DOCUMENT No. 00

Alchemetric 프로젝트 개발 명세서

통합문서 (Master Specification)

프로젝트명	Alchemetric — AI 기반 퀀트 트레이딩 플랫폼
문서 버전	v3.1
작성일	2026-03-13
기술 스택	FastAPI · PostgreSQL · Streamlit · scikit-learn · PyTorch · Stable-Baselines3 · KR-FinBert-SC · Docker

Alchemetric은 Alchemy(연금술)와 Metric(지표)의 합성어로, 시장 데이터를 가치 있는 투자 시그널로 변환한다는 의미를 담고 있습니다.

한국·미국 주식 시장의 가격 데이터, 재무제표, 거시경제 지표, 뉴스 센티먼트, DART 공시, KRX 수급까지 — 다양한 원재료를 수집하고, 전통 퀀트부터 머신러닝·NLP·딥러닝까지 여러 분석 기법을 거쳐 최종 매매 시그널을 만들어내는 개인 프로젝트입니다.
수집·분석된 데이터와 LLM을 결합한 시장 리포트를 자동 생성하여 구독자에게 발송하며, 모의투자 및 실매매 기능을 지원합니다.
이 문서는 Alchemetric의 전체 설계와 구현 현황을 정리한 통합 명세서입니다.

프로젝트 개요
시스템 아키텍처
기술 스택
모듈 구성 총괄
Module 0. 데이터 수집
Module 1. 데이터 분석
Module 2. 피처 엔지니어링
Module 3. 머신러닝
Module 4. 딥러닝
Module 5. 백테스팅 및 포트폴리오 최적화
Module 6. 매매 시스템
Module 7. 사용자 대시보드
Module 8. 관리자 대시보드
Module 9. 리포트 생성 + 구독 서비스
데이터 흐름도
개발 로드맵 및 진행 현황

1. 프로젝트 개요

프로젝트명	Alchemetric
목적	한국/미국 주식 시장을 대상으로 데이터 수집 → 분석 → 예측 → 매매까지 전 과정을 자동화하는 AI 기반 퀀트 트레이딩 플랫폼 구축
대상 시장	KOSPI, KOSDAQ, NYSE, NASDAQ
핵심 전략	머신러닝 + 딥러닝 + 강화학습 + 뉴스 센티먼트 복합 전략
배포 방식	Docker Compose (4개 서비스: API · DB · User Dashboard · Admin Dashboard)
모듈 수	총 10개 모듈 (Module 0 ~ Module 9)

2. 시스템 아키텍처

  ┌───────────────────────────────────────────────────────────────────────────────┐
  │                          EXTERNAL DATA SOURCES                                │
  ├─────────┬────────┬─────────┬─────────┬─────────┬─────────┬─────────┬──────────┤
  │yfinance │  FDR   │ KIS API │DART API │  FRED   │  Naver  │KIS API  │   KRX    │
  │(주가+    │ (KR3Y  │(펀더멘털) │(재무+공시)│(기준금리   │ News API│(수급     │  (섹터    │
  │ 거시7)   │ 국채)   │         │         │ DXY,CPI)│ (NLP분석) │ 데이터)  │   데이터)  │
  └────┬────┴───┬────┴────┬────┴────┬────┴────┬────┴────┬────┴────┬────┴─────┬────┘
       │        │         │         │         │         │         │          │
       └────────┴─────────┴─────────┴─────────┴─────────┴─────────┴──────────┘
                                       │
                   ┌───────────────────┼───────────────────┐
                   ▼                   ▼                   ▼
         ┌─────────────────┐ ┌────────────────┐ ┌────────────────┐
         │   M0: 데이터 수집  │ │    M1: 데이터    │ │  M2: 피처       │
         │   (원시 데이터)    │ │    분석 (NLP)   │ │   엔지니어링      │
         └────────┬────────┘ └───────┬────────┘ └───────┬────────┘
                  └──────────────────┴──────────────────┘
                                       │
                             ┌─────────▼─────────┐
                             │   PostgreSQL 15   │ :5432
                             │   feature_store   │
                             └─────────┬─────────┘
                                       │
                             ┌─────────▼─────────┐
                             │  M3: ML / M4: DL+RL │
                             │    (학습/예측)      │
                             └─────────┬─────────┘
                                       │
                             ┌─────────▼─────────┐
                             │    M5: 백테스팅*    │
                             │    (전략 검증)      │
                             └─────────┬─────────┘
                                       │
                ┌─────────────┬────────┴───────┬─────────────┐
                ▼             ▼                ▼             ▼
      ┌────────────────┐ ┌───────────┐ ┌───────────┐ ┌──────────────┐
      │   M6: 매매*     │ │  M7: User │ │ M8: Admin │ │   M9: 리포트*  │
      │    (모의+실매매)  │ │   Dash    │ │   Dash    │ │   (구독 서비스) │
      └────────────────┘ │  :8501    │ │   :8502   │ └──────────────┘
                         └───────────┘ └───────────┘

      ■ 완료     ■ 부분     ■ 개발 예정 (*)
      예정 데이터 소스: Google Trends (검색량), Naver 커뮤니티 (토론방)

3. 기술 스택

계층	기술	용도
Backend API	FastAPI, Uvicorn	REST API 서버, 비동기 처리
Database	PostgreSQL 15, SQLite	운영 DB(PostgreSQL), 개발용(SQLite)
ORM	SQLAlchemy 2.0+	DB 추상화, 모델 정의
데이터 수집	yfinance, FDR, opendartreader, FRED API, Naver News API	주가, 거시지표, 재무제표, 뉴스, 공시, 수급 수집
ML / DL	scikit-learn, XGBoost, LightGBM, Optuna, PyTorch	분류 모델, 딥러닝 시계열 분류, 하이퍼파라미터 튜닝
DL / RL	PyTorch, Stable-Baselines3, Gymnasium	LSTM, Transformer 시계열 분류, DQN/PPO 강화학습 매매 에이전트
NLP	KR-FinBert-SC, transformers	뉴스 센티먼트 분석 (한국어 금융 특화)
스케줄링	APScheduler	Step 기반 파이프라인 자동화 (10단계 핸들러 레지스트리)
대시보드	Streamlit, Plotly	사용자/관리자 UI
매매 API (계획)	KIS API, Alpaca API	한국/미국 주식 실매매
배포	Docker, docker-compose	컨테이너 기반 배포

4. 모듈 구성 총괄

No.	모듈명	목적	상태
0	데이터 수집	주가, 펀더멘털, 거시경제, 뉴스, 공시, 수급 데이터 수집	완료
1	데이터 분석	뉴스 NLP (KR-FinBert-SC), DART 공시 센티먼트, 대안 데이터	완료
2	피처 엔지니어링	7-Phase 피처 생성 (75개, 2-Pass 아키텍처)	완료
3	머신러닝	RF/XGB/LGBM 모델, Optuna 하이퍼파라미터 튜닝	완료
4	딥러닝	LSTM/Transformer 시계열 분류, DQN/PPO 강화학습	완료
5	백테스팅 및 포트폴리오	전략 검증, 포트폴리오 최적화	예정
6	매매 시스템	모의투자 + 실매매 (KIS/Alpaca)	예정
7	사용자 대시보드	시장 현황, 투자 인사이트 시각화	완료
8	관리자 대시보드	시스템 모니터링, ML 관리 (12페이지)	완료
9	리포트 + 구독	시장 리포트 자동 생성, LLM 요약, 3채널 구독 발송	예정

5. Module 0 — 데이터 수집

수집 → 분석 → 피처 → ML → DL → 백테스트 → 매매 → 대시보드

목적: 한국/미국 주식 데이터, 거시경제, 뉴스, 공시, 수급 자동 수집
상태: 구현 완료

5.1 수집 데이터 범위

카테고리	소스	항목	상태
주가	yfinance, FDR	KOSPI/KOSDAQ/NYSE/NASDAQ 일별 OHLCV	완료
펀더멘털	KIS API	PER, PBR, EPS, 시가총액, 외국인비율	완료
재무제표	DART API	ROE, 부채비율, 매출액 (분기)	완료
거시경제	yfinance, FDR, FRED API	KRW/USD, VIX, KOSPI, S&P500, WTI, Gold, US10Y, KR3Y, 기준금리, 달러인덱스, CPI (11개)	완료
뉴스	Naver News API	종목별 뉴스 수집 + KR-FinBert-SC 센티먼트 분석	완료
공시	DART API	공시 목록 수집, 공시 유형 분류, 센티먼트 분석	완료
수급	KIS API (KRX)	공매도 거래량/비율, 프로그램매매 순매수	완료
섹터	KRX 등	업종 수익률, 업종 내 상대강도	완료
Google Trends	Google Trends API	검색량 트렌드 수집	완료
커뮤니티	네이버 종목토론방	게시글/댓글 활성도 수집	완료

5.2 API 엔드포인트

Method	Endpoint	설명
POST	/stocks/collect	데이터 수집 실행
GET	/stocks/prices/code/{code}	종목별 주가 조회
GET	/stocks/prices/sector/{sector}	섹터별 주가 조회
POST	/macro/collect	거시경제 지표 수집
GET	/macro/latest	최신 거시지표 조회
GET	/macro/{indicator_name}	개별 거시지표 조회
POST	/news/collect	뉴스 수집 + 센티먼트 분석
GET	/news/sentiment/{market}/{code}	종목별 센티먼트 조회
POST	/disclosure/collect	DART 공시 수집
GET	/disclosure/list	종목별 공시 목록 조회
POST	/disclosure/supply/collect	KRX 수급 데이터 수집
GET	/disclosure/supply/{market}/{code}	종목별 수급 시계열 조회

5.3 데이터 모델

CREATE TABLE stock_price (
    id            SERIAL PRIMARY KEY,
    market        VARCHAR(10) NOT NULL,  -- KOSPI, KOSDAQ, NYSE, NASDAQ
    code          VARCHAR(20) NOT NULL,
    date          DATE NOT NULL,
    open/high/low/close  DECIMAL(15,2),
    volume        BIGINT,
    UNIQUE(market, code, date)
);

CREATE TABLE macro_indicator (
    id              SERIAL PRIMARY KEY,
    date            DATE NOT NULL,
    indicator_name  VARCHAR(50) NOT NULL,  -- krw_usd, vix, fed_rate, dxy, cpi ...
    value           DECIMAL(20,6),
    UNIQUE(date, indicator_name)
);

CREATE TABLE news_article (
    id, market, code, title, description,
    source, published_at, url,
    sentiment_score, sentiment_label,   -- KR-FinBert-SC 분석 결과
    UNIQUE(market, code, url)
);

CREATE TABLE dart_disclosure (
    id, market, code, report_nm, rcept_no,
    rcept_dt, disclosure_type, sentiment,
    UNIQUE(market, code, rcept_no)
);

CREATE TABLE krx_supply_demand (
    id, market, code, date,
    short_selling_volume, short_selling_ratio,
    program_buy_volume, program_sell_volume, program_net_volume,
    UNIQUE(market, code, date)
);

CREATE TABLE alternative_data (
    id, market, code, date,
    source,                       -- google_trends, naver_community
    google_trend_score, google_trend_momentum,
    community_post_volume, community_comment_volume,
    community_engagement_ratio,
    UNIQUE(market, code, date, source)
);

CREATE TABLE job_step (
    id, job_id,                   -- FK → schedule_job
    step_type,                    -- price|fundamental|...|ml (10종)
    step_order,                   -- 1~10 실행 순서
    enabled,                      -- 개별 스텝 활성화
    config,                       -- JSON (ML 설정 등)
    UNIQUE(job_id, step_type)
);

5.4 사용 라이브러리

FinanceDataReader yfinance opendartreader fredapi pandas SQLAlchemy APScheduler transformers KR-FinBert-SC

6. Module 1 — 데이터 분석

수집 → 분석 → 피처 → ML → DL → 백테스트 → 매매 → 대시보드

목적: 뉴스/공시/대안 데이터 NLP 기반 분석
상태: 구현 완료 — 뉴스 NLP + DART 공시 센티먼트 + 대안 데이터

6.1 분석 대상 데이터

데이터	소스	분석 방법	상태
뉴스 센티먼트	Naver News API	KR-FinBert-SC 기반 감성 점수 산출 (긍정/부정/중립)	완료
DART 공시 이벤트	DART API	공시 유형 분류, 센티먼트 분석, 주가 영향 이벤트 탐지	완료
대안 데이터	Google Trends 등	Google Trends 검색량, 네이버 커뮤니티 활성도 수집 + 피처 생성	완료

6.2 주요 기능

기능	설명	상태
뉴스 수집 파이프라인	Naver News API 기반 종목별 뉴스 자동 수집 및 저장	완료
센티먼트 분석	KR-FinBert-SC 한국어 금융 특화 모델 기반 감성 점수 산출	완료
공시 이벤트 탐지	DART 공시 수집, 유형 분류 및 센티먼트 분석	완료
ML 피처 통합	Phase 4(뉴스 5개) + Phase 5(공시+수급 10개) 피처를 feature_store에 병합	완료
대안 데이터 수집	검색 트렌드, 커뮤니티 활성도 수집	완료

6.3 사용 라이브러리

requests transformers KR-FinBert-SC opendartreader

7. Module 2 — 피처 엔지니어링

수집 → 분석 → 피처 → ML → DL → 백테스트 → 매매 → 대시보드

목적: 수집·분석 데이터를 ML/DL 학습용 피처로 변환
상태: 구현 완료 — Phase 1~7 (75개) 완료, 2-Pass 아키텍처

7.1 기술적 지표

카테고리	지표	API
이동평균	SMA(5,20,60), EMA(12,26)	/indicators/sma, /indicators/ema
모멘텀	RSI(14), MACD(12,26,9)	/indicators/rsi, /indicators/macd
변동성	Bollinger Bands(20,2), ATR	/indicators/bollinger
거래량	OBV, Volume Ratio	/indicators/obv

7.2 피처 Phase 구성 (7-Phase, 75개)

Phase	수량	피처 목록	상태
Phase 1 기술적 지표	24개	close, return_1d/5d/20d, volatility_20d, volume_ratio, sma_5/20/60, ema_12/26, rsi_14, macd, macd_signal, macd_histogram, bb_upper/middle/lower/width/pctb, obv, price_to_sma20/60, golden_cross, rsi_zone	완료
Phase 2 펀더멘털	+9개	per, pbr, eps, market_cap, foreign_ratio, inst_net_buy, foreign_net_buy, roe, debt_ratio	완료
Phase 3 거시경제	+11개	krw_usd, vix, kospi_index, us_10y, kr_3y, sp500, wti, gold, fed_rate, dxy, cpi	완료
Phase 4 뉴스 센티먼트	+5개	news_sentiment_avg, news_sentiment_std, news_positive_ratio, news_count_7d, news_sentiment_momentum	완료
Phase 5 DART 공시 + 수급	+10개	disclosure_count_30d, days_since_disclosure, disclosure_sentiment, disclosure_type_score, disclosure_volume_change, short_selling_volume, short_selling_ratio, program_buy_volume, program_sell_volume, program_net_volume	완료
Phase 6 섹터/상대강도	+10개	sector_return_1d/5d, relative_strength_1d/5d/20d, sector_momentum_rank, sector_breadth, news_relevance_ratio, news_sentiment_filtered, sector_news_sentiment	완료
Phase 7 대안 데이터	+6개	google_trend_score, google_trend_momentum, community_post_volume, community_comment_volume, community_engagement_ratio, alternative_activity_index	완료

7.3 feature_store 데이터 모델

CREATE TABLE feature_store (
    market, code, date,           -- PK: UNIQUE(market, code, date)
    -- Phase 1 (24): close, return_1d, ..., rsi_zone
    -- Phase 2 (+9): per, pbr, eps, market_cap, foreign_ratio, ...
    -- Phase 3 (+11): krw_usd, vix, kospi_index, ..., fed_rate, dxy, cpi
    -- Phase 4 (+5): news_sentiment_avg/std, positive_ratio, count_7d, momentum
    -- Phase 5 (+10): disclosure_count/days/sentiment/type/volume, short_selling, program_*
    -- Phase 6 (+10): sector_return_*, relative_strength_*, sector_momentum_rank, sector_breadth, news_*_filtered/ratio, sector_news_sentiment
    -- Phase 7 (+6): google_trend_*, community_*, alternative_activity_index
    -- Targets: target_class_1d/5d, target_return_1d/5d
    -- 현재 총 75개 피처
);

7.4 사용 라이브러리

pandas numpy scipy

8. Module 3 — 머신러닝

수집 → 분석 → 피처 → ML → DL → 백테스트 → 매매 → 대시보드

목적: 머신러닝 모델을 활용한 주가 예측 및 시그널 생성
상태: 구현 완료 — 5개 알고리즘 (ML 3종 + DL 2종), Optuna 튜닝

8.1 ML 파이프라인 (10-Step)

1. 가격 수집 → 2. KIS 수집 → 3. DART 수집 → 4. 거시 수집 → 5. 뉴스 수집 → 6. 공시 수집 → 7. 수급 수집 → 8. 대안 수집 → 9. 피처 계산 → 10. 학습/예측

8.2 알고리즘 및 학습 설정

알고리즘	주요 하이퍼파라미터	최적화
Random Forest	n_estimators, max_depth, min_samples_split, class_weight	Optuna F1
XGBoost	learning_rate, max_depth, subsample, colsample_bytree	Optuna F1
LightGBM	num_leaves, learning_rate, feature_fraction, bagging_fraction	Optuna F1

Train/Val Split: 시계열 분할 (train 85% / val 15%) · Scaler: RobustScaler · Optuna 기본 50 trials

8.3 시그널 생성 로직

# Classification (target_class_1d / target_class_5d)
probability_up >= 0.6  →  BUY
probability_up <= 0.4  →  SELL
0.4 < probability_up < 0.6  →  HOLD

# Confidence = max(prob_up, 1 - prob_up)

8.4 API 엔드포인트

Method	Endpoint	설명
POST	/ml/features/compute	피처 계산 (Module 2 연동)
POST	/ml/train	모델 학습
GET	/ml/models	모델 목록 조회
POST	/ml/predict/{code}	종목 예측
GET	/ml/predictions	예측 결과 목록
GET	/ml/feature-importance/{model_id}	피처 중요도

8.5 데이터 모델

CREATE TABLE ml_model (
    id, model_name, model_type, algorithm, market,
    target_column, hyperparameters, feature_columns,
    accuracy, precision, recall, f1, auc_roc,
    model_path, is_active, version,
    UNIQUE(model_name, version)
);

CREATE TABLE ml_prediction (
    id, model_id, market, code,
    prediction_date, target_date,
    predicted_class, probability_up, probability_down,
    signal, confidence,                -- BUY/SELL/HOLD
    UNIQUE(model_id, market, code, prediction_date)
);

CREATE TABLE ml_training_log (
    id, model_id, algorithm, status,   -- running/success/failed
    metrics_json, feature_importance_json,
    optuna_trials, best_trial_value
);

8.6 사용 라이브러리

scikit-learn XGBoost LightGBM Optuna joblib

9. Module 4 — 딥러닝

수집 → 분석 → 피처 → ML → DL → 백테스트 → 매매 → 대시보드

목적: 딥러닝 모델을 활용한 시계열 분류 예측
상태: Phase 8A + 8B 완료 — LSTM + Transformer 시계열 분류, DQN/PPO 강화학습 매매 에이전트, Optuna DL/RL 튜닝

9.1 구현 현황

기능	설명	상태
Bidirectional LSTM	2-layer BiLSTM → FC head → 이진 분류 (상승/하락)	완료
Transformer Encoder	Multi-head Attention + Positional Encoding → Mean Pooling → 이진 분류	완료
Optuna DL 튜닝	seq_len, hidden_size, d_model, nhead, lr, dropout 등 아키텍처별 탐색	완료
시퀀스 파이프라인	FeatureStore → 종목별 슬라이딩 윈도우 → (N, seq_len, 75) 텐서 변환	완료
강화학습	DQN, PPO 기반 매매 에이전트 (Phase 8B) — Gymnasium 환경, SB3, Optuna RL 튜닝	완료
멀티모달 입력	가격 시계열 + 뉴스 임베딩 통합	예정

9.2 사용 라이브러리

PyTorch Stable-Baselines3 Gymnasium Optuna scikit-learn (Scaler, Imputer)

10. Module 5 — 백테스팅 및 포트폴리오 최적화

수집 → 분석 → 피처 → ML → DL → 백테스트 → 매매 → 대시보드

목적: ML/DL 전략의 과거 성과 검증 및 최적 포트폴리오 구성
상태: 개발 예정

10.1 계획된 주요 기능

기능	설명
백테스팅 엔진	과거 데이터 기반 전략 시뮬레이션 및 성과 분석
성과 지표	수익률, 샤프비율, MDD, 승률 등
포트폴리오 최적화	효율적 프론티어, 리스크 패리티
벤치마크 비교	KOSPI/S&P500 대비 초과 수익률

10.2 사용 라이브러리 (예정)

backtrader vectorbt scipy cvxpy

11. Module 6 — 매매 시스템

수집 → 분석 → 피처 → ML → DL → 백테스트 → 매매 → 대시보드

목적: 모의투자 및 실매매
상태: 개발 예정 — KIS API 인프라(데이터 수집용)만 구축 완료

11.1 계획된 주요 기능

기능	설명
모의투자	KIS 모의키(KIS_MOCK_*), Alpaca Paper Trading
한국 주식 실매매	한국투자증권 KIS API (실전/모의 키 분리 완료)
미국 주식 실매매	Alpaca API (Paper/Live Trading)
주문 관리	시장가/지정가 주문, 주문 취소/수정
포지션/리스크 관리	최대 포지션 비율, 손절/익절 로직
주문 체결 알림	Slack 연동 (인프라 구축 완료)

11.2 사용 라이브러리 (예정)

한국투자증권 API pykis Alpaca API

12. Module 7 — 사용자 대시보드

수집 → 분석 → 피처 → ML → DL → 백테스트 → 매매 → 대시보드

목적: 실시간 시장 현황 및 투자 인사이트 시각화
상태: 구현 완료 (4페이지)

12.1 페이지 구성 (Port 8501)

페이지	기능
Stock Analysis	개별 종목 차트, 기술적 지표, 펀더멘털 분석
Market Overview	시장 전체 트렌드, 주요 지수 현황
Sector View	섹터별 성과 비교, 분석
News Sentiment	종목별 뉴스 센티먼트 추이, 긍정/부정 비율, 최근 뉴스 목록

12.2 향후 확장 계획

수익률 레이스 차트 (Bar Chart Race)
추천 종목 및 급등 섹터 표시
포트폴리오 보유 종목, 수익률 추이
금/비트코인/환율 실시간 모니터링

13. Module 8 — 관리자 대시보드

수집 → 분석 → 피처 → ML → DL → 백테스트 → 매매 → 대시보드

목적: 시스템 설정 관리 및 모니터링
상태: 구현 완료 (12페이지)

13.1 페이지 구성 (Port 8502)

No.	페이지	기능
1	Server Status	서버 가동시간, 버전, 헬스체크
2	DB Status	테이블별 행 수, 날짜 범위, 마켓 커버리지
3	Log Viewer	파일 선택, 레벨 필터, 텍스트 검색
4	Config Viewer	설정값 확인 (시크릿 마스킹)
5	Scheduler Manager	Step 기반 파이프라인 CRUD, 수동 실행, 프리셋
6	Fundamental Manager	KIS/DART 데이터 수집 UI
7	Macro Manager	거시경제 지표 수집 (yfinance + FRED)
8	News Manager	뉴스 수집 + NLP 센티먼트 분석 관리
9	Disclosure Manager	DART 공시 수집 + KRX 수급 관리
10	ML Train Manager	알고리즘 선택, 학습 실행, 진행률
11	ML Models	모델 목록, 성능 지표, 피처 중요도
12	ML Predictions	예측 결과 조회, 시그널 평가

13.2 향후 확장 계획

수익률 레이스 차트 (Bar Chart Race)
모의투자 성과 모니터링
백테스팅 결과 시각화

13.3 Admin API 엔드포인트

Method	Endpoint	설명
GET	/admin/health	헬스체크 + 가동시간
GET	/admin/db	DB 상태 + 테이블 통계
GET	/admin/logs	로그 조회
POST	/admin/scheduler/jobs	잡 생성
GET	/admin/scheduler/jobs	잡 목록
POST	/admin/scheduler/jobs/{job_id}/run	즉시 실행

14. Module 9 — 리포트 생성 + 구독 서비스

수집 → 분석 → 피처 → ML → DL → 백테스트 → 매매 → 대시보드 → 리포트

목적: 시장 리포트 자동 생성 및 구독 서비스 (이메일/카카오톡/Slack)
상태: 개발 예정

14.1 리포트 생성 방식

영역	방식	상세
구조/레이아웃	Jinja2 HTML 템플릿	섹션 배치, 표, 인라인 CSS 스타일
차트/그래프	matplotlib → PNG	이메일 인라인 이미지, 메신저 첨부
핵심 요약/코멘트	GPT-4o-mini (LLM)	시장 개황, 섹터 분석, 센티먼트 해석, ML 시그널 해석

14.2 시장 리포트 구성

┌─ 시장 개황 요약 (LLM) ─────────────────────────┐
├─ 주요 지수 현황 (표 + 차트) ─────────────────────┤
├─ 거시경제 지표 (표 + 차트) ──────────────────────┤
├─ 상승/하락 TOP 10 (표) ────────────────────────┤
├─ 섹터 퍼포먼스 (차트 + LLM 코멘트) ───────────────┤
├─ 뉴스 센티먼트 (차트 + LLM 코멘트) ───────────────┤
├─ ML 시그널 요약 (파이차트 + 표 + LLM 해석) ───────┤
├─ 종합 전망 (LLM) ─────────────────────────────┤
└─ 면책 조항 / 구독 해지 링크 ─────────────────────┘

14.3 구독 발송 채널

채널	방식	형식
이메일	SMTP (stdlib smtplib)	HTML multipart/related + CID 인라인 이미지
Slack	slack_sdk Block Kit	구조화 메시지 + 차트 이미지 업로드
카카오톡	나에게 보내기 REST API	Feed 템플릿 (제목 + 요약 + 차트 + 링크)

14.4 데이터 모델

CREATE TABLE report_subscriber (
    id, name, email, slack_user_id,
    kakao_enabled, report_types,       -- ["market"]
    channels, enabled                  -- ["email","slack","kakao"]
);

CREATE TABLE generated_report (
    id, report_type, report_date,
    title, html_content, summary_text,
    data_snapshot, chart_paths, status  -- generated/sent/failed
);

CREATE TABLE report_delivery_log (
    id, report_id, subscriber_id,
    channel, status, error_message,    -- pending/sent/failed
    sent_at
);

14.5 파이프라인 흐름

스케줄러 (19:00 KST, 평일)
  │
  ▼
① data_aggregator — 기존 Repo에서 데이터 집계
  ▼
② chart_generator — matplotlib 정적 차트 5종 (PNG)
  ▼
③ llm_summarizer — GPT-4o-mini 시장 요약 (실패 시 템플릿 only)
  ▼
④ template_renderer — Jinja2 HTML 렌더링 (차트 base64 인라인)
  ▼
⑤ DB 저장 (generated_report)
  ▼
⑥ 구독자별 채널 발송 → report_delivery_log

14.6 사용 라이브러리 (예정)

jinja2 openai matplotlib smtplib slack_sdk

15. 데이터 흐름도

[ 외부 데이터 소스 ]
 yfinance ──┬─ 주가 (KR/US)
            ├─ 거시지표 7개 (환율,VIX,KOSPI,S&P500,WTI,Gold,US10Y)
 FDR ───────┤─ KR 3Y 국채금리
 FRED API ──┤─ 기준금리, 달러인덱스(DXY), CPI
 KIS API ───┤─ 일별 펀더멘털 (PER,PBR,EPS,외국인비율)
            ├─ KRX 수급 (공매도, 프로그램매매)
 DART API ──┤─ 분기 재무제표 (ROE,부채비율,매출)
            ├─ 공시 목록 + 센티먼트
 Naver ─────┤─ 뉴스 수집 + KR-FinBert-SC NLP 분석
 Google ────┤─ Trends 검색량
 Naver ─────┤─ 종목토론방 활성도
            │
            ▼
[ Module 0: 데이터 수집 ]
 DataPipeline + MacroFetcher + KISFetcher + DARTFetcher
 + NewsFetcher + DisclosureFetcher + KRXFetcher
 + GoogleTrendsFetcher + NaverCommunityFetcher
            │
            ▼
[ PostgreSQL Database ]
 stock_price · stock_info · stock_fundamental
 financial_statement · macro_indicator
 news_article · dart_disclosure · krx_supply_demand · alternative_data
            │
            ▼
[ Module 1: 데이터 분석 ]
 뉴스 NLP (KR-FinBert-SC) · DART 공시 분류 · 대안 데이터*
            │
            ▼
[ Module 2: 피처 엔지니어링 ]
 Phase1~7(75) Features — 2-Pass 아키텍처
            │
            ▼
[ feature_store Table ]
            │
     ┌──────┴──────┐
     ▼             ▼
[ Module 3 ]    [ Module 4 ]
 RF/XGB/LGBM      LSTM/Transformer
 Optuna 튜닝      강화학습*
     │                  │
     └──────┬───────────┘
            ▼
[ ml_prediction: BUY / SELL / HOLD ]
            │
            ▼
[ Module 5: 백테스팅/포트폴리오* ]
 전략 검증 · 포트폴리오 최적화
            │
     ┌──────┼──────┬──────────────┐
     ▼      ▼      ▼              ▼
[ M6* ]  [ M7 ]   [ M8 ]       [ M9* ]
 모의투자  User     Admin        리포트 생성
 실매매    Dash     Dash         구독 발송

* = 개발 예정

16. 개발 로드맵 및 진행 현황

Phase	내용	관련 모듈	상태
1	데이터 수집 인프라 + 기술적 지표 + ML 분류 (Phase1 24피처)	Module 0, 2, 3	완료
2	펀더멘털 통합 (KIS+DART) + ML Phase2 (33피처) + 관리자 대시보드	Module 0, 2, 3, 8	완료
3	거시경제 지표 11개 (yfinance 8 + FRED 3) + ML Phase3 (44피처) + 영업일 캘린더	Module 0, 2, 3	완료
4	뉴스 센티먼트 수집/분석 (Naver API + KR-FinBert-SC) + ML Phase4 (49피처)	Module 0, 1, 2	완료
5	DART 공시 + KRX 수급 (KIS API) + ML Phase5 (69피처) + 어드민 대시보드 확장	Module 0, 1, 2, 8	완료
6	데이터 개선: 섹터/상대강도 + 뉴스 센티먼트 정제 (ML Phase 6 피처 통합)	Module 0, 1, 2	완료
7	대안 데이터 (Google Trends, 커뮤니티 활성도) + ML Phase 7 피처 통합	Module 0, 1, 2	완료
8	리포트 생성 + 구독 서비스 (LLM 요약 + 이메일/카카오톡/Slack 발송)	Module 9	예정
9	백테스팅 엔진 + 포트폴리오 최적화	Module 5	예정
8A	딥러닝 시계열 분류 (LSTM, Transformer, Optuna DL 튜닝)	Module 3, 4	완료
8B	강화학습 매매 에이전트 (DQN, PPO, Gymnasium, SB3, Optuna RL 튜닝)	Module 4	완료
11	매매 시스템 (모의투자 + 실매매) + 대시보드 고도화	Module 6, 7, 8	예정

'Project > 🚀 AI Finance 2026' 카테고리의 다른 글

#6 [모듈1] 데이터 분석 - 개발문서 (0)	2026.02.19
#5 [모듈0] 데이터 수집 - 개발문서 (0)	2026.02.19
#4 Alchemetric API 정의서 (0)	2026.02.06
#3 Alchemetric ERD (0)	2026.02.03
#2 Alchemetric 시스템 아키텍쳐 (0)	2026.02.03

#1 Alchemetric 프로젝트 개발 명세서

Alchemetric 프로젝트 개발 명세서

목차

1. 프로젝트 개요

2. 시스템 아키텍처

3. 기술 스택

4. 모듈 구성 총괄

5. Module 0 — 데이터 수집

5.1 수집 데이터 범위

5.2 API 엔드포인트

5.3 데이터 모델

5.4 사용 라이브러리

6. Module 1 — 데이터 분석

6.1 분석 대상 데이터

6.2 주요 기능

6.3 사용 라이브러리

7. Module 2 — 피처 엔지니어링

7.1 기술적 지표

7.2 피처 Phase 구성 (7-Phase, 75개)

7.3 feature_store 데이터 모델

7.4 사용 라이브러리

8. Module 3 — 머신러닝

8.1 ML 파이프라인 (10-Step)

8.2 알고리즘 및 학습 설정

8.3 시그널 생성 로직

8.4 API 엔드포인트

8.5 데이터 모델

8.6 사용 라이브러리

9. Module 4 — 딥러닝

9.1 구현 현황

9.2 사용 라이브러리

10. Module 5 — 백테스팅 및 포트폴리오 최적화

10.1 계획된 주요 기능

10.2 사용 라이브러리 (예정)

11. Module 6 — 매매 시스템

11.1 계획된 주요 기능

11.2 사용 라이브러리 (예정)

12. Module 7 — 사용자 대시보드

12.1 페이지 구성 (Port 8501)

12.2 향후 확장 계획

13. Module 8 — 관리자 대시보드

13.1 페이지 구성 (Port 8502)

13.2 향후 확장 계획

13.3 Admin API 엔드포인트

14. Module 9 — 리포트 생성 + 구독 서비스

14.1 리포트 생성 방식

14.2 시장 리포트 구성

14.3 구독 발송 채널

14.4 데이터 모델

14.5 파이프라인 흐름

14.6 사용 라이브러리 (예정)

15. 데이터 흐름도

16. 개발 로드맵 및 진행 현황

'Project > 🚀 AI Finance 2026' 카테고리의 다른 글

관련글

티스토리툴바