회사 자료를 불러오는 중…
회사 자료를 불러오는 중…
검증 단계 — 어디까지 확인했나
L0 · 국민연금 인력 · 공시 재무 · 특허 — 공공자료
서울특별시에 있는 2016년 설립 회사입니다. 전기ㆍ전자공학 연구개발업을 합니다. 2025년 그룹 연결 매출은 55.5억입니다. 자회사까지 합친 숫자이며 이 법인 하나의 매출이 아닙니다. 2026년 8월 기준 국민연금 가입자는 53명입니다. 외부감사를 받는 회사이고, 가장 최근 감사의견은 「적정」입니다.
읽어오는 중입니다…
최근 출원 2020-08-25 · 최근 등록 2023-04-10 · 최신 출원순
인공 지능에 기초하여 자산의 가격을 예측하는 장치는 예측하고자 하는 자산의 과거 가격 데이터 및 상기 자산과 연관된 입력 데이터를 수집하는 수집부, 상기 수집된 과거 가격 데이터에 기초하여 복수의 기간값 중 상기 복수의 기간값과 매핑된 복수의 추세를 대표하는 최적 기간값을 도출하는 최적 기간값 도출부, 상기 도출된 최적 기간값에 기초하여 제 1 예측 모듈을 통해 상기 수집된 입력 데이터 및 상기 수집된 과거 가격 데이터에 대한 예측 가격 데이터를 예측하는 제 1 예측부, 상기 예측된 예측 가격 데이터 및 실제 가격 데이터 간의 비교값에 기초하여 제 2 예측 모듈을 통해 예측 일자에 대한 예측 추세를 예측하는 제 2 예측부를 포함하고, 상기 제 1 예측부는 상기 예측된 예측 추세에 기초하여 최종 예측 가격 데이터를 예측한다.
포트폴리오를 생성하는 장치는 투자 정보를 입력 받는 입력부, 상기 입력 받은 투자 정보에 기초하여 거래가 가능한 복수의 펀드로부터 적어도 하나 이상의 펀드를 선정하는 펀드 선정부, 상기 선정된 펀드를 조합하여 적어도 하나 이상의 포트폴리오를 생성하는 포트폴리오 생성부, 기설정된 비중 배분 기준에 기초하여 상기 생성된 포트폴리오 각각에 대해 비중을 배분하는 제 1 차 비중 배분을 수행하고, 상기 제 1 차 비중 배분이 수행된 각 포트폴리오에 대해 딥러닝을 기반으로 도출된 기대 수익률에 기초하여 제 2 차 비중 배분을 수행하는 비중 배분부 및 상기 제 1 차 비중 배분 및 상기 제 2 차 비중 배분이 수행된 각 포트폴리오로부터 최종 포트폴리오를 선정하는 최종 선정부를 포함한다.
강화 학습을 기반으로 자산 포트폴리오를 생성하는 장치는 복수의 자산에 관한 정보 및 복수의 자산 배분 전략에 관한 정보를 등록받는 등록부, 상기 복수의 자산 배분 전략에 대하여 순위를 예측하는 전략 순위 모델을 생성하는 전략 순위 모델 생성부, 상기 복수의 자산에 대하여 순위를 예측하는 자산 순위 모델을 생성하는 자산 순위 모델 생성부, 상기 전략 순위 모델 및 상기 자산 순위 모델에 기초하여 상기 복수의 자산 배분 전략 중 어느 하나의 자산 배분 전략을 선택하는 전략 선택부 및 상기 선택된 자산 배분 전략에 기초하여 포트폴리오를 생성하는 포트폴리오 생성부를 포함한다.
환율 예측 방법은 복수의 외환 데이터에 관한 데이터셋을 수집하는 단계; 베이지안(Bayesian) 네트워크를 생성하는 단계; 상기 데이터셋을 입력하여 기간별 분포 데이터를 출력하도록 상기 베이지안 네트워크를 학습하는 단계; 복수의 실시간 외환 데이터를 수집하는 단계; 상기 복수의 실시간 외환 데이터를 상기 베이지안 네트워크에 입력하여 기간별 분포 데이터를 획득하는 단계; 및 상기 기간별 분포 데이터에 기초하여 환율을 예측하는 단계를 포함할 수 있다.
증권 거래를 위한 주문 집행 서버는 적어도 하나의 종목에 대한 거래 데이터를 수집하는 데이터 수집부, 강화학습 에이전트의 행동 규약을 결정하는 신경망인 둘 이상의 액터(Actor) 및 강화학습 에이전트의 행동 가치를 추정하는 신경망인 크리틱(Critic)을 포함하는 강화학습 기반의 딥러닝 모델을 생성하고, 거래 데이터에 기초하여 강화학습 기반의 딥러닝 모델이 적어도 하나의 종목에 대한 주문 집행 전략을 도출하도록 강화학습 기반의 딥러닝 모델을 학습하는 모델 생성부 및 주문 집행 전략을 포함하는 주문 정보를 이용하여 현재 주기에서의 적어도 하나의 종목에 대한 주문 집행을 수행하는 주문 집행부를 포함할 수 있다.
증권 거래를 위한 주문 집행 전략을 제공하는 서버는 적어도 하나의 종목에 대한 거래 데이터를 수집하는 데이터 수집부, 거래 데이터에 기초하여 기설정된 단위 시간 마다의 적어도 하나의 종목에 대한 주가변화율을 예측하도록 지도학습 기반의 제 1 딥러닝 모델을 학습시키고, 증권 시장 환경을 가상화한 가상화 모델에서의 주문 집행 비용이 절감되는 주문 집행 전략이 도출되도록 강화학습 기반의 제 2 딥러닝 모델을 학습시키는 모델 생성부 및 제 1 딥러닝 모델 및 제 2 딥러닝 모델에 기초하여 주문 집행 전략을 도출하고, 주문 집행 전략을 포함하는 주문 정보를 이용하여 현재 주기에서의 적어도 하나의 종목에 대한 주문 집행을 수행하는 주문 집행부를 포함할 수 있다.
증권 거래를 위한 주문 집행 전략을 제공하는 서버는 적어도 하나의 종목에 대한 거래 데이터에 기초하여 지도학습 기반의 제 1 딥러닝 모델 및 강화학습 기반의 제 2 딥러닝 모델을 학습시키는 모델 생성부, 제 1 딥러닝 모델을 통해 예측된 주가 변화율에 기초하여 보조 예측값을 생성하는 보조 예측값 생성부, 제 2 딥러닝 모델을 통해 보조 예측값에 기초한 적어도 하나의 종목에 대한 주문량 및 주문 취소량을 결정하고, 결정된 주문량 및 주문 취소량에 기초하여 최종 주문량을 결정하고, 결정된 최종 주문량에 따라 현재 주기에서의 종목에 대한 주문 집행 전략을 도출하는 주문 집행 전략 도출부 및 주문 집행 전략을 포함하는 주문 정보를 증권 거래 운용 서버로 전송하는 주문 집행 지시부를 포함할 수 있다.
증권 거래를 위한 주문 집행 서버는 적어도 하나의 종목에 대한 거래 데이터를 수집하는 데이터 수집부, 미리 학습된 지도학습 기반의 제 1 딥러닝 모델에 거래 데이터를 입력하여 보조 예측값을 생성하는 보조 예측값 생성부, 거래 데이터 및 보조 예측값에 기초하여 미리 학습된 강화학습 기반의 제 2 딥러닝 모델을 이용하여 현재 주기에서의 적어도 하나의 종목에 대한 주문 집행 전략을 도출하는 주문 집행 전략 도출부 및 주문 집행 전략을 포함하는 주문 정보를 이용하여 현재 주기에서의 적어도 하나의 종목에 대한 주문 집행을 지시하는 주문 집행 지시부를 포함할 수 있다.
본 발명에 따른 투자 포트폴리오 자동 생성 장치는, 투자기피 지역 정보와 제외 대상 테마 펀드 키워드와 포트폴리오 펀드 개수 정보와 사용자 투자성향 정보를 하나 이상 포함하는 투자 정보를 입력 받는 입력부와, 상기 입력 받은 투자 정보에 기초하여 거래가 가능한 복수의 펀드풀을 대상으로 펀드 스크리닝을 실행하고, 상기 펀드 스크리닝 실행결과로 펀드 유니버스를 도출하는 펀드 선정부와, 상기 펀드 유니버스에 포함된 하나 이상의 펀드를 조합하여 적어도 하나 이상의 포트폴리오를 생성하는 포트폴리오 생성부를 구비하며, 상기 포트폴리오 생성부를 통해 최종 투자 포트폴리오가 생성되지 않는 경우, 상기 투자 유니버스를 대상으로 제 1 차 비중 배분과 제2 차 비중 배분과 제 3 차 비중 배분을 하나 이상 수행하여 포트폴리오 목록을 생성하고, 상기 생성된 포트폴리오 목록으로부터 최종 포트폴리오를 선정한다.
본 발명은 증권 거래를 위한 딥러닝 모델 학습 프로그램과 기록매체에 관한 것으로, 적어도 하나의 종목에 대한 거래 데이터를 수집하는 기능과, 상기 수집된 적어도 하나의 종목에 대한 거래 데이터를 지도학습 기반의 제 1 딥러닝 모델에 입력하여 기 설정된 단위 시간 마다의 해당 종목에 대한 주가변화율을 예측하도록 제 1 딥러닝 모델을 학습시키는 기능과, 상기 수집된 적어도 하나의 종목에 대한 거래 데이터를 제 2 딥러닝 모델에 입력하여 해당 종목에 있어서의 초단기 시장 상황에 대한 슬리피지(slippage) 비용 및 주문 집행 비용이 절감되는 주문 집행 전략이 도출되도록 제 2 딥러닝 모델을 학습시키는 기능과, 실제 증권 시장의 환경에서 상기 주문 집행 전략에 따라 주문 집행된 주문 집행 전략에 대한 리워드가 결정되면, 상기 결정된 리워드에 기초하여 제 2 딥러닝 모델을 재학습시키는 기능과, 실제 증권 시장의 환경에서 상기 주문 집행 전략에 따라 주문 집행이 종료된 종목의 거래 데이터를 이용하여 제 1 딥러닝 모델을 재학습시키는 기능을 실행시키기 위하여 매체에 저장된다.
본 발명은 증권 거래를 위한 딥러닝 모델 학습방법에 관한 것으로, 적어도 하나의 종목에 대한 거래 데이터를 수집하는 단계와, 상기 수집된 적어도 하나의 종목에 대한 거래 데이터를 지도학습 기반의 제 1 딥러닝 모델에 입력하여 기 설정된 단위 시간 마다의 해당 종목에 대한 주가변화율을 예측하도록 제 1 딥러닝 모델을 학습시키는 단계와, 상기 수집된 적어도 하나의 종목에 대한 거래 데이터를 제 2 딥러닝 모델에 입력하여 해당 종목에 있어서의 초단기 시장 상황에 대한 슬리피지(slippage) 비용 및 주문 집행 비용이 절감되는 주문 집행 전략이 도출되도록 제 2 딥러닝 모델을 학습시키는 단계와, 실제 증권 시장의 환경에서 상기 주문 집행 전략에 따라 주문 집행된 주문 집행 전략에 대한 리워드가 결정되면, 상기 결정된 리워드에 기초하여 제 2 딥러닝 모델을 재학습시키는 단계와, 실제 증권 시장의 환경에서 상기 주문 집행 전략에 따라 주문 집행이 종료된 종목의 거래 데이터를 이용하여 제 1 딥러닝 모델을 재학습시키는 단계를 포함한다.
본 발명은 딥러닝 모델을 이용한 증권 거래 서버에 관한 것으로, 지도학습 기반의 제 1 딥러닝 모델과 강화학습 기반의 제 2 딥러닝 모델을 생성하고, 수집된 적어도 하나의 종목에 대한 거래 데이터를 상기 제 1 딥러닝 모델에 입력하여 기 설정된 단위 시간 마다의 해당 종목에 대한 주가변화율을 예측하도록 제 1 딥러닝 모델을 학습시키고, 수집된 적어도 하나의 종목에 대한 거래 데이터를 제 2 딥러닝 모델에 입력하여 해당 종목에 있어서의 초단기 시장 상황에 대한 슬리피지(slippage) 비용 및 주문 집행 비용이 절감되는 주문 집행 전략이 도출되도록 제 2 딥러닝 모델을 학습시키는 모델 생성부와, 상기 도출된 주문 집행 전략을 포함하는 주문 정보를 이용하여 현재 주기에서의 상기 적어도 하나의 종목에 대한 주문 집행을 지시하는 주문 집행 지시부를 포함한다.
본 발명은 강화학습 기반의 딥러닝 모델 운용 방법 과 이를 위한 프로그램과 기록매체에 관한 것으로, 주문 집행 서버를 통한 강화학습 기반의 딥러닝 모델 운용 방법에 있어서, 강화학습 에이전트의 행동 규약을 결정하는 신경망인 제 1 내지 제 3의 액터(Actor) 및 상기 강화학습 에이전트의 행동 가치를 추정하는 신경망인 제 1 내지 제 2 크리틱(Critic)을 포함하는 강화학습 기반의 딥러닝 모델을 생성하는 단계와, 적어도 하나의 종목에 대한 주문량을 결정하는 제 1 액터를 학습시키는 단계와, 적어도 하나의 종목에 대한 주문 취소량을 결정하는 제 2 액터를 학습시키는 단계와, 상기 제 1 액터를 통해 결정된 주문량 및 상기 제 2 액터를 통해 결정된 주문 취소량에 기초하여 상기 적어도 하나의 종목에 대한 최종 주문량을 결정하는 제 3 액터를 학습시키는 단계를 포함한다.
본 발명에 따른 투자 포트폴리오 자동 생성방법은, 투자 포트폴리오 생성 방법은, 포트폴리오 생성 장치를 통한 투자 포트폴리오 자동 생성방법에 있어서, 투자기피 지역 정보와 제외 대상 테마 펀드 키워드와 포트폴리오 펀드 개수 정보와 사용자 투자성향 정보를 하나 이상 포함하는 투자 정보를 입력 받는 입력단계와, 상기 입력 받은 투자 정보에 기초하여 거래가 가능한 복수의 펀드풀을 대상으로 펀드 스크리닝을 실행하는 실행단계와, 상기 펀드 스크리닝 실행결과로 펀드 유니버스를 도출하는 도출단계과, 상기 도출된 펀드 유니버스에 포함된 하나 이상의 펀드를 조합하여 적어도 하나 이상의 포트폴리오를 생성하는 생성단계를 포함하며, 상기 생성단계를 통해 최종 투자 포트폴리오가 생성되지 않는 경우, 상기 투자 유니버스를 대상으로 제 1 차 비중 배분과 제2 차 비중 배분과 제 3 차 비중 배분을 하나 이상 수행하여 포트폴리오 목록을 생성하는 단계와, 상기 생성된 포트폴리오 목록으로부터 최종 포트폴리오를 선정하는 단계를 더 포함한다.
본 발명에 따른 CNN을 이용한 자산 가격 예측방법은, 자산 가격 예측 장치를 통한 자산 가격 예측방법에 있어서, 예측하고자 하는 자산에 대한 입력 데이터와 상기 자산의 과거 가격 데이터 간의 기준일(T)과 예측운용기간(K)의 시계열 길이만큼의 차이를 두고 피팅한 데이터를 트리 모듈에 입력하는 단계와, 상기 트리 모듈을 통해 예측된 예측 가격 데이터 및 예측운용기간(K)에 해당하는 실제 가격 데이터 간의 비교값과 이미지 맵의 변수들에 기초하여 생성된 이미지 맵을 CNN 모듈에 입력하는 단계와, 상기 CNN모듈을 통해 상기 예측 가격 데이터에 대해 학습시키는 단계와, 상기 CNN 모듈을 통해 예측하고자 하는 특정 시점의 이전에 해당하는 이미지 맵을 예측하는 단계와, 상기 예측된 이미지 맵에 기초하여 상기 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측하는 단계를 포함한다.
본 발명에 따른 자산 가격 예측 장치는, 예측하고자 하는 자산이 속한 시장의 경제 지표, 기술적 지표, 세계공통경제지표 중 하나 이상의지표에 대한 시계열 데이터를 입력 데이터로 수집하고, 상기 자산의 과거 가격 데이터를 수집하는 수집부와, 상기 입력 데이터와 과거 가격 데이터 간의 기준일(T)과 예측운용기간(K)의 시계열 길이만큼의 차이를 두고 피팅한 후, 트리 모듈에 입력하여 예측 가격 데이터를 예측하는 예측부와, 상기 예측 가격 데이터 및 예측운용기간(K)에 해당하는 실제 가격 데이터 간의 차이값을 도출하고, 도출된 차이값에 대한 역수를 비교값으로 도출하거나, 또는 상기 예측 가격 데이터의 기간변화율값 및 실제 가격 데이터의 기간변화율값 간의 비교값을 도출하는 도출부를 구비하며, 상기 비교값과 이미지 맵의 변수들에 기초하여 이미지 맵이 생성되면, 상기 생성된 이미지 맵을 제 2 예측 모듈에 입력하여 상기 예측 가격 데이터에 대해 학습시키고, 상기 제 2 예측 모듈을 통해 예측하고자 하는 특정 시점의 이전에 해당하는 이미지 맵을 예측하고, 상기 예측된 이미지 맵에 기초하여 상기 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측한다.
본 발명에 따른 CNN을 이용한 자산 가격 예측 장치는, 예측하고자 하는 자산에 대한 입력 데이터와 상기 자산의 과거 가격 데이터 간의 기준일(T)과 예측운용기간(K)의 시계열 길이만큼의 차이를 두고 피팅한 데이터를 입력받는 트리 모듈과, 상기 트리 모듈을 통해 예측된 예측 가격 데이터 및 예측운용기간(K)에 해당하는 실제 가격 데이터 간의 비교값과 이미지 맵의 변수들에 기초하여 생성된 이미지 맵을 입력받는 CNN 모듈을 포함하며, 상기 CNN모듈을 통해 상기 예측 가격 데이터에 대해 학습시키고, 상기 CNN 모듈을 통해 예측하고자 하는 특정 시점의 이전에 해당하는 이미지 맵을 예측하고, 상기 예측된 이미지 맵에 기초하여 상기 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측한다.
본 발명에 따른 자산 가격 예측방법은, 예측하고자 하는 자산이 속한 시장의 경제 지표, 기술적 지표, 세계공통경제지표 중 하나 이상의지표에 대한 시계열 데이터를 입력 데이터로 수집하고, 상기 자산의 과거 가격 데이터를 수집하는 수집단계와, 상기 입력 데이터와 과거 가격 데이터 간의 기준일(T)과 예측운용기간(K)의 시계열 길이만큼의 차이를 두고 피팅한 후, 트리 모듈에 입력하여 예측 가격 데이터를 예측하는 예측 가격 데이터 예측단계와, 상기 예측 가격 데이터 및 예측운용기간(K)에 해당하는 실제 가격 데이터 간의 차이값을 도출하는 차이값 도출단계와, 상기 도출된 차이값에 대한 역수를 비교값으로 도출하거나, 또는 상기 예측 가격 데이터의 기간변화율값 및 실제 가격 데이터의 기간변화율값 간의 비교값을 도출하는 비교값 도출단계와, 상기 비교값과 이미지 맵의 변수들에 기초하여 이미지 맵이 생성되면, 상기 생성된 이미지 맵을 제 2 예측 모듈에 입력하여 상기 예측 가격 데이터에 대해 학습시키는 학습단계와, 상기 제 2 예측 모듈을 통해 예측하고자 하는 특정 시점의 이전에 해당하는 이미지 맵을 예측하는 이미지맵 예측단계와, 상기 예측된 이미지 맵에 기초하여 상기 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측한다.을 생성하고, 상기 생성된 포트폴리오 목록으로부터 최종 포트폴리오를 선정한다.
본 발명은 딥러닝 모델을 이용한 증권 거래방법에 관한 것으로, 지도학습 기반의 제 1 딥러닝 모델과 강화학습 기반의 제 2 딥러닝 모델을 생성하는 단계와, 수집된 적어도 하나의 종목에 대한 거래 데이터를 상기 제 1 딥러닝 모델에 입력하여 기 설정된 단위 시간 마다의 해당 종목에 대한 주가변화율을 예측하도록 제 1 딥러닝 모델을 학습시키는 단계와, 수집된 적어도 하나의 종목에 대한 거래 데이터를 제 2 딥러닝 모델에 입력하여 해당 종목에 있어서의 초단기 시장 상황에 대한 슬리피지(slippage) 비용 및 주문 집행 비용이 절감되는 주문 집행 전략이 도출되도록 제 2 딥러닝 모델을 학습시키는 단계와, 상기 도출된 주문 집행 전략을 포함하는 주문 정보를 이용하여 현재 주기에서의 상기 적어도 하나의 종목에 대한 주문 집행을 지시하는 단계를 포함한다.
증권 거래를 위한 주문 집행 서버는 적어도 하나의 종목에 대한 거래 데이터를 수집하는 데이터 수집부, 미리 학습된 지도학습 기반의 제 1 딥러닝 모델에 거래 데이터를 입력하여 보조 예측값을 생성하는 보조 예측값 생성부, 거래 데이터 및 보조 예측값에 기초하여 미리 학습된 강화학습 기반의 제 2 딥러닝 모델을 이용하여 현재 주기에서의 적어도 하나의 종목에 대한 주문 집행 전략을 도출하는 주문 집행 전략 도출부 및 주문 집행 전략을 포함하는 주문 정보를 이용하여 현재 주기에서의 적어도 하나의 종목에 대한 주문 집행을 지시하는 주문 집행 지시부를 포함할 수 있다.
증권 거래를 위한 주문 집행 서버는 적어도 하나의 종목에 대한 거래 데이터를 수집하는 데이터 수집부, 강화학습 에이전트의 행동 규약을 결정하는 신경망인 둘 이상의 액터(Actor) 및 강화학습 에이전트의 행동 가치를 추정하는 신경망인 크리틱(Critic)을 포함하는 강화학습 기반의 딥러닝 모델을 생성하고, 거래 데이터에 기초하여 강화학습 기반의 딥러닝 모델이 적어도 하나의 종목에 대한 주문 집행 전략을 도출하도록 강화학습 기반의 딥러닝 모델을 학습하는 모델 생성부 및 주문 집행 전략을 포함하는 주문 정보를 이용하여 현재 주기에서의 적어도 하나의 종목에 대한 주문 집행을 수행하는 주문 집행부를 포함할 수 있다.
인공 지능에 기초하여 자산의 가격을 예측하는 장치는 예측하고자 하는 자산의 과거 가격 데이터 및 상기 자산과 연관된 입력 데이터를 수집하는 수집부, 상기 수집된 입력 데이터 중 제 1 기간값에 해당하는 입력 데이터 및 상기 수집된 과거 가격 데이터 중 제 2 기간값에 해당하는 상기 과거 가격 데이터를 제 1 예측 모듈에 입력하고, 상기 제 1 예측 모듈을 통해 예측 가격 데이터를 예측하는 제 1 예측부, 상기 제 1 예측부를 통해 예측된 예측 가격 데이터 및 실제 가격 데이터 간의 비교값을 도출하는 도출부, 상기 제 1 기간값, 상기 제 2 기간값 및 상기 비교값에 기초하여 이미지 맵을 생성하는 생성부 및 상기 생성된 이미지 맵을 제 2 예측 모듈에 입력하여 상기 예측 가격 데이터에 대해 학습시키고, 상기 제 2 예측 모듈을 통해 예측하고자 하는 특정 시점의 이전에 해당하는 이미지 맵을 예측하는 제 2 예측부를 포함하고, 상기 제 1 예측부는 상기 예측된 이미지 맵에 기초하여 상기 예측하고자 하는 특정 시점에 대한 최종 예측 가격 데이터를 예측한다.
특허청 KIPRIS · 2026-10-15 조회 · 최신 출원순 · 오른쪽은 등록일(등록 전은 출원일) · 전체 22건 중 22건 · 줄을 누르면 자세한 내용이 펼쳐집니다 ▾
지금은 공공자료(국민연금 · 전자공시 · 특허 · 명부 · 보도)만 있습니다. 회사가 IR Room에 자료를 내면 L1로 올라갑니다. 저희는 회사에 점수나 등급을 매기지 않습니다 — 어디까지 확인했는지만 적습니다.
| 단위 억원 | 2024 | 2025 |
|---|---|---|
| 영업수익(매출액) | 37.0 | 55.5 |
| 영업비용 | 180.4 | 171.2 |
| 영업이익(손실) | (143.4) | (115.8) |
| 영업외수익 | 459.5 | 252.3 |
| 기타이익 | 0.1 | 0.1 |
| 금융수익 | 459.4 | 252.2 |
| 영업외비용 | 163.2 | 197.2 |
| 기타손실 | 0.2 | 4.5 |
| 금융원가 | 163.0 | 192.8 |
| 법인세비용차감전순이익(손실) | 152.9 | (61.1) |
| 법인세비용 | (0.0) | — |
| 당기순이익(손실) | 152.9 | (61.1) |
매출은 55.5억으로 전년 대비 50.1% 증가한 것으로 나타났다.
영업이익률은 -208.6%로 전년 -388.0%에서 상승했다.
당기순이익은 -61.1억으로 나타났다.
여기 실린 것보다 깊은 자료가 필요하십니까. 추가 정보 요청 — 종합 검토보고서 · 가치평가 · Executive Teaser · IM · 경쟁사 분석 · 실사 의뢰. 고르시면 산출비용과 걸리는 기간을 메일로 안내드립니다.