KR20190047285A - A method of recommending stock items using investment patterns of clients having similar tendency and system thereof - Google Patents
A method of recommending stock items using investment patterns of clients having similar tendency and system thereof Download PDFInfo
- Publication number
- KR20190047285A KR20190047285A KR1020170140986A KR20170140986A KR20190047285A KR 20190047285 A KR20190047285 A KR 20190047285A KR 1020170140986 A KR1020170140986 A KR 1020170140986A KR 20170140986 A KR20170140986 A KR 20170140986A KR 20190047285 A KR20190047285 A KR 20190047285A
- Authority
- KR
- South Korea
- Prior art keywords
- customer
- stock
- customers
- history
- information
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Technology Law (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
Description
본 발명은 주식 종목 추천 방법 및 이를 이용한 시스템에 관한 것으로서, 보다 상세하게는 유사한 성향을 가진 고객의 투자 패턴을 이용하여 주식 종목을 추천하는 방법에 관한 것이다.The present invention relates to a stock recommendation method and a system using the same, and more particularly, to a method of recommending a stock item using an investment pattern of a customer having a similar tendency.
주식 종목 추천 방법으로는 다양한 방법이 존재하고 있으며, 주식 종목을 추천함에 있어서 고려해야 할 중요한 요소 중 하나는 고객의 투자 성향이다. 유사한 투자 성향을 가진 고객들에게는 유사한 주식 종목을 추천하는 것이 바람직하기 때문이다. 투자 성향으로는 절대 안정 추구형, 안정 추구형, 안정 수익 추구형, 수익 추구형, 고수익 추구형 등 다양한 성향이 존재한다. 절대 안정 추구형은 투자한 원금에 대한 손실을 원하지 않고 기대 수익률이 낮더라도 원금 손실이 거의 없는 안전한 금융상품에 주로 투자하고 미래의 확실한 원금 보전과 환금성을 고려한 투자 계획을 구성한다. 안정 추구형은 안정성 위주의 금융 상품에 투자를 결정하고 일정 부분까지는 위험을 허용하지만 대부분 투자 원금이 보호되는 자산에 투자하기를 희망한다. 안정 수익 추구형은 일부 투자 자산에 대해서는 추가 수익을 기대하며 일정 수준의 원금 손실을 인정하고 주식형 상품은 일부만 포함하고 위험이 작은 상품이나 채권형 중심으로 자산을 구성한다. 수익 추구형은 유동성 확보를 위한 일부 자산을 제외하고는 위험이 높은 자산에 투자하고 고수익을 추구하는 투자자로서 높은 수익을 내는 데에는 위험도 함께 증가한다는 것을 잘 인식한다. 고수익 추구형은 수익 추구형 투자자와 마찬가지로 위험을 기꺼이 감수하고서라도 고수익을 추구하며 예상 수익이 높다고 판단되면 주식이나 파생 상품과 같은 위험이 큰 투자 상품에도 기꺼이 투자한다.There are various ways to recommend stocks, and one of the important factors to consider when recommending stocks is the customer's propensity to invest. It is desirable to recommend similar stocks to customers with similar investment tendencies. There are various tendencies such as absolute stability pursuit type, stable pursuit type, stable profit pursuit type, profit seeking type and high profit seeking type. Absolute stabilization type invests mainly in safe financial products that do not want loss on investment and do not have a loss of principal even though the expected return is low, and make an investment plan that takes into account the future preservation of certain principal and repayment. The stability-seeking type invests in stability-oriented financial products and hopes to invest in assets where most of the investment principal is protected, while allowing a certain amount of risk. The stable profit-seeking type expects additional profits for some investment assets, recognizes a certain level of loss of principal, constructs assets with a small number of equity-type products and small risky assets or bonds. The profit-seeking type recognizes that the risks increase as well as investing in high-risk assets and making high returns as investors seeking high profits, except for some assets to secure liquidity. High-yielding investors are willing to invest in high-risk investment products such as stocks and derivatives, as they are willing to risk and seek high returns, as well as profit-seeking investors.
종래에는 고객에게 고객의 투자 성향 설문 조사 결과나 거래 정보를 통해서 파악하였다. 즉, 고객이 생각하기에 본인의 투자 성향이 어떠한지를 물어보고 이에 맞추어서 주식 종목을 추천하거나, 고객의 거래 정보를 토대로 투자 성향을 파악하여 주식 종목을 추천하기도 하였다.In the past, we have grasped the customer through the customer's investment incentive survey result or transaction information. In other words, the customer was asked about the investment propensity of his / her idea and recommends stocks in accordance with it, or recommends stocks based on the customer's transaction information.
또한, 주식 투자를 희망하는 사용자의 단말로부터 제공되는 개인 정보를 이용하여 해당 사용자의 개인 성향을 판단하고, 상기 판단된 개인 성향을 근거로 주식 종목을 추천하는 방법도 존재한다. 이는 단순히 종목 분석을 통하여 주식 종목을 추천하는 대신에 개인 성향에 근거하여 주식 종목을 추천함으로써 올바른 투자 방향을 설정하도록 하기 위함이다.There is also a method of determining personal preference of a user using personal information provided from a terminal of a user wishing to invest in a stock and recommending stock items based on the determined personal preference. This is to ensure that the correct investment direction is set by recommending stocks based on personal preference instead of simply recommending stocks through stock analysis.
주식 종목을 추천함에 있어서 주식 투자자들의 투자 성향을 고려해서 주식 종목을 추천하는 것이 바람직하므로 주식 투자자들의 성향을 파악하기 위한 방법이 다양하게 시도되고 있다.In recommending stocks, it is desirable to recommend stocks considering the investment propensity of stock investors. Therefore, various methods are being tried to grasp the tendency of stock investors.
본 발명이 이루고자 하는 기술적 과제는 고객의 주식 정보 데이터를 활용하여 고객의 주식 매매 이력을 점수화하여 유사한 성향을 가진 고객을 분류하고, 분류된 고객들 사이에서 다른 고객들은 구매하였으나 특정 고객은 구매하지 않은 주식 종목을 특정 고객에게 추천하는 주식 종목 추천 방법과 시스템을 제공하는데 있다.The technical problem to be solved by the present invention is to classify a customer having a similar tendency by scoring a stock trading history of a customer using stock information data of a customer and to classify customers having similar tendencies, And recommends stocks to specific customers.
본 발명의 목적은 이상에서 언급된 목적으로 제한되지 않으며, 언급되지 않은 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The objects of the present invention are not limited to the above-mentioned objects, and other objects not mentioned can be clearly understood by those skilled in the art from the following description.
상기 기술적 과제를 이루기 위한 본 발명의 일 양태에 따르면, 유사 성향 고객의 투자 패턴을 이용한 주식 종목 추천 방법은 증권사로부터 고객 거래정보를 포함하는 고객 정보 데이터와 종목 정보 데이터를 입수하는 단계와, 상기 입수된 고객 정보 데이터와 종목 정보 데이터를 기초로 고객 유형별로 고객들을 분류하는 단계, 상기 분류된 고객의 주식 매매 이력 정보를 이용하여 상기 고객의 보유 종목별로 주식 거래의 최근성, 주식 거래 빈도, 주식 거래 규모 별로 평가값을 설정하여 주식 매매 이력을 점수화하는 단계, 상기 점수화된 주식 매매 이력에 기초하여 매매한 주식종목과 매매 이력 점수가 일정 범위내로 유사한 고객별로 상기 고객을 분류하여 고객 그룹을 생성하는 단계와 상기 생성된 고객 그룹에 속하는 고객들에게 주식 종목을 추천하는 단계를 포함한다.According to an aspect of the present invention, there is provided a stock recommendation method using an investment pattern of a similar tendency customer, comprising: obtaining customer information data and item information data including customer transaction information from a securities company; Classifying the customers according to customer types based on the customer information data and the item information data, using the classified stock history information of the classified customers, A step of scoring the stock trading history by setting an evaluation value for each scale, generating a customer group by classifying the customers for customers whose stocks are traded on the basis of the scored stock trading history, And recommends stock items to the customers belonging to the created customer group And a step.
다른 실시예에서, 상기 주식 종목을 추천하는 단계는, 상기 생성된 고객 그룹에 속한 다른 고객들이 구매하였지만 특정 고객은 구매하지 않은 주식 종목을, 상기 특정 고객에게 추천하는 단계를 포함할 수 있다.In another embodiment, the step of recommending the stock item may include recommending a stock item, which has been purchased by other customers belonging to the generated customer group but has not been purchased by the specific customer, to the specific customer.
또 다른 실시예에서, 상기 주식 매매 이력을 점수화하는 단계 이후에 수학식 1을 이용하여 분산값(V)을 최소화하는 고객 그룹집합 Si를 탐색하여 고객을 분류하는 단계를 포함하고, 상기 고객 그룹을 생성하는 단계는 상기 탐색된 고객 그룹 집합 Si별로 분류된 고객들 정보에 기초할 수 있다.In yet another embodiment, the step of scoring the stock trading history includes searching for a customer group set S i that minimizes the variance value
[수학식 1][Equation 1]
(ui는 i번째 그룹의 중심이 되는 고객의 주식 매매 이력 점수 데이터이고, xj는 각 고객의 주식 매매 이력 점수 데이터이고, Si는 그룹에 속하는 고객의 집합이고, i는 고객 그룹의 번호를 의미하고, j는 그룹에 속하는 고객을 식별하는 변수임.)(u i is the stock trading history score data of the customer who is the center of the i-th group, x j is the stock trading history score data of each customer, S i is a set of customers belonging to the group, , And j is a variable that identifies the customer belonging to the group.)
또 다른 실시예에서, 상기 주식 종목을 추천하는 단계는, 상기 생성된 고객 그룹에 있어서, 고객 계좌 정보를 활용하여 고객 그룹별 구매 이력을 생성하는 단계, 상기 고객 그룹별 구매 이력을 이용하여 주식 구매의 최근성, 주식 구매 빈도, 주식 구매 규모 별로 평가값을 설정하여 주식 구매 이력을 점수화하는 단계, 상기 생성된 고객 그룹별 구매 이력을 기초로 상기 그룹별 고객이 공통으로 구매한 주식 종목에 대한 구매 이력 평가값을 수학식2에 입력하여 고객간의 유사도를 계산하는 단계, 상기 계산된 유사도를 기초로 상기 고객 그룹 중에서 유사도가 가장 가까운 고객들 순서대로 미리 정해진 인원수만큼 선택하는 단계와 상기 선택된 고객들 중 다른 고객들이 구매하였지만 특정 고객은 구매하지 않은 주식 종목을 상기 특정 고객에게 추천하는 단계를 포함할 수 있다.In another embodiment, the step of recommending the stock item may include generating a purchase history for each customer group using the customer account information in the generated customer group, A step of scoring a stock purchase history by setting an evaluation value for each of the latest properties, a stock purchase frequency, and a stock purchase scale, a step of purchasing stock items purchased commonly by the customers of each group based on the generated purchase history for each customer group Calculating a similarity degree between customers by inputting a hysteresis evaluation value into Equation (2), selecting a predetermined number of customers in order of closest closest customers among the customer groups based on the calculated similarity, A specific customer purchases a stock item that has not been purchased and recommends the stock item to the specific customer It may include a system.
[수학식 2]&Quot; (2) "
(여기서, x,y는 유사도의 계산 대상이 되는 두 고객이고, rx,i 는 공통으로 구매한 주식종목(Ixy)에 대한 고객 x의 점수이고, ry,i 는 공통으로 구매한 주식종목(Ixy)에 대한 고객 y의 점수이고, Ix 는 x가 구매한 주식종목이고, Iy는 y가 구매한 주식종목임.)(Where x and y are two customers to be calculated for similarity, and r x, i Is the score of customer x for the common stock item (I xy ), r y, i Y is the point of the customer on a stock ticker (I xy) buy in common, I x x is a purchase stock ticker, I y y a stock ticker is being purchased).
또 다른 실시예에서, 상기 고객 그룹별 구매 이력을 생성하기 위하여 활용되는 고객 계좌 정보는 종목정보, 거래수량, 매수 평균 단가, 계좌당 거래보유 종목 수에 관한 데이터를 기초로 할 수 있다.In another embodiment, the customer account information used to generate the purchase history for each customer group may be based on data on stock information, transaction quantity, average buying unit price, and number of transaction hold items per account.
또 다른 실시예에서, 상기 고객 정보 데이터와 종목 정보 데이터에 기초하여 고객을 분류하는 단계는, 기존 고객의 경우는 고객 정보 데이터의 고객 기본 정보를 기초로 기본적인 고객 투자 성향을 파악하여 고객을 분류하는 단계와, 신규 고객의 경우는 가입시 작성한 투자 성향 설문을 활용하여 고객을 분류하는 단계를 포함할 수 있다.In another embodiment, the step of classifying the customers based on the customer information data and the item information data may include classifying the customers based on the basic customer investment tendency based on the customer basic information of the customer information data in the case of the existing customer And, in the case of a new customer, classifying the customer using the investment incentive questionnaire created at the time of the subscription.
또 다른 실시예에서, 상기 주식 매매 이력 정보는 주식 매매 종목 정보, 주식 매매 종목 단가, 매매 수량, 예수금, 증거금으로 구성될 수 있다.In another embodiment, the stock trading history information may be comprised of stock trading information, stock trading stock price, trading quantity, deposit, and margin.
또 다른 실시예에서, 상기 주식 매매 이력을 점수화함에 있어서 사용되는 변수는 종목 정보, 종목 단가, 수량, 예수금, 증거금이고, 상기 주식 거래의 최근성은 소정 기간 내에 유가증권 표준코드로 식별되는 주식 종목을 거래한 시점을 기준으로 점수를 산정하고, 상기 주식 거래 빈도는 소정 기간 내에 상기 주식 종목의 거래 수량으로 점수를 산정하고, 상기 주식 거래 규모는 상기 주식 종목의 거래에 사용된 총 금액으로써, 종목 단가에 수량을 곱한 금액에 예수금과 증거금을 합해서 점수를 산정할 수 있다.In another embodiment, the variable used in scoring the stock trading history is stock information, stock price, stock price, deposit amount, margin amount, and the recentness of the stock trading is a stock item that is identified with a securities standard code within a predetermined period And the stock trading frequency is a score calculated by the transaction quantity of the stock item within a predetermined period, and the stock transaction scale is a total amount used for the transaction of the stock item, You can calculate your score by summing the deposit and the margin at the amount multiplied by the quantity.
또 다른 실시예에서, 유사 성향 고객의 투자 패턴을 이용한 주식 종목 추천 시스템은, 증권사로부터 고객 거래정보를 포함하는 고객 정보 데이터와 종목 정보 데이터를 입수하는 데이터 입수부, 상기 입수된 고객 정보 데이터와 종목 정보 데이터를 기초로 고객 유형별로 고객들을 분류하는 고객 분류부, 상기 분류된 고객의 주식 매매 이력 정보를 이용하여 주식 거래의 최근성, 주식 거래 빈도, 주식 거래 규모 별로 점수를 설정하여 주식 매매 이력을 점수화하는 매매 이력 분류부, 상기 점수화된 주식 매매 이력에 기초하여 매매한 주식 종목과 매매 이력 점수가 일정 범위내로 유사한 고객별로 상기 고객을 분류하여 고객 그룹을 생성하는 고객 그룹 생성부, 상기 생성된 고객 그룹에 속하는 고객들에게 주식 종목을 추천하는 주식 종목 추천부를 포함할 수 있다.In another embodiment, a stock recommendation system using an investment pattern of a pseudo-tendency customer includes a data acquiring unit for acquiring customer information data and item information data including customer transaction information from a securities company, A customer classifying unit for classifying customers by customer type based on information data, a score by a recent stock trading frequency, a stock trading frequency, and a stock trading scale using a stock trading history information of the classified customer, A customer group creation unit for creating a customer group by classifying the customers for similar customers within a certain range of stock items traded based on the scored stock trading history, Includes recommendations for share stocks that recommend stocks to customers in the group Can.
기타 실시예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.The details of other embodiments are included in the detailed description and drawings.
본 발명에 따르면, 소정의 알고리즘을 통한 점수화로 주식 매매 이력을 분류하여 투자 성향이 유사한 고객들로 분류가 가능하다. 그리고 점수화된 매매 이력을 기초로 유사한 점수를 가지는 고객들 별로 고객 그룹을 생성함으로써 유사한 성향을 가지는 고객 그룹으로 분류가 가능하다.According to the present invention, it is possible to classify the stock trading history by scoring through a predetermined algorithm and classify it as customers having similar investment tendencies. It is possible to classify customer groups having similar tendencies by creating customer groups for customers having similar scores based on the scored marketing history.
또한, 소정의 유사도 모델링을 통해서 유사한 성향을 가지는 고객들을 선정함으로써 고객들을 더욱 세분화하여 분류할수 있고, 이들 사이에서 주식 종목을 추천함으로써 비슷한 사용자 간에 실매매 기반 주식 종목 추천이 가능하다.Also, by selecting customers with similar tendencies through a certain degree of similarity modeling, customers can be further subdivided into categories, and recommendation of stock items among similar users makes it possible to recommend real stock based stocks among similar users.
따라서 기존의 수익률과 위험성향 기반의 주식 종목 추천 방법과는 달리, 고객들을 성향별로 분류하여 성향에 맞게 주식 종목을 추천하여 주는 것이므로 고객들에게 보다 적합한 주식 종목 추천이 가능하다. Therefore, unlike the stock recommendation method based on the existing return and risk propensity, it is possible to recommend stock stocks that are more suitable for customers, since customers are classified according to their tendencies and recommended stocks according to their tendencies.
도 1은 본 발명의 일 실시예에 따른 주식 종목 추천 시스템의 구성도이다.
도 2는 고객 정보 데이터베이스와 종목 정보 데이터베이스의 구성도이다.
도 3은 매매이력 분류부의 구성도이다.
도 4는 고객 그룹 분류부의 구성도이다.
도 5는 고객 그룹 생성부의 구성도이다.
도 6은 고객 그룹별 구매 이력 생성부의 구성도이다.
도 7은 구매 이력 분류부의 구성도이다.
도 8은 유사도 계산부의 구성도이다.
도 9는 유사 고객 선택부의 구성도이다.
도 10은 본 발명의 다른 실시예에 따른 주식 종목 추천 방법을 나타낸 순서도이다.
도 11은 고객을 분류하는 방법을 나타낸 순서도이다.
도 12는 고객간의 유사도 계산을 통한 주식 종목 추천 방법을 나타낸 순서도이다.1 is a configuration diagram of a stock stock recommendation system according to an embodiment of the present invention.
2 is a block diagram of a customer information database and a stock information database.
3 is a block diagram of the trading history classifying section.
4 is a block diagram of the customer grouping unit.
5 is a configuration diagram of a customer group generating unit.
6 is a configuration diagram of a purchase history generation unit for each customer group.
7 is a configuration diagram of a purchase history classifying section.
8 is a configuration diagram of the similarity calculation unit.
9 is a configuration diagram of a similar customer selecting unit.
10 is a flowchart illustrating a method of recommending stocks according to another embodiment of the present invention.
11 is a flowchart showing a method of classifying customers.
FIG. 12 is a flowchart showing a stock recommendation method through calculation of similarities among customers.
이하, 첨부한 도면들 및 후술되어 있는 내용을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 그러나, 본 발명은 여기서 설명되어지는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다. 명세서 전체에 걸쳐서 동일한 참조번호들은 동일한 구성요소들을 나타낸다. 한편, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급되지 않는 한 복수형도 포함된다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소, 단계, 동작 및/또는 소자가 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings and the following description. However, the present invention is not limited to the embodiments described herein but may be embodied in other forms. Rather, the embodiments disclosed herein are provided so that the disclosure can be thorough and complete, and will fully convey the scope of the invention to those skilled in the art. Like reference numerals designate like elements throughout the specification. It is to be understood that the terminology used herein is for the purpose of describing particular embodiments only and is not intended to be limiting of the invention. In the present specification, the singular form includes plural forms unless otherwise specified in the specification. &Quot; comprises " and / or " comprising ", as used herein, unless the recited element, step, operation, and / Or additions.
또한, “부”내지 모듈 이란, 일반적으로 논리적으로 분리 가능한 소프트웨어(컴퓨터·프로그램), 하드웨어 등의 부품을 가리킨다. 따라서, 본 실시형태에 있어서의 모듈은 컴퓨터·프로그램에 있어서의 모듈뿐만 아니라, 하드웨어 구성에 있어서의 모듈도 가리킨다. 그 때문에, 본 실시형태는, 그것들을 모듈로서 기능시키기 위한 컴퓨터·프로그램(컴퓨터에 각각의 단계를 실행시키기 위한 프로그램, 컴퓨터를 각각의 수단으로서 기능시키기 위한 프로그램, 컴퓨터에 각각의 기능을 실현시키기 위한 프로그램), 시스템 및 방법의 설명도 겸하고 있다. 다만, 설명의 형편상, 「저장한다」, 「저장시킨다」, 이것들과 동등한 문언을 이용하지만, 이들 문언은, 실시형태가 컴퓨터·프로그램일 경우에는, 기억 장치에 기억시키는, 또는 기억 장치에 기억시키는 것과 같이 제어하는 것을 의미한다. 또한, “부” 내지 모듈은 기능에 일대일로 대응하고 있어도 되지만, 실장에 있어서는, 1모듈을 1프로그램으로 구성해도 되고, 복수 모듈을 1프로그램으로 구성해도 되고, 반대로 1모듈을 복수 프로그램으로 구성해도 된다. 또한, 복수 모듈은 1컴퓨터에 의해 실행되어도 되고, 분산 또는 병렬 환경에 있어서의 컴퓨터에 의해 1모듈이 복수 컴퓨터로 실행되어도 된다. 또한, 1개의 모듈에 다른 모듈이 포함되어 있어도 된다. 또한, 이하, 「접속」이란 물리적인 접속 외에, 논리적인 접속(데이터의 주고받기, 지시, 데이터간의 참조 관계 등)일 경우에도 채용한다. 「미리 정해진」이란, 대상으로 하고 있는 처리 전에 정해져 있음을 말하고, 본 실시형태에 의한 처리가 개시되기 전은 물론이고, 본 실시형태에 의한 처리가 개시된 후에도, 대상으로 하고 있는 처리 전이면, 그 때의 상황·상태에 따라, 또는 그때까지의 상황·상태에 따라 정해지는 것의 의미를 포함해서 이용한다.The term " part " or " module " generally refers to a component such as software (computer program) or hardware that is logically separable. Therefore, the module in the present embodiment refers not only to a module in a computer program, but also a module in a hardware configuration. Therefore, the present embodiment is applicable to a computer program for making them function as a module (a program for causing each step to be executed in a computer, a program for making the computer function as each means, Program), system and method. It should be noted that, for convenience of explanation, the words " save ", " save ", and words equivalent to these words are used. However, these words may be stored in a storage device, And the like. In addition, the module may correspond to the functions on a one-to-one basis, but in the case of mounting, one module may be constituted by one program, a plurality of modules may be constituted by one program, do. Further, a plurality of modules may be executed by one computer, and one module may be executed by a plurality of computers by a computer in a distributed or parallel environment. Further, another module may be included in one module. Hereinafter, " connection " is used in addition to the physical connection, also in the case of logical connection (data exchange, instruction, reference relationship among data, etc.). The term " predetermined " means that the processing is performed before the processing in accordance with the present embodiment. Even if the processing according to the present embodiment is started before the processing according to the present embodiment is started, It is used including the meaning of what is decided according to the situation, the state at the time, or the situation and the state up to that time.
또한, 시스템 또는 장치란, 복수의 컴퓨터, 하드웨어, 장치 등이 네트워크(일대 일 대응의 통신 접속을 포함함) 등의 통신 수단에 의해 접속되어 구성되는 것 외에, 1개의 컴퓨터, 하드웨어, 장치 등에 의해 실현될 경우도 포함된다. 「장치」와 「시스템」이란, 서로 동의(同意)의 용어로서 이용한다. 물론이지만, 「시스템」에는, 인위적인 결정인 사회적인 「기구」(사회 시스템)에 지나지 않는 것은 포함하지 않는다.The system or device is not limited to being configured by connecting a plurality of computers, hardware, devices, and the like by communication means such as a network (including a one-to-one correspondence communication connection) Including cases where it is realized. "Device" and "System" are used as terms of agreement. Of course, the "system" does not include anything that is nothing but a social "mechanism" (social system), an artificial decision.
또한, 각 부 내지 각 모듈에 의한 처리마다 또는 각 부 내지 모듈 내에서 복수의 처리를 행할 경우는 그 처리마다, 대상이 되는 정보를 기억 장치로부터 판독 입력하고, 그 처리를 행한 후에, 처리 결과를 기억 장치에 기입하는 것이다. 따라서, 처리 전의 기억 장치로부터의 판독 입력, 처리 후의 기억 장치에의 기입에 관해서는, 설명을 생략할 경우가 있다. 또한, 여기에서의 기억 장치로서는, 하드디스크, RAM(Random Access Memory), 외부 기억 매체, 통신 회선을 통한 기억 장치, CPU(Central Processing Unit) 내의 레지스터 등을 포함하고 있어도 된다.Further, when a plurality of processes are performed for each process by each module or each module, or when a plurality of processes are performed in each module, the target information is read and input from the storage device, the process is performed, And writes it to the storage device. Therefore, the description of the reading and writing from the storage device before processing and the writing into the storage device after processing may be omitted. The storage device here may include a hard disk, a RAM (Random Access Memory), an external storage medium, a storage device via a communication line, a register in a CPU (Central Processing Unit), and the like.
이하, 도 1 내지 도 9를 참조하여, 본 발명의 주식 종목 추천 시스템에 대하여 상세히 설명하기로 한다. 도 1은 본 발명의 일 실시예에 따른 주식 종목 추천 시스템의 구성도이다. 도 2는 고객정보데이터베이스와 종목정보데이터베이스의 구성도이다. 또한, 도 3은 매매이력 분류부의 구성도이고, 도 4는 고객 그룹 분류부의 구성도이고, 도 5는 고객 그룹 생성부의 구성도, 도 6은 고객 그룹별 구매 이력 생성부의 구성도이고, 도 7은 구매 이력 분류부의 구성도이다. 도 8은 유사도 계산부의 구성도이고, 도 9는 유사 고객 선택부의 구성도이다.Hereinafter, the stock stock recommendation system of the present invention will be described in detail with reference to FIGS. 1 to 9. FIG. 1 is a configuration diagram of a stock stock recommendation system according to an embodiment of the present invention. 2 is a block diagram of a customer information database and a stock information database. 4 is a block diagram of the customer group classifying unit, FIG. 5 is a block diagram of the customer group creating unit, FIG. 6 is a block diagram of the purchase history generating unit for each customer group, and FIG. Is a block diagram of the purchase history classifying section. 8 is a configuration diagram of the similarity calculation unit, and FIG. 9 is a configuration diagram of a similar customer selection unit.
주식 종목 추천 시스템(1)은 고객과 주식 종목에 관한 데이터를 입수하여 고객을 분류하고, 매매 이력을 점수화하여 이를 이용하여 고객 그룹을 더 세분화하여 분류하거나 고객 간의 유사한 정도를 나타내는 유사도를 계산하는데 사용한다. 유사한 그룹별로 분류된 고객들은 다른 유사한 고객들이 구매하였지만 자신은 구매하지 않은 주식 종목을 추천받게 된다.The stock recommendation system (1) obtains data on customers and stocks, classifies customers, scales sales histories, and uses them to further segment customer groups or calculate similarities that indicate similarities between customers do. Customers classified by similar groups will receive stocks that other similar customers have purchased but have not purchased.
구체적으로, 주식 종목 추천 시스템(1)은 고객 정보 데이터베이스(20)와 종목 정보 데이터베이스(30)로부터 고객 거래 정보와 주식 정보를 입수하는 데이터 입수부(100), 입수한 데이터를 기초로 고객을 분류하는 고객 분류부(200), 고객의 매매 이력 정보를 기초로 매매 이력을 점수화하여 매매 이력을 분류하는 매매 이력 분류부(300), 고객 기본 정보로 분류된 고객을 소정의 알고리즘을 통해서 K개의 군집으로 분류하는 고객 그룹 분류부(400), 사용자 기반 협업 필터링(User-Based CF)을 이용하여 고객 그룹을 생성하는 고객 그룹 생성부(500)를 포함한다.Specifically, the
또한, 주식 종목 추천 시스템(1)은 고객 계좌 정보를 수집하여 고객 그룹별 구매 이력을 생성하는 고객 그룹별 구매 이력 생성부(600), 고객 그룹별 구매 이력을 기초로 구매 이력을 점수화하는 구매 이력 분류부(700), 점수화된 구매 이력을 기초로 고객간의 유사도를 계산하는 유사도 계산부(800), 유사도 계산 결과 고객들 중 가장 유사한 N명을 선택하는 유사 고객 선택부(900), 유사한 패턴을 보이는 고객간에 다른 고객은 매수하였으나 특정 고객은 매수하지 않은 주식 종목을 추천하는 주식 종목 추천부(1000)를 포함한다.The stock recommendation system (1) includes a purchase history generation unit (600) for each customer group for collecting customer account information and generating a purchase history for each customer group, a purchasing history for scoring the purchase history based on the purchase history for each customer group
데이터 입수부(100)는 고객 정보 데이터베이스(20)로부터 고객에 대한 정보를 입수하고, 종목 정보 데이터(30)로부터 주식 종목에 대한 정보를 입수한다.The
고객 정보 데이터(20)는 성별, 연령, 고객 정보 코드 등을 포함하는 고객 기본 정보와 상품 유형 코드, 계좌 상태 코드 등을 포함하는 계좌 기본 정보, 주소 유형 코드, 동이상 주소 등을 포함하는 종합 계좌 주소, 종목 코드, 단가, 수량 등을 포함하는 일별 주식 잔고, 예수금 등을 포함하는 일별 계좌 정보, 증거금 등을 포함하는 일별 계좌 증거금, 그리고 PB 단말기 접속 정보 등의 데이터로 이루어진다.The
종목 정보 데이터(30)는 시가 총액 규모 코드, 액면가, 상장 주식수 등을 주요 칼럼으로 하는 코스피(KOSPI), 코스닥(KOSDAQ) 종목에 대한 정보를 포함하는 종목 마스터와 바이오 관련주, 태양광 발전 관련주 등과 같은 주요 테마로 하는 테마주 정보 데이터로 이루어진다. 상장 폐지 종목과 신주 인수권부 사채(BW), 주식 워런트 증권(ELW)은 분석 대상에서 제외한다.The
고객 분류부(200)는 데이터 입수부(100)로부터 입수한 고객 정보 데이터베이스(20)와 종목 정보 데이터베이스(30)의 정보를 기초로 고객을 분류하게 된다.The
구체적으로, 기존 고객의 경우는 고객 거래 정보를 통해서 고객을 분류할 수 있다. 기존 고객의 경우 고객 거래 정보를 통해서 고객의 투자 성향을 파악할 수 있기 때문이다. 투자 성향은 보통 공격 투자형, 위험 중립형, 안정 추구형, 안정형등으로 나뉜는데, 이러한 분류로 제한되는 것은 아니다. 공격 투자형은 높은 수준의 투자 수익을 추구하며, 이를 위해 자산 가치의 변동성에 따른 손실 위험을 적극 수용하며 투자 대금 대부분을 주식, 주식형 펀드 또는 파생 상품 등의 위험 자산에 투자할 의향이 있는 유형이다. 위험 중립형은 투자에 상응하는 투자 위험이 있음을 충분히 인식하고 있으며, 예금, 적금보다 높은 수익을 기대할 수 있다면 일정 수준의 손실 위험을 감수할 수 있는 유형이다. 안정 추구형은 투자 원금의 손실 위험을 최소화하고, 이자 소득이나 배당 소득 수준의 안정적인 투자를 목표로 하는 유형이다. 안정형은 예금 또는 적금 수준의 수익률을 기대하며, 투자 원금에 손실이 발생하는 것을 원하지 않는 유형이다.Specifically, in the case of existing customers, customers can be classified through customer transaction information. In the case of existing customers, customers' investment tendency can be grasped through customer transaction information. Investment tendency is divided into investment investment type, risk-neutral type, stability-seeking type, stable type and the like. The aggressive investment type seeks a high level of return on investment. To do so, it actively accepts the risk of loss due to the volatility of asset value and intends to invest most of its investment in risky assets such as stocks, equity funds, or derivatives . The risk-neutral type recognizes that there is an investment risk corresponding to the investment, and is able to take a certain level of loss risk if it can expect higher profit than deposits and savings. The stability-seeking type aims at minimizing the risk of loss of investment principal and stably investing in interest income or dividend income. The stable type expects a return of deposit or savings level and does not want to incur losses on the investment principal.
신규 고객의 경우는 주식 종목에 대한 과거 매매 이력이 없어서 거래 정보로 고객을 분류하기가 불가능하다. 따라서, 거래 이력 자료가 아닌 성별, 연령, 직업, 지역등 가입시 알 수 있는 정보를 통해서 고객을 분류한다. 예를 들어서 가입시 작성한 투자 성향 설문이 있다면 이를 활용하여 고객을 분류할 수 있다. In the case of a new customer, it is impossible to classify a customer into transaction information because there is no history of past transactions for stocks. Therefore, customers are classified through information that can be obtained at the time of subscription, such as gender, age, occupation, area, and not transaction history data. For example, if there is an investment incentive questionnaire created at the time of joining, it can be used to classify the customer.
고객 분류부(200)에서 분류된 고객의 주식 매매 이력 정보를 점수화 변수 설정부(310)에서 수집하고 이를 이용하여 매매 이력 점수화부(320)에서 고객의 매매 이력을 점수화하여 매매 이력을 분류한다.The stock trading history information of the customer classified in the
고객의 주식 매매 이력 정보는 고객이 과거에 매매한 종목들을 분석하여 자료를 구성하는 것이다. 고객이 과거에 매매한 주식의 종목 정보, 수량, 금액, 예수금, 증거금 등의 데이터를 활용하여 자료를 구성할 수 있다. 종목 정보는 어느 종목을 매매하였는지에 관한 것으로서 유가증권 표준코드를 통해서 알 수 있다. 예수금은 주식을 거래할 때 증권사에서 증권 계좌를 개설하고 주식 거래를 위해 계좌에 돈을 넣고 거래하는데, 이때 입금된 돈을 말한다. 증거금은 투자 거래를 원하는 투자자가 브로커에게 주는 소정의 돈을 말한다. 이와 같은 주식 매매 이력 정보를 기초로 점수화 변수 설정부(310)에서 주식 매매 이력 정보를 수집하게 된다.The customer's stock trading history information is the data that the customer analyzed and traded in the past. The data can be constructed using data such as stock information, quantity, amount, deposit, margin, etc. of the stocks traded in the past by the customer. The stock information is about which stocks are traded and can be found through securities standard codes. When you trade stocks, you open a securities account at a brokerage house, put money into your account for stock trading, and then you deposit money. The margin is the amount of money the investor wants to invest in the broker. The stock trading history information is collected in the scoring
점수화 변수 설정부(310)의 고객 매매 이력 정보를 기초로 매매 이력 점수화부(320)에서는 거래의 최근성(321), 거래 빈도(322), 거래 규모(323)를 통해서 고객의 주식 매매 이력을 점수화하게 된다.Based on the customer sales history information of the scoring
구체적으로, 유가증권 표준코드(311), 수량(312), 증거금(313), 종목단가(314), 예수금(315)의 변수들을 설정한다. 그리고 매매 이력 점수화부(320)에서는 거래의 최근성(321), 거래빈도(322), 거래규모(323)를 고려해서 매매 이력을 점수화하게 되는데, 이때 기간은 소정 기간 내의 거래를 기준으로 한다. 거래의 최근성(321)(Recency)에서는 어느 종목을 소정 기간 내에 언제 매매하였는지로, 거래 빈도(322)(Frequency)에서는 소정 기간 내에 해당 주식의 매매 수량으로, 거래 규모(323)(Monetary)에서는 소정 기간 내에 해당 주식의 매매에 사용된 총금액으로 점수를 설정할 수 있다. 점수화된 매매 이력으로 매매 이력 분류부(300)에서는 고객의 주식 매매 이력을 분류한다. 예를 들어 설명하면, 고객의 매매 이력을 (1,1,1) 또는 (3,1,2) 또는 (5,1,3)과 같은 방식으로 점수화하여 분류할 수 있다.Specifically, variables such as a securities
매매 이력 분류부(300)에서 점수화된 매매 이력을 이용하여, 고객 그룹 분류부(400)에서 수학식 1을 사용함으로써 고객 그룹을 분류할 수 있다. The
구체적으로, 그룹의 중심이 되는 고객의 점수와 각 분류된 고객 그룹내 고객의 점수를 하기 수학식 1에 입력하여 거리의 제곱 합인 분산값(V)을 최소로 하는 각 분류된 고객들의 집합을 찾게 된다.Specifically, the score of the customer who is the center of the group and the score of the customer in each classified customer group are input into Equation (1) to find the set of each classified customer that minimizes the variance value (V) do.
[수학식 1][Equation 1]
(ui는 i번째 그룹의 중심이 되는 고객의 주식 매매 이력 점수 데이터이고, xj는 각 고객의 주식 매매 이력 점수 데이터이고, Si는 그룹에 속하는 고객의 집합이고, i는 고객 그룹의 번호를 의미하고, j는 그룹에 속하는 고객을 식별하는 변수임.)(u i is the stock trading history score data of the customer who is the center of the i-th group, x j is the stock trading history score data of each customer, S i is a set of customers belonging to the group, , And j is a variable that identifies the customer belonging to the group.)
순서는 ① 매매 이력 분류부(300)에서 분류된 고객을 K 개의 그룹으로 임의로 분류하고, ② 각 그룹에 중심이 되는 고객을 1명씩 임의로 선정한다. ③ 그 다음 임의로 선정된 중심 고객의 점수로부터 가장 근접한 거리를 갖는 고객순으로 고객을 분류한 후, ④ 각 분류된 고객 그룹 내의 고객들의 점수의 평균값으로 새로운 중심이 되는 고객을 선정한다. ⑤ 각 분류된 고객 그룹의 중심이 되는 고객의 변화가 없을때까지 상기 ③, ④ 과정을 반복한다. 그렇게 하면 중심이 되는 고객을 기준으로 K 개의 그룹으로 고객들을 분류할 수 있게 된다.The order is as follows: (1) The customers classified in the trading history classifier (300) are classified into K groups, and (2) a customer who is the center of each group is arbitrarily selected. ③ After classifying the customers in the order of the customers with the closest distance from the scores of the randomly selected central customers, ④ Selecting the new center customers as the average of the scores of the customers in each classified customer group. ⑤ Repeat steps ③ and ④ until there is no change in the customer who is the center of each classified customer group. This will allow customers to be grouped into K groups based on the central customer.
고객 그룹 분류부(400)에서 이와 같이 고객들을 분류하는 과정은 고객 거래 정보를 통해서 분류된 고객들을 더욱 세분화하여 분류하기 위함이다. 더 세분화하여 분류된 고객들을 대상으로 주식 종목을 추천하는 경우, 그렇지 않은 경우에 비해서 보다 적합한 주식 종목 추천이 가능하기 때문이다. 상기 고객 그룹을 분류하는 고객 그룹 분류부(400)의 과정은 필요에 따라서 생략할 수도 있다.The process of classifying the customers in the customer
고객 그룹 분류부(400)에서 분류된 고객은 고객 그룹 생성부(500)의 유사 고객 판단부(510)는 매매한 주식 종목과 매매 이력 점수를 기초로 일정 범위내로 유사한 고객을 판단하고, 고객 그룹화부(520)는 유사하게 판단된 고객별로 고객들을 분류하여 그룹화하게 된다.The customer classified by the customer
유사 고객 판단부(510)는 고객이 매매한 주식 종목에 대한 정보와 고객의 매매 이력 점수를 기초로 유사한 고객들을 판단한다. 고객이 매매한 주식 종목에 대한 정보는 고객 거래 정보를 포함하는 고객 정보 데이터로부터 알 수 있고, 고객의 매매 이력 점수는 매매 이력 분류부(300)에서 점수화된 고객의 매매 이력을 이용한다. 매매한 주식 종목과 매매 이력 점수가 일정 범위내로 유사한 고객들을 판단하는 것은, 예를 들어 설명하면, 철강과 바이오에 관한 주식을 매매한 고객들은 서로 유사한 주식 종목을 매매한 고객들로 볼 수 있고, 매매 이력 점수가 (3,4,3), (3,4,4) 로 크게 차이가 나지 않는 고객들은 매매 이력 점수가 유사한 고객들로 볼 수 있다. 유사 범위의 설정은 제한된 것은 아니며, 주식 종목을 추천함에 있어서 보다 적합하도록 자유롭게 설정할 수 있다.The similar
고객 그룹화부(520)에서는 유사 고객 판단부(510)에서 판단된 유사한 고객들 중 일정 범위내로 유사한 고객별로 고객들을 그룹화하게 되는데, 구체적으로 사용자 기반 협업 필터링(User-Based CF)을 사용한다. 사용자 기반 협업 필터링(User-Based CF)은 사용자가 기준이 되는 기법으로 비슷한 사용자 그룹(Neighbor)을 알아내고, 그 그룹에 속한 사용자들이 공통적으로 관심을 가지는 주식 종목을 추천하는 방식이다. 상기 협업 필터링(CF)은 사용자들로부터 얻은 기호 정보를 토대로 과거의 경향(패턴)이 미래에도 유지될 것이라는 전제를 기반으로 한다. 예를 들어, 과거에 특정 주식 종목의 구매를 선호하는 고객은 미래에도 그 주식 종목을 구매하는 것을 선호할 것이라는 전제가 기반이 되는 것이다. 사용자 기반 협업 필터링(User-Based CF)은 능동 필터링의 일종으로서 점수화하여 분류된 매매 이력을 기초로 고객들의 관심을 분석하여 비슷한 취향을 가진 고객들을 선별한다. 고객들의 행동을 예측하기 위해 고객들의 행동을 수치화(점수화)하여 사용하는 방법으로서, 점수가 비슷하면 해당 종목에 대한 관심이 비슷한 것으로 본다. 따라서 유사 고객 판단부(510)에서 판단된 유사한 고객들은 매매한 주식 종목 점수가 비슷하므로, 취향이 비슷하여 예측되는 행동도 비슷할 것이기 때문에 상기 매매한 주식종목과 점수가 비슷한 고객 별로 고객을 그룹화하여 고객 그룹을 생성한다.In the
이러한 사용자 기반 협업 필터링(User-Based CF)은 특정 주식 종목에 관심을 가진 고객들이 주식 종목을 실제로 평가한 것을 기초로 주식 종목을 추천하는 방법이므로 근거 있는 설명과 순위를 신뢰성 있는 정보로부터 생성할 수 있다는 장점이 있다.This User-Based Collaborative Filtering (CF) is a method of recommending stocks based on the fact that customers interested in particular stocks actually evaluate stocks, .
고객 그룹 생성부(500)에서 그룹화된 고객이 구매한 주식 종목 정보, 구매한 주식 수량, 매수 평균 단가, 계좌당 거래 보유 종목 수에 관한 일정 기간 내의 데이터를 고객 계좌 정보 수집부(610)에서 수집한 후 구매 이력 생성부(620)에서 이를 이용하여 고객 그룹별 구매 이력을 생성한다. The customer account
고객 계좌 정보 수집부(610)에서는 고객이 구매한 주식 종목 정보, 구매 수량, 매수 평균 단가 등의 정보를 수집한다. 이때 수집되는 정보는 고객 거래 정보를 통해서 얻을 수 있다. 수집된 고객 계좌 정보를 구매 이력 생성부(620)에서 이용하여 고객 그룹별 구매 이력을 생성하게 된다.The customer account
고객 그룹별 구매 이력 생성부(600)에서 생성된 고객들의 구매 이력을 기초로 구매 이력 분류부(700)에서는 고객들의 구매 이력을 점수화 하게 된다.The purchasing
구체적으로, 점수화 변수 설정부(710)에서는 유가증권 표준코드(711), 주식 구매 수량(712), 증거금(713), 종목 단가(714), 예수금(715)의 정보를 수집한다. 유가증권 표준코드(711)를 통해서 구매한 주식 종목 정보를 얻을수 있다. 점수화 변수 설정부(710)에서 수집된 고객들의 주식 구매 정보를 활용해서 구매 이력 점수화부(720)에서는 구매의 최근성(721), 구매 빈도(722), 구매 규모(723)를 통해서 고객의 주식 구매 이력을 점수화하게 된다. 점수화하는데에 있어서는, RFM 분류 방법을 사용해서 점수화하게 된다.Specifically, the scoring
구체적으로, 유가증권 표준코드(711), 수량(712), 증거금(713), 종목단가(714), 예수금(715)의 변수들을 설정한다. 그리고 구매 이력 점수화부(720)에서는 구매의 최근성(721), 구매빈도(722), 구매규모(723)를 고려해서 구매 이력을 점수화하게 되는데, 이때 기간은 소정 기간 내의 거래를 기준으로 한다. 구매의 최근성(721)(Recency)에서는 어느 종목을 소정 기간 내에 언제 구매하였는지로, 구매 빈도(722)(Frequency)에서는 소정 기간 내에 해당 주식의 구매 수량으로, 구매 규모(723)(Monetary)에서는 소정 기간 내에 해당 주식의 구매에 사용된 총금액으로 점수를 설정할 수 있다. 점수화된 구매 이력으로 구매 이력 분류부(700)에서는 고객의 주식 구매 이력을 분류한다. 예를 들어 고객들의 주식 구매 이력은 (3,1,1), (2,3,4) 등의 점수로 분류될 수 있다.Specifically, variables such as a securities
유사도 계산부(800)에서는 구매 이력 분류부(700)에서 점수화된 고객의 주식 종목에 대한 평가값을 수학식 2에 입력하여 고객간의 유사도를 계산한다.The
구체적으로, 구매 이력 수집부(810)에서 고객이 공통으로 구매한 주식 종목에 대한 정보를 수집하는데 이는 구매 이력 분류부(700)에서 점수화된 고객들의 구매 이력을 수집하는 것이다. 그리고 평가값 대입부(820)에서는 상기 고객이 공통으로 구매한 주식 종목에 대한 평가값을 아래의 수학식 2에 대입하여 고객들간의 유사도를 계산하게 된다.Specifically, the purchase
[수학식 2]&Quot; (2) "
(여기서, x,y는 유사도의 계산 대상이 되는 두 고객이고, rx,i 는 공통으로 구매한 주식종목(Ixy)에 대한 고객 x의 점수이고, ry,i 는 공통으로 구매한 주식종목(Ixy)에 대한 고객 y의 점수이고, Ix 는 x가 구매한 주식종목이고, Iy는 y가 구매한 주식종목임.)(Where x and y are two customers to be calculated for similarity, and r x, i Is the score of customer x for the common stock item (I xy ), r y, i Y is the point of the customer on a stock ticker (I xy) buy in common, I x x is a purchase stock ticker, I y y a stock ticker is being purchased).
유사 고객 선택부(900)에서는 유사도 계산부(800)에서 계산된 유사도를 기초로 유사한 고객들을 선정하게 되는데, 구체적으로 인원수 결정부(910)에서는 선택될 고객 인원수를 미리 결정한다. 즉, 유사도 계산 결과 점수가 유사한 고객들을 선정해야 하는데 미리 몇명의 고객을 선정할지를 인원수 결정부(910)에서 결정하는 것이다. 그 다음 고객 선정부(920)에서는 유사도 계산 결과 그 값이 1에 가장 가까워서 가장 유사한 고객들을 상기 미리 결정된 인원수만큼 선정한다. 코사인 유사도는 그 값이 -1 에서 1 까지의 값을 가지게 되는데 유사도 계산 결과가 1에 가까울수록 더 유사한 것이다. 따라서 유사도 계산 결과가 1에 가까운 고객들을 선정하는 것이다.The similar
유사 고객 선택부(900)에서 선정된 유사한 고객들에게 주식 종목 추천부(1000)에서는 고객이 구매할 주식 종목을 추천한다.The stock
구체적으로, 상기 선택된 가장 유사한 고객들 사이에서 다른 고객들은 구매하였지만 특정 고객은 구매하지 않은 주식 종목을, 상기 특정 고객에게 추천한다. 예를 들어 설명하면, 유사한 A, B, C 라는 고객이 선정 되었는데, A 와 B 가 철강관련 주식과 방위산업 관련 주식, 그리고 바이오 관련 주식을 구매하였는데 C 는 철강 관련 주식과 방위산업 관련 주식은 구매하였지만 바이오 관련 주식을 구매하지 않은 경우, C 에게 바이오 관련 주식을 추천하는 것이다.Specifically, among the selected most similar customers, a stock item that other customers purchased but a specific customer did not purchase is recommended to the specific customer. For example, customers A, B, and C were selected, and A and B purchased steel-related stocks, defense-related stocks, and bio-related stocks. , But recommends bio-related stocks to C if they do not purchase bio-related stocks.
주식 종목 추천부(1000)에서는 이와 같이 고객들의 성향을 분석하여 성향이 유사한 고객들에게 그들 사이에서 공통으로 구매한 주식 종목을, 이를 구매하지 않은 다른 유사한 고객에게 추천함으로써 보다 적합한 주식 종목 추천이 가능하다. 상기 과정을 살펴보면 여러 단계에 걸쳐서 고객들을 유사한 고객별로 분류하고 있으나, 앞서 설명한 바와 같이 수학식 1(이에 관하여는 전술함)를 사용하여 고객을 분류하는 고객 그룹 분류부(400)의 과정을 생략하고 고객들을 분류하여 주식 종목을 추천할 수도 있다. 또한, 경우에 따라서는 고객 그룹 생성부(500)까지의 과정으로 고객을 분류한 다음, 고객 그룹별 구매 이력을 생성하여 유사도를 계산하고 유사 고객을 선정하는 과정을 생략한 상태로 주식 종목을 추천하는 것도 가능하다. 여러 단계를 거쳐서 고객을 성향에 따라서 분류하면 고객 사이의 성향의 유사한 정도는 커질수 있으나, 계산의 복잡성을 줄이고 빠른 주식 종목을 추천하기 위해서는 상황에 따라서 고객들을 분류하는 과정을 일부 생략할 수 있는 것이다.In the stock
이하, 도 1 내지 도 12를 참조하여 주식 종목 추천 방법에 대하여 상세히 설명하기로 한다.Hereinafter, a method for recommending stocks will be described in detail with reference to FIGS. 1 to 12. FIG.
도 10은 본 발명의 일 실시예에 따른 주식 종목 추천 방법의 순서도이고, 도 11은 고객을 분류하는 방법을 나타낸 순서도이고, 도 12는 고객간의 유사도 계산을 통한 주식 종목 추천 과정을 나타낸 순서도이다.FIG. 10 is a flowchart of a stock recommendation method according to an embodiment of the present invention, FIG. 11 is a flowchart illustrating a method of classifying a customer, and FIG. 12 is a flowchart illustrating a stock recommendation process through calculation of similarities between customers.
데이터 입수부(100)는 고객 정보 데이터베이스(20)로부터 고객에 대한 정보를 입수하고, 종목 정보 데이터베이스(30)로부터 주식 종목에 대한 정보를 입수한다(S110).The
고객 정보 데이터(20)는 성별, 연령, 고객 정보 코드 등을 포함하는 고객 기본 정보와 상품 유형 코드, 계좌 상태 코드 등을 포함하는 계좌 기본 정보, 주소 유형 코드, 동이상 주소 등을 포함하는 종합 계좌 주소, 종목 코드, 단가, 수량 등을 포함하는 일별 주식 잔고, 예수금 등을 포함하는 일별 계좌 정보, 증거금 등을 포함하는 일별 계좌 증거금, 그리고 PB 단말기 접속 정보 등의 데이터로 이루어진다.The
종목 정보 데이터(30)는 시가 총액 규모 코드, 액면가, 상장 주식수 등을 주요 칼럼으로 하는 코스피(KOSPI), 코스닥(KOSDAQ) 종목에 대한 정보를 포함하는 종목 마스터와 바이오 관련주, 태양광 발전 관련주 등을 주요 테마로 하는 테마주 정보 데이터로 이루어진다. 상장 폐지 종목과 신주 인수권부 사채(BW), 주식 워런트 증권(ELW)은 분석 대상에서 제외한다.The
이어서, 고객 분류부(200)는 데이터 입수부(100)로부터 입수한 고객 정보 데이터베이스(20)와 종목 정보 데이터베이스(30)의 정보를 기초로 고객을 분류하게 된다.(S120)The
구체적으로, 기존 고객의 경우는 고객 거래 정보를 통해서 고객을 분류할 수 있다. 기존 고객의 경우 고객 거래 정보를 통해서 고객의 투자 성향을 파악할 수 있기 때문이다. 예컨데, 투자 성향은 보통 공격 투자형, 위험 중립형, 안정 추구형, 안정형으로 나뉘고, 이에 따라 고객을 개략 분류한다.Specifically, in the case of existing customers, customers can be classified through customer transaction information. In the case of existing customers, customers' investment tendency can be grasped through customer transaction information. For example, investment propensity is usually divided into attack investment type, risk-neutral type, stable pursuit type, and stable type, and accordingly, customers are roughly classified.
신규 고객의 경우는 주식 종목에 대한 과거 매매 이력이 없어서 거래 정보로 고객을 분류하기가 불가능하다. 따라서, 거래 이력 자료가 아닌 성별, 연령, 직업, 지역등 가입시 알 수 있는 정보를 통해서 고객을 분류한다. 예를 들어서 가입시 작성한 투자 성향 설문이 있다면 이를 활용하여 고객을 분류할 수 있다.In the case of a new customer, it is impossible to classify a customer into transaction information because there is no history of past transactions for stocks. Therefore, customers are classified through information that can be obtained at the time of subscription, such as gender, age, occupation, area, and not transaction history data. For example, if there is an investment incentive questionnaire created at the time of joining, it can be used to classify the customer.
다음으로, 매매 이력 분류부(300)에서는 매매 이력을 분류하는데, 고객 분류부(200)에서 분류된 고객의 주식 매매 이력 정보를 점수화 변수 설정부(310)에서 수집하고, 이를 이용하여 매매 이력 점수화부(320)에서 고객의 매매 이력을 점수화하여 매매 이력을 분류한다.(S130)Next, the sales
고객의 주식 매매 이력 정보는 고객이 과거에 매매한 종목들을 분석하여 자료를 구성하는 것이다. 고객이 과거에 매매한 주식의 종목 정보, 수량, 금액, 예수금, 증거금 등의 데이터를 활용하여 자료를 구성할 수 있다. 종목 정보는 어느 종목을 매매하였는지에 관한 것으로서 유가증권 표준코드를 통해서 알 수 있다. 예수금은 주식을 거래할 때 증권사에서 증권 계좌를 개설하고 주식 거래를 위해 계좌에 돈을 넣고 거래하는데, 이때 입금된 돈을 말한다. 증거금은 투자 거래를 원하는 투자자가 브로커에게 주는 소정의 돈을 말한다. 이와 같은 주식 매매 이력 정보를 기초로 점수화 변수 설정부(310)에서 주식 매매 이력 정보를 수집하게 된다.The customer's stock trading history information is the data that the customer analyzed and traded in the past. The data can be constructed using data such as stock information, quantity, amount, deposit, margin, etc. of the stocks traded in the past by the customer. The stock information is about which stocks are traded and can be found through securities standard codes. When you trade stocks, you open a securities account at a brokerage house, put money into your account for stock trading, and then you deposit money. The margin is the amount of money the investor wants to invest in the broker. The stock trading history information is collected in the scoring
점수화 변수 설정부(310)의 고객 매매 이력 정보를 기초로 매매 이력 점수화부(320)에서는 거래의 최근성(321), 거래 빈도(322), 거래 규모(323)를 통해서 고객의 주식 매매 이력을 점수화하게 된다. 점수화하는데에 있어서는, RFM 분류 방법을 사용해서 점수화하게 되는데, 이는 주로 마케팅에서 많이 사용되는 방법으로 고객을 분류할수 있는 간단하면서도 유용하게 사용될수 있는 방법이다.Based on the customer sales history information of the scoring
구체적으로, 유가증권 표준코드(311), 수량(312), 증거금(313), 종목단가(314), 예수금(315)의 변수들을 설정한다. 그리고 매매 이력 점수화부(320)에서는 거래의 최근성(321), 거래빈도(322), 거래규모(323)를 고려해서 매매 이력을 점수화하게 되는데, 이때 기간은 소정 기간 내의 거래를 기준으로 한다. 거래의 최근성(321)(Recency)에서는 어느 종목을 소정 기간 내에 언제 매매하였는지로, 거래 빈도(322)(Frequency)에서는 소정 기간 내에 해당 주식의 매매 수량으로, 거래 규모(323)(Monetary)에서는 소정 기간 내에 해당 주식의 매매에 사용된 총금액으로 점수를 설정할 수 있다. 점수화된 매매 이력으로 매매 이력 분류부(300)에서는 고객의 주식 매매 이력을 분류한다. 예를 들어 설명하면, 고객의 매매 이력을 (1, 1, 1) 또는 (3, 1, 2) 또는 (5, 1, 3)과 같은 방식으로 점수화하여 분류할 수 있다.Specifically, variables such as a securities
다음으로, 고객 그룹 분류부(400)에서는 매매 이력 분류부(300)에서 점수화된 매매 이력을 이용하여 수학식1을 사용하여 고객 그룹을 분류할 수 있다(S140).Next, the
[수학식 1][Equation 1]
(ui는 i번째 그룹의 중심이 되는 고객의 주식 매매 이력 점수 데이터이고, xj는 각 고객의 주식 매매 이력 점수 데이터이고, Si는 그룹에 속하는 고객의 집합이고, i는 고객 그룹의 번호를 의미하고, j는 그룹에 속하는 고객을 식별하는 변수임.)(u i is the stock trading history score data of the customer who is the center of the i-th group, x j is the stock trading history score data of each customer, S i is a set of customers belonging to the group, , And j is a variable that identifies the customer belonging to the group.)
즉, 그룹의 중심이 되는 고객의 점수와 각 분류된 고객 그룹내 고객의 점수를 수학식 1에 입력하여 거리의 제곱 합인 분산값(V)을 최소화 하는 각 분류된 고객들의 집합을 찾게 된다.That is, the score of the customer who is the center of the group and the score of the customer in each classified customer group are input into Equation (1) to find a set of each classified customers that minimize the variance value (V)
도 11을 참조하여 구체적으로 설명하면, 순서는 ① 고객 기본 정보로 분류된 고객을 K 개의 그룹으로 임의로 분류하고(S141), ② 각 그룹에 중심이 되는 고객을 1명씩 임의로 선정한다(S142). ③ 그 다음 임의로 선정된 중심 고객의 점수로부터 가장 근접한 거리를 갖는 고객 순으로 고객을 분류한 후(S143), ④ 각 분류된 고객 그룹 내의 고객들의 점수의 평균값으로 새로운 중심이 되는 고객을 선정한다(S144). ⑤ 각 분류된 고객 그룹의 중심이 되는 고객의 변화가 있는지 여부를 살핀다(S145). 만일 그룹의 중심이 되는 고객의 변화가 있다면, 다시 ③, ④, ⑤의 과정을 그룹의 중심이 되는 고객의 변화가 없을때까지 반복한다. 그룹의 중심이 되는 고객의 변화가 없게 되면 그룹의 중심이 되는 고객을 기준으로 K개의 그룹으로 고객들을 분류하게 된다(S146). More specifically, referring to FIG. 11, the order is: (1) randomly classifying customers classified into basic customer information into K groups (S141); (2) arbitrarily selecting one customer centered on each group (S142). (3) Next, the customer is classified in the order of the customer having the closest distance from the score of the central customer arbitrarily selected (S143), and the customer who becomes the new center is selected as the average value of the scores of the customers in each classified customer group S144). ⑤ It is checked whether there is a change of the customer which is the center of each classified customer group (S145). If there is a customer change that is the center of the group, repeat the process of ③, ④, and ⑤ until there is no change of the customer, which is the center of the group. When there is no change in the customer who is the center of the group, the customer is classified into K groups based on the customer who is the center of the group (S146).
고객 그룹 분류부(400)에서 이와 같이 고객들을 분류하는 과정은 고객 거래 정보를 통해서 분류된 고객들을 더욱 세분화하여 분류하기 위함이다. 더 세분화하여 분류된 고객들을 대상으로 주식 종목을 추천하는 경우, 그렇지 않은 경우에 비해서 보다 적합한 주식 종목 추천이 가능하기 때문이다. 상기 고객 그룹을 분류하는 고객 그룹 분류부(400)의 방법은 필요에 따라 생략할 수도 있다. The process of classifying the customers in the customer
다음으로, 고객 그룹 생성부(500)에서는 고객 그룹 분류부(400)에 분류된 고객이 매매한 주식 종목과 매매 이력 점수를 기초로 유사 고객 판단부(510)에서 일정 범위내로 유사한 고객을 판단하고, 고객 그룹화부(520)에서 유사하게 판단된 고객별로 고객들을 분류하여 그룹화하게 된다(S150).Next, in the customer
구체적으로, 유사 고객 판단부(510)는 고객이 매매한 주식 종목에 대한 정보와 고객의 매매 이력 점수를 기초로 유사한 고객들을 판단한다. 고객이 매매한 주식 종목에 대한 정보는 고객 거래 정보를 포함하는 고객 정보 데이터로부터 알 수 있고, 고객의 매매 이력 점수는 매매 이력 분류부(300)에서 점수화된 고객의 매매 이력을 이용한다. 매매한 주식 종목과 매매 이력 점수가 일정 범위내로 유사한 고객들을 판단하는 것은, 예를 들어 설명하면, 철강과 바이오에 관한 주식을 매매한 고객들은 서로 유사한 주식 종목을 매매한 고객들로 볼 수 있고, 매매 이력 점수가 (3, 4, 3), (3, 4, 4)로 크게 차이가 나지 않는 고객들은 매매 이력 점수가 유사한 고객들로 볼 수 있다. 유사범위의 설정은 제한된 것은 아니며, 주식 종목을 추천함에 있어서 보다 적합하도록 자유롭게 설정할 수 있다.Specifically, the similar
그리고, 고객 그룹화부(520)에서는 유사 고객 판단부(510)에서 판단된 유사한 고객들 중 일정 범위내로 유사한 고객별로 고객들을 그룹화하게 되는데, 구체적으로 사용자 기반 협업 필터링(User-Based CF)을 사용한다. 상세한 설명은 전술하였으므로 생략하기로 한다.In the
주식 종목 추천부(1000)에서는 고객 그룹 생성부(500)에서 그룹화된 고객들에게 주식 종목을 추천하게 되는데, 분류된 고객들을 보다 세분화하여 분류한 다음 주식 종목을 추천할 수도 있다(S160).The stock
S160 단계에 대해 도12를 참조하여 설명하면, 고객 그룹별 구매 이력 생성부(600)의 고객 계좌 정보 수집부(610)에서 고객 그룹 생성부(500)에서 그룹화된 고객의 계좌 정보인 고객이 구매한 주식 종목 정보, 구매한 주식 수량, 매수 평균 단가, 계좌당 거래 보유 종목 수에 관한 일정 기간 내의 데이터를 수집하고, 구매 이력 생성부(620)에서 이를 이용하여 고객 그룹별 구매 이력을 생성한다(S161).Referring to FIG. 12, the customer account
이어서, 고객 그룹별 구매 이력 생성부(600)에서 생성된 고객들의 구매 이력을 기초로 구매 이력 분류부(700)에서는 고객들의 구매 이력을 점수화 한다(S162).Subsequently, the purchase
점수화 변수 설정부(710)에서는 유가증권 표준코드(711), 주식 구매 수량(712), 증거금(713), 종목 단가(714), 예수금(715)의 정보를 수집한다. 유가증권 표준코드(711)를 통해서 구매한 주식 종목 정보를 얻을 수 있다. 점수화 변수 설정부(710)에서 수집된 고객들의 주식 구매 정보를 활용해서 구매 이력 점수화부(720)에서는 구매의 최근성(721), 구매 빈도(722), 구매 규모(723)를 통해서 고객의 주식 구매 이력을 점수화하게 된다. The scoring
구체적으로, 유가증권 표준코드(711), 수량(712), 증거금(713), 종목단가(714), 예수금(715)의 변수들을 설정한다. 그리고 구매 이력 점수화부(720)에서는 구매의 최근성(721), 구매빈도(722), 구매규모(723)를 고려해서 구매 이력을 점수화하게 되는데, 이때 기간은 소정 기간 내의 거래를 기준으로 한다. 구매의 최근성(721)(Recency)에서는 어느 종목을 소정 기간 내에 언제 구매하였는지로, 구매빈도(722)(Frequency)에서는 소정 기간 내에 해당 주식의 구매 수량으로, 구매규모(723)(Monetary)에서는 소정 기간 내에 해당 주식의 구매에 사용된 총금액으로 점수를 설정할 수 있다. 점수화된 구매 이력으로 구매 이력 분류부(700)에서는 고객의 주식 구매 이력을 분류한다. 예를 들어 설명하면, 고객들의 주식 구매 이력은 (3, 1, 1), (2, 3, 4) 등의 점수로 분류될 수 있다.Specifically, variables such as a securities
다음으로, 유사도 계산부(800)에서는 구매 이력 분류부(700)에서 점수화된 고객의 주식 종목에 대한 평가값을 수학식 2에 입력하여 고객간의 유사도를 계산한다(S163).Next, the
[수학식 2]&Quot; (2) "
(여기서, x,y는 유사도의 계산 대상이 되는 두 고객이고, rx,i 는 공통으로 구매한 주식종목(Ixy)에 대한 고객 x의 점수이고, ry,i 는 공통으로 구매한 주식종목(Ixy)에 대한 고객 y의 점수이고, Ix 는 x가 구매한 주식종목이고, Iy는 y가 구매한 주식종목임.)(Where x and y are two customers to be calculated for similarity, and r x, i Is the score of customer x for the common stock item (I xy ), r y, i Y is the point of the customer on a stock ticker (I xy) buy in common, I x x is a purchase stock ticker, I y y a stock ticker is being purchased).
구체적으로, 구매 이력 수집부(810)에서 고객이 공통으로 구매한 주식 종목에 대한 정보를 수집하는데 이는 구매 이력 분류부(700)에서 점수화된 고객들의 구매 이력을 수집하는 것이다. 그리고 평가값 대입부(820)에서는 상기 고객이 공통으로 구매한 주식 종목에 대한 평가값을 소정의 계산식(계산식인 수학식 2에 대하여는 전술함)에 대입하여 고객들간의 유사도를 계산하게 된다.Specifically, the purchase
유사 고객 선택부(900)에서는 유사도 계산부(800)에서 계산된 유사도를 기초로 유사한 고객들을 선정한다(S164). The similar
구체적으로, 인원수 결정부(910)에서는 선택될 고객 인원수를 미리 결정한다. 즉, 유사도 계산 결과 점수가 유사한 고객들을 선정해야 하는데 미리 몇명의 고객을 선정할지를 인원수 결정부(910)에서 결정한다. 그 다음 고객 선정부(920)에서는 유사도 계산 결과 그 값이 1에 가장 가까워서 유사한 고객들을 상기 미리 결정된 인원수만큼 선정한다. 코사인 유사도는 그 값이 -1 에서 1까지의 값을 가지는데 유사도 계산 결과가 1에 가까울수록 더 유사한 것이다. 따라서 유사도 계산 결과가 1에 가까운 고객들로 선정한다. Specifically, the number-of-
주식 종목 추천부(1000)에서는 유사 고객 선택부(900)에서 선정된 고객들에게 그들이 구매할 주식 종목을 추천한다(S165).The stock
구체적으로, 상기 선택된 가장 유사한 고객들 사이에서 다른 고객들은 구매하였지만, 특정 고객은 구매하지 않은 주식 종목을 상기 특정 고객에게 추천한다. 예를 들어 설명하면, 유사한 A ,B, C 라는 고객이 선정 되었는데, A 와 B가 철강 관련 주식과 방위산업 관련 주식, 그리고 바이오 관련 주식을 구매하였는데, C는 철강 관련 주식과 방위산업 관련 주식은 구매하였지만 바이오 관련 주식은 구매하지 않은 경우, C 에게 바이오 관련 주식을 추천하는 것이다.Specifically, among the selected most similar customers, the other customers purchase the stock items, but the specific customers do not purchase the stock items, and recommend the particular stock to the specific customers. For example, customers A, B, and C were selected. A and B purchased steel-related stocks, defense-related stocks, and bio-related stocks. If you purchase but do not purchase bio-related stocks, you are recommending bio-related stocks to C.
이상에서 대표적인 실시예를 통하여 본 발명에 대하여 상세하게 설명하였으나, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리 범위는 설명된 실시예에 국한되어 정해져서는 안되며, 후술하는 청구범위뿐만 아니라 이 청구범위와 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태에 의하여 정해져야 한다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is clearly understood that the same is by way of illustration and example only and is not to be taken by way of limitation, I will understand. Therefore, the scope of the present invention should not be limited to the described embodiments, but should be determined by all changes or modifications derived from the scope of the appended claims and from the appended claims.
1 : 주식 종목 추천 시스템 10 : 주식 정보 데이터
100 : 데이터 입수부 200 : 고객 분류부
300 : 매매 이력 분류부 400 : 고객 그룹 분류부
500 : 고객 그룹 생성부 600 : 고객 그룹별 구매 이력 생성부
1000 : 주식 종목 추천부1: stock recommendation system 10: stock information data
100: Data acquisition unit 200: Customer classification unit
300: sales history classifying section 400: customer group classification section
500: customer group generation unit 600: purchase history generation unit for each customer group
1000: Stock recommendation department
Claims (9)
증권사로부터 고객 거래정보를 포함하는 고객 정보 데이터와 종목 정보 데이터를 입수하는 단계;
상기 입수된 고객 정보 데이터와 종목 정보 데이터를 기초로 고객 유형별로 고객들을 분류하는 단계;
상기 분류된 고객의 주식 매매 이력 정보를 이용하여 상기 고객의 보유 종목별로 주식 거래의 최근성, 주식 거래 빈도, 주식 거래 규모별로 평가값을 설정하여 주식 매매 이력을 점수화하는 단계;
상기 점수화된 주식 매매 이력에 기초하여 매매한 주식 종목과 매매 이력 점수가 일정 범위내로 유사한 고객별로 상기 고객을 분류하여 고객 그룹을 생성하는 단계 및;
상기 생성된 고객 그룹에 속하는 고객들에게 주식 종목을 추천하는 단계를 포함하는 주식 종목 추천 방법.A method for recommending a stock of stocks automatically performed by a computer,
Obtaining customer information data and item information data including customer transaction information from a securities company;
Classifying customers by customer type based on the acquired customer information data and item information data;
A step of scoring a stock trading history by setting an evaluation value for each of the customer's stocks using the stock trading history information of the classified customer according to the recentness of the stock transaction, the frequency of the stock transaction, and the stock transaction size;
Generating a customer group by classifying the customers for each of the similar customers within a certain range of stocks traded based on the scored stock trading history;
And recommending stock items to customers belonging to the generated customer group.
상기 주식 종목을 추천하는 단계는,
상기 생성된 고객 그룹에 속한 다른 고객들이 구매하였지만 특정 고객은 구매하지 않은 주식 종목을, 상기 특정 고객에게 추천하는 단계를 포함하는 주식 종목 추천 방법.The method according to claim 1,
The step of recommending the stock item includes:
And recommending a stock item, which has been purchased by other customers belonging to the generated customer group but has not been purchased by a specific customer, to the specific customer.
상기 주식 매매 이력을 점수화하는 단계 이후에,
수학식 1을 이용하여 분산값(V)를 최소화하는 고객 그룹 집합 Si를 탐색하여 고객을 분류하는 단계를 더 포함하고,
상기 고객 그룹을 생성하는 단계는 상기 탐색된 고객 그룹 집합 Si별로 분류된 고객들 정보에 기초하는 주식 종목 추천 방법.
〔수학식 1〕
(ui는 i번째 그룹의 중심이 되는 고객의 주식 매매 이력 점수 데이터이고, xj는 각 고객의 주식 매매 이력 점수 데이터이고, Si는 그룹에 속하는 고객의 집합이고, i는 고객 그룹의 번호를 의미하고, j는 그룹에 속하는 고객을 식별하는 변수임.)The method according to claim 1,
After scoring the stock trading history,
Further comprising the step of searching for a customer group set S i that minimizes the variance value (V) using Equation (1) to classify the customer,
Wherein the step of generating the customer group is based on customer information classified by the searched customer group set S i .
[Equation 1]
(u i is the stock trading history score data of the customer who is the center of the i-th group, x j is the stock trading history score data of each customer, S i is a set of customers belonging to the group, , And j is a variable that identifies the customer belonging to the group.)
상기 주식 종목을 추천하는 단계는,
상기 생성된 고객 그룹에 있어서, 고객 계좌 정보를 활용하여 고객 그룹별 구매 이력을 생성하는 단계;
상기 고객 그룹별 구매 이력을 이용하여 주식 구매의 최근성, 주식 구매 빈도, 주식 구매 규모별로 평가값을 설정하여 주식 구매 이력을 점수화하는 단계;
상기 생성된 고객 그룹별 구매 이력을 기초로, 상기 그룹별 고객이 공통으로 구매한 주식 종목에 대한 구매 이력 평가값을 수학식 2에 입력하여 고객간의 유사도를 계산하는 단계;
상기 계산된 유사도를 기초로 상기 고객 그룹 중에서 유사도가 가장 가까운 고객들 순서대로 미리 정해진 인원수만큼 선택하는 단계;
상기 선택된 고객들 중 다른 고객들이 구매하였지만 특정 고객은 구매하지 않은 주식 종목을, 상기 특정 고객에게 추천하는 단계를 포함하는 주식 종목 추천 방법.
[수학식 2]
(여기서, x,y는 유사도의 계산 대상이 되는 두 고객이고, rx,i 는 공통으로 구매한 주식종목(Ixy)에 대한 고객 x의 점수이고, ry,i 는 공통으로 구매한 주식종목(Ixy)에 대한 고객 y의 점수이고, Ix 는 x가 구매한 주식종목이고, Iy는 y가 구매한 주식종목임.)The method according to claim 1,
The step of recommending the stock item includes:
Generating a purchase history for each customer group using the customer account information in the generated customer group;
A step of scoring a stock purchase history by setting an evaluation value according to the recentness of stock purchase, the frequency of stock purchase, and the stock purchase size using the purchase history for each customer group;
Calculating a similarity score between customers by inputting a purchase history evaluation value for a stock item commonly purchased by the customer for each group into the equation (2) based on the purchase history for each customer group generated;
Selecting a predetermined number of customers in the order of closest similarity among the customer groups based on the calculated similarity;
And recommending the stock item to the specific customer, wherein the stock item is purchased by other customers of the selected customers but not purchased by the specific customer.
&Quot; (2) "
(Where x and y are two customers to be calculated for similarity, and r x, i Is the score of customer x for the common stock item (I xy ), r y, i Y is the point of the customer on a stock ticker (I xy) buy in common, I x x is a purchase stock ticker, I y y a stock ticker is being purchased).
상기 고객 그룹별 구매 이력을 생성하기 위하여 활용되는 고객 계좌 정보는 종목정보, 거래수량, 매수 평균 단가, 계좌당 거래보유 종목 수에 관한 데이터를 기초로 하는 주식 종목 추천 방법.The method of claim 3,
The customer account information used to generate the purchase history for each customer group is based on data on stock information, transaction quantity, average selling price, and number of transactions per account.
상기 고객 정보 데이터와 종목 정보 데이터에 기초하여 고객을 분류하는 단계는,
기존 고객의 경우는 고객 정보 데이터의 고객 거래 정보를 기초로 기본적인 고객 투자 성향을 파악하여 고객을 분류하는 단계;
신규 고객의 경우는 가입시 작성한 투자 성향 설문을 활용하여 고객을 분류하는 단계를 포함하는 주식 종목 추천 방법.The method according to claim 1,
Wherein the step of classifying customers based on the customer information data and the item information data comprises:
A step of classifying a customer by grasping a basic customer investment tendency based on customer transaction information of customer information data in the case of an existing customer;
And a step of classifying the customer using the investment incentive questionnaire created at the time of joining in case of a new customer.
상기 주식 매매 이력 정보는 주식 매매 종목 정보, 주식 매매 종목 단가, 매매 수량, 예수금, 증거금으로 구성되는 주식 종목 추천 방법.The method according to claim 1,
The stock trading history information is a stock recommendation method that consists of stock trading stock information, stock trading stock price, selling quantity, deposit, and margin.
상기 주식 매매 이력을 점수화함에 있어서 사용되는 변수는 종목 정보, 종목 단가, 수량, 예수금, 증거금이고,
상기 주식 거래의 최근성은 소정 기간 내에 유가증권 표준코드로 식별되는 주식 종목을 거래한 시점을 기준으로 점수를 산정하고,
상기 주식 거래 빈도는 소정 기간 내에 상기 주식 종목의 거래 수량으로 점수를 산정하고,
상기 주식 거래 규모는 상기 주식 종목의 거래에 사용된 총 금액으로써, 종목 단가에 수량을 곱한 금액에 예수금과 증거금을 합해서 점수를 산정하는 주식 종목 추천 방법.The method according to claim 1,
The variable used in scoring the stock trading history is stock information, stock price, quantity, deposit, margin,
The recent trend of the stock trading is to calculate the score based on the trading time of the stock stocks identified by the securities standard code within a predetermined period,
Wherein the stock trading frequency is calculated by calculating the number of transactions of the stock items within a predetermined period,
The stock trading scale is a total amount used in the trading of the stock stocks, and a stock stock recommendation method in which the sum of the deposit amount and the margin sum is calculated by multiplying the unit price by the quantity.
증권사로부터 고객 거래정보를 포함하는 고객 정보 데이터와 종목 정보 데이터를 입수하는 데이터 입수부;
상기 입수된 고객 정보 데이터와 종목 정보 데이터를 기초로 고객 유형별로 고객들을 분류하는 고객 분류부;
상기 분류된 고객의 주식 매매 이력 정보를 이용하여 주식 거래의 최근성, 주식 거래 빈도, 주식 거래 규모 별로 점수를 설정하여 주식 매매 이력을 점수화하는 매매 이력 분류부;
상기 점수화된 주식 매매 이력에 기초하여 매매한 주식 종목과 매매 이력 점수가 일정 범위내로 상기 고객을 대분류하여 고객 그룹을 생성하는 고객 그룹 생성부;
상기 생성된 고객 그룹에 속하는 고객들에게 주식 종목을 추천하는 주식 종목 추천부를 포함하는 주식 종목 추천 시스템.A stock stock recommendation system, which is automatically performed by a computer,
A data acquisition unit for acquiring customer information data and item item information data including customer transaction information from a securities company;
A customer classifying unit for classifying customers by customer type based on the obtained customer information data and item information data;
A trading history classifying unit for classifying the stock trading history by setting a score according to recentness of stock trading, frequency of stock trading, and stock trading scale using stock trading history information of the classified customer;
A customer group generation unit for generating a customer group by categorizing the customers into a certain range of stocks and sales history scores traded based on the scored stock sales history;
And a stock recommendation recommendation section for recommending stock items to customers belonging to the generated customer group.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170140986A KR102000519B1 (en) | 2017-10-27 | 2017-10-27 | A method of recommending stock items using investment patterns of clients having similar tendency and system thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170140986A KR102000519B1 (en) | 2017-10-27 | 2017-10-27 | A method of recommending stock items using investment patterns of clients having similar tendency and system thereof |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20190047285A true KR20190047285A (en) | 2019-05-08 |
KR102000519B1 KR102000519B1 (en) | 2019-07-16 |
Family
ID=66580318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020170140986A KR102000519B1 (en) | 2017-10-27 | 2017-10-27 | A method of recommending stock items using investment patterns of clients having similar tendency and system thereof |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102000519B1 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102079232B1 (en) | 2019-06-28 | 2020-02-19 | (주)아키텍처소프트 | Apparatus and Method for analyzing stock item |
KR102642850B1 (en) * | 2023-06-27 | 2024-03-04 | 에이블사이언스파마 주식회사 | Pharmaceutical sales system considering AI-based inventory |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20000058811A (en) * | 2000-02-19 | 2000-10-05 | 이광재 | Device for providing information about stocks |
KR20010091838A (en) * | 2000-03-16 | 2001-10-23 | 유석열 | Home trading system having a function of automatic order according to leaded investor |
KR20060097499A (en) * | 2005-03-11 | 2006-09-14 | 송현종 | Account connecting trading system and method of the same over network |
KR20080043140A (en) * | 2006-11-13 | 2008-05-16 | 에스케이커뮤니케이션즈 주식회사 | Collaborative filtering system and method |
KR20120007343A (en) * | 2010-07-14 | 2012-01-20 | (주)팍스넷 | Method for providing customized information and method for advertising |
KR20120032606A (en) * | 2010-09-29 | 2012-04-06 | 서석기 | Stock investment system enabling participattion of stock investment clients and method thereof |
KR20120118549A (en) * | 2011-04-19 | 2012-10-29 | 삼성증권주식회사 | Personalization stock trading system corresponding to leader investor for personal and providing method thereof |
KR20170038412A (en) * | 2015-09-30 | 2017-04-07 | 주식회사 쇼앤리 | System and method for providing revers-crowd funding |
-
2017
- 2017-10-27 KR KR1020170140986A patent/KR102000519B1/en active IP Right Grant
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20000058811A (en) * | 2000-02-19 | 2000-10-05 | 이광재 | Device for providing information about stocks |
KR20010091838A (en) * | 2000-03-16 | 2001-10-23 | 유석열 | Home trading system having a function of automatic order according to leaded investor |
KR20060097499A (en) * | 2005-03-11 | 2006-09-14 | 송현종 | Account connecting trading system and method of the same over network |
KR20080043140A (en) * | 2006-11-13 | 2008-05-16 | 에스케이커뮤니케이션즈 주식회사 | Collaborative filtering system and method |
KR20120007343A (en) * | 2010-07-14 | 2012-01-20 | (주)팍스넷 | Method for providing customized information and method for advertising |
KR20120032606A (en) * | 2010-09-29 | 2012-04-06 | 서석기 | Stock investment system enabling participattion of stock investment clients and method thereof |
KR20120118549A (en) * | 2011-04-19 | 2012-10-29 | 삼성증권주식회사 | Personalization stock trading system corresponding to leader investor for personal and providing method thereof |
KR20170038412A (en) * | 2015-09-30 | 2017-04-07 | 주식회사 쇼앤리 | System and method for providing revers-crowd funding |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102079232B1 (en) | 2019-06-28 | 2020-02-19 | (주)아키텍처소프트 | Apparatus and Method for analyzing stock item |
KR102642850B1 (en) * | 2023-06-27 | 2024-03-04 | 에이블사이언스파마 주식회사 | Pharmaceutical sales system considering AI-based inventory |
Also Published As
Publication number | Publication date |
---|---|
KR102000519B1 (en) | 2019-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Deep learning in finance and banking: A literature review and classification | |
US8930247B1 (en) | System and methods for content-based financial decision making support | |
Kuzey et al. | The impact of multinationality on firm value: A comparative analysis of machine learning techniques | |
TW530235B (en) | Valuation prediction models in situations with missing inputs | |
WO2004102350A2 (en) | Identifying violative behavior in a market | |
Kao et al. | An analysis of the market risk to participants in the compound protocol | |
Aubry et al. | Biased auctioneers | |
Hosker et al. | Improving VIX futures forecasts using machine learning methods | |
Wellman et al. | Strategic agent-based modeling of financial markets | |
Adegboye et al. | Algorithmic trading with directional changes | |
KR102000519B1 (en) | A method of recommending stock items using investment patterns of clients having similar tendency and system thereof | |
Kaur et al. | Application and performance of data mining techniques in stock market: A review | |
Maji et al. | Share market sectoral indices movement forecast with lagged correlation and association rule mining | |
Wu et al. | Predicting long-term returns of individual stocks with online reviews | |
Fulga et al. | Portfolio optimization with prior stock selection | |
Ayuni et al. | Support vector machine (SVM) as financial distress model prediction in property and real estate companies | |
Khoa et al. | Long Short‐Term Memory Recurrent Neural Network for Predicting the Return of Rate Underframe the Fama‐French 5 Factor | |
Fatah et al. | Data mining for cryptocurrencies price prediction | |
Burgess | Machine Earning–Algorithmic Trading Strategies for Superior Growth, Outperformance and Competitive Advantage | |
Akpan et al. | Comprehensive analysis of non-fungible tokens valuation and accounting under IFRS: Challenges and artificial intelligence implications | |
Teimoori-Boghsani et al. | Effectiveness of Stop-Loss Trading Strategy VS Buy-And-Hold Strategy | |
Deepa et al. | Identification of persisting trend in the Indian stock markets using AI | |
Wright et al. | A machine learning approach to classification for traders in financial markets | |
Rose et al. | Automated Stock Market Trading Using Machine Learning | |
Tran et al. | Bilinear input normalization for neural networks in financial forecasting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |