Earticle

We examine how investor emotions and Bitcoin price influence each other using high-frequency data and NLP analysis. Emotions regarding Bitcoin are extracted from an online chatting window at one of the largest cryptocurrency exchanges in Korea. To control for global factors, we analyze relative Bitcoin prices, Korean premium, and differences between Korean exchange and other global prices. We aggregate intraday high-frequency data at five-minute intervals from October 8, 2017 to January 23, 2018. The identified emotions predict the return and volatility of Korean premium five minutes ahead. The results are economically significant: simple trading strategies using the relationship between emotions and Bitcoin prices generate profits. Consequently, investor emotions drive Bitcoin prices, suggesting irrational crypto-markets that rational speculators can exploit, but policy makers need to address.

본 연구는 정보의 생성과 공유가 손쉬워진 오늘날의 환경에서 정보 비대칭의 형성 요인을 정보의 특징을 바탕으로 살펴본다. 또한, 블록체인 환경에서 개인의 데이터에 대한 소유권 인지 변화를 정보 비대칭의 관점에서 조명한다. 블록체인 환경에서 개인의 거래 기록은 누구에게나 공개되고 데이터의 흐름이 추적 가능한 특징을 갖는다. 이에 따라, 블록체인 환경에서 개인의 인지된 데이터 소유권은 현재와 다른 양상을 보일 것으로 예상된다. 지금까지는 이미 온라인 환경에 공개된 데이터의 흐름에 대해서는 정확한 추적이 불가능함에 따라, 데이터의 소유권에 대한 개념 정립이 필요 없었다. 그러나 블록체인 기술의 등장으로 데이터 흐름의 추적 및 데이터 제공과 거래에 따른 보상이 체계적으로 가능해짐에 따라, 데이터 소유권에 대한 새로운 개념의 정립이 필요한 시점이다. 따라서, 본 연구는 블록체인 환경에서 형성된 정보 비대칭이 개인의 인지된 데이터 소유권에 미치는 영향을 살펴보고 정보의 특징과 정보 비대칭의 관계를 살펴본다.

As blockchain is developed and introduced to the world, requirements of bitcoin’s functions have been fulfilled, which are recording and validating transactions. For the past several years, cryptocurrencies including bitcoin have drawn various types of people’s attention. Although majorities’ views on cryptocurrency are still controversial, it cannot be contradicted that cryptocurrency is now a global phenomenon. In addition, more than 2800 cryptocurrencies are actively traded at a number of cryptocurrency exchanges and the current total market capital of all cryptocurrencies is still above $200 billion besides its dramatic fall in the beginning of 2018 (Coin Market Cap, 2019). In the long-term, high annual growth of cryptocurrency market is predicted reaching the total market capital of approximately $40 trillion (Toshi times, 2018). However despite the phenomenal attention given to cryptocurrency, not many people, even investors and researchers, are not aware of what cryptocurrency really is and how the cryptocurrency market works. Even though there has been a steady progress in the field of research, most of research are focused on particular topics such as investors’ sentiments on social media and predicting price fluctuation of a certain cryptocurrency (Garcia et al., 2014; Kondor et al., 2014; Kristoufek, 2015; Yelowitz and Wilson, 2015). On top of that, majority of research mainly focus on the fluctuation and price prediction of bitcoin and ethereum, or litecoin and ripple for the most. Apart from price prediction or fluctuation prediction Recently, there have been more and more attempts to accurately predict price fluctuation of cryptocurrency market using similar approach as used in stock market (Lamon et al., 2016; Kim et al., 2016; 2017). Price prediction for stock market is a traditional field of research with various approaches and methodologies to achieve higher level of accuracy (Masulis and Shivakumar, 2002; Zhai et al., 2007; Kim et al., 2014). Large portion of past research generally adopted sentiment analysis based on the dataset extracted from online news articles or social media platform such as facebook and twitter. As mentioned above, methodology-wise identical approach has been adopted to predict price fluctuation of cryptocurrency market. However, from past literature, it can be pointed out that past research overly relied on sentiment of investors to describe unpredictable fluctuation of cryptocurrency market. Stock market and cryptocurrency market differ in several characteristics. For instance, cryptocurrency market operates 24 hours whereas investors cannot trade on weekends and after certain period. Moreover, cryptocurrency market is based on global cryptocurrency exchanges where everyone can trade their cryptocurrencies regardless of time and space. In terms of trading time, trading market, number of shares, influence of issuer etc., and cryptocurrency market has indeed comparable characteristics with stock market. One distinct feature cryptocurrency market has compared to stock market is that cryptocurrency’s price volatility is considerably higher than stocks in terms of price (Reid and Harrigan, 2013; Boehme et al., 2015). This research aims at revealing the working mechanism of cryptocurrency market with the help of event study approach, especially focusing on articles related to regulations on cryptocurrency market. Until now, general tendency is that cryptocurrency market does not follow any rules and no one can accurately predict the fluctuation of the cryptocurrency market. Additionally, based on observations that several cryptocurrencies are less affected by bad news and tend to drift to a less extent, this research attempts to figure out underlying cause of the phenomenon. The data for this research are collected from two main sources, which are ‘coinmarketcap’ and ‘coindesk’. Since event study methodology requires both list of events that occurred and daily price of each cryptocurrency, two cryptocurrency platforms were chosen as main data sources. ‘Coinmarketcap’ has been frequently cited as an important platform, where researchers can crawl necessary data such as daily price, current rank according to its market capital, trading volume of each individual cryptocurrency. Cryptocurrency related articles are posted at ‘coindesk’ and further classified into various domains according to their topics. Among different domains, articles in ‘regulation’ domain are crawled for this research. In order to compute cumulative abnormal return (CAR) due to regulation related articles, estimation period to calculate abnormal return (AR) is set to either (-203, -3) or (-153, -3) based on previous literature and event window is set to either (-1, 1) or (-2, 2). In the pilot study with top 50 cryptocurrencies, a number of cryptocurrencies were significantly influenced by both positive and negative regulation articles generating abnormal returns, but not every cryptocurrencies were significantly affected. In addition to computing CARs of individual cryptocurrencies, further analysis will be conducted using CARs as the dependent variable in order to figure out features that cause abnormal returns. As explanatory variable investors’ sentiment crawled from twitter’s tweets, trading volume of each cryptocurrency and additional constructs will be used in order to determine the most influential factor. With this approach, it is possible to explore factors affecting the entire cryptocurrency market. After conducting the analysis, cryptocurrencies used in the current research can be further classified into few groups: 1) a group, which is not significantly, affected, 2) a group, which is significantly affected, but to a less extent, and 3) a group, which is both significantly affected and to a greater extent. Through the classification process, it might be possible to identify characteristics of each group and those characteristics can be implemented for further analysis and prediction. Expected contributions can be summarized as below. Unlike majority of past research which only focused on few well-known cryptocurrencies (i.e. bitcoin, ethereum, ripple etc.), this research comprehensively analyzes cryptocurrency market considering even minor cryptocurrencies. Since comprehensive approach has not been attempted yet, this research can provide basis for understanding underlying working mechanism of cryptocurrency market confirming that cryptocurrency market also follows certain rules and do not fluctuate randomly. Among various factors, this research helps to figure out which factor has the greatest impact on price fluctuation of cryptocurrency market. Event study methodology followed by additional regression with a number of explanatory variables can determine the most influential factor for fluctuations of cryptocurrency market.

본 연구는 물리적, 환경적, 사회적 특성이 아파트 가격에 미치는 영향을 분석하고, 이러한 물리적 환경적 특성이 아파트 가격에 미치는 영향력은 사회적 특성에 따라 달라지는 가에 대한 분석을 하고자 한다. 사회적 특성으로는 대통령 임기 후 기간을 사용한다. 각 대통령 임기별로 시장의 증감률을 살펴보면 상승 – 하락 사이클이 반복된다. 각 정부 전반기에 시장은 상승하다가 후반기에 하락하는 패턴이다. 이러한 대통령 임기가 시기별로 주택가격에 어떠한 영향력을 주는지를 분석한다.

핀테크가 전세계적으로 이슈가 된 지난 10여년을 지나 이제 핀테크는 금융산업을 넘어 사회, 경제, 정책 등 다양한 분야에서 중요하게 다루어 지고 있다. 글로벌 IT기업들이 앞다투어 핀테크와 관련된 플랫폼을 내놓으며 시장을 선점하고자 하고, 신생 벤처기업들도 정보기술을 바탕으로 핀테크 시장에 진입하고 있다. 또한 비트코인을 비롯한 가상화폐의 개발과 거래가 활성화되고, 이와 관련된 여러 사회현상과 사회적논의, 신생 비즈니스 모델의 발생 등 다양한 현상이 나타나고 있다. 또한 모바일 기기의 일반사용자들은 금융거래와 결제, 개인자산 관리를 위한 다양한 기능들을 모바일 어플리케이션을 활용하여 손쉽게 활용하고 있다. 이제는 핀테크가 새로운 산업으로서 단순히 ‘미래 금융시장의 근본적인 판도를 바꿀 것이다’ 라는 금융산업에 한정되는 직관적이고 단순한 청사진을 넘어, 핀테크 생태계가 실제적으로 어떻게 전체 산업과 연관되어지고 우리의 삶을 변화시키고 있는지에 대한 구체적인 접근이 필요한 것이다. 핀테크 서비스 및 산업생태계와 관련한 기존의 연구들을 살펴보면, 핀테크 산업이 금융과 정보기술, 그리고 기타 다양한 산업들과 직간접적으로 연계되어 있음이 다수의 연구에서 제시되고 있다. 또한 금융산업이 아닌 타 산업에 속하는 여러 기업들이 핀테크 영역으로의 비즈니스 모델 확장을 시도하는 Digital Transformation의 특성과 역량, 기업 혁신에 대한 연구와 더불어 많은 스타트업 기업들의 육성을 통한 핀테크 산업생태계 구축에 대한 연구가 수행되어왔다. 그러나 핀테크 산업 생태계의 구조가 어떻게 실질적으로 연계되어 있는지에 대해 실증분석 또는 실제 사용자들의 사용양태를 바탕으로 한 서비스 또는 연관산업의 연계에 대한 분석은 미진하다. 이에 따라, 본 연구에서는 모바일 핀테크 서비스를 중심으로 핀테크 산업 생태계를 종적/횡적으로 구조화하기 위한 탐색적 연구를 수행하였다. 세부 연구목적으로써, 첫째 다양한 모바일 핀테크 서비스들 가운데, 이용자 어플리케이션 사용기록을 바탕으로 실제 연계된 서비스들을 도출하여 관계강도나 연계성을 분석하고자 하였다. 둘째, 금융서비스 이외의 다양한 모바일 어플리케이션들 가운데, 금융서비스와 관련지어 이용되는 서비스들을 발견하여 금융 및 타 서비스간의 관계를 분석하고자 하였다. 서비스 활용에 대한 분석을 위하여 연구자료로서는 어플리케이션 사용에 대한 데이터를 제공하는 ‘와이즈앱’의 데이터를 활용하였다. 데이터는 만 10세이상의 안드로이드 OS를 활용하는 한국인 3만명 이상을 대상으로한 패널조사를 통하여 수집되며, 매주 업데이트 된다. 분석방법으로는 소셜네트워크 기법을 활용하였으며, 이 분석을 통하여 연계와 네트워크의 규모, 연결정도와 방향성, 밀도 등 네트워크에 대한 다양한 정보가 도출 가능하다. 소셜 네트워크 분석을 통한 연구의 결과는 다음과 같다. 핀테크 어플리케이션 사용자들은 동일 계열사에서 제시하는 다양한 어플리케이션을 동시에 사용하지만 (eg. 뱅ْ킹, 알ْ림, 지급결제 등), 다수의 금융기관을 넘나들며 동시에 사용하지는 않는 경향을 보였다. 또한 뱅킹과 지급결제, 인증 서비스를 주요하게 사용하는 것으로 나타났다. 마지막으로 금융정보획득을 위한 다양한 서비스들의 유의하게 활용되고 있음을 발견하였다. 금융서비스 이외의 서비스들은 주로 소비활동과 관련한 내용을 중심으로 동시에 소비되는 경향을 보였으며, 모든 관계에서 커뮤니케이션 기능의 어플리케이션 활용이 나타나기도 하였다. 위와 같은 분석을 바탕으로, 본 연구는 다음과 같은 시사점을 지닌다. 지급결제, 펀딩, 보안 등 다양한 핀테크 서비스들이 주목받고 있지만, 핀테크 플랫폼으로서 성장의 기본을 마련할 분야로서 다수의 사용자들이 확보되어 있고, 기술과 서비스에 대한 사용자들의 수용성이 높고, 사용집중도가 높은 특성을 보이는 모바일 뱅킹과 지급결제 서비스를 중심으로 구성되는 서비스 네트워크의 구조를 구체적으로 보여줌으로서 성공적인 핀테크 플랫폼 으로 성장할 수 있는 기본구조를 도출하였다. 나아가 핀테크 산업이 유통이나, 커뮤니티, 정보제공 등의 서비스와 연계되는 핀테크 산업생태계의 구조를 구체화하였다. 이를 바탕으로 핀테크 서비스의 시장전략 방향성도출에 유의한 정보를 제고할 것이다.

주가 예측에 관한 연구는 주식 가격 변동에 영향을 미치는 수 많은 요인들의 상호작용으로 예측이 어려움에도 꾸준히 연구되고 있으며, 주가의 패턴을 분석하는 연구뿐만 아니라 뉴스 등의 비정형 데이터를 활용한 주가 예측에 관한 연구가 다양하게 이루어 지고 있다. 빅데이터 분석의 중요성이 점차 확대되고 비정형 데이터가 차지하는 비중이 점차 증가하면서 이러한 비정형 데이터를 수집해 분석하려는 수요는 점차 높아지고 있다. 특히, 온라인 상에 기업의 정보를 다루는 다양한 형태의 자료를 일반 투자자들이 쉽게 기업의 정보를 접할 수 있어 기업의 재무상태를 진단하거나 투자를 위한 자료로 활용을 하고 있다. 이처럼 다양한 형태의 자료 중에 온라인 뉴스는 기업의 재무적인 상태 등의 다양한 정보를 투자자에게 알려 주는 매우 중요한 역할을 수행한다. 이렇게 빅데이터 시대에 들어서면서 주식 시장에 영향을 미치는 인터넷 컨텐츠의 양은 급격하게 증가하였지만 수 많은 양의 데이터에서 주가 예측에 필요한 정보만을 선별적으로 찾기는 쉽지 않다. 본 연구에서는 주식투자 의사결정 지원을 위해 주가 방향성을 예측하는데 필요한 단어를 선별하기 위한 방법을 연구할 예정으로 주가 움직임 예측 모형의 성능 향상과 주식 투자자의 의사결정 지원에 기여할 것으로 기대한다.

최근 신용위험관리 분야에서 지능형 시스템을 활용하는 연구들이 활발하게 이루어지고 있다. 예측모델을 구현하기 위해서 다양한 머신러닝 기법을 활용하는데, 일반적으로 시계열적인 입력 특성을 활용하지 못하고 예측 시점이 한정적이라는 한계점이 있다. 또한 회사채 신용등급 예측의 경우 비교적 규모가 큰 기업들만 회사채 신용등급이 부여되기 때문에 기업 선정이 한정적이다. 본 연구는 국내 기업들의 신용평점 정보와 재무적, 비재무적 정보를 시계열적으로 활용하여 현재 시점에서 예측 시점을 자유롭게 조절할 수 있는 예측 모델을 구현하고자 한다. 본 연구는 2000~2017년 총 18년간의 2,362개의 기업 정보와 KIS 신용평점을 활용하는 한편 다양한 재무적 특성을 슬라이딩 윈도우 기법을 통해 시계열적으로 입력 변수로써 적용했다. 연구의 타당성을 높이기 위해 전통적으로 활용되었던 머신러닝 기법들과 최근 활발한 연구가 진행되고 있는 딥러닝 분석 기법까지 비교 분석했다. 분석 결과 RNN 기반 stateful LSTM 분석 기법으로 기존 회사채 신용등급 예측모형에 비교적 성능이 우수한 신용평점 예측 모델을 구현할 수 있었다.

The rapid advances in technology allows developing unprecedented and disruptive enterprises in various industries, wherein paradigm shift is especially prominent in the financial industry. By utilizing unique and detailed data from SME P2P loan flagship company in Korea, I examined whether emerging P2P loan can serve as complementary or substitutive system to the existing financial industry, thereby enable to enhance the efficiency of the financing brokerage and establish themselves as financial instruments. We also incorporate individual investors’ characteristics into the model to look into how observed individuals’ characteristics may affect their investment decision. This paper presents the new opportunity of P2P lending platform in financial market which may benefit both investors and borrowers.

Since its emergence in 2008, Bitcoin has been experiencing continuous growth in popularity worldwide. According to the Google Trends, Bitcoin search results burgeoned more than 10 folds just within the last 12 months. Nowadays, Bitcoin is becoming more and more acceptable in online transactions. Most of cryptocurrencies, including Bitcoin, are traded on the web. Due to its innately cybernetic characteristics, Bitcoin has allowed user opinion on the Internet communities to gain the power to act as a miniature mirror that reflects user response to the ever-growing cryptocurrency market. “Virtual Currency, Tangible Return: Portfolio Diversification with Bitcoin (M. Brière, 2015)” concluded that high volatility (-41.78 to 136.72%) of cryptocurrencies matched with the characteristics of high-risk high-return investments. In addition, notable differences between stock and cryptocurrency markets encourage volatile return on cryptocurrency investments. Firstly, the trading hour of the cryptocurrency market is much longer than that of the stock market, which makes it a restless mechanism. Secondly, the stock market is geographically segregated, while the cryptocurrency market is internationally accepted. Thirdly, the outstanding numbers of stocks and cryptocurrencies are controlled differently. Simply said, the outstanding number of stocks is decided by the company through issuance, whereas the outstanding number of cryptocurrencies is heavily reliant on the mining speed of a specific cryptocurrency. This very characteristic affects the power of the issuer. Fourthly, the most distinctive difference between stocks and cryptocurrencies is that stock prices are dependent on tangible assets while cryptocurrency prices are dependent on perceived market value. Consequently, cryptocurrency prices are more susceptible to investors’ perceptions compared to stock prices. Because only two factors, 1) perceived market value and 2) principles of supply & demand, heavily affect cryptocurrency prices, the following paper seeks to examine the effects of online investors’ sentiment on the cryptocurrency market. As stated by Robert Plutchik, the eight types of emotions – joy, acceptance, anticipation, surprise, fear, sorrow, disgust, and anger – are categorized either into a positive or negative domain, with an exception of surprise. Joy, acceptance and anticipation are positive emotions, while fear, sorrow, disgust, and anger are negative emotions; surprise falls into the category of neutral emotion. This paper looks towards identifying which emotion within each category poses the most influence on Bitcoin market price, by cross-comparing Bitcoin price history and the percentage of respective sentimental user comments and replies on the online forum. Among the eight types of emotions proposed by Robert Plutchik, there are two specific emotions that stand out from all others, which are ‘anticipation’ and ‘fear’. While other emotions show a human response to the past event, the two above-stated emotions convey the sense of uncertainty towards the upcoming event. There are a few previous literature on cryptocurrency sentiment analysis. Firstly, in “Predicting Bitcoin Price Fluctuations with Twitter Sentiment Analysis (E. Stenqvist, 2017),” the researchers analyze Bitcoin-related tweets for sentiment fluctuations that could indicate price change. The authors implement the sentiment classification of 1) positive, 2) neutral, and 3) negative, which is different from the research. As a result, the paper showed a sentiment change threshold of 2.2% with a 79% accuracy. This study provided two important points for this research: 1) there is a relationship between sentiment and cryptocurrency price fluctuations, 2) the lag effect exists. Secondly, the papers, “Algorithmic Trading of Cryptocurrency Based on Twitter Sentiment Analysis (S. Colianni, 2015)” and “Cryptocurrency Price Prediction Using News and Social Media Sentiment (C. Lamon, 2017),” sought to prove the relationship between public sentiment and cryptocurrency price fluctuations. Similar to the first literature, they both used the sentiment classification of 1) positive, and 2) negative. Moreover, the finding concurs with the previous one that there is a relationship between sentiment and cryptocurrency fluctuations. The main takeaway from the literature review on current cryptocurrency sentiment analysis is that they only focus on positive and negative nature of the comments. This research is unique in a sense that it emphasizes the sentiments’ conveyance of uncertainty. Furthermore, this paper seek to stand out from previous literature on stock market sentiment analysis. As shown in “Twitter Mood Predicts the Stock Market (J. Bollen, 2011),” stock market sentiment analysis researches aimed to show the relationship between public sentiment and stock price fluctuations. Here, the sentiment classification applied were 1) calm, 2) alert, 3) sure, 4) vital, 5) kind, and 6) happy. However, there were not any firm reasoning behind choosing such lexicons to distinguish sentiment categories. The sentimental class of calm yielded 86.7% direction accuracy of the fluctuation with baseline prediction of 73.3%. The result, in turn, indicates sentiment association in the stock market. This strengthens the outcome of this research. As for an expected outcome, a number of hypotheses were deduced based on preliminary research. According to the theoretical background, hypothesizing that the emotions of anticipation and fear will hold a higher ground over other emotions when affecting the Bitcoin market is reasonable. Consequently, the following hypotheses were developed: H1a: Anticipation is positively associated with Bitcoin return. H1b: Fear is negatively associated with Bitcoin return. H2a: Anticipation is positively associated with Bitcoin price volatility. H2b: Fear is positively associated with Bitcoin price volatility. To accomplish the proposed purpose, the paper crawled all user comments and replies from the online Bitcoin forum. Through the data analysis process, the paper analyzed the data and categorized it according to the extent of relevance to the two respective emotions conveying uncertainty (anticipation and fear) proposed by Robert Plutchik. Subsequently, the paper cross-compared the relationship between Bitcoin price history and the quantity of respective sentimental user comments and replies in order to test the level of influence of anticipation and fear on the Bitcoin price fluctuation. In order to control the difference between the comment generating rates between day and night, percentage, rather than mere number, of comments are used to identify the degree of sentimental concentration. Hence, the two independent variables were: 1) percentage of comments and replies with anticipation, and 2) percentage of comments and replies with fear. The two dependent variables for this paper were: 1) Bitcoin return calculated in comparison with the previous collection interval, and 2) Bitcoin price volatility calculated in comparison with the previous collection interval. A number of controlled variables were implemented to maximize the influence of public sentiment. Concentration on specific cryptocurrency and promotional events that may attract more investors were carefully addressed. Also, spikes in Google Trends is identical to the trading volume spikes which result in sudden fluctuations; hence, Google Trend spikes were exempt for data collection. The following variables were considered: 1) total number of comments in 6-hour interval, 2) ICO of a new cryptocurrency, 3) delisting of a cryptocurrency, 4) promotional events conducted at Binance Exchange. Throughout the data collection process, extensive data was collected from the most popular cryptocurrency community. Sentimental user comments and replies accumulated in the largest Bitcoin community, Bitcoin Talk, was crawled for sentimental analysis. Similarly, most popular US Bitcoin exchange, Binance, was used to collect past Bitcoin market price history. Both sentimental user reactions and Bitcoin price history database composed of a minimum of three-month period. For the data analysis process, anticipation and fear in user response was applied in identifying the correlation to the Bitcoin market. Then, a consistent number of keywords that represent each of the two emotions was chosen after extensive preliminary data mining. Following this, the percentage of each emotion was calculated in order to deduce the relationships between 1) anticipation and Bitcoin return, and 2) fear and Bitcoin return. In addition, the relationships between anticipation/fear and Bitcoin price volatility was examined to further analyze investors’ sentiment on cryptocurrency market. By evaluating the degree of correlation and the percentage of each emotion within the fluctuation, the paper identifies whether emotional user comments and replies have any association with the Bitcoin return/volatility. For sentiment classification, two sentimental groups, anticipation and fear, was used. In reference to the SentiWordNet 3.0, words expressing uncertainty was selected (S. Baccianella 2010). To complete data analysis process, time-series regression model was implemented. Furthermore, after defining the time-sensitive relationship between public sentiments and Bitcoin indices, Granger Causality was used to identify the cause and effect relationship between the variables. The ultimate goal of this research is to develop and test a prediction model for Bitcoin prices. In order to do so, evident cause-and-effect relationship has to be established between anticipation/fear-related public sentiments and Bitcoin return. After establishing the valid relationship, the concept of machine learning, especially deep neural network (DNN) will be explored to structure the prediction model based on public sentiments.

인공지능을 통해 금융투자 경쟁력을 높일 수 있다. 복잡한 정보를 신속하게 처리해야하는 초단기투자에서 인간은 인공지능의 상대가 되지 않는다. 학술적인 성과와 최신 금융상품 출시 정보 등을 지속적으로 업데이트하면 중장기투자에도 공헌할 수 있다. 중장기투자에서 다수의 개인투자자들은 행동경제학적 오류를 범하지만, 인공지능은 규칙에 근거한 의사결정으로 행동경제학적 오류를 진단/극복할 수 있기 때문이다. 위험관리 측면에서도 마찬가지이다. 비정형빅데이터를 이용한 선행적인 위험관리를 통해 금융투자 가치를 창출할 수 있다. 그러나 국내 금융기관들를 살펴보면 로보어드바이저 등 대부분 전술적자산운용 또는 단기투자에 한정되어 있다. 이러한 분야는 인공지능이 가장 남용되는 분야 중 하나다. 시장이상현상, 멀티팩터 모형 등 재무금융이론에 대한 깊은 이해가 없는 인공지능 기반 투자는 성공을 거두기 어렵다. 전반적으로 국내 금융기관들이 투자의사결정과정에서 인공지능의 장점을 충분히 활용하고 있지 못하다고 판단된다.

현대 사회는 사람의 행동 하나가 데이터가 되며 이는 곧 엄청난 데이터의 흐름을 만든다. 20년 전 인터넷 속 전체 데이터의 양이 현대 사회속에서는 1초마다 저장된다. 이러한 추세는 앞으로 더욱 더 심화될 것이며 이러한 빅데이터를 활용하기에 따라서 엄청난 이점을 줄 수 있을 것으로 판단된다. 이러한 데이터의 분석을 위해서는 편향되지 않은 데이터가 필요한데 대부분의 빅데이터는 한쪽으로 편향인 불균형 상태며 이는 분석의 정확도를 떨어뜨리는 원인 중 하나이다. 또한 2종 오류의 비용이 큰 분야에서는 불균형 데이터를 사용한 분석을 믿을 수 없는 실정이기 때문에 이러한 문제점을 해결하는 것은 매우 중요하다. 정형 데이터 분야에서는 이러한 문제점을 해결하기 위해서 전통적인 통계 기법 방식의 오버샘플링이 발전해왔고 비정형 데이터에서는 딥러닝의 발전과 더불어 발전한 생성 모델이 불균형 문제의 해결책으로 떠올랐다. 본 연구에서는 비정형 데이터에서 오버샘플링을 하기 위해 자주 사용하는 생성 모델 중 CycleGAN을 정형 데이터에 맞게 변형시킬 것이다. 또한 GMM을 이용해 혼합 분포를 각각의 단일 분포로 분해하여 CycleGAN이 데이터의 특징을 더 잘 학습하게 만들 것이며 CycleGAN에 Classifier를 추가하여 좀 더 현실적인 데이터를 만드는 오버샘플링 기법을 만들고자 한다. 본 논문에서 제안하고자하는 오버샘플링 기법을 실험하기 위해 실제 금융사기에 관한 데이터를 PCA로 변조하여 개인정보를 가린 불균형 데이터를 사용할 것이다.

본 연구는 조직적 관점에서 클라우드 컴퓨팅의 실제 사용자인 조직 구성원에 초점을 두고 구성원 관련 요소와 관련된 변수들을 도출하여 성공적인 클라우드 컴퓨팅 구현에 대한 좀 더 포괄적인 이해를 제공하고자 한다. 또한, 본 연구는 조직 관리자의 IT 리더십이 성공적인 클라우드 컴퓨팅 구현에 어떠한 영향을 미치는지에 대해서도 살펴봄으로써 이에 대한 이해를 돕고자 한다. 이와 같은 연구목적을 달성하기 위해 국내 클라우드 컴퓨팅을 구현 중인 기업을 대상으로 자료를 조사 하여 구조방정식 분석을 실시 하였다. 분석 결과 조직구성원 요소 중 정보공유, 기술적 능력, 보안 인식성 및 변화 준비성은 조직의 성공적인 클라우드 컴퓨팅 구현에 긍정적 영향을 미치는 것으로 나타났다. 하지만 구성원 행동통제는 구현에 중요한 영향을 미치지 않았다. 또한 IT 리더십의 조절효과는 구성원 행동통제와 클라우드 컴퓨팅 구현 관계를 제외한 모든 경로에서 유의한 결과가 도출 되었다. 본 연구를 통해 조직 구성원 관련 요소가 조직의 성공적인 클라우드 컴퓨팅 구현에 얼마나 중요한 역할을 하는지 그리고 조직의 IT 리더십이 새로운 기술 활동에 미치는 영향에 대해서도 이해 할 수 있는 근거를 제시해 주고 있다.

본 연구는 클라우드 컴퓨팅 서비스를 신규 도입하거나 기존 정보 서비스를 클라우드 컴퓨팅 서비스로 전환하는 경우 발생하는 이슈를 국내 규제 영향을 중심으로 분석하였다. 클라우드 서비스의 특징, 유형 등을 분석하고, 선행 연구와 각종 문헌을 통해 국내외의 클라우드 컴퓨팅 서비스 도입과 정책 이슈를 분석하여 클라우드 서비스 시장경쟁에서의 국내 규제 영향을 분석, 정리하였다. 본 연구는 클라우드 컴퓨팅 서비스를 도입하려는 기업뿐 아니라 금융기관, 국가기관에 실무적인 시사점을 제공하며 규제 영향을 분석하는 이론적 프레임워크를 제공할 것으로 기대한다. 향후 본 모델의 성과와 적절성에 대한 실증연구를 통해 국내 클라우드 컴퓨팅 서비스 활성화에 대한 연구가 확대되기를 기대한다.

주로 온프레미스(on-premise)방식으로 구축되는 기존 의 ERP(Enterprise Resource Planning)시스템과 달리, 최 근 등장한 클라우드 ERP는 보다 적은 초기비용을 들 여 사용할 수 있는 장점과 필요시 얼마든지 확장해 서 최신의 솔루션을 쓸 수 있는 장점으로 각광을 받 고 있다. 이에 따라 클라우드 네이티브 기업 (ex. Salesforce, Workday)뿐만 아니라 전통적인 ERP기업들 (ex. SAP, Oracle, MS)도 적극적으로 클라우드 ERP를 기업의 디지털혁신의 근간으로 내세우며 급성장하고 있다. 하지만, 아무리 클라우드 ERP 시스템의 기능이 훌륭할지라도 직원들이 새로운 시스템에 저항하거나, 잘 사용하지 않는다면 기업은 효과적인 ROI를 달성 할 수 없다. 이에 본 연구에서는 클라우드 ERP에 대 한 개인의 사용의도를 종속변수로, 개인의 인지된 기 대성과를 선행변수로하여 부 변인 간의 관계를 우선 파악하고자 한다. 또한 클라우드 ERP에 대한 수행된 기존 연구에 기반해 제시하고, 이러한 특성들이 실제 로 어떻게 클라우드 ERP의 기대성과에 영향을 미치 는지 분석해 보고자 한다. 구체적으로 본 연구에서는 클라우드 ERP특성으로 선호 특성인 신속성, 확장성, 유연성, 비용효율성 외에 추가로 지각된 위험, 커스 트마이징 비중, 변화에 대한 저항을 저항특성으로 제 안한다. 이러한 본 연구의 결과는 학술적으로 클라우 드 ERP사용자들에 대한 사용행동을 보다 깊이 이해 하여, 실무적으로 클라우드 ERP의 시장 확대 및 활 성화에 기여할 수 있을 것으로 기대된다.

본 연구의 주요 목적은 클라우드 컴퓨팅을 대상으로 조직의 활용 가능한 자원 중 IT 능력에 초점을 두고 IT 능력과 관련된 3 가지 요소(IT 기반구조, IT 관리, IT 혁신자세)가 조직의 클라우드 컴퓨팅 구현에 미치는 영향을 조사 하여, 조직의 클라우드 컴퓨팅 구현에 대한 좀 더 포괄적인 이해를 제공하고자 한다. 또한, 본 연구는 조직의 정책- 기술 간 조화가 클라우드 컴퓨팅 구현 어떠한 역할을 하는지에 대해서도 살펴봄으로써 새로운 정보기술전략 수행에서 조직 정책과 구성원들의 역할에 대한 이해를 높이고자 한다. 이를 위해 국내 클라우드 컴퓨팅을 구현해 사용 중인 기업을 대상으로 자료를 수집하여 분석 하였다. 분석 결과 IT 역량의 3 개 요소는 조직의 클라우드 구현 과정 중 평가에 중요한 영향을 미치며, 클라우드 컴퓨팅 평가는 수용 그리고 수용은 통합에 긍정적 영향을 미치는 것으로 나타났다. 또한 조절변수인 정책- 기술 간 조하는 IT 역량의 3 변수와 클라우드 컴퓨팅 평가의 관계를 강화 시키는 것으로 나타났다. 본 연구의 결과를 통해 조직의 성공적인 클라우드 컴퓨팅 구현에 선·후행 변수와의 관계를 설명함으로써 클라우드 컴퓨팅이 조직에서 성공적으로 구현될 수 있음을 증명하는 실증적 증거를 제공할 수 있을 것으로 기대한다.

Pre-sale is an emerging way of shopping. Because it can provide a wealth of product information, such as breaking through time and space restrictions, low cost, shopping convenience, and providing consumers with personalized and customized products, and thus it has more advantages than traditional shopping methods. These advantages make increasingly online shopping fast. Although the gap between China's pre-sale shopping market and that of developed countries is still relatively large at this stage, with the sharp increase in the number of Internet users, the prospect of pre-sale shopping is very large. At the same time, research on consumer online shopping behavior has gradually become a hot topic in academic research. Through literature review based on pre-sale of luxury products in China, this study tried to find out what factor in utilitarian and hedonic motivation for presale of luxury products may affect consumers’ purchase intention in China.

유통채널의 다변화로 인하여 소비자들의 소비행태 또한 다양해지고 있다. 본 연구에서는 소비자들의 소비행태에 대한 이해에 접근하기 위하여 8가지의 쇼핑 성향과 유통채널별 인지된 위험, 핏(fit) 그리고 성별 등을 변인으로 회귀분석을 실시하여 각 변인들이 특정 유통채널(오프라 인, PC, 모바일)에서 12개의 패션 상품군별 구매의도에 어떠한 영향을 미치는지를 연구하였 다. 온라인 설문을 통해 수집한 자료를 분석한 결과, 온라인 유통채널 내에서도 PC와 모바일 유통채널 사이에 인지된 위험 수준에 차이가 발생하였으나, 성별에 따른 유통채널별 인지된 위험에는 차이가 발생하지 않았다. 성별에 따라 패션 상품군별 핏(fit)의 중요도에는 차이가 발생하였고, 특히 속옷 상품군에서 그 차이가 크게 발생하여 속옷 상품군이 하나의 패션 상품군으로서 자리잡아가고 있음을 확인할 수 있었다. 마지막으로 개인 특성을 대변하는 변인들이 특정 유통채널 내에서 상품군별 구매의도에 어떻게 영향을 끼치는가를 분석하여, 유통채널별 상품군별 구매의도에 영향을 끼치는 변인들에 대하여 확인하였다.

소비자는 온라인 상에서 다양한 채널을 통해 상품, 서비스, 브랜드에 대한 자신의 의견을 남긴다. 소비자는 소셜미디어를 통해 리뷰를 작성하기도 하는데, 소셜미디어의 디자인에 따라 게시물 작성 과정에서 사진이 주를 이루는 인스타그램과 텍스트가 주를 이루는 트위터와 같은 서로 다른 종류가 존재한다. 본 연구에서는 이러한 디자인의 차이가 업로드 된 리뷰의 내용에 대한 성격이 다르다는 기존의 연구를 바탕으로, 이러한 차이에 영향을 주는 것이 플랫폼 차이가 아닌 게시물 작성 형식이라는 새로운 설명을 제시한다. 본 논문에서는 기존의 연구와 뇌과학 분야의 연구를 바탕으로 게시물 작성 형식이 어떻게 리뷰의 내용에 영향을 미칠지에 대한 이론적 설명을 제시한다. 구체적으로는 게시물 작성에서 사진을 먼저 올리는 경우 감정의 증폭되는 효과로 만족도의 정도가 강해질 것으로 예상하며, 텍스트를 먼저 올리는 경우 리뷰의 정보성이 강해질 것으로 예상한다. 실증분석을 위해서 실험을 통해 리뷰 작성 형식, 즉 순서가 리뷰의 내용에 미치는 영향에 대한 분석을 하고자 한다. 본 연구는 리뷰 작성에 있어서 작성 순서에 따른 리뷰 내용을 인지과학적 측면에서 분석한 최초의 연구라는 점에서 학술적인 의미가 있다. 실무적인 측면에서는 고객과 소통할 채널을 선택 및 제작할 시, 게시물 작성 환경 설정에 도움을 줄 것이다.

정보기술의 발달과 모바일 기기의 대중화로 인해 구매내역, 행동패턴 등 다양한 유형의 고객 데이터 수집이 가능하다. 이러한 고객 데이터가 기하급수적 으로 증가함에 따라 고객에게 차별화된 서비스를 제 공해주는 개인화 서비스에 대한 수요가 급격히 커지 고 있다. 기존의 추천 시스템에 대한 연구에서 추천 알고리즘의 정확도가 반드시 추천 서비스 이용자의 만족도로 이어지지는 않는다는 문제점이 지속적으로 제기되어왔다. 또한, 다양한 아이템들이 추천되었을 때 추천 시스템에 대한 만족도가 높다고 지적하고 있다. 본 연구에서는 추천시스템을 사용하여 개인화 서비스를 제공하는 경우 고객 만족도를 결정하는 요 인을 확인하고자 한다. 기존의 추천시스템은 데이터 희소성, 확장성 등 문제점이 꾸준히 존재했다. 하지 만 최근에 이러한 문제점을 해결하기 위해 인공 신 경망을 추천시스템에 적용시키는 다양한 연구가 진 행되었다. 따라서 이번 연구에서는 인공신경망의 한 종류인 심층 신경망을 추천시스템에 적용하여 MovieLens의 실제 사용자 데이터를 이용하여 사용자의 패턴을 학습하고 고객의 정확도, 다양성, 고객 만족 도를 측정했다. 연구 결과는 심층 신경망 기반 추천 시스템의 정확도가 고객 만족도에 긍정적인 영향을 주었고 다양성은 부정적인 영향을 주었다.

국내 온라인 쇼핑 거래금액은 17년 약 91조원에서 18년 112조 원으로 빠르게 증가하고 있다. 온라인 거래가 증가함에 따라 많은 상품 리뷰가 생성되고 있다. 소비자들이 구매결정 할 때 리뷰 및 평점을 많이 활용하고 있지만, 유용한 정보를 찾기는 더 어려워지고 있다. 온라인 리뷰는 전자상거래에서 중요한 정보를 제공하는 역할을 하며 구전효과와 구매의사결정에 영향을 미치고 있다. 본 논문에서는 해석수준이론 관점에서 리뷰 유용성 투표에 영향을 주는 요인을 알아내고자 한다. 사용 기간이 소비자의 심리적 거리감에 미친 영향을 리뷰를 통해 알아내고, 리뷰 특성에서의 차이를 유용성 투표에 미친 영향을 알아보고자 한다. 이를 통해 소비자들이 심리적 거리감에 따라 다른 해석을 가지고 리뷰를 작성하며, 유용성 투표에 미치는 요인을 파악할 수 있다. 이를 활용하여 시간적 거리가 리뷰에 미치는 영향력을 분석하여 마케팅 전략, 상품 개발에 활용할 수 있다.

본 연구는 유통매장의 새로운 가격정보시스템으로서 국내 오프라인 매장으로 확산되고 있는 전자가격라벨 (Electronic Shelf Labels; ESL) 시스템의 도입요인과 관련한 탐색적 실증연구이다. 연구의 수행을 위해서 도입요 인을 평가하기 위한 8개의 측정항목을 IT-BSC 관점에서 도출하였고, 각 항목들 간의 우선순위를 상대 평가하 기 위해 AHP 기법을 사용하였다. 약 1년 6개월 동안 진행된 설문조사를 통해서 ESL 시스템 도입 전후의 평가 항목들에 대한 매장 직원들의 우선순위 인식변화를 조사하였다. 조사결과 도입 전과 도입 후 사이에서 우선순 위가 높은 항목들에 차이가 발생한 것을 알 수 있었다. 본 연구는 제품과 서비스에 대한 기대와 인지된 사후 성과 간의 Gap 측정방법으로 AHP 기법을 활용했다는 점에서 학술적 시사점을 제시하며, 사용경험의 성숙도에 따라 변화하는 고객가치 제안을 위해서 제품과 서비스의 지속적인 개선 필요성을 제기한다는 점에서 실무적 시사점을 제시하고 있다.

This article is an exploratory empirical study related to the introduction factors of Electronic Shelf Labels (ESL) system which is spreading to offline stores as a new price information system of retail stores in Korea. In order to conduct the study, eight measurement items were derived to evaluate the factors of introduction from the perspective of IT-BSC, and the AHP method was used to evaluate the priority among the items. The survey, which was conducted for about 1 year and 6 months, examined the change in store employees' perceptions of priorities before and after the introduction of ESL system. The results showed that there were differences in high priority items between before and after introduction. This study presents academic implications in using AHP as a measure of Gap between expectation and perceived performance for products and services and suggests practical implications in terms of raising the need for continuous improvement of products and services for customer value propositions that change according to the maturity of experiences.

O2O(Online to Offline) 서비스가 새로운 상거래 형태로 떠오르면서 소비자 입장에서 이용 동기와 사용의도에 대한 연구가 활발하다. 그러나 판매자 입장에서 소상공인의 O2O 이용 동기에 대한 연구는 매우 부족한 실정이다. 따라서 본 연구는 소상공인의 O2O 채널 확장 이용 및 비이용 동기에 관하여 네이버 예약 사례를 중심으로 선험적 연구를 수행하였다. 인터뷰 결과, 이용 동기로는 신규 고객 유입에 대한 기대, 관리의 효율성, 혁신적 이미지 구축을 도출하였으며 비이용 동기로는 나쁜 리뷰에 대한 염려, 디지털 지식 부족, 수수료에 대한 걱정이 도출하였다. 본 연구는 판매자 입장에서의 O2O 서비스 이용 동기에 대해 탐색함으로써 소상공인의 디지털 전환 연구를 확장했다는 데에 학문적 의의가 있다. 실무적으로는 본 연구에서 파악한 판매자의 O2O 이용 동기를 강화하고 비이용 동기를 개선하기 위한 가이드라인을 제시했다는 점에서 의의가 있다.

웹의 크기와 다양성은 꾸준히 증가하고 있으며, 이는 웹 콘텐츠의 공급자, 소비자, 광고주 모두에게 여러 도전과제들을 던진다. 이에, 개별 웹 사이트(페이지)에 방문하는 방문자들의 인구통계학적 특성은 매우 유용한 정보이다. 개별 웹사이트의 주방문자들의 인구통계학적 특성을 예측할 수 있다면, 이는 공급자에게 자신의 콘텐츠가 의도한 방문자들을 효과적으로 끌어들일지의 점검을 가능케 할 것이며, 광고주에게 광고효과를 더욱 높여줄 웹 페이지를 찾게 해 줄 것이다. 이를 위해, 기존의 스터디들이 여러 방법론을 제시하였으나 대부분 쿠키 및 사용자등록을 통해 수집 된 클릭스트림 데이터에 의존하여 그 확장성 및 비용에 문제가 있고, 광고주는 얻기 어려운 데이터라는 한계가 있다. 이 연구에서는, 해당 웹사이트(페이지)로부터 직접 구할 수 있는 지역신호의 활용을 통해 기존 스터디들의 한계점을 극복하는 방법론을 제시하고자 한다. 기존 스터디에서도 지역신호를 활용하려는 시도들이 있었으나, 이러한 노력들에 더해, 웹페이지에서 직접 추출 가능한 의미론적 단서들을 활용, 인구통계학적 특성을 예측하는 방법론을 제안하고 효과를 검증하고자 한다. 그 결과, 기존 방법론의 한계점들을 극복한 이 방법론이 예측의 정확성에도 효과적이고 경쟁력이 있음을 알 수 있었고, 또한, 기존의 방법론에 비해 그 효율성에 있어서도 우수함을 확인하였다.

We empirically examine e-market consumers’ heterogeneity in responding to sales promotion. As e-market users are exposed to frequent seller discounts online, they might become less attracted to such discounts. We find that there are two different types of consumers on the e-market, those who are strongly motivated by temporal seller discounts to buy their products (H_Sens group), and those who are less motivated by such discounts (L_Sens group). Platform-level promotions may work for H_Sens group to enhance their purchase intention, but not for L_Sens group. We also find that contemporaneous platform-level and seller-level promotions have a synergy effect on increase in sales. This might be because the platform promotion brings H_Sens consumers into the market, which is positively related to the effectiveness of seller promotion. Such synergy, however, depends on product categories, where search goods have a higher synergetic effect than experience goods.