Ai Etf Project

AI ETF Project

AI 기반 미래 수익률 예측으로 패시브 ETF를 능가하는 Active ETF 운용 시스템.

핵심 개념 요약

문제 인식

• 패시브 ETF(QQQ 등)는 과거 시가총액에 의존 → 상위 종목 적중률 약 6%
• 운용자 재량 기반 액티브 ETF는 불투명하고 일관성 부족

솔루션: AI Daily Rolling ETF

• AI 예측: 트랜스포머 모델로 3개월 후 수익률 상위 종목 예측 (적중률 24%+)
• Daily Rolling 구조: 매일 포트폴리오 1%를 FIFO로 교체
• 규제 대응: 상관계수 0.7 기준 모니터링, 경계 근접 시 추종지수 매수로 전환

경쟁 우위

비즈니스 모델

1. 운용 보수: 직접 ETF 운용 (0.05% 기준) 2. 기술 라이선싱: AI 예측 엔진을 타 운용사에 B2B 제공

규제 환경

• 국내: 비교지수 상관계수 0.7 이상 유지 필수
• 미국: 2019년 규제 완화 후 Active ETF 폭발 성장 (J커브)
• 전략: 규제 준수하며 알파 추구, 향후 완화 대비

상세 참조

비즈니스 플랜 전문: references/business-plan.md

포함 내용:

• 시장 현황 및 성장성 분석
• 단계별 사업화 추진 전략 (Step 1~7)
• 기술적/사업적 준비 현황
• 수익 모델 상세 (AUM 시나리오)
• 팀 구성 및 투자 유치 전략

기술 스택 연결

이 프로젝트의 기술 구현:

• ML 서비스: ml-service/ - FastAPI 기반 예측 API
• 스크래핑: scraper-service/ - 1일,1주,1달,12달 주가 데이터 수집
• 웹 상품소개/대시보드: web-dashboard/ - Next.js 상품소개 및 포트폴리오 시각화
• 모델 실험: etf-model/ - 예측 모델 학습/평가
• 자동화 모니터링: auto-monitoring/ - Next.js 자동화 진행여부 모니터링

설정될 작업: 1. 매일 오전 8시: 데이터 크롤링 2. 매월 1일 새벽 3시: 모델 학습 3. 스크래핑이 끝난 직후 ~ 장이 시작하기 전까지: 다음날 매매/매도 종목 예측

graph TD
    %% 스타일 정의
    classDef docker fill:#e1f5fe,stroke:#01579b,stroke-width:2px,color:#01579b;
    classDef host fill:#f3e5f5,stroke:#4a148c,stroke-width:2px,color:#4a148c;
    classDef db fill:#fff9c4,stroke:#fbc02d,stroke-width:2px,color:#f9a825;
    classDef user fill:#212121,stroke:#000,stroke-width:2px,color:#fff;
    classDef script fill:#ffebee,stroke:#c62828,stroke-width:2px,color:#c62828;

    %% 1. 외부 사용자
    USER(("External User")):::user

    %% 2. 원격 서버 (Production)
    subgraph "Production Server (ahnbi2.suwon.ac.kr)"

        %% 자동화
        subgraph "Automation"
            CRON["Cron Daemon"]:::host
            SCRIPTS["start.sh
predict-daily.sh"]:::script
        end

        %% Docker Compose 환경
        subgraph "Docker Compose Environment"

            subgraph "Container: web-dashboard"
                NEXT["Next.js Dashboard
(Port 3000)"]:::docker
            end

            subgraph "Container: etf-ml-service"
                FASTAPI["FastAPI ML Service
(Port 8000)"]:::docker
                SQLITE[("SQLite
predictions.db")]:::db
            end
        end

        %% 호스트의 MySQL
        MYSQL[("MySQL Database
etf2_db (Port 5100)
~500 tables")]:::db

    end

    %% --- 연결 흐름 ---

    %% 외부 접근
    USER --> |"https://ahnbi2.suwon.ac.kr
(Nginx Reverse Proxy)"| NEXT
    USER --> |"API 직접 접근 (Optional)"| FASTAPI

    %% 자동화 실행
    CRON -.-> |"Schedule"| SCRIPTS
    SCRIPTS -.-> |"docker exec / curl"| FASTAPI

    %% 프론트 → 백엔드
    NEXT --> |"Internal Docker Network
http://ml-service:8000"| FASTAPI

    %% 백엔드 → DB
    FASTAPI <--> |"Save"| SQLITE
    FASTAPI <--> |"host.docker.internal:5100
(No SSH Tunnel Needed!)"| MYSQL

    %% 링크 스타일
    linkStyle 4 stroke:#01579b,stroke-width:2px;
    linkStyle 6 stroke:#fbc02d,stroke-width:2px;

투자 유니버스 (101개 종목)

S&P 500 상위 시가총액 종목 기반, 섹터별 분산 투자 유니버스.

섹터별 분류

데이터베이스 테이블 구조

각 종목별로 6개의 시간프레임 테이블 존재 (총 606개 테이블):

예시: NVDA 종목 → NVDA_D, NVDA_W, NVDA_M, NVDA_1h, NVDA_10m, NVDA_12M

데이터 수집 주기

• Daily 데이터: 매일 장 마감 후 자동 스크래핑 (cron)
• Intraday 데이터: 1시간/10분봉 - 실시간 트레이딩용
• Long-term 데이터: 주봉/월봉 - 장기 트렌드 분석용

주요 용어

AI가이드 종목 교환을 통한 패시브ETF보다 승률 높은 AIETF

---

산출물 : 직접 매수/매도를 진행하는 Acitve ETF 개요 : AI의 미래 수익률 예측을 통해 기존 패시브 ETF의 한계를 극복하고, 체계적인 종목 교체 시스템으로 지속적인 초과 수익을 창출하는 ETF

---

요약

문제인식

1. 구조적 한계:QQQ 등 기존 패시브 ETF는 과거 시가총액에 의존하여 미래 수익률 예측 정확도가 약 6%에 불과합니다.

2. 시장 트렌드:미국을 중심으로 Active ETF 시장이 폭발적으로 성장하고 있으며, 이는 능동적 자산 관리에 대한 수요를 증명합니다. 국내 시장 역시 규제 완화 시 높은 성장 잠재력을 보유하고 있습니다.

실현가능성

1. 기술적 우위:AI의 미래 수익률 예측을 통해 상위 종목 적중률을 24% 이상으로 획기적으로 개선했습니다.

2. 핵심 운용 구조:매일 포트폴리오에서 가장 오래된 매수 단위(investment block)를 전량 매도(선입선출)하여 현금을 확보하고, 이 자금으로 AI가 예측한 새로운 유망 종목으로 교체하는 '일일 롤링(Daily Rolling)' 구조로 변동성에 능동적으로 대응합니다.

3. 성과 검증:2010-2025년 시뮬레이션 결과, 벤치마크(QQQ) 대비 연평균 102%의 초과 수익률을 달성하며 기술적 실현 가능성을 입증했습니다.

성장 전략

1. 사업 준비 완료: 국내 유력 운용사와 MOU를 체결하고 핵심 기술 특허를 출원하여 즉시 사업화가 가능한 기반을 확보했습니다. 향후 국내 규제 완화 시 시장을 선점할 계획입니다.

2. 수익 모델: 자체 상품 운용을 통한 '운용 보수'와 타 금융기관에 기술을 제공하는 '라이선싱' 모델을 병행하여 수익을 창출합니다.

팀구성

전문성 확보 : S/W 개발을 총괄하는 교수(박사) 출신 대표와 홍보 및 마케팅 전문가로 팀을 구성하여 기술 개발과 사업 확장을 동시에 추진할 역량을 보유하고 있습니다.

문제 인식(Problem)_창업 아이템의 필요성

0. 아이템 개요

우리 모델은 비교지수와의 연동성을 핵심 제약조건으로 설정하고, 상관계수 0.7 기준을 지속적으로 모니터링한다. 추종성 지표가 규제 경계에 근접하면 포트폴리오를 보수적으로 조정해 기준 이탈 가능성을 사전에 낮춘다. 이처럼 예측 기반 운용과 추종성 관리 로직을 함께 적용하여 규제 요구사항을 안정적으로 준수한다.

우리 모델은 일별 롤링 운용 구조와 명확한 편입·보유·전량 매도 규칙을 통해 매매가 특정 시점에 집중되지 않도록 거래를 분산시키며, 그 결과 회전율이 안정적으로 관리된다. 이를 바탕으로 운용의 예측 가능성과 효율성을 높이고, 시장 변화에 대한 대응 속도를 확보하면서도 과도한 매매로 인한 비용 증가를 억제하는 균형 잡힌 회전율을 제공한다.

우리 모델은 운용자의 주관적 판단을 최소화하고 사전에 정의된 규칙에 따라 리밸런싱을 수행함으로써 운용 과정의 일관성과 공정성을 확보한다. 또한 편입·편출 종목, 비중 변화, 리밸런싱 시점 및 주요 성과 지표를 웹 대시보드 형태로 공개하여 이해관계자가 운용 현황을 상시 확인하고 객관적으로 검증할 수 있는 높은 투명성을 제공한다.

1. 창업 아이템의 필요성

1) 국내·외 시장 현황: 자산 관리 패러다임의 변화와 폭발적 성장

(1) Passive ETF / Active ETF / AI Active ETF의 차이

(2) AI Active ETF의 시장 성장성

• Active ETF 중심의 시장 재편: 글로벌 자산 시장은 이미 Active ETF를 중심으로 재편되고 있다. 최근 10년간 전체 글로벌 ETF 자산의 연평균 성장률(CAGR)이 16%인 반면, 글로벌 Active ETF 자산은 연평균 38%성장하며 2배 이상 빠른 속도를 보이고 있다. 이는 시장 수요가 단순 지수 추종을 넘어 적극적인 초과 수익 창출로 이동하고 있음을 보여준다.

(3) 시장 규제

국내 액티브 ETF는 비교지수(벤치마크)를 설정해야 하며, 운용 성과가 비교지수와 일정 수준 이상의 연동성을 유지하도록 규제 체계가 있다. 특히 실무적으로는 비교지수와의 수익률 상관계수 0.7 이상 유지가 핵심 기준으로 다뤄지고, 일정 기간 기준에 미달하면 상장 유지 측면에서 문제가 될 수 있다. 따라서 액티브 ETF는 알파를 추구하더라도, 제도상 요구되는 추종성 기준을 지속적으로 점검하고 준수해야 한다.

(4) 규제 혁파 이후의 J커브 성장

• 미국 시장의 폭발적 성장: 미국은 2019년 Active ETF에 대한 벤치마크 상관계수 규제 완화를 실시하였으며 그 이후 Active ETF 시장이 폭발적으로 성장하는 J커브 성장 패턴(2019년 전후 성장률 2배 차이)을 보여주었다. 국내는 현재 벤치마크 상관계수 0.7 규제가 존재하나, Active ETF는 높은 성장률을 보여주고 있다. 향후 규제 완화 시 미국 이상의 성장이 기대되며, 이를 위한 선제적인 시장 진입이 필수적이다.

• 낮은 수익률: 데이터 분석 결과, 현 시가총액 상위 종목이 3개월 뒤 수익률 상위권을 유지할 확률은 약 6%에 불과하다. 이는 패시브 ETF가 변동성이 큰 시장에서 투자자에게 안정적인 초과 수익을 제공하기 어려운 구조임을 증명한다.

• 불투명성: 어떤 종목을 왜 사는 지 설명이 없음

2) 문제 해결을 위한 창업 아이템(AI ETF)

(1) 규제 환경 대응형 AI포트폴리오 시스템: 국내에 현존하는 0.7 상관계수 규제를 준수하면서, 규제 경계에 근접할수록, 추종지수를 매수하고, 규제 경계에 멀어지면, AI가 주도하는 종목을 매수하도록 하는 규제 대응형 한국형 AI ETF 모델이다. 스노우볼링 포트폴리오 시스템으로 매일 전체 포트폴리오의 1%에 대해서 가장 오래된 매수 블록을 전량 매도(FIFO)하고 AI 예측 유망 종목으로 교체하는 방식으로 AI 주도형 지속적인 수익 기회를 포착한다.

[그림 : 모델 파이프라인]

(2) 성장 종목 예측 기반 AI예측 매매: 최신 AI혁명을 이루어냈던, 트랜스포머 딥러닝 모델을 사용해서 3개월 후 수익률 상위 100 종목을 예측하며, 그 결과 종목 적중률을 기존 시가총액 ㄱ방식(6%) 대비 24% 이상으로 4배 이상 획기적으로 개선했다.

(3) 투명성 시스템: 본 아이템은 AI 기반 규칙형 운용 구조를 적용하여 운용자의 주관적 판단 개입을 제거하고, 사전에 정의된 기준에 따라 일관되게 리밸런싱을 수행함으로써 운용 과정의 공정성과 재현성을 확보한다. 또한 리밸런싱 결과(편입·편출 종목, 비중 변화)와 포트폴리오 구성, 성과 지표를 웹 기반 대시보드 형태로 제공하여, 투자자 및 이해관계자가 운용 현황을 누구나 상시적으로 확인할 수 있는 투명한 정보 공개 체계를 구축한다.

[그림 : 사이트 스크린샷]

2. 실현 가능성(Solution)_창업 아이템의 개발 계획

1) 창업아이템 현황(준비 정도)

본 AI 기반 ETF 상품 개발 사업은 단순 아이디어 단계를 넘어, 핵심 기술 기반 확보, 사업 모델 구체화, 파트너십 검토, 규제 환경 분석을 통해 실행 및 검증 단계에 진입하였다. 기술·사업·제도적 측면에서의 체계적인 준비는 향후 안정적인 시장 진입을 위한 기반이 된다.

(1) 기술적 준비 현황

본 사업의 기술적 강점은 단순한 AI 예측 모델을 넘어, 특허 출원을 목표로 한 ETF 운용 구조와 이를 구현하는 AI 모델을 함께 설계·검증하고 있다는 점에 있다.

• 핵심 운용 아키텍처 설계 : 본 사업은 선입선출(FIFO) 원칙에 기반한 고정 보유 기간(M) 코호트 롤링 및 전량 매도 구조를 핵심 운용 아키텍처로 설계하였다. 매 거래일 보유 기간이 경과한 코호트를 전량 매도하고 신규 코호트를 편입하는 방식으로, 운용 규칙의 명확성과 리스크 관리의 단순성을 동시에 확보한다.

• AI 예측 모델 고도화 및 내부 검증 : 해당 운용 구조 내에서 활용될 AI 예측 모델을 개발하고, 2024년 12월부터 약 2개월간 자체 ETF 운용 경진대회를 통해 내부 기준에 따른 성능 비교 및 고도화를 진행하였다. 이를 통해 실제 운용 환경 적용을 염두에 둔 모델의 안정성과 활용 가능성을 검증하였다.

(2) 사업적 준비 현황

기술적 기반을 토대로 ETF 상품화를 위한 사업적 준비가 단계적으로 진행되고 있다.

• 사업 모델 정의 : 본 사업은 직접 운용이 아닌, AI 기반 ETF 운용 솔루션 및 전략을 제공하는 기술·전략 파트너 모델을 지향한다. 이를 통해 자산 운용에 따른 직접적인 규제 부담을 최소화하고, 기술 중심의 확장 가능한 사업 구조를 구축한다.

• 증권사 파트너십 추진 : 사업 모델에 부합하는 증권사를 대상으로 2025년 1월 말부터 컨택 및 협의를 진행 중이며, ETF 상품화 가능성을 중심으로 실무 논의를 이어가고 있다.

• 성과 공개 인프라 구축 : 모델의 백테스팅 결과와 주요 운용 지표를 시각화하여 제공하는 웹페이지 개발을 2025년 1월부터 병행하고 있으며, 이는 향후 파트너사 및 투자자 대상 신뢰 확보 수단으로 활용될 예정이다.

(3) 제도적 준비 현황

ETF 상품 출시를 전제로 국내 금융 규제 환경을 검토하고, 규제 대응형 상품 구조를 설계하고 있다.

• 금융 규제 및 제도 검토 : ETF 운용과 관련된 지수 추종성, 운용 규제 및 공시 요건 등을 검토하여 잠재적 제도 리스크를 사전에 분석하였다.

• 규제 대응형 자동화 운용 구조 설계 : 시스템은 상관계수 등 규제 지표를 운용 제약이 아닌 제어 신호로 활용하는 구조를 지향한다. 이를 통해 시장 상황 및 규제 조건에 따라 AI 기반 운용과 방어적 지수 추종 모드를 유연하게 전환하는 자동화 운용 구조를 설계하였다.

2) 창업아이템의 차별성 및 경쟁력

본 창업아이템은 AI를 투자 판단의 보조 수단으로 활용하는 기존 금융 상품과 달리, AI 예측 결과가 ETF의 편입·보유·매도 규칙을 직접 결정하는 구조적 운용 방식을 핵심 차별성으로 한다. 매 거래일 전체 유니버스 종목의 미래 수익률 예측을 기반으로 종목을 편입하고, 사전에 정의된 보유 기간 종료 시점에 전량 매도하는 AI 기반 롤링 코호트 ETF 운용 구조를 적용함으로써, 실제 ETF 상품으로 구현 가능한 운용 안정성과 규제 적합성을 동시에 확보하였다.

(1) 기술적 차별성

• AI 예측 결과에 기반한 운용 규칙 직접 결정 구조 : 기존 AI 기반 ETF 및 퀀트 상품의 경우, AI는 참고 지표 또는 운용 판단을 보조하는 수단으로 활용되는 경우가 대부분이며, 실제 매수·매도 의사결정 과정에서는 운용자의 재량이 크게 작용하는 구조를 가진다. 반면 본 창업 아이템은 매 거래일 전체 종목에 대한 미래 수익률 예측을 수행하고, 예측 결과 상위 종목을 자동으로 ETF에 편입하며, 각 종목을 사전에 정의된 보유 기간 종료 시점에 전량 매도하는 완전 규칙 기반 자동 운용 구조를 채택하였다. 이에 따라 AI는 분석 보조 도구가 아닌 ETF 운용 로직의 핵심 의사결정 요소로 기능한다. 이러한 구조는 AI 예측 결과와 실제 운용 행위 간의 연계성을 명확히 하며, 기존 상품과 비교해 운용체계 전반에서 차별화된 기술적 특성을 형성한다.

• 롤링 코호트 기반의 운용 안정성 확보 구조 :본 창업아이템은 매 거래일 신규 종목군을 편입하고, 과거에 편입된 종목군을 순차적으로 전량 매도하는 롤링 코호트(Rolling Cohort) 방식을 적용한다. 이를 통해 매수·매도 시점이 특정 시기에 집중되는 현상을 완화하고, 시간 분산 효과를 통해 변동성을 구조적으로 관리할 수 있는 운용 체계를 구축하였다. 또한 해당 구조는 ETF 상품으로 구현 가능한 명확한 규칙 기반 운용 방식으로, 실제 운용 과정에서의 예측 가능성과 안정성을 제고하는 데 기여한다. 그 결과, 본 창업아이템은 기존의 월간·분기 리밸런싱 중심 ETF와 구분되는 핵심적인 구조적 경쟁력을 확보한다.

(2) 사업적 경쟁력

• 운용사 협업 중심의 시장 진입 구조 : 본 창업아이템은 자산운용사를 직접 대체하는 방식이 아니라, 기존 자산운용사의 ETF 상품 경쟁력을 제고하는 기술 제공 모델을 기반으로 한다. 운용사는 기존 인프라 및 규제 대응 체계를 유지한 상태에서 AI 기반 운용 전략을 도입할 수 있으며, 본 사업은 AI 예측 및 운용 알고리즘 제공에 집중함으로써 역할을 명확히 분담한다. 이와 같은 협업 구조는 신규 금융업 진입에 따른 규제 부담을 최소화하고, 운용사 입장에서도 도입 리스크가 상대적으로 낮은 방식으로 평가된다. 이는 본 창업아이템의 실질적인 시장 적용 가능성을 높이는 사업적 경쟁력으로 작용한다.

• 투명성 중심의 신뢰 확보 전략 : AI 기반 금융 상품의 경우 운용 과정의 불투명성이 주요 한계로 지적되어 왔다. 본 창업아이템은 이러한 한계를 해소하기 위해 투명성 확보를 핵심 운영 원칙으로 설정하였다. AI 모델의 백테스트 성과 지표, ETF 운용 현황, 포트폴리오 구성 정보, 주요 운용 기준 등을 단계적으로 공개함으로써, 투자자·운용사·규제기관이 운용 구조를 객관적으로 검증할 수 있는 환경을 조성한다. 이를 통해 본 사업은 신뢰 가능한 AI 기반 ETF 운용 모델로서의 기반을 구축한다.

3. 성장전략(Scale-up)_사업화 추진 전략

1) 사업화 추진 전략

(1) 단계별 시장 진입 및 확장 전략

• Step 1. 운용사 협상 및 출시 준비 (Market Entry)

• 협상 자료 준비: 프로토타입 성과를 바탕으로 기술적 안정성과 예상 수익률을 담은 팩트시트(Fact Sheet)및 브로셔를 제작하여 운용사 대상 세일즈를 개시한다. • 운용 리스크 분석 및 협상: 파트너 운용사와 함께 운용 과정에서 발생할 수 있는 리스크(슬리피지, 추적 오차 등)를 분석하고, 이를 반영하여 알고리즘을 최적화한다. 합리적인 운용 보수(Fee)율을 협의하고 KRX(한국거래소) 상장을 위한 제반 사항을 준비한다.

• Step 2. 시범 운영 및 안정성 점검 (Pilot Operation)

• 시스템 검증: AI 시스템이 매일 안정적으로 종목을 추천하는지, 추천된 종목이 실제 매수/매도 시뮬레이션에서 에러 없이 작동하는지 점검한다. • 규제 준수 모니터링: 0.7 상관계수 규제 준수 여부와 수익률 추적 오차를 실시간으로 모니터링하여 금융 당국의 가이드라인을 충족하는지 최종 확인한다.

• Step 3. 모델 고도화 (Advancement)

• 예측 정확도 향상: AI 모델의 정확도를 극대화하기 위해 전국 단위의 'AI 투자 알고리즘 경진대회'를 개최하여 우수 모델을 발굴·흡수한다. • 멀티모달 데이터 통합: 기존의 가격 데이터뿐만 아니라 뉴스, 경제지표, SNS 데이터 등을 결합한 멀티모달(Multi-modal) LLM 모델을 도입하여 시장 예측력을 강화한다.

• Step 4. 상품 다변화 (Product Diversification)

• 변동성 방어 상품: 시장 하락장에서도 수익을 낼 수 있도록 인버스(Inverse) 종목을 포트폴리오에 포함한 변동성 안정성 기반 상품을 개발한다. • 국내 특화 상품: 나스닥(QQQ) 모델을 넘어, KOSPI 및 KOSDAQ시장의 특성을 반영한 국내 전용 AI ETF 상품으로 라인업을 확장한다.

• Step 5. AI ETF 플랫폼 및 커뮤니티 구축 (Ecosystem)

• 오픈 플랫폼 운영: AI ETF 개발에 관심 있는 개발자와 투자자가 모여 정보를 공유하고, 자신의 모델을 업로드하여 성과를 검증받을 수 있는 플랫폼을 구축한다. 우수 모델은 실제 상품 출시로 연계한다. • 사회 기여(ESG): 지역 사회를 대상으로 'AI 기반 투자 교육'을 운영하고, 최신 투자 트렌드 정보를 무료로 나누며 건전한 투자 문화를 조성한다.

• Step 6. 마케팅 전략 (Marketing)

• B2B (증권사/운용사): 데이터 기반의 압도적 수익률(Alpha)을 강조하여 판매사 채널을 확보한다. • B2C (일반 투자자): 주식 커뮤니티, 재테크 인플루언서, 주식 크리에이터와 협업하여 "AI가 매일 관리해주는 ETF"라는 컨셉을 대중에게 홍보한다.

• Step 7. 해외 시장 진출 (Global Expansion)

• 미국 시장 진출: ETF의 본고장인 미국 시장에 맞는 상품을 개발하여 진출을 타진한다. • 아시아 시장 개척: 동아시아 및 동남아시아 시장을 조사하여 K-Fintech 모델을 수출한다.

2) 비즈니스 모델 (수익화 모델)

(1) 직접 운용 기반 운용 보수 (Management Fee): 한국 KRX 시장의 Active ETF 평균 운용 보수율인 0.05%를 기준으로, 규제 완화 시나리오에 따른 AUM(운용자산) 성장을 가정하여 수익을 창출한다.

• [가정 1] 2027년 규제 완화 시나리오=2019 미국 현황
• Active ETF 시장 성장률: 연평균 30%성장 (미국 사례 반영)
• 자사 시장 점유율 목표: Top 5진입
• 예상 성과: 규제 완화 직후 폭발적인 자금 유입을 통해 AUM OOO억 원달성 및 운용 보수 수익 OO억 원확보
• [가정 2] 2030년 규제 완화 시나리오
• 시장 성장률 및 점유율 확대를 통해 지속적인 AUM 스노우볼링 효과 창출
• 예상 성과: 시장 성숙기에 진입하여 AUM OOOO억 원달성 및 안정적 캐시카우 확보

(2) 기술 라이선싱 (Technology Licensing): 핵심 AI 예측 엔진 및 'Daily Rotation' 알고리즘을 타 운용사나 증권사에 솔루션 형태로 제공하고, 라이선스 비용 또는 운용 성과 보수(Carried Interest)를 수취하는 B2B 수익 모델을 병행한다. 이는 운용사와의 협의 과정에서 발생할 수 있는 직접 운용의 애로사항을 해결하는 대안이 된다.

3) 사업 확장을 위한 투자유치(자금확보) 전략

(1) 단계별 정부 지원사업 활용 (R&D 및 사업화 자금)

• 초기: 예비창업패키지 → 초기창업패키지 선정을 통해 시제품 제작 및 초기 마케팅 자금 확보
• 중기: TIPS(민간투자주도형 기술창업지원)프로그램 및 디딤돌 과제 수주를 통해 AI 고도화 R&D 자금 확보.

(2) 민간 투자 유치

• 신규 상품 런칭 및 국외 수출 계약 성과를 바탕으로 데모데이에 참여하고, 시리즈 A 이상의 VC 투자를 유치하여 글로벌 마케팅 자금을 마련해야한다.