WO2022270959A1 - 집합형 투자 상품에 대한 맞춤형 투자 위험 분석 장치 및 방법 - Google Patents

집합형 투자 상품에 대한 맞춤형 투자 위험 분석 장치 및 방법 Download PDF

Info

Publication number
WO2022270959A1
WO2022270959A1 PCT/KR2022/008988 KR2022008988W WO2022270959A1 WO 2022270959 A1 WO2022270959 A1 WO 2022270959A1 KR 2022008988 W KR2022008988 W KR 2022008988W WO 2022270959 A1 WO2022270959 A1 WO 2022270959A1
Authority
WO
WIPO (PCT)
Prior art keywords
investment
investment risk
risk analysis
collective
variable element
Prior art date
Application number
PCT/KR2022/008988
Other languages
English (en)
French (fr)
Inventor
장장희
최재식
Original Assignee
주식회사 이노핀
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
Priority claimed from KR1020220044014A external-priority patent/KR20230000417A/ko
Application filed by 주식회사 이노핀 filed Critical 주식회사 이노핀
Publication of WO2022270959A1 publication Critical patent/WO2022270959A1/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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • 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

Definitions

  • the present invention relates to a customized investment risk analysis device and method for collective investment products.
  • An ETF investment product is a hybrid product that has the characteristics of a fund and the characteristics of a stock (distribution structure).
  • risk control for ETF investment products is characteristic of the domestic management industry as ETF investment products have the characteristics of funds, and risks are controlled based on the mid- to long-term investment prospects and models from the macro perspective of the target investment market.
  • risk control for conventional ETF investment products has problems such as uniformity of macro-based models and predictions.
  • an embodiment of the present invention is a data receiver for receiving time-series data related to a plurality of collective investment products from an external server, and the plurality of collective investments using the time-series data.
  • a common algorithm generation unit for generating a common algorithm for product investment risk analysis, a variable factor selection unit for selecting at least one variable factor for each of the plurality of collective investment products, the common algorithm and the plurality of collective investment products
  • a model generator generating an investment risk analysis model for each of the plurality of collective investment products by combining the at least one variable factor for each product; and the plurality of collective investment products using the investment risk analysis model. It is possible to provide an investment risk analysis device that includes an investment risk derivation unit for deriving the investment risk for each.
  • Another embodiment of the present invention receiving time series data related to a plurality of collective investment products from an external server, generating a common algorithm for investment risk analysis of the plurality of collective investment products using the time series data selecting at least one variable factor for each of the plurality of collective investment products; combining the common algorithm with the at least one variable factor for each of the plurality of collective investment products; Providing an investment risk analysis method comprising generating an investment risk analysis model for each investment product, and deriving an investment risk for each of the plurality of collective investment products using the investment risk analysis model. can do.
  • any one of the above-described problem solving means of the present invention by combining a common algorithm and at least one variable element for each of a plurality of collective investment products to generate an investment risk analysis model for each of a plurality of collective investment products , it is possible to conduct a customized investment risk analysis for each of a plurality of collective investment products.
  • FIG. 1 is a diagram schematically illustrating an investment risk analysis system according to an embodiment of the present invention.
  • FIG. 2 is a block diagram of an investment risk analysis apparatus according to an embodiment of the present invention.
  • FIG. 3 is an exemplary diagram illustrating a list of variable elements according to an embodiment of the present invention.
  • FIG. 4 is an exemplary diagram for explaining a variation range of a variable element value of each variable element according to an embodiment of the present invention.
  • FIG. 5 is an exemplary diagram showing simulation results for collective investment product A according to an embodiment of the present invention.
  • FIG. 6 is an exemplary diagram illustrating variable element values assigned to variable elements of each of a plurality of collective investment products according to an embodiment of the present invention.
  • FIG. 7 is a diagram for explaining a method of generating an investment risk analysis model according to an embodiment of the present invention.
  • FIG. 8 is a flowchart of a customized investment risk analysis method for collective investment products in the investment risk analysis apparatus according to an embodiment of the present invention.
  • a "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, and two or more units may be realized by one hardware.
  • some of the operations or functions described as being performed by a 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 in a terminal or device connected to the corresponding server.
  • FIG. 1 is a diagram schematically illustrating an investment risk analysis system according to an embodiment of the present invention.
  • an investment risk analysis system 1 may include an investment risk analysis device 100 , an external server 200 and a user terminal 300 .
  • the investment risk analysis device 100, external server 200, and user terminal 300 shown in FIG. 1 illustrate components that can be controlled by the investment risk analysis system 1 by way of example.
  • a network refers to a connection structure capable of exchanging information between nodes such as terminals and servers, such as a local area network (LAN), a wide area network (WAN), and the Internet.
  • LAN local area network
  • WAN wide area network
  • WWW World Wide Web
  • wired and wireless data communications networks telephone networks, and wired and wireless television communications networks.
  • wireless data communication networks examples include 3G, 4G, 5G, 3rd Generation Partnership Project (3GPP), Long Term Evolution (LTE), World Interoperability for Microwave Access (WIMAX), Wi-Fi, Bluetooth communication, infrared communication, ultrasonic communication, visible light communication (VLC: Visible Light Communication), LiFi, and the like, but are not limited thereto.
  • 3GPP 3rd Generation Partnership Project
  • LTE Long Term Evolution
  • WIMAX World Interoperability for Microwave Access
  • Wi-Fi Bluetooth communication
  • infrared communication ultrasonic communication
  • VLC Visible Light Communication
  • LiFi and the like, but are not limited thereto.
  • the investment risk analysis device 100 may analyze investment risk in a customized manner for each of a plurality of collective investment products.
  • the collective investment product is a product including a plurality of items, and may include, for example, an ETF investment product.
  • the external server 200 may transmit time-series data related to a plurality of collective investment products to the investment risk analysis device 100 .
  • the external server 200 may be Korea Exchange (KRX).
  • the time-series data may include time-series data of quotes for a plurality of collective investment products continuously observed over time.
  • the user terminal 300 may refer to various devices that transmit and receive data to and from the investment risk analysis device 100 and the external server 200 .
  • the user terminal 300 may mean portable terminals 301 and 303 or may mean a computer 305, but is not limited thereto.
  • the user terminal 300 may buy or sell collective investment products through the external server 200 and transmit information about collective investment products held by the user to the investment risk analysis device 100 .
  • the investment risk analysis device 100 may receive time-series data related to a plurality of collective investment products from the external server 200 .
  • the investment risk analysis apparatus 100 may generate a common algorithm for analyzing investment risks of a plurality of collective investment products using time series data.
  • the investment risk analysis apparatus 100 may select at least one variable factor for each of a plurality of collective investment products.
  • the investment risk analysis apparatus 100 may generate an investment risk analysis model for each of a plurality of collective investment products by combining a common algorithm and at least one variable factor for each of a plurality of collective investment products.
  • the investment risk analysis apparatus 100 may derive an investment risk level for each of a plurality of collective investment products by using an investment risk analysis model.
  • the investment risk analysis device 100 may warn the user terminal 300 based on the investment risk level. Specifically, the investment risk analysis apparatus 100 may transmit one of a buy signal, a sell signal, and a holding signal for the collective investment product to the user terminal 300 based on the investment risk.
  • an investment risk analysis for each of a plurality of collective investment products is performed by combining a common algorithm and at least one variable factor for each of a plurality of collective investment products.
  • FIG. 2 is a block diagram of an investment risk analysis apparatus according to an embodiment of the present invention.
  • the investment risk analysis apparatus 100 includes a data receiving unit 110, a common algorithm generating unit 120, a variable element selection unit 130, and a model generating unit 140. , It may include an investment risk derivation unit 150, a model update unit 160, and a warning unit 170.
  • the investment risk analysis apparatus 100 shown in FIG. 2 is only one implementation example of the present invention, and various modifications are possible based on the components shown in FIG. 2 .
  • FIG. 2 will be described with reference to FIGS. 3 to 7 together.
  • the data receiving unit 110 may receive time-series data related to a plurality of collective investment products from the external server 200 .
  • the data receiving unit 110 may periodically receive time-series data related to a plurality of collective investment products from the external server 200 according to a preset period.
  • the external server 200 may be Korea Exchange (KRX).
  • the collective investment product is a product including a plurality of items, and may include, for example, an ETF investment product.
  • the time series data may include time series data of quotes for each of a plurality of collective investment products continuously observed over time.
  • the common algorithm generation unit 120 may generate a common algorithm for investment risk analysis of a plurality of collective investment products using time series data.
  • the common algorithm generation unit 120 may generate a common algorithm for investment risk analysis of a plurality of collective investment products using at least one variable factor.
  • variable element is an element based on the characteristics of the time series data, that is, the structure of the time series data.
  • the period for checking the strength of the rise the period for checking the strength of volatility, the probability of measuring the occurrence of anomalies in the market price, and the rising trend It may include at least one of a relative distance of quotes for detection, a relative distance of quotes for securing profit or controlling loss, and a loss range for controlling risk expansion.
  • FIG. 3 is an exemplary diagram illustrating a list of variable elements according to an embodiment of the present invention.
  • variable element 310 may include a first variable element 311 to a seventh variable element 317, and a variable element value 330 of each variable element may consist of an integer or a rational number. there is.
  • “len”, which is the first variable element 311, is a range of a period for checking the strength of an increase in market prices, and may be formed of an integer.
  • the second variable element 312, “len_AD”, is a period range for checking the strength of market volatility and may be formed of an integer.
  • the third variable element 313, "bblen_pb” is a period range for measuring market volatility and relative position, and may be formed of an integer.
  • the fourth variable element 314, "zscpre_pb”, is a probability range for measuring whether an abnormality occurs in the market price, and may be composed of a rational number between 0 and 3.
  • the fifth variable element 315 is a relative distance limit of the market price for detecting an upward trend of the market price, and may be formed as an integer.
  • the sixth variable element 316 is a limit on the relative distance of market prices for securing profit or controlling loss, and may be formed as an integer.
  • the seventh variable factor 317 is a loss range limitation for controlling risk expansion, and may be formed of a rational number.
  • the common algorithm generating unit 120 may generate a common algorithm including at least one function including a variable for at least one variable element.
  • the common algorithm generation unit 120 may generate a common algorithm based on the profitability and exposure risk of a position (holding or not holding) for the collective investment product.
  • the common algorithm may include at least one of a rise strength measurement function, a volatility strength measurement function, and a relative market position measurement function.
  • the rise intensity measurement function may be a function that measures a weighted average of the daily increase intensity and the increase intensity of the inspection range using the first variable element 311 for the period range to check the increase intensity of the market price.
  • the volatility strength measuring function may be a function for measuring daily volatility strength and volatility weighted strength of the check range using the second variable element 312 for the period range in which the volatility and relative position of market prices are to be measured.
  • the relative market price position measurement function uses the third variable element 313 for the period range to measure the volatility and relative position of the market price and the fourth variable element 314 for the probability range to measure whether or not an abnormal occurrence of the market price occurs. It may be a function that measures the variable volatility of and measures the standardized relative market position.
  • the standardized relative tick position can be measured using the relative tick position measurement function.
  • the common algorithm may further include a buy strength measuring function capable of measuring buying strength and a selling strength measuring function capable of measuring selling strength using a measure of the aforementioned function.
  • the common algorithm can be configured to increase the value of the buy signal variable when the buy strength is dominant and to increase the value of the sell signal variable when the sell strength is dominant, through the buy strength measurement function and the sell strength measurement function.
  • a common algorithm may be configured to select a signal having a large variable value as a final signal by comparing the size of a buy signal variable value with a sell signal variable value.
  • the fifth variable element 315 for limiting the relative distance of the market price for detecting the upward trend of the market price and the limit for the relative distance limit for securing profit or controlling loss
  • a buy signal may be generated.
  • the common algorithm controls the sixth variable factor 316 and risk expansion for limiting the relative distance of the market price for securing profit or controlling loss while the user holds the collective investment product and the final signal is selected as the sell signal
  • a sell signal may be generated.
  • the risk of holding and not holding the collective investment product can be analyzed through the common algorithm, and a common algorithm can be built based on the profitability and exposure risk of the position (holding or not holding).
  • the investment risk analysis model to be described later may analyze the investment risk when holding a collective investment product or the investment risk when not holding a collective investment product.
  • variable factor selector 130 may select at least one variable factor for each of a plurality of collective investment products.
  • variable element selector 130 sets a variation range for the variable element value of each of the at least one variable element, performs a simulation based on a common algorithm and the at least one variable element for which the variation range is set, and , A combination of variable element values of at least one variable element that satisfies a predetermined condition may be selected based on simulation.
  • variable element selector 130 may set a variation range for the variable element value of each of the at least one variable element.
  • variable element selection unit 130 includes a variable range including a minimum value, a maximum value, and an increment unit for each variable element value 430 of at least one variable element 410 . can be set.
  • variable range may be set to a fixed value such as the first variable element 411, the fifth variable element 415, the sixth variable element 416, and the seventh variable element 417, and the second As with the variable element 412, the third variable element 413, and the fourth variable element 414, a minimum value, a maximum value, and an increment unit may be set.
  • variable element selector 130 may perform simulation based on a common algorithm and at least one variable element in which a variation range is set.
  • variable factor selector 130 may perform a simulation for each of a plurality of collective investment products using time-series data for a certain period of time. For example, using time series data from July 4, 2009 to August 31, 2021, simulation may be performed while inputting variable element values according to a variation range to variable elements included in a common algorithm.
  • variable element selection unit 130 may perform a simulation using a total test or a neural network sampling test.
  • the 100% test is a test method that simulates by combining the number of all cases for the variation range of each of at least one variable element, and may be a test method that performs simulation while increasing by an increment from a minimum value to a maximum value.
  • the neural network sampling test is a test method that simulates the selected sampling using a neural network, and the number of executions of the neural network sampling test may be 0.1% of the number of executions of the total test.
  • the performance evaluation for this simulation may include at least one of total profit and loss, average annual profit and loss, average profit and loss ratio, maximum loss width (MDD), profit trade share, total profit/total loss, and rate of return.
  • MDD maximum loss width
  • the variable element selector 130 may select a combination of variable element values of at least one variable element that satisfies a predetermined condition based on simulation.
  • variable factor selector 130 may select a combination of variable factor values of at least one variable factor that satisfies the highest performance for each collective investment product based on the simulation.
  • variable factor selector 130 includes at least one of total profit and loss, annual average profit and loss, average profit and loss ratio, maximum loss width (MDD), revenue transaction ratio, total revenue/total loss, and rate of return based on the simulation.
  • a combination of variable element values of each of the at least one variable element that satisfies this highest performance can be selected.
  • the total profit or loss is the size of expected profit for a certain period
  • the maximum loss width is the size of the largest loss (risk) that can occur as a result of simulation
  • the share of profit trading is the share of profit trading expected as a result of simulation
  • total profit / total The loss may be the ratio of the expected profit to the loss per trade.
  • FIG. 5 is an exemplary diagram showing simulation results for collective investment product A according to an embodiment of the present invention.
  • the simulation result 530 for each variable element value of the variable element 510 is the total profit and loss 531, the annual average profit and loss, the average profit and loss ratio, the maximum loss, the total profit/total loss, and the rate of return (% ) may be included.
  • the simulation result 530 shows that the total profit and loss 531 is sorted in ascending order.
  • variable factor selector 130 sets the highest value of the total profit and loss 531 as a condition that satisfies the highest performance
  • variable factor value of each variable factor having the maximum value of the total profit and loss 531 A combination 550 for can be selected. That is, in relation to the variable element values of each of the variable elements 510 for the collective investment product A, the first variable element (losscutRatio) is “9.5”, the second variable element (len) is “17”, and the third variable element is “9.5”.
  • FIG. 6 is an exemplary diagram illustrating variable element values assigned to variable elements of each of a plurality of collective investment products according to an embodiment of the present invention.
  • variable element values may be allocated to variable elements 630 of each of the plurality of collective investment products 610 according to simulation results.
  • the first variable factor (losscutRatio) is "7.5”
  • the second variable factor (len) is "16”
  • the third variable factor (len_AD) is "23”
  • “19” is assigned to the fourth variable element (bbLen_pb), “1.6” to the fifth variable element (zscore_pb), “18” to the sixth variable element (engap), and “17” to the seventh variable element (engap).
  • the first variable factor (losscutRatio) is "9.2”
  • the second variable factor (len) is "6”
  • the third variable factor (len_AD) is "5".
  • “19” is assigned to the fourth variable element (bbLen_pb)
  • “1.6” is assigned to the fifth variable element (zscore_pb)
  • “16” is assigned to the sixth variable element (engap)
  • “2” is assigned to the seventh variable element (engap). It can be.
  • the model generating unit 140 generates an investment risk analysis model for each of a plurality of collective investment products by combining a common algorithm and at least one variable factor for each of a plurality of collective investment products. can In this regard, it will be described using FIG. 7 .
  • FIG. 7 is a diagram for explaining a method of generating an investment risk analysis model according to an embodiment of the present invention.
  • variable element A combination 720 may be selected for the A collective investment product 710
  • variable element B combination may be selected for the B collective investment product
  • C set A combination of variable elements C may be selected for the type investment product
  • a combination of variable elements D may be selected for the D aggregate type investment product.
  • variable element A combination 720 for the A collective investment product 710 is a combination of variable element values for each of at least one variable element selected based on simulation. can mean
  • the model generation unit 140 combines the variable factor A combination 720 of the A collective investment product 710 with a common algorithm 730 to form an A investment risk analysis model 740 for the A collective investment product 710. can create
  • model generating unit 140 may generate an investment risk analysis model for the collective investment product by inputting variable element values of the collective investment product into the variable elements included in the common algorithm. .
  • the investment risk derivation unit 150 may derive the investment risk for each of a plurality of collective investment products using the investment risk analysis model.
  • the investment risk level may be derived according to the buying strength and selling strength of the collective investment product.
  • the warning unit 170 may warn the user terminal 300 based on the level of investment risk.
  • the warning unit 170 may transmit one of a buy signal, a sell signal, and a holding signal to the user terminal 300 based on the investment risk level.
  • the warning unit 170 may transmit a buy signal to the user terminal 300 when it is determined that the market price will rise based on the investment risk.
  • warning unit 170 may transmit a holding signal to the user terminal 300 when it is determined that the user holds the collective investment product and the market price will increase based on the investment risk.
  • warning unit 170 may transmit a sell signal to the user terminal 300 when it is determined that the user holds the collective investment product and the market price will decrease based on the investment risk level.
  • the model updating unit 160 may update an investment risk analysis model for each of a plurality of collective investment products by evaluating the derived investment risk.
  • the model updating unit 160 updates the investment risk analysis model by updating variable factor values for each variable factor by periodically performing simulation using time-series data according to a predetermined cycle based on the derived investment risk. can do.
  • the customized investment risk analysis method for the collective investment product includes steps processed time-sequentially according to the embodiment shown in FIGS. 1 to 7 . Therefore, even if the details are omitted below, they are also applied to the customized investment risk analysis method for collective investment products in the investment risk analysis device 100 according to the embodiments shown in FIGS. 1 to 7 .
  • the investment risk analysis apparatus 100 may receive time-series data related to a plurality of collective investment products from an external server.
  • the investment risk analysis apparatus 100 may generate a common algorithm for investment risk analysis of a plurality of collective investment products using time series data.
  • the investment risk analysis apparatus 100 may select at least one variable factor for each of a plurality of collective investment products.
  • the investment risk analysis apparatus 100 may generate an investment risk analysis model for each of a plurality of collective investment products by combining a common algorithm and at least one variable factor for each of a plurality of collective investment products.
  • the investment risk analysis apparatus 100 may derive an investment risk level for each of a plurality of collective investment products by using the investment risk analysis model.
  • steps S810 to S850 may be further divided into additional steps or combined into fewer steps, depending on an embodiment of the present invention. Also, some steps may be omitted as needed, and the order of steps may be switched.
  • the customized investment risk analysis method for collective investment products is a computer program stored in a medium executed by a computer or a record including instructions executable by a computer. It can also be implemented in the form of a medium.
  • the customized investment risk analysis method for the collective investment product may be implemented in the form of a computer program stored in a computer-executed medium.
  • 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. Also, computer readable media may include computer storage media. 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)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • General Physics & Mathematics (AREA)
  • Technology Law (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

투자 위험 분석 장치는 외부 서버로부터 복수의 집합형 투자 상품과 관련된 시계열 데이터를 수신하는 데이터 수신부, 상기 시계열 데이터를 이용하여 상기 복수의 집합형 투자 상품의 투자 위험 분석에 대한 공통 알고리즘을 생성하는 공통 알고리즘 생성부, 상기 복수의 집합형 투자 상품 각각에 대한 적어도 하나의 가변 요소를 선택하는 가변 요소 선택부, 상기 공통 알고리즘 및 상기 복수의 집합형 투자 상품 각각에 대한 상기 적어도 하나의 가변 요소를 결합하여 상기 복수의 집합형 투자 상품 각각에 대한 투자 위험 분석 모델을 생성하는 모델 생성부, 및 상기 투자 위험 분석 모델을 이용하여 상기 복수의 집합형 투자 상품 각각에 대한 투자 위험도를 도출하는 투자 위험도 도출부를 포함한다.

Description

집합형 투자 상품에 대한 맞춤형 투자 위험 분석 장치 및 방법
본 발명은 집합형 투자 상품에 대한 맞춤형 투자 위험 분석 장치 및 방법에 관한 것이다.
ETF 투자 상품은 펀드(Fund)의 성격과 주식의 성격(유통구조)을 지닌 하이브리드 상품이다.
국내 ETF 시장은 꾸준한 성장세를 보이고 있는 가운데, 한국증권거래소의 2021년 통계치에 따르면, 코스피 시장 일 거래대금의 30%에 육박할만큼 비중이 확대된 상태이다. 미국의 경우 증권 시장의 70% 이상이 ETF로 거래되는 상황을 고려할 때, 국내 ETF 시장은 더욱 확대될 것으로 예상된다.
현재 ETF 투자 상품에 대한 위험 제어는 ETF 투자 상품이 펀드의 성격을 지니는바 국내 운용업계의 특성을 보이고 있으며, 타겟 투자 시장의 매크로 관점의 중장기 투자 전망 및 모델을 기반으로 위험이 제어되고 있다.
그러나, 기존의 방식은 ETF의 유통시장 특성상 단기적인 리스크 변화에 대응이 어렵고, 포트폴리오의 확장 및 투자 상품의 빠른 진화에 대한 탄력적 모형 설계에 어려움이 있다.
즉, 종래의 ETF 투자 상품에 대한 위험 제어는 매크로 기반 모형 및 예측의 획일성 등의 문제점이 있었다.
집합형 투자 상품에 대한 맞춤형 투자 위험 분석 장치 및 방법을 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, 외부 서버로부터 복수의 집합형 투자 상품과 관련된 시계열 데이터를 수신하는 데이터 수신부, 상기 시계열 데이터를 이용하여 상기 복수의 집합형 투자 상품의 투자 위험 분석에 대한 공통 알고리즘을 생성하는 공통 알고리즘 생성부, 상기 복수의 집합형 투자 상품 각각에 대한 적어도 하나의 가변 요소를 선택하는 가변 요소 선택부, 상기 공통 알고리즘 및 상기 복수의 집합형 투자 상품 각각에 대한 상기 적어도 하나의 가변 요소를 결합하여 상기 복수의 집합형 투자 상품 각각에 대한 투자 위험 분석 모델을 생성하는 모델 생성부, 및 상기 투자 위험 분석 모델을 이용하여 상기 복수의 집합형 투자 상품 각각에 대한 투자 위험도를 도출하는 투자 위험도 도출부를 포함하는 것인 투자 위험 분석 장치를 제공할 수 있다.
본 발명의 다른 실시예는, 외부 서버로부터 복수의 집합형 투자 상품과 관련된 시계열 데이터를 수신하는 단계, 상기 시계열 데이터를 이용하여 상기 복수의 집합형 투자 상품의 투자 위험 분석에 대한 공통 알고리즘을 생성하는 단계, 상기 복수의 집합형 투자 상품 각각에 대한 적어도 하나의 가변 요소를 선택하는 단계, 상기 공통 알고리즘 및 상기 복수의 집합형 투자 상품 각각에 대한 상기 적어도 하나의 가변 요소를 결합하여 상기 복수의 집합형 투자 상품 각각에 대한 투자 위험 분석 모델을 생성하는 단계, 및 상기 투자 위험 분석 모델을 이용하여 상기 복수의 집합형 투자 상품 각각에 대한 투자 위험도를 도출하는 단계를 포함하는 것인 투자 위험 분석 방법을 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, 공통 알고리즘 및 복수의 집합형 투자 상품 각각에 대한 적어도 하나의 가변 요소를 결합하여 복수의 집합형 투자 상품 각각에 대한 투자 위험 분석 모델을 생성함으로써, 복수의 집합형 투자 상품 각각에 대해 맞춤형으로 투자 위험 분석을 할 수 있다.
도 1은 본 발명의 일 실시예에 따른 투자 위험 분석 시스템을 개략적으로 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 투자 위험 분석 장치의 구성도이다.
도 3은 본 발명의 일 실시예에 따른 가변 요소의 리스트를 나타내는 예시도이다.
도 4는 본 발명의 일 실시예에 따른 가변 요소 각각의 가변 요소 값의 변동 범위를 설명하기 위한 예시도이다.
도 5는 본 발명의 일 실시예에 따른 A 집합형 투자 상품에 대한 시뮬레이션 결과를 나타내는 예시도이다.
도 6은 본 발명의 일 실시예에 따른 복수의 집합형 투자 상품 각각의 가변 요소에 할당된 가변 요소 값을 나타내는 예시도이다.
도 7은 본 발명의 일 실시예에 따라 투자 위험 분석 모델을 생성하는 방법을 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 투자 위험 분석 장치에서 집합형 투자 상품에 대한 맞춤형 투자 위험 분석 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 투자 위험 분석 시스템을 개략적으로 나타내는 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 투자 위험 분석 시스템(1)은 투자 위험 분석 장치(100), 외부 서버(200) 및 사용자 단말(300)을 포함할 수 있다. 도 1에 도시된 투자 위험 분석 장치(100), 외부 서버(200) 및 사용자 단말(300)은 투자 위험 분석 시스템(1)에 의하여 제어될 수 있는 구성요소들을 예시적으로 도시한 것이다.
도 1의 투자 위험 분석 시스템(1)의 각 구성요소들은 일반적으로 네트워크를 통해 연결될 수 있다. 예를 들어, 네트워크는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷 (WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 블루투스 통신, 적외선 통신, 초음파 통신, 가시광 통신(VLC: Visible Light Communication), 라이파이(LiFi) 등이 포함되나 이에 한정되지는 않는다.
투자 위험 분석 장치(100)는 복수의 집합형 투자 상품 각각에 대해 맞춤형으로 투자 위험을 분석할 수 있다. 이때, 집합형 투자 상품은 복수의 종목을 포함하는 상품으로서, 예를 들면, ETF 투자 상품을 포함할 수 있다.
외부 서버(200)는 복수의 집합형 투자 상품과 관련된 시계열 데이터를 투자 위험 분석 장치(100)로 전송할 수 있다. 예컨대, 외부 서버(200)는 한국거래소(KRX)일 수 있다. 이때, 시계열 데이터는 시간의 경과에 따라 연속적으로 관측된 복수의 집합형 투자 상품에 대한 시세의 시계열 데이터를 포함할 수 있다.
사용자 단말(300)은 투자 위험 분석 장치(100) 및 외부 서버(200)와 데이터를 송수신 하는 다양한 장치를 의미할 수 있다. 예를 들면, 도 1에 도시된 바와 같이, 사용자 단말(300)은 휴대용 단말(301, 303)을 의미할 수도 있고, 컴퓨터(305)를 의미할 수도 있으나, 이에 한정 해석되는 것은 아니다.
사용자 단말(300)은 외부 서버(200)를 통해 집합형 투자 상품을 매수 또는 매도할 수 있고, 사용자가 보유한 집합형 투자 상품에 대한 정보를 투자 위험 분석 장치(100)로 전송할 수 있다.
투자 위험 분석 장치(100)는 외부 서버(200)로부터 복수의 집합형 투자 상품과 관련된 시계열 데이터를 수신할 수 있다.
투자 위험 분석 장치(100)는 시계열 데이터를 이용하여 복수의 집합형 투자 상품의 투자 위험 분석에 대한 공통 알고리즘을 생성할 수 있다.
투자 위험 분석 장치(100)는 복수의 집합형 투자 상품 각각에 대한 적어도 하나의 가변 요소를 선택할 수 있다.
투자 위험 분석 장치(100)는 공통 알고리즘 및 복수의 집합형 투자 상품 각각에 대한 적어도 하나의 가변 요소를 결합하여 복수의 집합형 투자 상품 각각에 대한 투자 위험 분석 모델을 생성할 수 있다.
투자 위험 분석 장치(100)는 투자 위험 분석 모델을 이용하여 복수의 집합형 투자 상품 각각에 대한 투자 위험도를 도출할 수 있다.
이때, 투자 위험 분석 장치(100)는 투자 위험도에 기초하여 사용자 단말(300)에 경고할 수 있다. 구체적으로, 투자 위험 분석 장치(100)는 투자 위험도에 기초하여 집합형 투자 상품에 대한 매수 신호, 매도 신호 및 보유 신호 중 하나를 사용자 단말(300)에 전송할 수 있다.
본 발명의 일 실시예에 따른 투자 위험 분석 시스템(1)에 따르면, 공통 알고리즘 및 복수의 집합형 투자 상품 각각에 대한 적어도 하나의 가변 요소를 결합하여 복수의 집합형 투자 상품 각각에 대한 투자 위험 분석 모델을 생성함으로써, 복수의 집합형 투자 상품 각각에 대해 맞춤형으로 투자 위험 분석을 할 수 있다.
도 2는 본 발명의 일 실시예에 따른 투자 위험 분석 장치의 구성도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 투자 위험 분석 장치 (100)는 데이터 수신부(110), 공통 알고리즘 생성부(120), 가변 요소 선택부(130), 모델 생성부(140), 투자 위험도 도출부(150), 모델 갱신부(160) 및 경고부(170)를 포함할 수 있다. 다만, 도 2에 도시된 투자 위험 분석 장치(100)는 본 발명의 하나의 구현 예에 불과하며, 도 2에 도시된 구성요소들을 기초로 하여 여러 가지 변형이 가능하다.
이하에서는 도 3 내지 도 7를 함께 참조하여 도 2를 설명하기로 한다.
데이터 수신부(110)는 외부 서버(200)로부터 복수의 집합형 투자 상품과 관련된 시계열 데이터를 수신할 수 있다.
구체적으로, 데이터 수신부(110)는 외부 서버(200)로부터 복수의 집합형 투자 상품과 관련된 시계열 데이터를 기설정된 주기에 따라 주기적으로 수신할 수 있다. 예컨대, 외부 서버(200)는 한국거래소(KRX)일 수 있다.
여기서, 집합형 투자 상품은 복수의 종목을 포함하는 상품으로서, 예를 들면, ETF 투자 상품을 포함할 수 있다. 또한, 시계열 데이터는 시간의 경과에 따라 연속적으로 관측된 복수의 집합형 투자 상품 각각에 대한 시세의 시계열 데이터를 포함할 수 있다.
공통 알고리즘 생성부(120)는 시계열 데이터를 이용하여 복수의 집합형 투자 상품의 투자 위험 분석에 대한 공통 알고리즘을 생성할 수 있다.
구체적으로, 공통 알고리즘 생성부(120)는 적어도 하나의 가변 요소를 이용하여 복수의 집합형 투자 상품의 투자 위험 분석에 대한 공통 알고리즘을 생성할 수 있다.
이 때, 가변 요소는 시계열 데이터의 특성, 즉, 시계열 데이터의 구조를 기반으로 한 요소로서, 상승 강도를 점검할 기간, 변동성 강도를 점검할 기간, 시세의 이상 발생 여부를 측정할 확률, 상승 추세 감지를 위한 시세의 상대적 거리, 수익 확보 또는 손실 제어를 위한 시세의 상대적 거리 및 위험 확대를 제어하기 위한 손실 범위 중 적어도 하나를 포함할 수 있다. 이러한 가변 요소에 대해서는 도 3을 이용하여 구체적으로 설명하도록 한다.
도 3은 본 발명의 일 실시예에 따른 가변 요소의 리스트를 나타내는 예시도이다.
도 3을 참조하면, 가변 요소(310)는 제 1 가변 요소(311) 내지 제 7 가변 요소(317)를 포함할 수 있으며, 가변 요소 각각의 가변 요소 값(330)은 정수 또는 유리수로 이루어질 수 있다.
제 1 가변 요소(311)인 "len"는 시세의 상승 강도를 점검할 기간 범위로, 정수로 이루어질 수 있다.
제 2 가변 요소(312)인 "len_AD"은 시세의 변동성 강도을 점검할 기간 범위로, 정수로 이루어질 수 있다.
제 3 가변 요소(313)인 "bblen_pb"는 시세의 변동성 및 상대적 위치를 측정할 기간 범위로, 정수로 이루어질 수 있다.
제 4 가변 요소(314)인 "zscpre_pb"는 시세의 이상 발생 여부를 측정할 확률 범위로, 0~3 사이의 유리수로 이루어질 수 있다.
제 5 가변 요소(315)인 "engap"는 시세의 상승 추세 감지를 위한 시세의 상대적 거리 제한으로, 정수로 이루어질 수 있다.
제 6 가변 요소(316)인 "exgap"은 수익 확보 또는 손실 제어를 위한 시세의 상대적 거리 제한으로, 정수로 이루어질 수 있다.
제 7 가변 요소(317)인 "losscutRatio"은 위험 확대를 제어하기 위한 손실 범위 제한으로, 유리수로 이루어질 수 있다.
다시 도 2로 돌아와서, 공통 알고리즘 생성부(120)는 적어도 하나의 가변 요소에 대한 변수가 포함된 적어도 하나의 함수를 포함하는 공통 알고리즘을 생성할 수 있다.
일 실시예에서, 공통 알고리즘 생성부(120)는 집합형 투자 상품에 대한 포지션(보유 또는 비보유)의 수익성 및 노출 위험을 기준으로 공통 알고리즘을 생성할 수 있다.
구체적으로, 공통 알고리즘은 상승 강도 측정 함수, 변동성 강도 측정 함수 및 상대적 시세 위치 측정 함수 중 적어도 하나를 포함할 수 있다.
상승 강도 측정 함수는 시세의 상승 강도를 점검할 기간 범위에 대한 제 1 가변 요소(311)를 이용하여 일별 상승 강도 및 점검 범위의 상승 강도의 가중 평균을 측정하는 함수일 수 있다.
변동성 강도 측정 함수는 시세의 변동성 및 상대적 위치를 측정할 기간 범위에 대한 제 2 가변 요소(312)를 이용하여 일별 변동성 강도 및 점검 범위의 변동성 가중 강도를 측정하는 함수일 수 있다.
상대적 시세 위치 측정 함수는 시세의 변동성 및 상대적 위치를 측정할 기간 범위에 대한 제 3 가변 요소(313) 및 시세의 이상 발생 여부를 측정할 확률 범위에 대한 제 4 가변 요소(314)를 이용하여 시세의 가변적 변동성을 측정하고, 표준화된 상대적 시세 위치를 측정하는 함수일 수 있다.
예를 들면, A 투자 상품은 평균 시세가 10만 원이고, B 투자 상품은 평균 시세가 100만 원인 경우, 5만 원의 변동이 상대적으로 A 투자 상품에 대해서는 높은 변동일 수 있고, B 투자 상품에 대해서는 낮은 변동일 수 있다. 따라서, A 투자 상품과 B 투자 상품의 시세를 단일화된 값으로 변경시켜줄 필요가 있다.
다른 예를 들면, A 투자 상품은 평균적으로 하루에 10% 내지 20%가 변동하는 상품이고, B 투자 상품은 평균적으로 하루에 1% 내지 2%가 변동하는 상품인 경우, 상대적으로 많이 상승한 것인지 적게 상승한 것인지를 판단하기 위해 시세 위치를 표준화 시켜줄 필요가 있다. 따라서, 상대적 시세 위치 측정 함수를 이용하여 표준화된 상대적 시세 위치를 측정할 수 있다.
일 실시예에서, 공통 알고리즘은 전술한 함수의 측정치를 이용하여 매수 강도를 측정할 수 있는 매수 강도 측정 함수 및 매도 강도를 측정할 수 있는 매도 강도 측정 함수를 더 포함할 수 있다.
공통 알고리즘은 매수 강도 측정 함수 및 매도 강도 측정 함수를 통해 매수 강도가 우위일 경우 매수 신호 변수값을 증가시키고, 매도 강도가 우위일 경우 매도 신호 변수값을 증가시키도록 구성될 수 있다. 공통 알고리즘은 매수 신호 변수값과 매도 신호 변수값의 크기 비교를 통해 변수값이 큰 신호를 최종 신호로 선택하도록 구성될 수 있다.
공통 알고리즘은 선택된 최종 신호가 매수 신호인 상태에서, 시세의 상승 추세 감지를 위한 시세의 상대적 거리 제한에 대한 제 5 가변 요소(315) 및 수익 확보 또는 손실 제어를 위한 시세의 상대적 거리 제한에 대한 제 6 가변 요소(316)를 이용한 조건을 만족할 경우, 매수 신호를 발생하도록 구성될 수 있다.
공통 알고리즘은 사용자가 해당 집합형 투자 상품을 보유 중이고, 최종 신호가 매도 신호로 선택된 상태에서, 수익 확보 또는 손실 제어를 위한 시세의 상대적 거리 제한에 대한 제 6 가변 요소(316) 및 위험 확대를 제어하기 위한 손실 범위 제한에 대한 제 7 가변 요소(317)를 이용한 조건을 만족할 경우, 매도 신호를 발생하도록 구성될 수 있다.
이와 같이, 공통 알고리즘을 통해 집합형 투자 상품의 보유시 위험과 비보유시 위험을 분석할 수 있고, 해당 포지션(보유 또는 비보유)의 수익성 및 노출 위험을 기준으로 공통 알고리즘을 구축할 수 있다.
이에 따라, 후술할 투자 위험 분석 모델은 집합형 투자 상품의 보유시 투자 위험을 분석하거나 집합형 투자 상품의 비보유시 투자 위험을 분석할 수 있다.
가변 요소 선택부(130)는 복수의 집합형 투자 상품 각각에 대한 적어도 하나의 가변 요소를 선택할 수 있다.
일 실시예에서, 가변 요소 선택부(130)는 적어도 하나의 가변 요소 각각의 가변 요소 값에 대한 변동 범위를 설정하고, 공통 알고리즘 및 변동 범위가 설정된 적어도 하나의 가변 요소에 기초하여 시뮬레이션을 수행하고, 시뮬레이션에 기초하여 기설정된 조건을 만족시키는 적어도 하나의 가변 요소 각각의 가변 요소 값에 대한 조합을 선택할 수 있다.
구체적으로, 가변 요소 선택부(130)는 적어도 하나의 가변 요소 각각의 가변 요소 값에 대한 변동 범위를 설정할 수 있다.
예를 들면, 도 4에 도시된 바와 같이, 가변 요소 선택부(130)는 적어도 하나의 가변 요소(410) 각각의 가변 요소 값(430)에 대해 최소값, 최대값 및 증가단위를 포함하는 변동 범위를 설정할 수 있다.
이 때, 변동 범위는 제 1 가변 요소(411), 제 5 가변 요소(415), 제 6 가변 요소(416), 제 7 가변 요소(417)와 같이 고정된 값으로 설정될 수 있으며, 제 2 가변 요소(412), 제 3 가변 요소(413), 제 4 가변 요소(414)와 같이 최소값, 최대값 및 증가단위가 설정될 수 있다.
또한, 가변 요소 선택부(130)는 공통 알고리즘 및 변동 범위가 설정된 적어도 하나의 가변 요소에 기초하여 시뮬레이션을 수행할 수 있다.
이때, 가변 요소 선택부(130)는 일정 기간 동안의 시계열 데이터를 이용하여 복수의 집합형 투자 상품 각각에 대해 시뮬레이션을 수행할 수 있다. 예를 들면, 2009년 7월 4일부터 2021년 8월 31일까지의 시계열 데이터를 이용하여, 공통 알고리즘에 포함된 가변 요소에 변동 범위에 따른 가변 요소 값을 입력하면서 시뮬레이션을 수행할 수 있다.
여기서 가변 요소 선택부(130)는 전수 검사 또는 신경망 샘플링 검사를 이용하여 시뮬레이션을 수행할 수 있다.
전수 검사는 적어도 하나의 가변 요소 각각의 변동 범위에 대한 모든 경우의 수를 조합하여 시뮬레이션을 하는 검사 방식으로, 최소값부터 최대값까지 증가단위만큼 증가시키면서 시뮬레이션을 수행하는 검사 방식일 수 있다.
신경망 샘플링 검사는 신경망을 이용하여 선택된 샘플링에 대해 시뮬레이션을 하는 검사 방식으로, 신경망 샘플링 검사의 실행 횟수는 전수 검사의 실행 횟수의 0.1%일 수 있다.
이러한 시뮬레이션에 대한 성능 평가는 총 손익, 연평균 손익, 평균 손익비, 최대 손실 폭(MDD), 수익 거래 비중, 총 수익/총 손실 및 수익률 중 적어도 하나를 포함할 수 있다.
가변 요소 선택부(130)는 시뮬레이션에 기초하여 기설정된 조건을 만족시키는 적어도 하나의 가변 요소 각각의 가변 요소 값에 대한 조합을 선택할 수 있다.
즉, 가변 요소 선택부(130)는 시뮬레이션에 기초하여 각 집합형 투자 상품에 대해 최고 성능을 만족시키는 적어도 하나의 가변 요소 각각의 가변 요소 값에 대한 조합을 선택할 수 있다.
구체적으로, 가변 요소 선택부(130)는 시뮬레이션에 기초하여 총 손익, 연평균 손익, 평균 손익비, 최대 손실 폭(MDD), 수익 거래 비중, 총 수익/총 손실 및 수익률 중 적어도 하나를 포함하는 항목이 최고 성능을 만족시키는 적어도 하나의 가변 요소 각각의 가변 요소 값에 대한 조합을 선택할 수 있다.
이 때, 총 손익은 일정기간 예상되는 수익의 크기이고, 최대 손실 폭은 시뮬레이션 결과 발생 가능한 가장 큰 손실(위험) 크기이고, 수익 거래 비중은 시뮬레이션 결과 예상되는 수익 거래의 비중이고, 총 수익/총 손실은 거래 당 손실 대비 기대할 수 있는 수익의 배율일 수 있다.
도 5에 도시된 시뮬레이션 결과를 이용하여 가변 요소 각각의 가변 요소 값에 대한 조합을 선택하는 방법을 설명하도록 한다.
도 5는 본 발명의 일 실시예에 따른 A 집합형 투자 상품에 대한 시뮬레이션 결과를 나타내는 예시도이다.
도 5를 참조하면, 가변 요소(510) 각각의 가변 요소 값에 대한 시뮬레이션 결과(530)는 총 손익(531), 연평균 손익, 평균 손익비, 최대 손실 폭, 총수익/총손실, 수익률(%)을 포함할 수 있다. 여기서 시뮬레이션 결과(530)는 총 손익(531)이 높은 순서대로 정렬된 것을 도시하고 있다.
예를 들어, 가변 요소 선택부(130)는 총 손익(531)이 가장 높은 값을 최고 성능을 만족시키는 조건으로 설정한 경우, 총 손익(531)이 최대값을 가지는 가변 요소 각각의 가변 요소 값에 대한 조합(550)을 선택할 수 있다. 즉, A 집합형 투자 상품에 대한 가변 요소(510) 각각의 가변 요소 값과 관련하여 제 1 가변 요소(losscutRatio)는 "9.5", 제 2 가변 요소(len)는 "17", 제 3 가변 요소(len_AD)는 "20", 제 4 가변 요소(bbLen_pb)는 "16", 제 5 가변 요소(zscore_pb)는 "1.6", 제 6 가변 요소(engap)는 "6", 제 7 가변 요소(engap)는 "2"가 선택될 수 있다.
도 6은 본 발명의 일 실시예에 따른 복수의 집합형 투자 상품 각각의 가변 요소에 할당된 가변 요소 값을 나타내는 예시도이다.
도 6에 도시된 바와 같이, 복수의 집합형 투자 상품(610) 각각의 가변 요소(630)에는 시뮬레이션 결과에 따라 상이한 가변 요소 값이 할당될 수 있다.
예를 들면, "KODEX 200"이라는 집합형 투자 상품에는 제 1 가변 요소(losscutRatio)는 "7.5", 제 2 가변 요소(len)는 "16", 제 3 가변 요소(len_AD)는 "23", 제 4 가변 요소(bbLen_pb)는 "19", 제 5 가변 요소(zscore_pb)는 "1.6", 제 6 가변 요소(engap)는 "18", 제 7 가변 요소(engap)는 "17"이 할당될 수 있다.
또한, "KODEX 200 선물인버스2X"이라는 집합형 투자 상품에는 제 1 가변 요소(losscutRatio)는 "9.2", 제 2 가변 요소(len)는 "6", 제 3 가변 요소(len_AD)는 "5", 제 4 가변 요소(bbLen_pb)는 "19", 제 5 가변 요소(zscore_pb)는 "1.6", 제 6 가변 요소(engap)는 "16", 제 7 가변 요소(engap)는 "2"이 할당될 수 있다.
다시 도 2로 돌아오면, 모델 생성부(140)는 공통 알고리즘 및 복수의 집합형 투자 상품 각각에 대한 적어도 하나의 가변 요소를 결합하여 복수의 집합형 투자 상품 각각에 대한 투자 위험 분석 모델을 생성할 수 있다. 이와 관련하여 도 7을 이용하여 설명하도록 한다.
도 7은 본 발명의 일 실시예에 따라 투자 위험 분석 모델을 생성하는 방법을 설명하기 위한 도면이다.
도 7을 참조하면, 시뮬레이션에 기초하여 A 집합형 투자 상품(710)에는 가변 요소 A 조합(720)이 선택될 수 있고, B 집합형 투자 상품에는 가변 요소 B 조합이 선택될 수 있고, C 집합형 투자 상품에는 가변 요소 C 조합이 선택될 수 있고, D 집합형 투자 상품에는 가변 요소 D 조합이 선택될 수 있다.
예를 들어, A 집합형 투자 상품(710)에 대한 가변 요소 A 조합(720)은 도 5에서 550에 대해 설명한 바와 같이, 시뮬레이션에 기초하여 선택된 적어도 하나의 가변 요소 각각에 대한 가변 요소 값의 조합을 의미할 수 있다.
모델 생성부(140)는 A 집합형 투자 상품(710)의 가변 요소 A 조합(720)을 공통 알고리즘(730)과 결합하여 A 집합형 투자 상품(710)에 대한 A 투자 위험 분석 모델(740)을 생성할 수 있다.
다시 말해, 모델 생성부(140)는 공통 알고리즘에 포함된 가변 요소에 해당 집합형 투자 상품의 가변 요소 값을 입력(input)함으로써, 해당 집합형 투자 상품에 대한 투자 위험 분석 모델을 생성할 수 있다.
다시 도 2로 돌아오면, 투자 위험도 도출부(150)는 투자 위험 분석 모델을 이용하여 복수의 집합형 투자 상품 각각에 대한 투자 위험도를 도출할 수 있다. 일 실시예에서, 투자 위험도는 해당 집합형 투자 상품의 매수 강도 및 매도 강도에 따라 도출될 수 있다.
이때, 복수의 집합형 투자 상품 각각에 맞춤형 투자 위험 분석 모델을 적용함으로써, 각 집합형 투자 상품이 동일한 시세의 변동이 발생하더라도 각각 상이한 투자 위험도가 도출될 수 있다.
경고부(170)는 투자 위험도에 기초하여 사용자 단말(300)에 경고할 수 있다.
경고부(170)는 투자 위험도에 기초하여 매수 신호, 매도 신호 및 보유 신호 중 하나를 사용자 단말(300)에 전송할 수 있다.
구체적으로, 경고부(170)는 투자 위험도에 기초하여 시세가 상승할 것이라고 판단하면, 매수 신호를 사용자 단말(300)에 전송할 수 있다.
또한, 경고부(170)는 사용자가 해당 집합형 투자 상품을 보유중이고, 투자 위험도에 기초하여 시세가 상승할 것이라고 판단하면, 보유 신호를 사용자 단말(300)에 전송할 수 있다.
또한, 경고부(170)는 사용자가 해당 집합형 투자 상품을 보유중이고, 투자 위험도에 기초하여 시세가 하락할 것이라고 판단하면, 매도 신호를 사용자 단말(300)에 전송할 수 있다.
모델 갱신부(160)는 도출된 투자 위험도를 평가하여 복수의 집합형 투자 상품 각각에 대한 투자 위험 분석 모델을 갱신할 수 있다.
구체적으로, 모델 갱신부(160)는 도출된 투자 위험도에 기초하여 기설정된 주기에 따라 주기적으로 시계열 데이터 이용하여 시뮬레이션을 수행함으로써, 각 가변 요소에 대한 가변 요소 값을 업데이트하여 투자 위험 분석 모델을 갱신할 수 있다.
도 8은 본 발명의 일 실시예에 따른 투자 위험 분석 장치에서 집합형 투자 상품에 대한 맞춤형 투자 위험 분석 방법의 순서도이다. 도 8에 도시된 투자 위험 분석 장치(100)에서 집합형 투자 상품에 대한 맞춤형 투자 위험 분석 방법은 도 1 내지 도 7에 도시된 실시예에 따라 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 도 1 내지 도 7에 도시된 실시예에 따라 투자 위험 분석 장치(100)에서 집합형 투자 상품에 대한 맞춤형 투자 위험 분석 방법에도 적용된다.
단계 S810에서 투자 위험 분석 장치(100)는 외부 서버로부터 복수의 집합형 투자 상품과 관련된 시계열 데이터를 수신할 수 있다.
단계 S820에서 투자 위험 분석 장치(100)는 시계열 데이터를 이용하여 복수의 집합형 투자 상품의 투자 위험 분석에 대한 공통 알고리즘을 생성할 수 있다.
단계 S830에서 투자 위험 분석 장치(100)는 복수의 집합형 투자 상품 각각에 대한 적어도 하나의 가변 요소를 선택할 수 있다.
단계 S840에서 투자 위험 분석 장치(100)는 공통 알고리즘 및 복수의 집합형 투자 상품 각각에 대한 적어도 하나의 가변 요소를 결합하여 복수의 집합형 투자 상품 각각에 대한 투자 위험 분석 모델을 생성할 수 있다.
단계 S850에서 투자 위험 분석 장치(100)는 투자 위험 분석 모델을 이용하여 복수의 집합형 투자 상품 각각에 대한 투자 위험도를 도출할 수 있다.
상술한 설명에서, 단계 S810 내지 S850은 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 8을 통해 설명된 투자 위험 분석 장치(100)에서 집합형 투자 상품에 대한 맞춤형 투자 위험 분석 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 8을 통해 설명된 투자 위험 분석 장치(100)에서 집합형 투자 상품에 대한 맞춤형 투자 위험 분석 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 (16)

  1. 집합형 투자 상품에 대한 맞춤형 투자 위험 분석 장치에 있어서,
    외부 서버로부터 복수의 집합형 투자 상품과 관련된 시계열 데이터를 수신하는 데이터 수신부;
    상기 시계열 데이터를 이용하여 상기 복수의 집합형 투자 상품의 투자 위험 분석에 대한 공통 알고리즘을 생성하는 공통 알고리즘 생성부;
    상기 복수의 집합형 투자 상품 각각에 대한 적어도 하나의 가변 요소를 선택하는 가변 요소 선택부;
    상기 공통 알고리즘 및 상기 복수의 집합형 투자 상품 각각에 대한 상기 적어도 하나의 가변 요소를 결합하여 상기 복수의 집합형 투자 상품 각각에 대한 투자 위험 분석 모델을 생성하는 모델 생성부; 및
    상기 투자 위험 분석 모델을 이용하여 상기 복수의 집합형 투자 상품 각각에 대한 투자 위험도를 도출하는 투자 위험도 도출부
    를 포함하는 것인, 투자 위험 분석 장치.
  2. 제 1 항에 있어서,
    상기 가변 요소는 상승강도를 점검할 기간, 변동성 강도를 점검할 기간, 시세의 이상 발생 여부를 측정할 확률, 상승 추세 감지를 위한 시세의 상대적 거리, 수익 확보 또는 손실 제어를 위한 시세의 상대적 거리 및 위험 확대를 제어하기 위한 손실 범위 중 적어도 하나를 포함하는 것인, 투자 위험 분석 장치.
  3. 제 1 항에 있어서,
    상기 가변 요소 선택부는
    상기 적어도 하나의 가변 요소 각각의 가변 요소 값에 대한 변동 범위를 설정하고,
    상기 공통 알고리즘 및 상기 변동 범위가 설정된 적어도 하나의 가변 요소에 기초하여 시뮬레이션을 수행하고,
    상기 시뮬레이션에 기초하여 기설정된 조건을 만족시키는 상기 적어도 하나의 가변 요소 각각의 가변 요소 값에 대한 조합을 선택하는 것인, 투자 위험 분석 장치.
  4. 제 3 항에 있어서,
    상기 가변 요소 선택부는 상기 시뮬레이션에 기초하여 총 손익, 연평균 손익, 평균 손익비, 최대 손실 폭, 수익 거래 비중, 총 수익/총 손실 및 수익률 중 적어도 하나를 포함하는 항목이 최고 성능을 만족시키는 상기 적어도 하나의 가변 요소 각각의 가변 요소 값에 대한 조합을 선택하는 것인, 투자 위험 분석 장치.
  5. 제 1 항에 있어서,
    상기 투자 위험 분석 모델은 집합형 투자 상품의 보유시 투자 위험을 분석하거나 집합형 투자 상품의 비보유시 투자 위험을 분석하는 것인, 투자 위험 분석 장치.
  6. 제 1 항에 있어서,
    상기 도출된 투자 위험도를 평가하여 상기 복수의 집합형 투자 상품 각각에 대한 투자 위험 분석 모델을 갱신하는 모델 갱신부
    를 더 포함하는 것인, 투자 위험 분석 장치.
  7. 제 1 항에 있어서,
    상기 투자 위험도에 기초하여 사용자 단말에 경고하는 경고부
    를 더 포함하는 것인, 투자 위험 분석 장치.
  8. 제 7 항에 있어서,
    상기 경고부는 상기 투자 위험도에 기초하여 매수 신호, 매도 신호 및 보유 신호 중 하나를 사용자 단말에 전송하는 것인, 투자 위험 분석 장치.
  9. 집합형 투자 상품에 대한 맞춤형 투자 위험 분석 방법에 있어서,
    외부 서버로부터 복수의 집합형 투자 상품과 관련된 시계열 데이터를 수신하는 단계;
    상기 시계열 데이터를 이용하여 상기 복수의 집합형 투자 상품의 투자 위험 분석에 대한 공통 알고리즘을 생성하는 단계;
    상기 복수의 집합형 투자 상품 각각에 대한 적어도 하나의 가변 요소를 선택하는 단계;
    상기 공통 알고리즘 및 상기 복수의 집합형 투자 상품 각각에 대한 상기 적어도 하나의 가변 요소를 결합하여 상기 복수의 집합형 투자 상품 각각에 대한 투자 위험 분석 모델을 생성하는 단계; 및
    상기 투자 위험 분석 모델을 이용하여 상기 복수의 집합형 투자 상품 각각에 대한 투자 위험도를 도출하는 단계
    를 포함하는 것인, 투자 위험 분석 방법.
  10. 제 9 항에 있어서,
    상기 가변 요소는 상승강도를 점검할 기간, 변동성 강도를 점검할 기간, 시세의 이상 발생 여부를 측정할 확률, 상승 추세 감지를 위한 시세의 상대적 거리, 수익 확보 또는 손실 제어를 위한 시세의 상대적 거리 및 위험 확대를 제어하기 위한 손실 범위 중 적어도 하나를 포함하는 것인, 투자 위험 분석 장치.
  11. 제 9 항에 있어서,
    상기 적어도 하나의 가변 요소를 선택하는 단계는,
    상기 적어도 하나의 가변 요소 각각의 가변 요소 값에 대한 변동 범위를 설정하는 단계;
    상기 공통 알고리즘 및 상기 변동 범위가 설정된 적어도 하나의 가변 요소에 기초하여 시뮬레이션을 수행하는 단계; 및
    상기 시뮬레이션에 기초하여 기설정된 조건을 만족시키는 상기 적어도 하나의 가변 요소 각각의 가변 요소 값에 대한 조합을 선택하는 단계
    를 포함하는 것인, 투자 위험 분석 방법.
  12. 제 11 항에 있어서,
    상기 적어도 하나의 가변 요소를 선택하는 단계는,
    상기 시뮬레이션에 기초하여 총 손익, 연평균 손익, 평균 손익비, 최대 손실 폭, 수익 거래 비중, 총 수익/총 손실 및 수익률 중 적어도 하나를 포함하는 항목이 최고 성능을 만족시키는 상기 적어도 하나의 가변 요소 각각의 가변 요소 값에 대한 조합을 선택하는 것인, 투자 위험 분석 방법.
  13. 제 9 항에 있어서,
    상기 투자 위험 분석 모델은 집합형 투자 상품의 보유시 투자 위험을 분석하거나 집합형 투자 상품의 비보유시 투자 위험을 분석하는 것인, 투자 위험 분석 방법.
  14. 제 9 항에 있어서,
    상기 도출된 투자 위험도를 평가하여 상기 복수의 집합형 투자 상품 각각에 대한 투자 위험 분석 모델을 갱신하는 단계
    를 더 포함하는 것인, 투자 위험 분석 방법.
  15. 제 9 항에 있어서,
    상기 투자 위험도에 기초하여 사용자 단말에 경고하는 단계
    를 더 포함하는 것인, 투자 위험 분석 장치.
  16. 제 15 항에 있어서,
    상기 사용자 단말에 경고하는 단계는,
    상기 투자 위험도에 기초하여 매수 신호, 매도 신호 및 보유 신호 중 하나를 사용자 단말에 전송하는 것인, 투자 위험 분석 방법.
PCT/KR2022/008988 2021-06-24 2022-06-24 집합형 투자 상품에 대한 맞춤형 투자 위험 분석 장치 및 방법 WO2022270959A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2021-0082059 2021-06-24
KR20210082059 2021-06-24
KR10-2022-0044014 2022-04-08
KR1020220044014A KR20230000417A (ko) 2021-06-24 2022-04-08 집합형 투자 상품에 대한 맞춤형 투자 위험 분석 장치 및 방법

Publications (1)

Publication Number Publication Date
WO2022270959A1 true WO2022270959A1 (ko) 2022-12-29

Family

ID=84544645

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/008988 WO2022270959A1 (ko) 2021-06-24 2022-06-24 집합형 투자 상품에 대한 맞춤형 투자 위험 분석 장치 및 방법

Country Status (1)

Country Link
WO (1) WO2022270959A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000059194A (ko) * 2000-07-20 2000-10-05 임웅순 투자 위험 분석 정보 제공 서비스 장치 및 방법
KR20050025688A (ko) * 2003-09-08 2005-03-14 (주)빅트레이드 기대수익률과 예상리스크 금융 정보 서비스 방법
KR101139626B1 (ko) * 2011-12-07 2012-04-27 우리투자증권 주식회사 운용과정 기반의 포트폴리오 리스크 평가 방법 및 시스템
US20190130488A1 (en) * 2010-05-19 2019-05-02 Axioma, Inc. Systems and Methods for Asynchronous Risk Model Return Portfolios
KR20200061144A (ko) * 2018-11-23 2020-06-02 광운대학교 산학협력단 주식 포트폴리오 구성을 위한 주식 종목 선택 장치 및 그 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000059194A (ko) * 2000-07-20 2000-10-05 임웅순 투자 위험 분석 정보 제공 서비스 장치 및 방법
KR20050025688A (ko) * 2003-09-08 2005-03-14 (주)빅트레이드 기대수익률과 예상리스크 금융 정보 서비스 방법
US20190130488A1 (en) * 2010-05-19 2019-05-02 Axioma, Inc. Systems and Methods for Asynchronous Risk Model Return Portfolios
KR101139626B1 (ko) * 2011-12-07 2012-04-27 우리투자증권 주식회사 운용과정 기반의 포트폴리오 리스크 평가 방법 및 시스템
KR20200061144A (ko) * 2018-11-23 2020-06-02 광운대학교 산학협력단 주식 포트폴리오 구성을 위한 주식 종목 선택 장치 및 그 방법

Similar Documents

Publication Publication Date Title
WO2018101722A2 (ko) 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법
Wang et al. Modeling multivariate degradation processes with time‐variant covariates and imperfect maintenance effects
WO2020130306A1 (ko) 검증용 주석 처리 작업을 이용한 실전용 주석 처리 작업의 검증 방법 및 장치
WO2020242008A1 (en) Method and device for managing multiple remote radio heads in communication network
WO2022065623A1 (en) Method of implementing self-organizing network for plurality of access network devices and electronic device for performing the same
KR20020018202A (ko) 반도체 디바이스를 특징짓는 방법 및 장치
WO2022114654A1 (ko) 공정 모니터링 시스템 및 방법
CN118368549B (zh) 一种应用于光无源器件的物联网线路智能优化方法和系统
WO2022270959A1 (ko) 집합형 투자 상품에 대한 맞춤형 투자 위험 분석 장치 및 방법
CN107819745A (zh) 异常流量的防御方法和装置
WO2020062639A1 (zh) 区块链引入测试方法、装置、设备及计算机可读存储介质
CN106874423A (zh) 搜索控制方法和系统
Liu et al. AI‐Assisted Failure Location Platform for Optical Network
KR20230048806A (ko) 스마트 팩토리 관리 시스템 및 방법
WO2024066636A1 (zh) 光纤检测方法、电子设备及计算机可读存储介质
Wang et al. Human Operating Risk Assessment for Outdoor Terminal Box of Electric Power
CN105825318B (zh) 一种电力通信网络数据质量监控方法
KR20210075654A (ko) 블록체인 생성 시스템 및 그 운용 방법
WO2021117987A1 (ko) 배전반의 화재 보험료 할인율 산정 장치
US20100076798A1 (en) Modeling, monitoring, and managing system dimensions for a service assurance system
WO2022004955A1 (ko) 전력사용량 기반 신용평가 시스템 및 방법
Livshitz et al. Security assessment process of IT-components for cloud infrastructure
WO2023211190A1 (ko) 가격 및 거래량을 예측하고 가치를 평가하기 위한 기계학습 모델 기반 암호화폐 분석 서비스 제공방법 및 제공장치
CN111277926B (zh) 一种无源业务验真方法
KR102656364B1 (ko) 전력 분배 관리시스템

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: 22828806

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: 22828806

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 23.05.2024)