특징)을 추출할 수 있다. 이를 통해, 추출된 높은 비교값(Z)에 해당하는 제 1 기간값(M)과 제 2 기간값(N)의 조합을 TREE 모듈을 이용하는 제 1 예측 모듈에 적용함으로써, TREE 모듈의 예측 정확도가 높아지도록 할 수 있다.
CNN(501)이 아닌 다른 딥러닝 모델을 사용하는 경우, 수많은 차원(거시경제지표인 입력 데이터의 약 300개의 차원)을 입력으로 자산을 예측하려면, 300개의 차원의 기하급수배의 데이터양이 필요하지만, 금융시계열 데이터는 짧다(1년 250일->250개의 길이)는 한계를 가지고 있다. 또한 수 많은 입력데이터 차원을 각 신경망 노드에 입력시켜 학습을 하는 경우, 비선형 관계를 찾기 쉽지 않다.
그러나 CNN(501)을 이용하는 경우, 컨볼루션(convolution)의 커널 사이즈(kernel size)와 필터(filter) 수만큼의 파라미터만 학습시키면 되므로, 학습시에 유리하며, TREE 모듈인 제 1 예측 모듈의 주요 변수를 찾는데 도움을 주는 간접적인 역할을 하기 때문에 예측이 실패할 경우에도 타격을 적게 받을 수 있기 때문이다.
제 2 예측부(150)는 제 2 예측 모듈을 통해 기준일로부터 예측운용기간이 지난 시점에 해당하는 이미지 맵(502)을 예측할 수 있다. 예를 들어, 기준일이 'T'이고, 예측운용기간이 '24일'로 설정된 경우, 제 2 예측부(150)는 기준일(T) 이전에 생성된 제 2 차 이미지 맵(503)을 이용하여 예측운용기간(K=24) 이후를 예측하기 위해 제 2 예측 모듈(CNN, 501)을 이용하여 이미지 학습을 수행하고, 제 2 예측 모듈(CNN, 501)의 이미지 학습을 통해 T+K 시점(T+24)의 이미지 맵(502)을 예측할 수 있다.
제 2 예측부(150)는 자산의 가격 예측을 위해 가격 예측 시작일 직전의 이미지 맵(503)을 이용하여 예측 가격 데이터에 대해 학습시킬 수 있다. 이미지 맵(503)은 제 1 기간값(M)과 제 2 기간값(N)의 좌표쌍 및 해당 좌표쌍에 대응하는 비교값(Z값)으로 구성될 수 있다. 이미지 맵(503)은 어떤 제 1 기간값(M)과 제 2 기간값(N)의 좌표가 좋은 비교값(Z)을 가지고 있는지를 파악할 수 있도록 하며, 가격예측시작일(T+24)을 기준으로 예측운용기간의 시계열 길이만큼을 뺀 일자(T+24-예측운용기간)까지만 생성될 수 있다.
이 때, 실제의 (T+24) 시점의 이미지 맵(502)은 파악할 수 없으므로, 제 2 예측 모듈(CNN, 501)을 통해 시간적/공간적(SPATIO-TEMPORAL) 요소를 고려하여 (T+24- 예측운용기간)일자까지의 이미지 맵(503)으로 학습된 뒤, T+24 시점의 이미지 맵(502)을 예측할 수 있도록 학습시킬 수 있다.
예를 들어, 오늘이 T+24(2017.05.31)인 경우, 운용기간 24일을 기준으로 미래 기간에 해당하는 T+25~5+48(2017.0601~2017.06.30)까지의 가격을 예측하기 위해서는 T+24 시점에서의 이미지 맵(502)이 필요하며, 해당 시점의 이미지 맵(502)은 기준일(T)까지 생성된 이미지 맵들(503)로 학습된 제 2 예측 모듈(CNN, 501)을 통해 예측할 수 있다.
이후, 제 1 예측부(120)는 예측된 이미지 맵(502)에 기초하여 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측할 수 있다. 예를 들어, 제 1 예측부(120)는 예측된 이미지 맵(502)으로부터 기설정된 임계값 이상에 해당하는 적어도 하나의 비교값을 추출하고, 추출된 비교값에 대응하는 하나의 제 1 기간값 및 제 2 기간값을 도출할 수 있다.
다시 말해, 본원 발명은 제 1 예측부 및 제 2 예측부를 통해 예측 가격 데이터를 도출하기 위한 최적의 (M, N, Z) 파라미터를 추출할 수 있다.
제 1 예측부(120)는 도출된 제 1 기간값(M) 및 제 2 기간값(N)을 제 1 예측 모듈에 입력하여 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측할 수 있다. 또는, 제 1 예측부(120)는 제 2 기간값에 기초하여 도출된 과거 가격 데이터의 기간변화율값을 제 1 예측 모듈에 피팅하여 입력하고, 예측하고자 하는 특정 시점에 대한 예측 기간변화율값 또는 최종 예측기간변화율값을 예측할 수 있다. 예측된 특정 시점에 대한 최종 예측 가격 데이터에 대해서는 도 9를 통해 상세히 설명하도록 한다.
도 9는 본 발명의 일 실시예에 따른 예측된 최종 예측 가격 데이터를 도시한 예시적인 도면이다. 도 9를 참조하면, 제 1 예측부(120)는 제 2 예측 모듈을 통해 예측된 이미지 맵을 이용하여 상위 20%에 해당하는 비교값(Z)을 추출하고, 추출된 비교값(Z)에 해당하는 (M.N) 조합을 제 1 예측 모듈(TREE 모듈)에 다시 계량적 입력 데이터로 피팅하고, 최종적으로 예측된 가격들을 하드보팅(hardvoting) 방법으로 앙상블(ensemble)된 값을 이용할 수 있다.
예를 들어, 제 2 예측부(150)에서 기준일(T) 이전에 생성된 이미지 맵을 예측 가격 데이터에 대해 학습을 시킨 뒤, 기준일(T)에 해당하는 이미지 맵을 입력으로 하여 기준일(T)로부터 예측운용기간(K=24)이 지난 시점(T+24)에 해당하는 이미지 맵을 예측할 수 있다.
여기서, 제 1 예측부(120)는 예측된 이미지 맵의 상위 q%(q는 관리자에 의해 지정됨. 예를 들어, 5%)에 해당하는 비교값(Z)을 추출하고, 추출된 비교값(Z)에 해당되는 제 1 기간값(M)과 제 2 기간값(N)의 조합을 도출할 수 있다. 이 때, 추출된 제 1 기간값(M)과 제 2 기간값(N)의 조합에 따라 제 1 예측 모듈(TREE 모듈)로 피팅하여 입력하고, 최종적으로 제 1 기간값(M)과 제 2 기간값(N)의 조합의 경우의 수만큼 예측된 예측치의 평균값을 이용하여 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측할 수 있다. 예를 들어, 예측치의 평균값은 MAP (M=8, N=40, 총 M과 N의 조합의 수=320(8*40), 상위 5%=16개(320*0.05)와 같이 구성될 수 있다.
도 9를 참조하면, 제 1 예측부(120)는 총 16개의 제 1 기간값(M)과 제 2 기간값(N)의 조합으로 제 1 예측 모듈에 피팅하여 입력하여 최종 예측 가격 데이터를 예측할 수 있다. 예를 들어, 제 1 예측부(120)는 제 1 예측 모듈(TREE 모듈)에 피팅하여 입력하고, 예측(=16개 TREE 모듈을 통해 도출된 앙상블)한 것들의 평균값(hardvoting)을 이용한 결과를 통해 최종 예측 가격 데이터를 예측할 수 있다.
이러한 가격 예측 장치(100)는 가격을 예측하는 명령어들의 시퀀스를 포함하는 매체에 저장된 컴퓨터 프로그램에 의해 실행될 수 있다. 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우, 예측하고자 하는 자산의 과거 가격 데이터 및 자산과 연관된 입력 데이터를 수집하고, 수집된 입력 데이터 중 제 1 기간값에 해당하는 입력 데이터 및 수집된 과거 가격 데이터 중 제 2 기간값에 해당하는 과거 가격 데이터를 제 1 예측 모듈에 입력하고, 제 1 예측 모듈을 통해 예측 가격 데이터를 예측하고, 예측된 예측 가격 데이터 및 실제 가격 데이터 간의 비교값을 도출하고, 제 1 기간값, 상기 제 2 기간값 및 비교값에 기초하여 이미지 맵을 생성하고, 생성된 이미지 맵을 제 2 예측 모듈에 입력하여 예측 가격 데이터에 대해 학습시키고, 제 2 예측 모듈을 통해 예측하고자 하는 특정 시점의 이전에 해당하는 이미지 맵을 예측하고, 예측된 이미지 맵에 기초하여 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측하도록 하는 명령어들의 시퀀스를 포함하는 매체에 저장된 컴퓨터 프로그램을 제공할 수 있다.
도 10은 본 발명의 일 실시예에 따른 가격 예측 장치에서 자산의 가격을 예측하는 방법의 순서도이다. 도 10에 도시된 가격 예측 장치(100)에서 자산의 가격을 예측하는 방법은 도 1 내지 도 9에 도시된 실시예에 따라 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 도 1 내지 도 9에 도시된 실시에에 따른 가격 예측 장치(100)에서 자산의 가격을 예측하는 방법에도 적용된다.
단계 S710에서 가격 예측 장치(100)는 예측하고자 하는 자산의 과거 가격 데이터 및 자산과 연관된 입력 데이터를 수집할 수 있다.
단계 S720에서 가격 예측 장치(100)는 수집된 입력 데이터 중 제 1 기간값에 해당하는 입력 데이터 및 수집된 과거 가격 데이터 중 제 2 기간값에 해당하는 과거 가격 데이터를 제 1 예측 모듈에 입력할 수 있다.
단계 S730에서 가격 예측 장치(100)는 제 1 예측 모듈을 통해 예측 가격 데이터를 예측할 수 있다.
단계 S740에서 가격 예측 장치(100)는 예측된 예측 가격 데이터 및 실제 가격 데이터 간의 비교값을 도출할 수 있다.
단계 S750에서 가격 예측 장치(100)는 제 1 기간값, 상기 제 2 기간값 및 비교값에 기초하여 이미지 맵을 생성할 수 있다.
단계 S760에서 가격 예측 장치(100)는 생성된 이미지 맵을 제 2 예측 모듈에 입력하여 예측 가격 데이터에 대해 학습시킬 수 있다.
단계 S770에서 가격 예측 장치(100)는 제 2 예측 모듈을 통해 예측하고자 하는 특정 시점의 이전에 해당하는 이미지 맵을 예측할 수 있다.
단계 S780에서 가격 예측 장치(100)는 예측된 이미지 맵에 기초하여 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측할 수 있다.
상술한 설명에서, 단계 S710 내지 S780은 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 전환될 수도 있다.
도 1 내지 도 10을 통해 설명된 가격 예측 장치에서 자산의 가격을 예측하는 방법은 컴퓨터에 의해 실행되는 매체에 저장된 컴퓨터 프로그램 또는 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 또한, 도 1 내지 도 10을 통해 설명된 가격 예측 장치에서 자산의 가격을 예측하는 방법은 컴퓨터에 의해 실행되는 매체에 저장된 컴퓨터 프로그램의 형태로도 구현될 수 있다.
컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (19)

  1. 인공 지능에 기초하여 자산의 가격을 예측하는 장치에 있어서,
    예측하고자 하는 자산의 과거 가격 데이터 및 상기 자산과 연관된 입력 데이터를 수집하는 수집부;
    상기 수집된 입력 데이터 중 제 1 기간값에 해당하는 입력 데이터 및 상기 수집된 과거 가격 데이터 중 제 2 기간값에 해당하는 상기 과거 가격 데이터를 제 1 예측 모듈에 입력하고, 상기 제 1 예측 모듈을 통해 예측 가격 데이터를 예측하는 제 1 예측부;
    상기 제 1 예측부를 통해 예측된 예측 가격 데이터 및 실제 가격 데이터 간의 비교값을 도출하는 도출부;
    상기 제 1 기간값, 상기 제 2 기간값 및 상기 비교값에 기초하여 이미지 맵을 생성하는 생성부; 및
    상기 생성된 이미지 맵을 제 2 예측 모듈에 입력하여 상기 예측 가격 데이터에 대해 학습시키고, 상기 제 2 예측 모듈을 통해 예측하고자 하는 특정 시점의 이전에 해당하는 이미지 맵을 예측하는 제 2 예측부를 포함하고,
    상기 제 1 예측부는 상기 예측된 이미지 맵에 기초하여 상기 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측하는 것인, 가격 예측 장치.
  2. 제 1 항에 있어서,
    상기 제 1 예측부는 상기 제 2 기간값에 기초하여 도출된 상기 과거 가격 데이터의 기간변화율값을 상기 제 1 예측 모듈에 피팅하여 입력하고,
    상기 예측하고자 하는 특정 시점에 대한 예측 가격변화율값 또는 최종 예측 기간변화율값을 예측하는 것인, 가격 예측 장치
  3. 제 1 항에 있어서,
    상기 제 1 예측부는 기준일 및 예측운용기간을 설정받고,
    상기 제 1 기간값은 상기 기준일로부터 상기 예측운용기간을 뺀 시점을 기준으로 하여 설정되고,
    상기 제 2 기간값은 상기 기준일을 기준으로 하여 설정되는 것인, 가격 예측 장치.
  4. 제 3 항에 있어서,
    상기 제 1 예측부는 상기 기준일 및 상기 기준일에 상기 예측운용기간을 더한 시점 간의 기간에 해당하는 예측 가격 데이터를 예측하는 것인, 가격 예측 장치.
  5. 제 4 항에 있어서,
    상기 도출부는 상기 예측 가격 데이터 및 상기 예측운용기간에 해당하는 상기 실제 가격 데이터 간의 차이값을 도출하고, 상기 도출된 차이값에 대한 역수를 상기 비교값으로서 도출하는 것인, 가격 예측 장치.
  6. 제 3 항에 있어서,
    상기 비교값은 상기 예측운용기간에 대한 평균값으로 도출되는 것인, 가격 예측 장치.
  7. 제 4 항에 있어서,
    상기 생성부는 상기 제 1 기간값, 상기 제 2 기간값 및 상기 비교값에 기초하여 적어도 하나의 제 1 차 이미지 맵을 생성하고, 상기 생성된 제 1 차 이미지 맵을 시간 순으로 쌓도록 가공하여 제 2 차 이미지 맵을 생성하는 것인, 가격 예측 장치.
  8. 제 7 항에 있어서,
    상기 제 1 차 이미지 맵은 2차원 이미지이고, 제 2 차 이미지 맵은 3차원 이미지인 것인, 가격 예측 장치.
  9. 제 7 항에 있어서,
    상기 제 2 예측부는 상기 생성된 제 2 차 이미지 맵을 상기 제 2 예측 모듈에 입력하여 상기 예측 가격 데이터의 이미지 맵에 대해 학습시키고, 상기 제 2 예측 모듈을 통해 상기 기준일로부터 상기 예측운용기간이 지난 시점에 해당하는 이미지 맵을 예측하는 것인, 가격 예측 장치.
  10. 제 9 항에 있어서,
    상기 제 1 예측부는 상기 예측된 이미지 맵으로부터 기설정된 임계값 이상에 해당하는 적어도 하나의 비교값을 추출하고, 상기 추출된 비교값에 대응하는 하나의 제 1 기간값 및 제 2 기간값을 도출하는 것인, 가격 예측 장치.
  11. 제 10 항에 있어서,
    상기 제 1 예측부는 상기 도출된 제 1 기간값 및 제 2 기간값을 상기 제 1 예측 모듈에 입력하여 상기 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측하는 것인, 가격 예측 장치.
  12. 인공 지능에 기초하여 자산의 가격을 예측하는 방법에 있어서,
    예측하고자 하는 자산의 과거 가격 데이터 및 상기 자산과 연관된 입력 데이터를 수집하는 단계;
    상기 수집된 입력 데이터 중 제 1 기간값에 해당하는 입력 데이터 및 상기 수집된 과거 가격 데이터 중 제 2 기간값에 해당하는 상기 과거 가격 데이터를 제 1 예측 모듈에 입력하는 단계;
    상기 제 1 예측 모듈을 통해 예측 가격 데이터를 예측하는 단계;
    상기 예측된 예측 가격 데이터 및 실제 가격 데이터 간의 비교값을 도출하는 단계;
    상기 제 1 기간값, 상기 제 2 기간값 및 상기 비교값에 기초하여 이미지 맵을 생성하는 단계;
    상기 생성된 이미지 맵을 제 2 예측 모듈에 입력하여 상기 예측 가격 데이터에 대해 학습시키는 단계;
    상기 제 2 예측 모듈을 통해 예측하고자 하는 특정 시점의 이전에 해당하는 이미지 맵을 예측하는 단계; 및
    상기 예측된 이미지 맵에 기초하여 상기 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측하는 단계
    를 포함하는 것인, 가격 예측 방법.
  13. 제 12 항에 있어서,
    기준일 및 예측운용기간을 설정받는 단계
    를 더 포함하고,
    상기 제 1 기간값은 상기 기준일로부터 상기 예측운용기간을 뺀 시점을 기준으로 하여 설정되고,
    상기 제 2 기간값은 상기 기준일을 기준으로 하여 설정되는 것인, 가격 예측 방법.
  14. 제 13 항에 있어서,
    상기 예측 가격 데이터를 예측하는 단계는,
    상기 기준일 및 상기 기준일에 상기 예측운용기간을 더한 시점 간의 기간에 해당하는 예측 가격 데이터를 예측하는 것인, 가격 예측 방법.
  15. 제 14 항에 있어서,
    상기 제 1 기간값, 상기 제 2 기간값 및 상기 비교값에 기초하여 적어도 하나의 제 1 차 이미지 맵을 생성하는 단계; 및
    상기 생성된 제 1 차 이미지 맵을 시간 순으로 쌓도록 가공하여 제 2 차 이미지 맵을 생성하는 단계
    를 더 포함하는 것인, 가격 예측 방법.
  16. 제 15 항에 있어서,
    상기 생성된 제 2 차 이미지 맵을 상기 제 2 예측 모듈에 입력하여 상기 예측 가격 데이터의 이미지 맵에 대해 학습시키는 단계; 및
    상기 제 2 예측 모듈을 통해 상기 기준일로부터 상기 예측운용기간이 지난 시점에 해당하는 이미지 맵을 예측하는 단계
    를 더 포함하는 것인, 가격 예측 방법.
  17. 제 16 항에 있어서,
    상기 예측된 이미지 맵으로부터 기설정된 임계값 이상에 해당하는 적어도 하나의 비교값을 추출하는 단계; 및
    상기 추출된 비교값에 대응하는 하나의 제 1 기간값 및 제 2 기간값을 도출하는 단계
    를 더 포함하는 것인, 가격 예측 방법.
  18. 제 17 항에 있어서,
    상기 도출된 제 1 기간값 및 제 2 기간값을 상기 제 1 예측 모듈에 입력하여 상기 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측하는 단계
    를 더 포함하는 것인, 가격 예측 방법.
  19. 인공 지능에 기초하여 가격을 예측하는 명령어들의 시퀀스를 포함하는 매체에 저장된 컴퓨터 프로그램에 있어서,
    상기 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우,
    예측하고자 하는 자산의 과거 가격 데이터 및 상기 자산과 연관된 입력 데이터를 수집하고,
    상기 수집된 입력 데이터 중 제 1 기간값에 해당하는 입력 데이터 및 상기 수집된 과거 가격 데이터 중 제 2 기간값에 해당하는 상기 과거 가격 데이터를 제 1 예측 모듈에 입력하고,
    상기 제 1 예측 모듈을 통해 예측 가격 데이터를 예측하고,
    상기 예측된 예측 가격 데이터 및 실제 가격 데이터 간의 비교값을 도출하고,
    상기 제 1 기간값, 상기 제 2 기간값 및 상기 비교값에 기초하여 이미지 맵을 생성하고,
    상기 생성된 이미지 맵을 제 2 예측 모듈에 입력하여 상기 예측 가격 데이터에 대해 학습시키고,
    상기 제 2 예측 모듈을 통해 예측하고자 하는 특정 시점의 이전에 해당하는 이미지 맵을 예측하고,
    상기 예측된 이미지 맵에 기초하여 상기 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측하도록 하는 명령어들의 시퀀스를 포함하는, 매체에 저장된 컴퓨터 프로그램.
PCT/KR2019/016212 2019-07-04 2019-11-25 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램 WO2021002543A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2019-0080665 2019-07-04
KR1020190080665A KR102091417B1 (ko) 2019-07-04 2019-07-04 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램

Publications (1)

Publication Number Publication Date
WO2021002543A1 true WO2021002543A1 (ko) 2021-01-07

Family

ID=69958377

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/016212 WO2021002543A1 (ko) 2019-07-04 2019-11-25 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램

Country Status (2)

Country Link
KR (1) KR102091417B1 (ko)
WO (1) WO2021002543A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024005242A1 (ko) * 2022-07-01 2024-01-04 주식회사 투게더아트 미술품 거래 관련 데이터 처리 방법

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102458822B1 (ko) * 2020-05-13 2022-10-24 김동훈 증권사 보고서의 목표주가를 이용한 적정주가 제공 장치
KR102521399B1 (ko) * 2020-08-25 2023-04-14 (주)크래프트테크놀로지스 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램
KR102491607B1 (ko) * 2022-10-20 2023-01-27 이혜민 인공 지능 기반 미술 작품 가격 예측 방법 및 장치
CN115511545A (zh) * 2022-11-22 2022-12-23 山东财经大学 基于区块链的人工智能期货价格预测系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170061834A (ko) * 2015-11-27 2017-06-07 맹준영 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템 및 방법
KR101906214B1 (ko) * 2017-05-23 2018-10-10 주식회사 두물머리 컴퓨터를 이용한 펀드 추천 방법, 펀드 추천 서버 및 컴퓨터 판독가능 매체에 저장된 컴퓨터프로그램
KR20180117800A (ko) * 2017-04-20 2018-10-30 주식회사 비아이큐브 자산 포트폴리오 추천 방법
KR101954933B1 (ko) * 2018-07-06 2019-03-08 주식회사 한다파트너스 투자 포트폴리오를 구축하는 장치 및 방법
KR20190041891A (ko) * 2017-10-13 2019-04-23 유승재 인공지능을 활용한 부동산 전략 제공방법 및 그 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170061834A (ko) * 2015-11-27 2017-06-07 맹준영 앙상블 학습 기법에 기반한 부동산 가격 자동 평가 시스템 및 방법
KR20180117800A (ko) * 2017-04-20 2018-10-30 주식회사 비아이큐브 자산 포트폴리오 추천 방법
KR101906214B1 (ko) * 2017-05-23 2018-10-10 주식회사 두물머리 컴퓨터를 이용한 펀드 추천 방법, 펀드 추천 서버 및 컴퓨터 판독가능 매체에 저장된 컴퓨터프로그램
KR20190041891A (ko) * 2017-10-13 2019-04-23 유승재 인공지능을 활용한 부동산 전략 제공방법 및 그 시스템
KR101954933B1 (ko) * 2018-07-06 2019-03-08 주식회사 한다파트너스 투자 포트폴리오를 구축하는 장치 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024005242A1 (ko) * 2022-07-01 2024-01-04 주식회사 투게더아트 미술품 거래 관련 데이터 처리 방법

Also Published As

Publication number Publication date
KR102091417B1 (ko) 2020-03-20

Similar Documents

Publication Publication Date Title
WO2021002543A1 (ko) 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램
CN108648074B (zh) 基于支持向量机的贷款评估方法、装置及设备
CN104866831B (zh) 特征加权的人脸识别算法
CN102324038A (zh) 一种基于数字图像的植物种类识别方法
Tian et al. MANE: Model-agnostic non-linear explanations for deep learning model
CN110070115A (zh) 一种单像素攻击样本生成方法、装置、设备及存储介质
CN114612251A (zh) 风险评估方法、装置、设备及存储介质
CN110796513A (zh) 多任务学习方法、装置、电子设备及存储介质
CN111738856A (zh) 一种股票舆情投资决策分析方法及装置
CN110781970A (zh) 分类器的生成方法、装置、设备及存储介质
CN115422536A (zh) 基于云计算的数据处理方法及服务器
CN103177264B (zh) 基于视觉词典全局拓扑表达的图像分类方法
Wang et al. Siamese spectral attention with channel consistency for hyperspectral image classification
Akram et al. Assessing four decades of global research studies on stock market manipulations: a sceintometric analysis
Ładyżyński et al. Particle swarm intelligence tunning of fuzzy geometric protoforms for price patterns recognition and stock trading
CN116523301A (zh) 基于电商大数据进行风险评级预测的系统
CN109064578A (zh) 一种基于云服务的考勤系统及方法
Wang et al. An outlier detection algorithm based on the degree of sharpness and its applications on traffic big data preprocessing
KR20210063775A (ko) CNN(Convolution Neural Network)을 이용한 자산 가격 예측 장치
KR20180074218A (ko) 기술가치 평가 시스템
Guo et al. Pareto-frontier-aware neural architecture generation for diverse budgets
CN113407849A (zh) 一种粗排序的方法及装置
Cuiyi A model used in mutual funds performance evaluation based on SVM
CN111178292A (zh) 一种车型识别方法、装置及设备
Quan Stock prediction by searching similar candlestick charts

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19936215

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19936215

Country of ref document: EP

Kind code of ref document: A1