1 |
1
지표 추출부가, 미리 수집된 특정 기업의 재무정보 및 특허정보를 활용하여 상기 특정 기업에 대한 연도별 재무지표 및 연도별 기술지표 각각을 추출하는 단계;학습 데이터셋 생성부가, 기설정된 매칭 조건에 기초하여 상기 연도별 재무지표 및 상기 연도별 기술지표 각각을 미리 저장된 상기 특정 기업에 대한 연도별 실적지표와 매칭하여 학습 데이터셋을 생성하는 단계; 및모델 생성부가, 상기 학습 데이터셋에 미리 설정된 복수의 기계 학습 알고리즘을 적용하여 기업실적 예측모델을 생성하는 단계를 포함하되, 상기 기업실적 예측모델을 생성하는 단계는,상기 학습 데이터셋에 미리 설정된 제1 기계 학습 알고리즘을 적용하여 초기 신경망 파라미터 및 초기 기계 학습 모델을 생성하는 단계;상기 초기 기계 학습 모델에 적어도 하나의 출력층(Output Layer)을 더 부가하여 변형 기계 학습 모델을 생성하는 단계;상기 변형 기계 학습 모델에서 상기 초기 기계 학습 모델에 대응되는 계층에는 상기 초기 신경망 파라미터를 대입하고, 상기 적어도 하나의 출력층에 대응되는 계층에는 임의의 신경망 파라미터를 대입하는 단계; 및상기 변형 기계 학습 모델에 대하여 상기 학습 데이터셋 중 선택된 기설정된 개수의 최근 학습 데이터셋을 이용하여 제2 기계 학습 알고리즘에 따른 학습을 수행함으로써, 상기 초기 신경망 파라미터 및 상기 임의의 신경망 파라미터를 조정하여, 상기 기업실적 예측모델을 생성하는 단계를 포함하고,상기 제1 기계 학습 알고리즘과 상기 제2 기계 학습 알고리즘은 상이한 기계 학습 알고리즘인, 기업실적 예측모델 생성 방법
|
2 |
2
제1항에 있어서,상기 학습 데이터셋을 생성하는 단계는,상기 연도별 재무지표와 상기 연도별 실적지표 간의 상관분석을 통해 제1 상관계수를 산출하고, 상기 연도별 기술지표와 상기 연도별 실적지표 간의 상관분석을 통해 제2 상관계수를 산출하는 단계;상기 제1 상관계수가 최대가 되는 시차인 제1 시차 및 상기 제2 상관계수가 최대가 되는 시차인 제2 시차 각각을 산출하는 단계; 및상기 연도별 재무지표에 상기 제1 시차를 적용하고, 상기 연도별 기술지표에 상기 제2 시차를 적용하여 상기 연도별 실적지표에 매칭함으로써, 상기 학습 데이터셋을 생성하는 단계를 포함하는, 기업실적 예측모델 생성 방법
|
3 |
3
삭제
|
4 |
4
삭제
|
5 |
5
제1항에 있어서,상기 미리 설정된 제1 기계 학습 알고리즘은 제한 볼츠만 머신(Restricted Boltzmann Machine)이고 상기 미리 설정된 제2 기계 학습 알고리즘은 역전파(Backpropagation) 알고리즘인, 기업실적 예측모델 생성 방법
|
6 |
6
제1항에 있어서,기업실적 예측부가, 상기 기업실적 예측모델에 상기 특정 기업의 현재 재무지표 및 현재 기술지표를 적용하여 상기 특정 기업의 향후 기업실적을 예측하는 단계를 더 포함하는, 기업실적 예측모델 생성 방법
|
7 |
7
미리 수집된 특정 기업의 재무정보 및 특허정보를 활용하여 상기 특정 기업에 대한 연도별 재무지표 및 연도별 기술지표 각각을 추출하는 지표 추출부;기설정된 매칭 조건에 기초하여 상기 연도별 재무지표 및 상기 연도별 기술지표 각각을 미리 저장된 상기 특정 기업에 대한 연도별 실적지표와 매칭하여 학습 데이터셋을 생성하는 학습 데이터셋 생성부; 및상기 학습 데이터셋에 미리 설정된 복수의 기계 학습 알고리즘을 적용하여 기업실적 예측모델을 생성하는 모델 생성부를 포함하되, 상기 모델 생성부는,상기 학습 데이터셋에 미리 설정된 제1 기계 학습 알고리즘을 적용하여 초기 신경망 파라미터 및 초기 기계 학습 모델을 생성하고, 상기 초기 기계 학습 모델에 적어도 하나의 출력층(Output Layer)을 더 부가하여 변형 기계 학습 모델을 생성하며, 상기 변형 기계 학습 모델에서 상기 초기 기계 학습 모델에 대응되는 계층에는 상기 초기 신경망 파라미터를 대입하고, 상기 적어도 하나의 출력층에 대응되는 계층에는 임의의 신경망 파라미터를 대입하고, 상기 변형 기계 학습 모델에 대하여 상기 학습 데이터셋 중 선택된 기설정된 개수의 최근 학습 데이터셋을 이용하여 제2 기계 학습 알고리즘에 따른 학습을 수행함으로써, 상기 초기 신경망 파라미터 및 상기 임의의 신경망 파라미터를 조정하여, 상기 기업실적 예측모델을 생성하고,상기 제1 기계 학습 알고리즘과 상기 제2 기계 학습 알고리즘은 상이한 기계 학습 알고리즘인, 기업실적 예측모델 생성 장치
|
8 |
8
제7항에 있어서,상기 학습 데이터셋 생성부는,상기 연도별 재무지표와 상기 연도별 실적지표 간의 상관분석을 통해 제1 상관계수를 산출하고, 상기 연도별 기술지표와 상기 연도별 실적지표 간의 상관분석을 통해 제2 상관계수를 산출하고,상기 제1 상관계수가 최대가 되는 시차인 제1 시차 및 상기 제2 상관계수가 최대가 되는 시차인 제2 시차 각각을 산출하고,상기 연도별 재무지표에 상기 제1 시차를 적용하고, 상기 연도별 기술지표에 상기 제2 시차를 적용하여 상기 연도별 실적지표에 매칭함으로써, 상기 학습 데이터셋을 생성하는, 기업실적 예측모델 생성 장치
|
9 |
9
삭제
|
10 |
10
삭제
|
11 |
11
제7항에 있어서,상기 미리 설정된 제1 기계 학습 알고리즘은 제한 볼츠만 머신(Restricted Boltzmann Machine)이고 상기 미리 설정된 제2 기계 학습 알고리즘은 역전파(Backpropagation) 알고리즘인, 기업실적 예측모델 생성 장치
|
12 |
12
제7항에 있어서,상기 기업실적 예측모델에 상기 특정 기업의 현재 재무지표 및 현재 기술지표를 적용하여 상기 특정 기업의 향후 기업실적을 예측하는 기업실적 예측부를 더 포함하는, 기업실적 예측모델 생성 장치
|