fix: 매매 파라미터 3중 소스 정합 + 리스크 가드 복원 + 죽은 코드 2,695줄 제거
## 배경 "전략이 혼란스럽고 현재와 맞지 않는다"를 조사한 결과, 전략 설계가 아니라 전략을 검증했다는 도구와 파라미터 소스가 어긋나 있었다. ## 파라미터 소스 단일화 - 우선순위가 adaptive > strategy_cfg(DB) > config.py 인데 문서는 맨 마지막인 config.py 를 기술하고 있었다. 11곳이 불일치(BULL RSI 46 vs DB 30, SL -7% vs -6%). - DEFAULT_PARAMS 를 config.py 에 정합 + alembic 0012 로 기존 DB 행 갱신 (운영자가 UI 로 바꾼 값은 보존, 옛 기본값과 같은 행만 갱신, 테이블 가드·멱등) ## 백테스트를 실전 로직에 정합 - calculate_adx_simple 이 정확히 period 배(14.0×) 발산 → Aggressive 게이트 `ADX>25` 가 전 레짐 100% 통과. 전환 빈도 5.6%→2.0%(-65%), 성과 상방 편향 - 백테스트 RSI 는 SMA, 실전은 Wilder → 진입 판정 10~11% 불일치 - us_backtest_engine RSI 1봉 지연 제거 (룩어헤드 없음을 절단 테스트로 증명) - backend/backtest_results/ 25건은 폐기 대상 (§8.4) ## 리스크 가드 복원 - 4% 절대 상한이 try 블록 안에 있어 예외 시 적응형 6~7% 가 통과 → try 밖으로 - 청산을 매수보다 먼저 평가 (보유 종목이 추천에 들면 손절 대신 물타기가 나갔다) - 리스크 가드 4개를 매수 전용화 → MDD -10%·보유한도 도달 시에도 손절 작동 - MDD 갱신 5회 연속 실패 시 신규 진입 차단 fail-safe (청산은 계속 허용) - 스윙 청산이 DT 보유분까지 매도하던 문제, sell_pct 기준 혼재 정정 ## 죽은 코드 제거 (2,695줄) - short_term_strategy, kosdaq_scanner, app/strategy/ 패키지 - app/trading/ + korea_investment_api_adapter (real_market_api 정본은 korea_investment_api.py:1482, adapter 는 import 0건) ## 지표·사이징 단일화 (수치 무변경 증명) - indicators_core.py: 3,274건 비교 최대 오차 0.000e+00 - sizing_core.py: 42,105건 비교 불일치 0 - 미국 전략 상수 13개 config 편입 (hex 까지 동일, 3,168 케이스 전수 비교) ## 테스트 안전 (실 KIS 호출 차단) - 유닛 테스트가 실제 KIS 에 매도 주문을 2회 전송하고 있었다. 리팩터링이 close_stale_positions 의 대상을 _execute_exit → _execute_exit_stale 로 바꿨는데 목이 전자에 걸려 빗나갔다. test_api_endpoints 도 캡처된 싱글톤 참조 누수로 실제 잔고 조회를 타 141초를 소비했다. - backend/tests/conftest.py 신설: 주문·토큰·시세·잔고를 호출 즉시 예외로 차단. 예외는 BaseException 파생(프로덕션 except Exception 폴백에 삼켜지지 않게), 클래스 메서드에 적용(캡처된 참조까지 덮음), DATABASE_URL `_test` 가드 강제 - 전체 유닛 스위트: 365초/6 failed → 11.8초/0 failed (소켓 차단 하 559 passed) ## 신규 (둘 다 플래그 OFF, 백테스트 미검증) - range_trading_strategy.py — SIDEWAYS 담당 전략이 없던 빈 칸. 미배선 - check_bear_buy_signal_v2 — BEAR 4중 AND(발화율 2.3%) → 점수제(12.4%) ## 문서 - CLAUDE.md 를 실제 코드 기준으로 재작성. §0 파라미터 우선순위, §4.1 테스트 규약, §6.4 문서화되지 않았던 진입 차단 게이트 9종, §8.4 백테스트 폐기 근거, §8.5 미해결 19항목 - 루트 md 6개 → 2개(docs/ 이동), 중복 배치 문서 병합, 스테일 worktree 제거 Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>
This commit is contained in:
223
backend/app/services/indicators_core.py
Normal file
223
backend/app/services/indicators_core.py
Normal file
@@ -0,0 +1,223 @@
|
||||
"""지표 계산 코어 (순수 계산 — I/O·DB·네트워크·설정 의존성 없음)
|
||||
|
||||
CLAUDE.md §8.5-1 "RSI/BB/ATR 계산 3벌 중복" 통합용 단일 출처(single source of truth).
|
||||
|
||||
### 설계 원칙
|
||||
1. **알고리즘 이름을 함수명에 명시한다.** 스무딩 방식이 다르면 값도 다르므로
|
||||
`rsi_wilder` / `rsi_sma` 처럼 분리해 유지한다. 억지로 하나로 합치지 않는다.
|
||||
2. **순수 함수.** settings / DB / 네트워크를 참조하지 않는다. period·계수는 인자로 받는다.
|
||||
3. **기존 값 보존.** 이 모듈의 함수는 기존 3벌 구현의 수치를 **비트 단위로 재현**하는
|
||||
것이 목적이다. "더 정확한 계산"으로의 개선은 백테스트를 동반한 별도 작업이다.
|
||||
|
||||
### 입력 규약
|
||||
- 모든 리스트는 **오래된 → 최신** 순서(시계열 오름차순). `[-1]`이 최신 봉.
|
||||
- 데이터 부족 시 예외 대신 `None` 반환.
|
||||
|
||||
### 대응 관계 (통합 전 구현 → 이 모듈)
|
||||
| 통합 전 | 이 모듈 |
|
||||
|---------|---------|
|
||||
| `mean_reversion_strategy.calculate_rsi` (Wilder 평활) | `rsi_wilder` |
|
||||
| `technical_indicators.analyze_rsi` 인라인 (period 구간 단순평균) | `rsi_sma` |
|
||||
| `mean_reversion_strategy.calculate_atr` (TR의 SMA) | `atr_sma` |
|
||||
| `mean_reversion_strategy.calculate_bollinger` (2σ 고정) | `bollinger_sma(..., num_std=2.0)` |
|
||||
| `technical_indicators.analyze_bollinger` 인라인 (σ배수 설정값) | `bollinger_sma(..., num_std=<설정>)` |
|
||||
| `technical_indicators.analyze_rsi` 인라인 BB (20봉·2σ 하드코딩) | `bollinger_sma(..., 20, 2.0)` |
|
||||
| `mean_reversion_strategy.calculate_adx` (Wilder) | `adx_wilder` |
|
||||
| `day_trading_strategy._rsi/_bollinger/_atr` (이미 위임 상태) | 동일 경로 재사용 |
|
||||
"""
|
||||
from typing import List, Optional, Tuple
|
||||
|
||||
__all__ = [
|
||||
"true_ranges",
|
||||
"rsi_wilder",
|
||||
"rsi_sma",
|
||||
"atr_sma",
|
||||
"bollinger_sma",
|
||||
"adx_wilder",
|
||||
]
|
||||
|
||||
|
||||
# ── 공통 헬퍼 ────────────────────────────────────────────────────────────────
|
||||
|
||||
def true_ranges(highs: List[float], lows: List[float], closes: List[float]) -> List[float]:
|
||||
"""TR 시계열 계산. TR = max(H-L, |H-Cprev|, |L-Cprev|)
|
||||
|
||||
길이는 `len(highs) - 1` (첫 봉은 이전 종가가 없어 제외).
|
||||
"""
|
||||
out: List[float] = []
|
||||
for i in range(1, len(highs)):
|
||||
h, l, c_prev = highs[i], lows[i], closes[i - 1]
|
||||
out.append(max(h - l, abs(h - c_prev), abs(l - c_prev)))
|
||||
return out
|
||||
|
||||
|
||||
# ── RSI ──────────────────────────────────────────────────────────────────────
|
||||
|
||||
def rsi_wilder(closes: List[float], period: int = 14) -> Optional[float]:
|
||||
"""RSI — Wilder 평활법 (mean_reversion_strategy.calculate_rsi 와 동일)
|
||||
|
||||
- 시드: 첫 `period`개 diff 의 단순평균
|
||||
- 이후: avg = (prev_avg * (period-1) + current) / period
|
||||
- avg_loss == 0 → 100.0
|
||||
- len(closes) < period+1 → None
|
||||
|
||||
주의: `len(closes) == period + 1` 인 경우 평활 루프가 돌지 않으므로
|
||||
`rsi_sma()` 와 값이 **정확히 동일**하다. 두 함수가 갈라지는 것은
|
||||
입력이 period+1 보다 길 때뿐이다.
|
||||
"""
|
||||
if len(closes) < period + 1:
|
||||
return None
|
||||
|
||||
diffs = [closes[i] - closes[i - 1] for i in range(1, len(closes))]
|
||||
|
||||
avg_gain = sum(max(d, 0) for d in diffs[:period]) / period
|
||||
avg_loss = sum(max(-d, 0) for d in diffs[:period]) / period
|
||||
|
||||
for i in range(period, len(diffs)):
|
||||
avg_gain = (avg_gain * (period - 1) + max(diffs[i], 0)) / period
|
||||
avg_loss = (avg_loss * (period - 1) + max(-diffs[i], 0)) / period
|
||||
|
||||
if avg_loss == 0:
|
||||
return 100.0
|
||||
rs = avg_gain / avg_loss
|
||||
return 100 - (100 / (1 + rs))
|
||||
|
||||
|
||||
def rsi_sma(closes: List[float], period: int = 14) -> Optional[float]:
|
||||
"""RSI — 단순평균(SMA) 방식 (technical_indicators.analyze_rsi 인라인 구현과 동일)
|
||||
|
||||
- **마지막 `period`개 diff** 만 단순평균 (평활 없음, Wilder 아님)
|
||||
- avg_loss == 0 → 100.0
|
||||
- len(closes) < period+1 → None
|
||||
|
||||
금융공학적 표준(Wilder)과 다르지만, 추천/분석 엔진의 기존 신호 수치를
|
||||
보존하기 위해 별도 함수로 유지한다.
|
||||
"""
|
||||
if len(closes) < period + 1:
|
||||
return None
|
||||
|
||||
gains: List[float] = []
|
||||
losses: List[float] = []
|
||||
for i in range(1, len(closes)):
|
||||
change = closes[i] - closes[i - 1]
|
||||
if change > 0:
|
||||
gains.append(change)
|
||||
losses.append(0)
|
||||
else:
|
||||
gains.append(0)
|
||||
losses.append(abs(change))
|
||||
|
||||
avg_gain = sum(gains[-period:]) / period
|
||||
avg_loss = sum(losses[-period:]) / period
|
||||
|
||||
if avg_loss == 0:
|
||||
return 100.0
|
||||
rs = avg_gain / avg_loss
|
||||
return 100 - (100 / (1 + rs))
|
||||
|
||||
|
||||
# ── ATR ──────────────────────────────────────────────────────────────────────
|
||||
|
||||
def atr_sma(highs: List[float], lows: List[float], closes: List[float],
|
||||
period: int = 14) -> Optional[float]:
|
||||
"""ATR — TR 의 단순이동평균 (mean_reversion_strategy.calculate_atr 와 동일)
|
||||
|
||||
- ATR = mean(TR[-period:]) (Wilder 평활 아님)
|
||||
- highs/lows/closes 중 하나라도 len < period+1 → None
|
||||
- TR 개수 < period → None
|
||||
"""
|
||||
if len(highs) < period + 1 or len(lows) < period + 1 or len(closes) < period + 1:
|
||||
return None
|
||||
|
||||
trs = true_ranges(highs, lows, closes)
|
||||
if len(trs) < period:
|
||||
return None
|
||||
return sum(trs[-period:]) / period
|
||||
|
||||
|
||||
# ── 볼린저 밴드 ──────────────────────────────────────────────────────────────
|
||||
|
||||
def bollinger_sma(closes: List[float], period: int = 20,
|
||||
num_std: float = 2.0) -> Optional[Tuple[float, float, float]]:
|
||||
"""볼린저 밴드 — SMA 중앙선 + 모표준편차(ddof=0)
|
||||
|
||||
Returns: (upper, middle, lower) — 기존 `calculate_bollinger` 반환 순서 유지
|
||||
- middle = mean(closes[-period:])
|
||||
- std = sqrt( mean((p - middle)^2) ) ← 모분산(ddof=0), 표본분산 아님
|
||||
- len(closes) < period → None
|
||||
"""
|
||||
if len(closes) < period:
|
||||
return None
|
||||
window = closes[-period:]
|
||||
middle = sum(window) / period
|
||||
variance = sum((p - middle) ** 2 for p in window) / period
|
||||
std = variance ** 0.5
|
||||
return (middle + num_std * std, middle, middle - num_std * std)
|
||||
|
||||
|
||||
# ── ADX ──────────────────────────────────────────────────────────────────────
|
||||
|
||||
def adx_wilder(highs: List[float], lows: List[float], closes: List[float],
|
||||
period: int = 14) -> Optional[float]:
|
||||
"""Wilder's ADX (mean_reversion_strategy.calculate_adx 와 동일)
|
||||
|
||||
1. TR / +DM / -DM 계산
|
||||
2. TR·DM 평활: 초기값 = 첫 period 개 **합산**, 이후 `s - s/period + v`
|
||||
3. +DI = 100*(+DM_s / TR_s), -DI 동일
|
||||
4. DX = 100*|+DI - -DI| / (+DI + -DI)
|
||||
5. ADX 평활: 초기값 = mean(DX[:period]), 이후 `a - a/period + dx/period`
|
||||
(DM/TR 과 달리 **평균** 시드 + 정규화된 갱신)
|
||||
- len < period*2 + 1 → None / DX 개수 < period → None
|
||||
- 반환값은 `round(..., 2)`
|
||||
"""
|
||||
n = len(highs)
|
||||
if n < period * 2 + 1:
|
||||
return None
|
||||
|
||||
trs: List[float] = []
|
||||
plus_dms: List[float] = []
|
||||
minus_dms: List[float] = []
|
||||
|
||||
for i in range(1, n):
|
||||
h, l, c_prev = highs[i], lows[i], closes[i - 1]
|
||||
h_prev, l_prev = highs[i - 1], lows[i - 1]
|
||||
|
||||
tr = max(h - l, abs(h - c_prev), abs(l - c_prev))
|
||||
up_move = h - h_prev
|
||||
down_move = l_prev - l
|
||||
|
||||
plus_dm = up_move if up_move > down_move and up_move > 0 else 0.0
|
||||
minus_dm = down_move if down_move > up_move and down_move > 0 else 0.0
|
||||
|
||||
trs.append(tr)
|
||||
plus_dms.append(plus_dm)
|
||||
minus_dms.append(minus_dm)
|
||||
|
||||
def _wilder_smooth(values: List[float]) -> List[float]:
|
||||
"""Wilder 평활: 초기값 = 첫 period개 합산, 이후 재귀 평활."""
|
||||
smoothed = [sum(values[:period])]
|
||||
for v in values[period:]:
|
||||
smoothed.append(smoothed[-1] - smoothed[-1] / period + v)
|
||||
return smoothed
|
||||
|
||||
atr_s = _wilder_smooth(trs)
|
||||
plus_dm_s = _wilder_smooth(plus_dms)
|
||||
minus_dm_s = _wilder_smooth(minus_dms)
|
||||
|
||||
dxs: List[float] = []
|
||||
for atr_v, p_dm, m_dm in zip(atr_s, plus_dm_s, minus_dm_s):
|
||||
if atr_v == 0:
|
||||
dxs.append(0.0)
|
||||
continue
|
||||
plus_di = 100.0 * p_dm / atr_v
|
||||
minus_di = 100.0 * m_dm / atr_v
|
||||
di_sum = plus_di + minus_di
|
||||
dxs.append(100.0 * abs(plus_di - minus_di) / di_sum if di_sum else 0.0)
|
||||
|
||||
if len(dxs) < period:
|
||||
return None
|
||||
|
||||
adx_val = sum(dxs[:period]) / period # 초기값 = 평균
|
||||
for dx_v in dxs[period:]:
|
||||
adx_val = adx_val - adx_val / period + dx_v / period
|
||||
return round(adx_val, 2)
|
||||
Reference in New Issue
Block a user