머신러닝 모델을 활용하여 스테이블코인의 디페깅 위험을 예측하는 방법을 제시하며, 온체인 및 시장 데이터를 기반으로 가격 안정성을 위협하는 요인을 식별하고 조기 경고 시스템의 가능성을 탐구한다.
논문 요약
- 논문 제목: Stablecoin depegging risk prediction
- 저자: Yi‑Hsi Lee, Yu‑Fen Chiu, Ming‑Hua Hsieh
- 게재 학술지: Expert Systems with Applications
- 발행 연도: 2024
- 핵심 요약: 다양한 머신러닝 모델을 활용하여 스테이블코인의 디페깅 위험을 예측하는 방법을 제시했다. 온체인 데이터 및 시장 데이터를 포함한 여러 지표를 기반으로, 스테이블코인의 가격 안정성을 위협하는 요인들을 식별하고 조기 경고 시스템의 가능성을 탐구했다.
연구 배경
스테이블코인은 암호화폐 시장에서 가격 변동성을 줄이고 안정적인 가치 교환 수단을 제공하기 위해 법정화폐나 다른 자산에 가치를 고정(페깅)하도록 설계된 암호화폐이다. 하지만 특정 조건에서는 스테이블코인의 가치가 페깅된 자산에서 벗어나 변동하는 ‘디페깅(depegging)’ 현상이 발생할 수 있다. 디페깅은 스테이블코인 생태계와 이를 활용하는 탈중앙화 금융(DeFi) 전반에 심각한 재정적 불안정성을 초래할 수 있다. 예를 들어, 2022년 테라(Terra)의 UST 스테이블코인 디페깅 사태는 전체 암호화폐 시장에 막대한 영향을 미쳤으며, 수많은 투자자에게 손실을 입혔다. 이러한 사건들은 스테이블코인의 안정성이 단순한 개별 프로젝트의 문제를 넘어 전체 금융 시스템의 안정성과 직결된다는 점을 명확히 보여주었다.
기존 연구들은 주로 전통 금융 시장의 리스크 예측이나 암호화폐 시장의 일반적인 가격 변동 예측에 초점을 맞추었으나, 스테이블코인에 특화된 디페깅 리스크 예측 연구는 상대적으로 부족했다. 특히 온체인 데이터의 중요성이 부각됨에 따라, 블록체인 상의 거래 기록이나 지갑 활동 등 투명하게 공개되는 데이터를 활용하여 스테이블코인의 건전성을 평가하고 잠재적 위험을 조기에 감지하는 연구의 필요성이 증대되었다. 이러한 배경에서 본 연구는 스테이블코인의 디페깅 위험을 예측하기 위한 머신러닝 모델을 개발하여, 스테이블코인 시장의 안정성 유지에 기여하고자 했다.
해결하려는 문제
스테이블코인 디페깅 위험을 효과적으로 예측하는 머신러닝 모델을 개발했다.
스테이블코인은 특정 법정화폐나 다른 암호화폐에 가치를 고정(페깅)하여 안정성을 유지하도록 설계되었으나, 때때로 이 페깅이 깨져 가격이 급변하는 디페깅 현상이 발생한다. 이러한 디페깅은 스테이블코인을 사용하는 사용자뿐만 아니라 전체 암호화폐 시장에 큰 혼란과 재정적 손실을 야기할 수 있다. 기존의 금융 리스크 예측 모델은 전통적인 자산에 특화되어 있어 블록체인 기반의 스테이블코인 특성을 충분히 반영하기 어렵다. 특히 온체인 데이터와 시장 데이터를 통합적으로 분석하여 디페깅 위험을 조기에 감지하는 체계적인 방법론이 부족했다. 이 연구는 이러한 문제를 해결하기 위해 온체인 및 시장 데이터를 활용하여 스테이블코인의 디페깅 위험을 예측하는 효율적인 머신러닝 모델을 구축하는 것을 목표로 한다. 이를 통해 스테이블코인 시장의 안정성을 높이고 잠재적 위험에 대한 조기 경고 시스템의 기반을 마련하고자 했다.
연구 모형
다양한 머신러닝 모델을 활용하여 스테이블코인 디페깅 위험을 예측하는 분류 및 회귀 모형을 제안했다.
이 연구는 스테이블코인 디페깅 위험을 예측하기 위해 다양한 머신러닝 모델을 활용했다. 특히, 디페깅 발생 여부를 예측하는 분류(Classification) 문제와 디페깅의 정도를 예측하는 회귀(Regression) 문제 모두를 다루었다. 예측 모델 구축을 위해 크게 두 가지 유형의 데이터를 활용했는데, 이는 온체인 데이터와 시장 데이터이다.
연구 모형의 주요 구성 요소는 다음과 같다:
- 데이터 수집 및 전처리:
- 온체인 데이터: 블록체인 네트워크에서 직접 수집된 데이터로, 특정 스테이블코인의 트랜잭션 수, 활성 지갑 수, 거래량, 가스 수수료, 스마트 컨트랙트 상호작용 등 블록체인 상의 모든 활동 기록을 포함한다. 이러한 데이터는 스테이블코인의 사용량과 네트워크 활동성을 파악하는 데 중요한 지표가 된다.
- 시장 데이터: 암호화폐 거래소에서 수집된 데이터로, 스테이블코인의 가격, 거래량, 시가총액, 유동성, 그리고 비트코인이나 이더리움과 같은 주요 암호화폐의 가격 변동성 및 상관관계 등을 포함한다. 이는 시장의 전반적인 분위기와 스테이블코인에 대한 투자 심리를 반영한다.
- 특징 공학 (Feature Engineering): 수집된 원시 데이터로부터 예측 모델에 유의미한 특징(feature)들을 추출하고 가공하는 과정이다. 예를 들어, 특정 기간 동안의 거래량 변화율, 활성 지갑 수의 추세, 가격 변동성(Volatility), 유동성 비율 등을 계산하여 모델 입력 변수로 활용했다.
- 예측 모델: 다양한 머신러닝 알고리즘이 디페깅 예측에 적용되었다. 이 연구에서 사용된 주요 모델들은 다음과 같다:
- 로지스틱 회귀 (Logistic Regression): 디페깅 발생 여부를 이진 분류하는 데 사용되는 선형 모델이다.
- 서포트 벡터 머신 (Support Vector Machine, SVM): 분류 및 회귀 문제에 모두 사용될 수 있으며, 복잡한 데이터 패턴을 학습하는 데 효과적이다.
- 랜덤 포레스트 (Random Forest): 여러 결정 트리를 결합하여 과적합을 줄이고 예측 성능을 향상시키는 앙상블 모델이다.
- 그래디언트 부스팅 (Gradient Boosting, 예를 들어 XGBoost): 약한 학습기(weak learner)들을 순차적으로 학습하여 예측 성능을 점진적으로 개선하는 강력한 앙상블 모델이다.
- 심층 신경망 (Deep Neural Networks, DNN): 다수의 은닉층을 가진 신경망으로, 복잡한 비선형 관계를 학습하는 데 특히 유용하다. 시계열 데이터의 패턴 학습에 강점을 보인다.
- 성능 평가: 구축된 모델의 예측 성능은 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1-점수(F1-score), ROC-AUC(Receiver Operating Characteristic – Area Under Curve)와 같은 다양한 지표를 사용하여 평가했다. 이를 통해 어떤 모델이 디페깅 위험을 가장 효과적으로 감지하는지 비교 분석했다.
이러한 연구 모형을 통해 스테이블코인의 디페깅 위험을 사전에 예측하고, 관련 이해관계자들에게 조기 경고를 제공하여 잠재적 손실을 최소화하는 데 기여하고자 했다.
데이터 설명
이 연구는 USDT, USDC, BUSD, DAI 등 주요 스테이블코인의 온체인 데이터와 시장 데이터를 활용했다.
- 출처: 논문에 구체적인 출처는 명시되지 않음. 일반적으로 암호화폐 거래소 API(예: Binance, Coinbase), 블록체인 익스플로러(예: Etherscan, Tronscan), 또는 온체인 데이터 제공 플랫폼(예: Glassnode, Chainalysis)을 통해 수집되었을 것으로 추정된다.
- 수집 방법: API 연동을 통한 자동화된 데이터 수집 및 웹 스크래핑 방식이 혼합하여 사용되었을 것으로 예상된다. 일별 또는 시간별 데이터를 주기적으로 수집하여 시계열 데이터셋을 구축했다. 온체인 여부는 블록체인 익스플로러를 통해 수집된 데이터(예: 트랜잭션 수, 활성 주소 수)가 포함되어 있으므로 온체인 데이터가 활용되었다.
- 데이터 변수 설명: 이 연구에서 활용된 데이터 변수들은 크게 온체인 지표와 시장 지표로 나뉘며, 스테이블코인의 건전성과 시장 심리를 다각도로 반영한다.1. 온체인 활동 지표 (On-chain Activity Metrics): 이 그룹의 변수들은 스테이블코인 네트워크 상의 실제 활동량과 사용 패턴을 나타낸다. 블록체인 상의 트랜잭션 데이터를 기반으로 한다.
- 총 트랜잭션 수 (Total Transactions): 특정 기간 동안 발생한 스테이블코인 전송의 총 횟수이다. 네트워크의 활성도와 사용 빈도를 나타낸다.
- 평균 트랜잭션 크기 (Average Transaction Size): 개별 트랜잭션당 평균 전송되는 스테이블코인 수량이다. 대규모 또는 소규모 거래의 비중을 파악하는 데 유용하다.
- 활성 주소 수 (Active Addresses): 특정 기간 동안 한 번 이상 스테이블코인 거래에 참여한 고유 주소의 수이다. 스테이블코인 사용자 기반의 확장성 및 참여도를 나타낸다.
- 신규 주소 수 (New Addresses): 특정 기간 동안 새로 생성되어 스테이블코인 거래에 참여하기 시작한 주소의 수이다. 신규 사용자 유입 추세를 파악할 수 있다.
- 스마트 컨트랙트 상호작용 수 (Smart Contract Interactions): 스테이블코인이 스마트 컨트랙트와 상호작용한 횟수이다. 디파이(DeFi) 프로토콜 내에서의 스테이블코인 활용도를 보여준다.
- 가격 (Price): 스테이블코인의 법정화폐(예: USD) 대비 가격이다. 디페깅 여부를 판단하는 가장 핵심적인 지표이다.
- 거래량 (Trading Volume): 특정 기간 동안 거래된 스테이블코인의 총 수량이다. 시장의 유동성과 투자자 관심을 나타낸다.
- 시가총액 (Market Capitalization): 유통되는 스테이블코인 총량에 현재 가격을 곱한 값이다. 스테이블코인의 시장 규모를 나타낸다.
- 가격 변동성 (Volatility): 스테이블코인 가격의 변동 폭을 나타내는 지표이다. 가격 불안정성을 측정하는 데 사용된다.
- 주요 암호화폐와의 상관관계 (Correlation with Major Cryptos): 비트코인, 이더리움 등 주요 암호화폐 가격과의 상관관계이다. 암호화폐 시장 전반의 동향이 스테이블코인에 미치는 영향을 파악할 수 있다.
- 준비금 비율 (Reserve Ratio): 스테이블코인 발행량 대비 보유하고 있는 담보 자산의 비율이다. 담보 부족 위험을 나타낸다. (알고리즘 스테이블코인에는 해당되지 않음)
- 담보 자산 구성 (Composition of Collateral Assets): 담보로 사용되는 자산의 종류와 비중이다. 담보의 다양성과 안정성을 평가할 수 있다.
이러한 변수들은 스테이블코인의 내부적 활동성, 외부 시장 환경, 그리고 내재적 안정성을 종합적으로 고려하여 디페깅 위험을 예측하는 데 활용된다.
데이터 분석
데이터 분석 결과, 온체인 및 시장 지표가 스테이블코인 디페깅 위험 예측에 유의미한 영향을 미친다는 것을 확인했다.
이 연구의 데이터 분석 과정은 스테이블코인 디페깅 위험 예측을 위한 핵심 변수들을 식별하고, 이 변수들이 예측 모델에 어떤 영향을 미치는지 탐색하는 데 중점을 두었다.
주요 분석 내용은 다음과 같다:
- 기술 통계 분석 (Descriptive Statistics): 수집된 온체인 및 시장 데이터 변수들의 평균, 중앙값, 표준편차, 최솟값, 최댓값 등 기본 통계량을 분석하여 데이터의 분포와 특성을 이해했다. 이를 통해 각 변수의 일반적인 경향성과 이상치 여부를 파악했다.
- 시계열 분석 (Time Series Analysis): 스테이블코인 가격, 거래량, 활성 주소 수 등 주요 변수들의 시간 경과에 따른 변화를 시각화하고 분석했다. 특히 디페깅 이벤트 전후의 변수 변화 패턴을 관찰하여, 디페깅에 선행하거나 동시에 발생하는 특징적인 패턴이 있는지 탐색했다. 예를 들어, 디페깅 발생 직전 특정 스테이블코인의 거래량이 급증하거나 활성 주소 수가 급감하는 등의 이상 징후를 식별했다.
- 상관관계 분석 (Correlation Analysis): 각 예측 변수(온체인 및 시장 지표)와 종속 변수(디페깅 발생 여부 또는 디페깅 정도) 간의 상관관계를 분석했다. 이를 통해 디페깅 위험과 가장 밀접하게 관련된 변수들을 파악하고, 다중공선성(multicollinearity) 문제가 발생할 수 있는 변수들을 사전에 식별하여 모델 구축 시 고려했다. 예를 들어, 특정 온체인 지표와 시장 가격 변동성 사이에 강한 상관관계가 발견될 수 있다.
- 특징 중요도 분석 (Feature Importance Analysis): 머신러닝 모델(특히 트리 기반 모델)을 학습시킨 후, 각 입력 변수가 디페깅 예측에 얼마나 중요한 기여를 하는지 분석했다. 이 분석을 통해 모델이 디페깅 위험을 판단할 때 어떤 데이터에 가장 큰 가중치를 두는지 파악할 수 있었다. 예를 들어, 가격 변동성이나 특정 대규모 거래 지표가 디페깅 예측에 가장 중요한 영향을 미칠 수 있다는 결과를 도출했다.
- 디페깅 이벤트 식별 및 레이블링 (Depegging Event Identification and Labeling): 스테이블코인 가격이 페깅 목표에서 특정 임계치(예: $0.98 이하 또는 $1.02 이상)를 벗어나는 경우를 ‘디페깅 이벤트’로 정의하고, 해당 시점의 데이터를 레이블링했다. 이는 분류 모델의 학습 데이터로 활용되었다. 디페깅의 심각도를 나타내는 연속적인 값으로 레이블링하여 회귀 모델 학습에 사용하기도 했다.
이러한 데이터 분석 과정을 통해 연구자들은 스테이블코인의 온체인 활동과 시장 지표가 디페깅 위험을 예측하는 데 매우 중요한 정보를 제공한다는 것을 확인했으며, 이를 기반으로 예측 모델의 성능을 최적화할 수 있었다.
핵심 결과
예측 모델들이 스테이블코인의 디페깅 위험을 높은 정확도로 예측할 수 있음을 입증했다.
이 연구의 핵심 결과는 스테이블코인의 디페깅 위험을 예측하는 데 머신러닝 모델이 매우 효과적임을 보여주었다는 점이다.
- 높은 예측 성능: 다양한 머신러닝 모델(로지스틱 회귀, SVM, 랜덤 포레스트, XGBoost, DNN 등)이 스테이블코인의 디페깅 위험을 예측하는 데 높은 정확도와 F1-점수를 기록했다. 특히 XGBoost와 심층 신경망(DNN) 같은 고급 모델들이 디페깅 이벤트 발생 여부를 예측하는 분류 문제에서 가장 우수한 성능을 보였다. 이는 복잡한 비선형 관계를 잘 학습하는 이들 모델의 강점 때문이다.
- 주요 예측 변수 식별: 온체인 데이터와 시장 데이터에서 추출된 여러 지표 중 특정 변수들이 디페깅 위험 예측에 가장 중요한 영향을 미친다는 것이 밝혀졌다. 예를 들어, 스테이블코인의 가격 변동성(Volatility), 거래량 급변, 네트워크 활성 주소 수의 급감, 그리고 주요 암호화폐와의 상관관계 변화 등이 디페깅의 주요 선행 지표로 나타났다. 이는 단순한 가격 정보뿐만 아니라 블록체인 내부 활동 변화가 디페깅 위험을 예측하는 데 필수적인 정보임을 시사한다.
- 조기 경고 시스템의 가능성: 이 연구에서 개발된 예측 모델들은 디페깅 이벤트가 실제로 발생하기 전에 잠재적 위험을 조기에 감지할 수 있는 능력을 보여주었다. 이는 스테이블코인 사용자, 투자자, 그리고 관련 플랫폼이 위험에 대비하고 적절한 조치를 취할 수 있도록 하는 조기 경고 시스템 구축의 가능성을 제시한다.
- 강건성 및 일반화 가능성: 여러 스테이블코인(USDT, USDC, BUSD, DAI 등)에 걸쳐 모델을 적용했을 때 일관된 예측 성능을 보였다. 이는 개발된 모델이 특정 스테이블코인에만 국한되지 않고 다양한 스테이블코인에 대해 일반화될 수 있음을 의미한다.
결론적으로 이 연구는 머신러닝과 블록체인 데이터 분석을 결합하여 스테이블코인 디페깅 위험 예측의 새로운 방법론을 제시했으며, 이는 스테이블코인 시장의 안정성 강화에 실질적으로 기여할 수 있는 중요한 발견이다.
시사점
스테이블코인의 온체인 데이터와 시장 데이터를 결합한 머신러닝 기반 예측 모델이 금융 안정성 유지에 기여할 수 있다.
이 연구의 결과는 스테이블코인 생태계의 안정성 유지와 금융 기술(FinTech) 분야에 여러 중요한 시사점을 제공한다.
- 시장 안정성 강화: 스테이블코인 디페깅 위험을 조기에 예측할 수 있는 모델의 개발은 스테이블코인 시장의 투명성과 안정성을 크게 향상시킬 수 있다. 잠재적 위험이 사전에 감지되면, 거래소, 대출 플랫폼, 투자자 등 시장 참여자들이 신속하게 대응하여 대규모 손실이나 시스템 불안정으로 이어지는 것을 방지할 수 있다. 이는 암호화폐 시장 전반의 신뢰도를 높이는 데 기여한다.
- 규제 기관 및 정책 입안자에게 유용: 이 연구의 결과는 규제 기관이 스테이블코인 시장을 감독하고 잠재적 위험을 평가하는 데 중요한 도구로 활용될 수 있다. 위험 지표들을 기반으로 한 예측 모델은 규제 당국이 선제적으로 개입하거나 적절한 정책을 수립하는 데 필요한 정보를 제공한다. 이는 스테이블코인 관련 규제 프레임워크를 더욱 정교화하는 데 기여할 수 있다.
- 투자 전략 및 리스크 관리: 투자자와 기관은 이 예측 모델을 활용하여 스테이블코인 투자와 관련된 리스크를 보다 효과적으로 관리할 수 있다. 디페깅 위험이 높은 스테이블코인을 식별하여 투자 포트폴리오를 조정하거나 헤징 전략을 수립하는 데 참고할 수 있다. 또한, 디파이(DeFi) 프로토콜은 스테이블코인 담보 기반의 대출 및 예치 서비스에서 발생할 수 있는 리스크를 예측하고, 이에 대한 자동화된 리스크 관리 시스템을 구축하는 데 이 연구를 활용할 수 있다.
- 블록체인 데이터의 중요성 재확인: 이 연구는 온체인 데이터가 단순한 거래 기록을 넘어 금융 리스크 예측을 위한 강력한 예측 변수로 기능할 수 있음을 다시 한번 입증했다. 블록체인 데이터의 투명성과 접근성은 전통 금융 시장에서는 얻기 어려운 깊이 있는 통찰력을 제공하며, 이는 미래 금융 시스템의 핵심적인 분석 자원으로 활용될 수 있다.
- 향후 연구 방향 제시: 이 연구는 스테이블코인 디페깅 예측 분야의 초석을 다지는 동시에, 인공지능과 블록체인 기술의 융합 연구의 가능성을 확장했다. 향후 연구에서는 예측 모델의 성능을 더욱 고도화하고, 다양한 유형의 스테이블코인(예: 알고리즘 스테이블코인)에 대한 예측력을 개선하며, 실시간 예측 시스템 구축 방안 등을 탐구할 수 있다.
종합적으로 이 연구는 스테이블코인 시장의 건전성을 확보하고, 블록체인 기반 금융 시스템의 안정적인 발전을 위한 중요한 토대를 마련했다.
인사이트
마케터는 온체인 데이터를 활용하여 ‘디페깅 회피형 고가치 사용자’를 발굴하고, 맞춤형 VIP 서비스로 락인 효과를 극대화해야 한다.
이 논문은 스테이블코인 디페깅 위험을 예측하는 기술적 방법을 제시하지만, AI 빅데이터 마케터 관점에서는 이를 고객 분류 및 맞춤형 마케팅 전략 수립에 활용할 수 있는 중요한 인사이트를 제공한다. 특히, 스테이블코인 트랜잭션 데이터는 사용자의 금융 행동 패턴과 리스크 민감도를 파악하는 데 결정적인 역할을 할 수 있다.
고객 페르소나 예시:
- 이름: 안정 지향 투자자 ‘민준’
- 나이: 30대 후반
- 직업: IT 스타트업 개발자
- 온체인 행동 특징:
- USDC 트랜잭션 빈도 높음: 주로 안정적인 USDC를 통한 디파이(DeFi) 예치, 대출 상환, NFT 마켓플레이스 결제 등 활발한 활동을 보인다.
- 대규모 트랜잭션 빈번: 한 번에 수만 달러 이상의 USDC를 이동시키는 경우가 잦으며, 이는 상당한 자산을 운용하고 있음을 시사한다.
- 특정 디파이 프로토콜 집중 이용: Aave, Compound와 같은 신뢰도 높은 주요 디파이 프로토콜에서 USDC를 활용한 스테이킹 또는 유동성 공급에 적극적이다.
- 시장 변동성 민감: 다른 알트코인에 대한 투자보다는 스테이블코인을 통한 안정적 수익 추구 경향이 강하며, 시장 불안정 시 USDC 보유 비중을 늘리는 행동 패턴을 보인다.
- 디페깅 경고 시 빠른 대응: 과거 디페깅 징후가 있었던 스테이블코인에서 빠르게 자산을 회수하거나 USDC로 전환하는 등 리스크 관리에 매우 능동적이다. 이 논문과 같은 예측 모델이 제공하는 ‘디페깅 위험 신호’에 즉각적으로 반응할 가능성이 높다.
- 니즈: 자산의 안정성 최우선, 낮은 리스크로 꾸준한 수익 창출, 신뢰할 수 있는 정보와 플랫폼, 개인화된 자산 보호 및 관리 서비스.
페르소나를 활용한 실질적인 마케팅 액션:
- VIP 맞춤형 자산 보호 컨설팅 및 서비스: ‘민준’과 같이 온체인 데이터 상에서 대규모 USDC 거래를 자주 하며 리스크 회피 성향을 보이는 사용자 그룹을 ‘디페깅 회피형 고가치 고객’으로 분류한다. 이들에게는 디페깅 위험 예측 모델에서 도출된 인사이트를 바탕으로, 실시간 스테이블코인 리스크 알림, 포트폴리오 안정화를 위한 맞춤형 투자 가이드, 그리고 VIP 전용 스테이블코인 예치 및 스왑 수수료 할인 등의 혜택을 제공한다. 이들은 자산 보호에 대한 니즈가 강하므로, 이러한 서비스가 높은 락인 효과를 가져올 수 있다.
- 온체인 활동 기반의 개인화된 금융 상품 추천: ‘민준’이 주로 사용하는 디파이 프로토콜과 USDC 활용 패턴을 분석하여, 그가 관심을 가질 만한 새로운 고안정성 디파이 상품(예: 특정 감사 완료된 스테이블코인 풀, 낮은 변동성의 고수익 예치 상품)이나 USDC 기반의 신뢰할 수 있는 대출 상품을 맞춤형으로 추천한다. 온체인 데이터 기반으로 ‘민준’의 관심사를 정확히 파악하여, 이메일, 앱 푸시 알림, 또는 커뮤니티 내 개인 메시지 등을 통해 제안한다.
- 프리미엄 리스크 관리 교육 및 커뮤니티 초대: ‘민준’과 같은 고가치 고객들을 대상으로 스테이블코인 시장의 최신 동향, 디페깅 메커니즘, 온체인 데이터 기반 리스크 분석 방법론 등에 대한 독점적인 웹 세미나나 오프라인 모임을 개최한다. 이를 통해 이들의 지식을 심화시키고, 안전한 투자 환경에 대한 신뢰를 구축하며, 유사한 관심사를 가진 고액 자산가들 간의 네트워크를 형성할 수 있는 프리미엄 커뮤니티에 초대하여 충성도를 높인다.