AI 주문집행
AI Execution 의 현재와 미래
주문집행
주문집행(execution)은 포트폴리오 또는 포지션에 대한 주문을 실제 시장에서 실행하여 체결시키는 것을 의미한다. 소량의 주식을 거래할 때는 그냥 시장에서 매수호가 또는 매도호가로 주문하여 체결시키면 되지만, 거래금액이 큰 경우에는 원하는 포지션을 낮은 비용으로 시장에서 체결시키기는 거의 불가능하기 때문에 거래비용을 줄이기 위한 많은 노력이 필요하다. 트레이더 또는 딜러(외환시장에서는 외환딜러)라고 불리는 직업군이 바로 이 주문집행을 수행하는 역할을 한다.
전체적인 시장 분위기를 파악하고, 거래 상대방의 상황과 심리를 읽으면서, 주어진 수량을 바로 채울지 아니면 좀더 좋은 가격을 기다릴지를 지속적으로 판단하고, 순발력있게 대응하고 베팅하는 트레이더는 오랫동안 금융시장의 치열함을 대표하는 아이콘으로 자리매김해왔다. 그런데 최근 몇 년동안 트레이더를 둘러싼 상황이 심상치 않다. 뉴스는 미국에서 먼저 시작됐다.
골드만삭스는 한때 500명이던 트레이딩 데스크를 3명으로 줄였으며, 이 과정에서 인간 트레이더를 로봇으로 대체중이라고 발표했다. (Bloomberg, A Goldman Trading Desk That Once Had 500 People Is Dowm to Three)
JP모건은 LOXM 이라는 이름의 딥러닝 강화학습 기반의 주문집행 시스템을 개발하여 유럽 증권시장에서 테스트중이라고 발표했다.
그리고 최근에는 한국에서도 비슷한 뉴스가 나오고 있다.
AXE vs. 증권사딜러 주문집행 대회
AXE vs. 증권사딜러 주문집행 대회룰베이스 주문집행 시스템
최근 AI 기술의 발달에 힘입어 주문집행시스템도 AI 버전이 나오고 있지만, 예전에도 자동화된 룰베이스 주문집행 시스템이나 기초적인 머신러닝 알고리즘에 기반한 주문집행 시스템은 존재했고 광범위하게 쓰여왔다.
예를 들어, 가장 단순한 알고리즘인 TWAP 알고리즘은 많은 수량을 기계적으로 주어진 시간동안 1/N 하여 분할하여 주문하는 알고리즘이다. 그리고 좀더 복잡한 VWAP 알고리즘은 특정 종목의 일간 거래량 및 거래량의 일중흐름이 비슷하다고 가정하고 당일의 거래량 커브를 과거 데이터로 예상하여 그에 맞추어 거래하는 알고리즘이다. 거래량이 많이 터지면 많이 사고, 적게 터지면 적게 사게 된다. 이외에도 IS, PoV, IMSH 등 많은 룰베이스 주문집행 알고리즘들이 존재하며, 이런 알고리즘들에 기반한 execution 서비스를 제공하는 ITG (최근 HFT 회사인 Virtu 에 피인수) 같은 회사도 상당히 많이 존재한다. 미국 같은 경우는 주식시장 규모도 훨씬 크지만 거래세가 존재하지 않기 때문에 거래량이 국내주식시장보다 압도적으로 많고, 거래량 중 상당부분을 이러한 알고리즘 주문집행 거래가 차지하고 있다.
알고리즘 주문집행을 하는 이유는 거래비용을 줄이려는 목적이 가장 크다. 수천억원의 주식을 사고 파는데 이를 분할하지 않고 한번에 주문하면 큰 마켓 임팩트가 생길 것이고, 결국 비싸게 사고 싸게 팔게 되어 거래비용이 크게 증가한다. 그래서 주문을 분할하여 집행하게 되는데, 설령 쪼개서 주문을 하더라도 남들이 예측가능한 알고리즘을 사용하게 되면 다른 트레이더들의 먹이감이 되기 쉽다. 지금은 달라졌지만 한때는 고빈도거래를 하는 HFT 회사들의 주요 수입원이 뮤추얼펀드의 대량 분할주문을 초기에 감지하여 먼저 해당 주식을 매수하거나 매도하는 전략일 정도였다. 이는 뮤추얼펀드 회사들의 거래비용 증가로 이어졌고, 주문집행 알고리즘도 남들이 알아채기 어렵도록 점점 더 복잡한 방향으로 바뀌어왔다.
AI 주문집행 시스템
기존의 룰베이스 주문집행 시스템과 최근에 나오고 있는 첨단 AI 주문집행 시스템의 차이는 무엇일까. 다른 많은 AI 프로덕트처럼 약간의 AI 알고리즘을 추가하고 기존과 비슷하거나 약간 나은 성능을 내면서 팬시하게 이름만 바뀐 것일까. 주문집행은 AI 적용에 따른 성능개선효과가 매우 크고 상업화가 가능한 수준까지 도달할 수 있는 몇 안되는 AI 분야이다.
AI 주문집행시스템은 많이 오해하는 것처럼 하루의 시장흐름을 AI 기법으로 예상해서 시장이 올라갈 것 같으면 빨리 사고, 내려갈듯 하면 천천히 기다렸다 싸게 사는 식으로 동작하지 않는다. 오히려 AI 주문집행시스템은 고빈도 매매시스템과 상당히 유사한 구조를 가지고 있다.
하루의 주식시장 또는 개별주식의 흐름은 예측하기가 매우 어렵지만, 개별주식의 틱데이터 레벨 (호가창 데이터 포함)로 들어가면 어느 정도 유의미한 한 단기 패턴들이 많이 존재한다. 예를 들어, 삼성전자는 매도호가에 큰 수량의 주문이 있을때 매수호가건수가 급증하면 가격상승세가 지속될 확률이 높다 같은(가상예시). 특히 우리나라 같은 경우에는 거래세 0.2%가 존재하기 때문에 특정 단기 트레이딩 전략이 유효해도 거래당 수익률이 0.2% 미만이면 해당 전략으로 돈을 벌기가 불가능해서 이러한 단기 패턴들의 생명이 길게 유지되곤 한다. 이러한 단기 패턴은 각 종목마다 다르고, 장기적으로는 계속 변한다.
AI 주문집행 시스템은 딥러닝 강화학습을 통해 이러한 개별종목의 단기 패턴을 학습하여 최적주문집행 전략을 찾게 된다. 국내시장 기준으로 주식 틱데이터는 수 기가바이트 단위로 매일 생성되고, 이는 자산운용 등 다른 금융분야에 비해 훨씬 많은 양의 데이터라 AI의 학습성능을 십분 발휘할 수 있다.
딥러닝 강화학습으로 개별 주식의 틱데이터를 잘 학습하여 적절한 주문집행 전략을 구사하더라도, 분할된 개별 주문의 예측성공확률은 50~60% 정도이다. 다만, 하나의 주문이 500~700건 이상 분할되어 주문집행이 이루어지므로 이 정도의 개별확률로도 하루 기준으로 VWAP 을 이길 확률은 80~90%에 이르게 된다. (손익비가 같은 55% 승률 게임을 1번하면 돈을 딸 확률이 반반에 가깝지만 500번 정도 계속 한다면 대부분 돈을 따게 된다. 대수의 법칙) 하나의 종목이 아니라 포트폴리오를 주문집행한다면 승률은 더 높아진다.
AXE 의 경우 동시에 처리가능한 숫자는 컴퓨팅파워만 늘어난다면 무한대로 늘릴 수 있다. 인간 딜러의 경우 베테랑 딜러가 하루 약 30종목을 처리할 수 있다. 물론, 인간딜러는 개별종목의 틱데이터를 분석하거나 하지 않기 때문에, 대부분 직관과 경험으로 대처한다. 인간은 인지능력과 반응능력의 생물학적인 한계때문에 VWAP 주문같은 룰베이스 주문을 인간딜러가 수행할 경우에는 VWAP 커브 계산해서 따라가기도 바쁘며, 여러 개별 종목의 틱데이터 패턴은 사실상 신경쓰기가 불가능하다.
AI 가 자산운용 분야에서 사람보다 운용을 잘한다고 자신있게 말하려면 최소 수 년의 시간이 필요하겠지만, 주문집행은 며칠 정도면 바로 성능의 차이를 확실히 알 수 있다. 종목당 하루에 500~700번을 분할하여 거래를 하므로 우연히 이길 확률은 거의 없기 때문이다. 인간 딜러의 경우 주문집행의 벤치마크가 되는 VWAP(거래량 가중평균 가격)을 이기는 것은 거의 불가능하고 VWAP 보다 5~10bps 까지 지는 것이 평균적인 수준인 반면, 금융기관에 적용된 AXE의 경우 실제 시장에서 수천억원 단위의 주식거래를 통해 VWAP 보다 우수한 성능을 꾸준하게 보여주고 있다.
학습에 기반한 동작방식 때문에, AI 주문집행 시스템은 틱데이터를 매일 또는 주기적으로 학습하는 식으로 설계되는 경우가 많다. 이 분야에서는 가장 처음 나온 JP Morgan 의 LOXM 시스템도 주식 틱데이터를 딥러닝 강화학습모델로 학습하는 방식으로 동작한다.
JP Morgan's LOXM
JP 모건의 AI execution system LOXMLOXM 은 사실 객관식 문제를 학습하도록 설계된 시스템이다. 위의 그림을 보면 상당히 복잡한 아키텍쳐를 가지고 있는 것처럼 보이지만, LOXM의 핵심구조는 생각보다 단순하다.
JP Morgan의 NIPS 워크샵 발표에 따르면, LOXM 은 기본적으로 PoV (Percentage of Volume, 발생하는 거래량의 특정 %를 계속 참여하여 매매하는 단순한 알고리즘) 룰베이스 주문집행 알고리즘을 사용한다. 시장가주문형태는 사용하지 않고(단, 하한선을 정하고 너무 체결이 안되거나 하여 하한선을 넘으면 시장가주문을 강제적으로 넣긴 한다.) 매수호가에 지정가 주문만 넣는데, 주문시 [조금, 중간, 많이] 세가지 옵션을 선택할 수 있고 [매수1호가, 매수2호가, 매수3호가]에만 주문을 배분한다.
즉, PoV 알고리즘을 쓰면서
#1 [매수1호가: 조금, 매수2호가: 조금, 매수3호가: 조금]
#2 [매수1호가: 중간, 매수2호가: 조금, 매수3호가: 조금]
#3 [매수1호가: 많이, 매수2호가: 조금, 매수3호가: 조금]
#4 [매수1호가: 조금, 매수2호가: 중간, 매수3호가: 조금]
...
#27 [매수1호가: 많이, 매수2호가: 많이, 매수3호가: 많이]
의 3*3*3=27가지 선택지를 개별종목 틱데이터와 매칭시켜 딥러닝 강화학습시켜서, 27가지 선택지 중 뭐가 좋을지를 AI가 추론하게 되어있는 것이다.
LOXM 의 쏟아진 엄청난 관심에 비하면 다소 맥빠지는 구조가 아닐 수 없다. JP Morgan 에 따르면, LOXM 의 향후 목표는 (현재 객관식으로 구성되어 있는) 액션스페이스의 수를 늘리고, 궁극적으로는 사전에 정의된 세트 중 고르는 것이 아닌 주관식으로 직접 주문량과 주문형태까지도(즉, 현재처럼 지정가주문만 하는 것이 아니라 필요하다면 시장가를 쓸지 여부까지도) 결정하는 것이라고 한다.
다행히, JP모건은 이런 연구를 할 필요가 없을 것 같다. 크래프트테크놀로지스가 출시한 AXE가 이미 그렇게 구현되어 있고, 상용화하여 실제 시장에서 성능까지 증명했기 때문이다. 물론, JP모건이 LOXM 을 처음 개발했을 때는 AI 강화학습 기술이 DQN 정도였음을 감안해야 한다. LOXM 과 AXE 사이의 몇년동안 AI 강화학습 기술은 눈부시게 발전했고, 크래프트테크놀로지스는 어찌보면 늦게 시작했기 때문에 더 좋은 결과를 얻을 수 있었다.
Qraft Technologies' AXE
크래프트 AXE는 최신 에이전트 기반 딥러닝 강화학습 모델을 사용하여, 몇 호가에(얼마의 가격에) 몇주의 주문을 넣고, 시장가로 몇주의 주문을 넣고, 몇주의 주문을 어떻게 정정하고 몇주를 취소할지까지 end to end AI 로 계산한다. AXE의 대략의 구조는 아래와 같다. (참고로 아래 아키텍쳐는 현 AXE의 전세대 버전이다. 보다 개선된 최신 AXE 모델은 출시 예정인 API 버전에 적용될 예정이다.)
크래프트테크놀로지스 AXE 에 적용된 인공지능 모델
실제 거래에서의 AXE 퍼포먼스 : 전체 거래중 82.5% 가 국민연금기준 1등급 딜러의 성과를 능가관련영상: https://youtu.be/o3m6Ewjc7Lw
2018년 말에 증권사 딜러와 AXE에게 같은 (KOSCOM에서 랜덤하게 생성한)대형주 포트폴리오를 주고 누가 더 싸게 포트폴리오를 시장에서 살 수 있는지를 5일간 대결했던 AXE Challenge (총상금 1억원 / NVIDIA, 신한은행, KOSCOM, PwC 후원)가 열렸다. TV에 생중계된 이 대회에서 AXE 시스템은 증권사의 인간 딜러를 큰 차이로 제압했다.
AXE는 현재 상용화되어 신한금융투자에 공급되었다. 신한금융투자는 2020년 3월부터 AXE를 법인 주문집행에 적용하고 있으며, 현재까지 국민연금이 위탁한 매달 약 1천억원 이상의 주식주문을 AXE로 처리 중이다. AXE는 이 과정에서 VWAP 벤치마크를 2~3bps 아웃퍼폼하는 뛰어난 성과를 보여주고 있다. (같은 기간 베테랑 휴먼트레이더는 VWAP 벤치마크를 8bps 언더퍼폼하는 성과를 냈다.)
AI 주문집행 시스템은 개별종목의 가격, 거래량 뿐만 아니라 체결내역, 지정가 호가 등을 포함한 틱데이터에서 패턴을 학습하여 최적 주문집행 전략을 탐색한다. 이러한 시스템이 도입될 경우, 액티브인덱스 뿐 아니라 모든 금융상품의 대량거래에 따른 거래비용을 최소화하여 수익률을 개선할 수 있다. 특히 마켓임팩트가 큰 초대형 펀드 또는 중소형주를 대상으로 하는 펀드나 회전율이 높은 펀드에서 그 효과가 크다.
AI Execution in B2C
최근들어, AI 주문집행이 의외의 방향으로 조명되고 있다. 현재까지의 주문집행은 주문을 수탁하여 잘 처리하려는 증권사의 법인영업부서 또는 트레이딩 부서, 자산운용사 등에서만 관심을 가지던 주제였고, 이를 중심으로 시장이 형성되고 기술이 개발되어왔다. 그러나, 최근 핀테크 기업 및 플랫폼 기업들이 속속 증권업에 진출하면서 AI 주문집행의 또다른 거대한 가능성이 조금씩 모습을 드러내고 있다.
메신저 플랫폼 회사가 주식거래 또는 자산관리 기능을 앱에 붙인다고 생각해보자. (메신저플랫폼은 아니지만 실제로 GRAB 같은 회사들은 슈퍼앱을 추구하며 이미 자산관리 기능을 앱에 추가했고, 주식거래 기능까지 넘보고 있다.) 앱 기반의 플랫폼 회사들이 집요하게 추구하는 가치는 UI/UX 다. 소비자들이 외면하지 않고 쓰기 위해서는 무조건 쉽고 또 쉬워야 한다. 그러나, 현재 모바일 기반의 주식거래는 너무 어렵다. 증권회사가 아닌 플랫폼 기업의 고객들에게는 더욱 그렇다. 종목을 선택하면, 호가창이 나와서 가격이 계속 움직이고, 매수 매도수량이 막 변하는데 주문형태는 지정가, 시장가가 있고 가격을 어디다 넣어야할지, 겨우 주문을 넣었는데 왜 체결은 또 안되는지 모르겠는 경우가 대부분일 것이다.
AI 주문집행 기술을 도입한다면, 메신저 플랫폼 기업은 호가창 기반의 복잡한 주문 UI를 완전히 들어내고, 자연어 또는 음성 기반의 엄청나게 쉬운 주식거래 서비스를 만들 수 있다. 메신저 기반 플랫폼이라면 주식거래를 위한 새로운 UI/UX 자체가 필요없게 될 것이다. 그냥 채팅으로 "앞으로 일주일 동안 Apple 주식 1천만원 어치 알아서 잘 사줘"라고 입력하면 끝이기 때문이다. 더 이상 회사에서 MTS의 조그만 주식호가창을 하루종일 바라보면서 언제 살까 언제 팔까 마음졸일 필요가 없어진다. 이러한 UI/UX 가 확산되면 지금과 같이 호가창을 보면서 주문가격, 시장가/지정가 선택 등이 필요한 복잡한 MTS는 금새 과거의 유물이 될 것이고, 손맛을 보려는 데이트레이더 정도나 이를 사용하게 될 것이다.
곧 호가창과 복잡한 주문 인터페이스는 없어지게 될 것이다.
AXE를 적용한 Conversational Trading 예제
AXE를 적용한 4버튼 트레이딩 예제 / 호가창 없이 버튼 4개로 트레이딩이 가능하다.무료 주식거래 서비스로 유명한 로빈훗도 초보적인 주문집행 서비스를 앱에서 제공한다. 예를 들어 최소 5000원 / 최대 6000원 사이에서 특정 주식을 사거나 팔아달라고 입력해놓으면 해당 가격이 올때 기계적으로 사거나 팔아주는 식이다. 사질지 안사질지 조차 불확실한 시스템이기 때문에 거의 사용되지 않는 기능이다. 그럼에도 불구하고 로빈훗이 이렇게 만들수밖에 없었던 이유는 시장가 주문은 확실히 거래가 체결되고 완결되긴 하지만 호가상황이 어떨지 모르기 때문에 너무 위험하고 (별로 호가가 없는 상황에서 주문이 발생하면 많이 비싸게 사거나 싸게 팔게 되어 잠재적인 손해가 커진다), 지정가 주문은 사질지 안사질지조차 알 수 없기 때문이다. 결국, UI/UX 잘만들기로 일가견이 있는 로빈훗조차도 주문집행 기능은 고객이 직접 가격밴드를 설정하고 그 가격이 오면 매매가 되는 정도로 타협하고 말았다.
그러나, AI Execution 은 데드라인 시간까지 거래를 100% 완결시키면서도 최적의 주문집행전략을 구사하여 좋은 가격체결이 가능하다.
AI Execution as a Service
크래프트테크놀로지스는 최근 AI 주문집행시스템 AXE를 클라우드 솔루션 형태로 패키징하고 있음을 밝혔다. 클라우드 솔루션화가 연말즈음 완성되면 어떤 회사든 해당 클라우드 구독 및 API 연결을 통해서 자사 서비스에 AXE를 적용할 수 있다. (On Premise/내부서버 방식으로 신한금융투자에 공급되었던 서버 버전의 AXE 는 단종된다. 새로운 AXE API는 거래금액의 몇 bps를 과금하는 모델로 제공될 예정이다.)
주식거래를 어떠한 형태로든 서비스 내에서 자동화시키려면 자동화된 주문집행 기능이 반드시 필요하다. 그러나 기존의 룰베이스 형태의 주문집행 시스템은 낮은 주문체결 성능과 거래 완결성 (즉, 100주를 주문하면 데드라인까지 반드시 100주가 최종적으로 체결됨을 보장) 때문에 신뢰하기 어렵다. 결국, AI execution 이 사실상 유일한 기술적인 대안이다.
AI 주문집행은 단순한 룰베이스 시스템 대비 컴퓨팅 파워가 많이 필요하긴 하다. 그러나, 학습과정에서 필요한 컴퓨팅 파워는 고객수의 증가와 관계없는 고정비용이고, 고객수의 증가에 따라 가변적으로 같이 늘어나는 추론과정에서 요구되는 컴퓨팅 파워는 학습과정보다 훨씬 작아서 알고리즘 매출의 10% 수준 아래로 비용 관리가 가능하다. 빠르게 높아지고 있는 단위가격당 GPU 성능 때문이다.
세계 최대의 GPU 기업인 NVIDIA는 최근 전세계 AI 스타트업 중 TOP 30개를 선정하여 마케팅 세일즈를 지원하는 Inception Premier 프로그램에 크래프트테크놀로지스를 선정했다. 국내 기업으로는 최초이고, 전세계에서도 금융분야 AI 기업으로는 최초이다. (다른 선정기업들은 대부분 유니콘이거나 이미 Apple 등에 인수된 유명 AI 스타트업이다.) 선정기업들의 면면을 보면, GPU가 많이 소요되는 자율주행, 비전 쪽의 AI 기업이 대다수다. 엔비디아가 금융분야의 첫 인셉션 프리미어 파트너로 크래프트테크놀로지스를 선정한 것은 AXE가 글로벌 금융시장에 침투하게 되면 엔비디아의 GPU 역시 많이 팔릴 수밖에 없음을 예상한 포석이다.
AI 주문집행의 경우, 주문하는 고객이 많아질수록 더 많은 실시간 동시처리 능력을 요구하며, AXE는 학습과정 및 추론과정에서 많은 병렬 GPU 컴퓨팅 파워를 필요로 한다. 국내외 금융기관 또는 플랫폼 기업의 고객이 (IBM, PwC 등으로부터 AI transform에 대한 컨설팅을 받고, IBM 과 PwC는 AI transform 프로젝트 수행과정에서 크래프트의 API를 적용하고) 크래프트의 AXE API 를 사용하기 위해 Microsoft Azure 또는 AWS의 해당 instance 와 API를 구독하고, NVIDIA 의 GPU 판매량이 올라가는 밸류체인이다.
Inception Premier 프로그램은 아예 NVIDIA 의 지역 마케팅/세일즈 매니저를 통해 NVIDIA의 금융기관 고객사 등에 AXE를 소개하고, 관련 세미나 및 로드쇼 등을 지원하고, 더 나아가 co-marketing, co-sales 를 진행하게 된다.
Future of Execution
AI 주문집행은 이제 막 시작되고 있는 분야지만, AI 기술을 통해 실제적이고 직접적인 변화를 빠르게 만들어낼 수 있고 큰 스케일의 상업적 가능성이 있으면서도 시장침투까지 상대적으로 쉬운 상당히 희귀한 영역이다.
AI 기술을 적용함으로써 주문집행의 완결성과 뛰어난 주문집행 퍼포먼스라는 두마리 토끼를 잡는 것이 가능해졌다. 성능의 증명도 쉽다.
이로 인해 급격히 성장하고 있는 플랫폼과 다양한 서비스에 주식거래와 관련된 기능을 완벽하게 자동화하고 추상화하는 것이 가능해졌다.
이 변화는 투자자들이 굉장히 쉽게 투자를 할 수 있게 만들어주고, 직관적이고 쉬운 투자 서비스를 가능하게 하여 플랫폼회사의 서비스 등을 통해 빠르게 확산될 수 있다.
조만간, 투자자들이 직접 주문을 넣고 트레이딩을 하는 것은 자율주행 시대에 재미를 위해 스포츠카를 운전하는 것과 같은 상황이 될 것이다.
크래프트테크놀로지스는
AI 기술을 활용해 자산운용업의 비효율성을 혁신하고 있는 기업입니다. 데이터처리부터 알파리서치, 그리고 포트폴리오 주문집행까지 자산운용업의 각 단계별 비효율성을 기술로써 해결하고, 이를 통해 높은 수준의 알파를 낮은 비용으로 제공하는 것을 목표로 합니다. 복잡한 금융 데이터 전처리를 자동화하고, 병렬컴퓨팅을 통해 고속화하며, 이를 통해 완성된 시뮬레이션 환경에서 autoML 기술을 통해 알파 팩터를 자동으로 서칭합니다. 이렇게 찾아진 알파 팩터들을 활용해 정해진 펀드 컨셉에 따른 펀드 유니버스에 따라 Strategy Factory을 통해 딥러닝 기반의 deep asset pricing model을 만들고, 모델을 통해 생선된 최종 포트폴리오는 강화학습 기반의 주문집행 엔진 AXE로 효율적인 주문집행을 하는 것을 목표로 합니다. 위 시스템을 통해 제작되고 뉴욕증권거래소에 상장된 크래프트테크놀로지스의 AI ETF 라인업은 인공지능 시스템으로 100% 무인운용되고 있으며, 상장 후 1년동안 벤치마크지수(S&P500, S&P500모멘텀 지수)를 10%p 이상 아웃퍼폼하는 등 동종 ETF 중에서 최고의 성과를 보여주고 있습니다.
크래프트 웹페이지: http://www.qraftec.com
크래프트 뉴스레터 구독: https://www.qraftec.com/newsletter
Disclaimer
*과거의 성과가 미래의 성과를 보장하지 않습니다.
*본 자료는 정보제공을 위해 작성되었으며, 펀드 등 금융투자상품의 판매를 권유하기 위한 목적으로 사용될 수 없습니다.
*본 자료는 크래프트테크놀로지스가 특허출원 중이거나 특허등록한 내용을 포함하고 있습니다.
