shuim
43b4b1a7aa
9/23~9/28 닷새간 stock_analysis.ml_score 가 200/200 NULL 이었고 로그는 0줄이었다.
원인 3건이 겹쳐 있었다.
1. 시계열 역방향 (추론 ≠ 학습)
market_analyzer 는 chart_data 를 oldest-first 로 정규화해 넘기는데
chart_data_to_dataframe() 은 "입력은 최신순" 가정으로 무조건 뒤집는다.
→ ML 피처가 역방향 시계열에서 계산됐다. 학습은 db_data_to_dataframe
(trade_date ASC, 정방향)이므로 추론이 학습과 정반대 방향이었다.
ensemble_score 관측 범위가 18~50 에 갇혀 ML BUY 가 0건이던 것의 직접 원인.
→ chart_data_to_dataframe_v2(): stck_bsop_date 오름차순 정렬로 방향 의존성 제거.
2. LSTM 시퀀스 워밍업 NaN → int(nan) ValueError
탭뷸러는 NaN 검사를 받지만 시퀀스는 검사되지 않았다. 시퀀스 피처
volatility_20d 의 첫 유효 인덱스가 20 이므로 요구 봉수는 60+20=80 인데
게이트가 <61 이어서 61~79 구간이 크래시 밴드였다.
NaN → LSTM 이 [nan,nan,nan] 반환(예외 아님) → 가중평균 전체 NaN
→ ml_ensemble.py int(prob_up*100) 에서 ValueError.
→ MIN_BARS_FOR_PREDICT=80 + 시퀀스 유한성 검사. NaN 을 0 으로 채우지 않고
사유를 담은 error 로 반환한다.
prepare_training_data 도 idx 60~79 샘플 시퀀스에 NaN 을 넣고 있었다
(valid_mask[:60]=False 만 존재) → X_seq.mean 이 NaN → seq_mean/std 오염.
3. except Exception: pass 가 1·2 를 조용히 삼켰다
→ _run_ml_ensemble() 분리 + 사유별 집계(get/reset_ml_skip_stats,
log_ml_skip_summary). 최초 1건 + 이후 50건마다 warning, 사이클 종료 시
사유별 1줄 요약. batch_daily_analysis 에 배선.
부수 수정
- 네이버 ML 차트 80일창(75봉) → 200일창(154봉). 룰 입력은 _trim_to_legacy_window
로 기존 창과 동일 배열로 절단 — adx_wilder 는 Wilder 재귀라 배열 길이에
민감하므로 절단 없이는 SIDEWAYS 히스테리시스 판정이 바뀐다(실측 14.21→14.55).
전 지표 동일성 확인: rsi/ma/bb/atr/adx/stochastic 모두 일치.
- predict() 가 어떤 입력에도 예외를 던지지 않도록 얇은 가드 + _predict_impl 분리.
비유한 확률을 내는 모델은 warning 과 함께 앙상블에서 제외(degraded_models).
- training_metrics 가 항상 {} 였던 원인: self.training_metrics = metrics 가
_save_models() 뒤에 있어 직전 값이 기록됨. 순서 정정 + per-class 지표 추가
("전부 HOLD" 모델을 정확도만으로 판별 못하는 문제 대응).
- endpoints/ml_ensemble.py: get_daily_chart 는 output2 를 채우는데 output 을
읽어 항상 400 이었다. 게이트 61→MIN_BARS_FOR_PREDICT, async 핸들러의
동기 predict() → predict_async().
미변경: 모델 파일, 아키텍처·하이퍼파라미터, 임계값(60/0.3/0.7, 가중치
0.4/0.35/0.25), torch.load(weights_only=True), 지표 계산식, KIS 호출량.
검증: 579 passed / 0 failed (소켓·KIS 차단 하, 기준선 559 + 신규 20).
신규 tests/test_ml_feature_direction.py 는 결함 역주입으로 검출력 증명 —
방향 역전 2건 + 크래시 밴드 61/70/79 3건 + 게이트 1건 = 6건 실패 확인.
Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>
Auto Stock Trading System with MCP
Claude AI와 MCP(Model Context Protocol)를 활용한 한국 주식 자동매매 시스템
시스템 아키텍처
- Frontend: React + TypeScript + Vite
- Backend: Python FastAPI + WebSocket
- MCP Server: Claude AI 통합
- Database: PostgreSQL
- Cache: Redis
- Message Queue: RabbitMQ
- API: 한국투자증권 API
주요 기능
- 실시간 시장 데이터 수집
- Claude AI 기반 규칙 검증
- 자동 매매 실행
- 포트폴리오 관리
- 실시간 모니터링
프로젝트 구조
auto-stock/
├── frontend/ # React 프론트엔드
├── backend/ # FastAPI 백엔드
├── mcp-server/ # MCP 서버
├── docker/ # Docker 설정
├── deploy/ # NAS 배포
├── docs/ # 문서 (아래 목록)
└── scripts/ # 배포 스크립트
문서
작업 규칙과 전략 명세는 CLAUDE.md 가 정본이다. 파라미터 값을 확인할 때는 §0(파라미터 우선순위)을 먼저 읽을 것.
| 문서 | 내용 |
|---|---|
| CLAUDE.md | 작업 규칙·전략 명세·미해결 항목 (정본) |
| docs/INSTALLATION.md | 설치 |
| docs/USER_GUIDE.md | 사용법 |
| docs/PROJECT_STRUCTURE.md | 코드 구조 |
| docs/backend_guide.md | 백엔드 가이드 |
| docs/API_DOCS.md | API 명세 |
| docs/API_SAFE_OPERATION.md | API 안전 운영 |
| docs/RISK_MANAGEMENT_API.md | 리스크 API |
| docs/BATCH_GUIDE.md | 배치 분석 (cron 3개 잡) |
| deploy/NAS-SETUP-GUIDE.md | NAS 배포 |
| docs/multi_tenant_design.md | 멀티테넌트 설계 |
| docs/multi_tenant_phase1_review.md | 멀티테넌트 1단계 검수 |
이력 참고용(현행 아님): docs/REFACTORING_PLAN.md(폐기), docs/AUTOTRADE_DIAGNOSIS.md, docs/SPEED_OPTIMIZATION.md
빠른 시작
# 환경 변수 설정
cp .env.example .env
# 기본값
# - `DATABASE_URL`은 `.env.example`에 이미 도커 컨테이너(127.0.0.1:5432)를
# 가리키도록 설정되어 있습니다. 로컬 개발 시 별도 수정이 필요 없습니다.
# 원격 DB를 사용하려면 여기에 URL을 덮어쓰십시오.
# Docker로 전체 시스템 시작
./scripts/deploy.sh
# 개발 모드
./scripts/dev.sh
환경 변수
.env 파일에 다음 설정 필요:
KOREA_INVESTMENT_APP_KEY: 한국투자증권 앱키KOREA_INVESTMENT_APP_SECRET: 한국투자증권 시크릿ANTHROPIC_API_KEY: Claude API 키DATABASE_URL: PostgreSQL 연결 URL (기본값은 도커 컨테이너)REDIS_URL: Redis 연결 URL
라이센스
MIT