내가 만든 AI 에이전트 (3/7) — 주식 정보 관리 디렉터: 시그널 수집에서 포트폴리오 스코어링

-

지표견(Jipyogyeon) Discord 채널 자동 수집, 시그널 파싱, 포트폴리오 기반 알림 분류까지의 전체 구조

핵심 요약

  • 지표견(Jipyogyeon) Discord 채널에서 퀀트 트레이딩 시그널을 자동 수집하는 파이프라인을 구축했다
  • Discord embed 메시지를 구조화 데이터로 파싱하고, 포트폴리오 보유 종목과 매칭하여 알림 우선순위를 분류한다
  • 홈서버 대시보드와 연동하여 critical/high 알림을 강조 표시하고, 일일 브리핑을 요약 카드로 전달한다

배경

퀀트 시그널 서비스를 구독하면 데이터는 쏟아지지만, "내 포트폴리오에 해당하는 시그널"만 빠르게 필터링하는 레이어가 없습니다. Discord 채널에 올라오는 시그널을 수동으로 확인하는 방식은 확장되지 않습니다.

지표견(Jipyogyeon)은 하루에도 수십 개의 시그널을 여러 채널에 배포합니다. 진입, 청산, PEG, 모멘텀, Top5 리포트 등. 이 중에서 포트폴리오 보유 종목에 해당하는 시그널을 즉시 알림으로 분리하고, 나머지는 거래 종료 후 요약으로 받는 구조가 필요했습니다.

주식 정보 관리 디렉터는 이 수집-분류-전달 파이프라인을 자동화합니다.

본문

1. 전체 아키텍처

Discord 채널 (지표견)
    ↓ 60초 폴링
discord_listener.py → signal_parser.py
    ↓ 구조화 데이터
포트폴리오 매칭 → 알림 분류
    ↓
    ├─ 즉시 알림 → Discord Webhook + 홈서버 /api/webhooks
    └─ 로그 전용 → daily_raw.json에 저장
    ↓ (15:50 KST)
일일 브리핑 → 홈서버 /api/webhooks

2. discord_listener.py — 채널 폴링

Discord HTTP API를 직접 사용합니다. discord.py 같은 라이브러리가 아니라, HTTP GET 요청으로 메시지를 읽어옵니다.

핵심 설계 원칙: 읽기 전용. 메시지 전송, 리액션, 타이핑 표시 등 쓰기 동작을 일절 하지 않습니다. Discord ToS 위반을 방지하기 위한 의도적 제한입니다.

폴링 구조: - 60초 간격으로 전체 채널을 순회 - 채널 간 1~1.5초 랜덤 딜레이 (rate limit 방지) - 마지막으로 읽은 메시지 ID를 기억해서 새 메시지만 처리 - 오늘 날짜(KST) 메시지만 처리 — 이전 날짜 메시지는 스킵

거래 시간 필터: 한국 주식 시장 기준 09:00~16:00 KST, 평일만 동작합니다. 장 외 시간에는 다음 거래 시작 시간까지 대기합니다. 매일 새 거래일이 시작되면 메시지 상태를 초기화합니다.

채널 구성: channels.json으로 관리합니다. 현재 10개 채널을 모니터링합니다:

채널 내용
오늘의시그널 일일 시장 요약
셋업형성 VCP/셋업 포착
진입 정석/돌파/공격 진입 시그널
분할매수 피라미딩 추매 시그널
청산 최종/돌파 청산
분할매도 분할 익절/청산
모멘텀 모멘텀 BUY/SELL
peg PEG 기반 시그널
종합알림_4h 4시간 주기 종합
top5 Top 5 리더 종목 리포트

3. signal_parser.py — Discord Embed 파싱

지표견의 시그널은 Discord Rich Embed 형식으로 옵니다. 일반 텍스트가 아닙니다.

Embed 구조:

embed.title: 확신도 + 시그널 타입 (예: "🟡 B 💰 정석 진입")
embed.description: 종목명(티커) + 가격/SL/RR
embed.fields: 상태(점수, 배열), 시그널 태그, AI 평가, 설명, 정보(시장환경, 거래소)

파서는 이 구조를 Signal 데이터 클래스로 변환합니다:

필드 출처 예시
conviction title의 이모지 🟣→S, 🟢→A, 🟡→B, 🟠→C, 🔴→D
signal_type title의 시그널명 "💰 정석 진입", "💸 최종 청산"
action signal_type 매핑 BUY / SELL / CHECK
ticker description 파싱 "090430"
price / stop_loss / risk_reward description 파싱 142600 / 122851 / 2.1
score fields["상태"] 60
ema_alignment fields["상태"] "정배열" / "역배열" / "꼬임"
ai_summary fields["AI 평가"] "꿀통 눌림목 21 EMA 지지"
exchange fields["정보"] "KRX" / "NASDAQ"

Top5 리포트는 별도 파서(parse_top5_embed)가 처리합니다. 순위, 확신도, 종목, 섹터, 시그널 타입, 가격, 손절가, 목표가까지 추출합니다.

4. 포트폴리오 기반 알림 분류

파싱된 시그널은 portfolio.json의 보유 종목/관심 종목과 매칭하여 알림 우선순위를 결정합니다.

알림 규칙:

우선순위 조건 알림
critical 보유 종목에 SELL 시그널 즉시 알림 (청산 경고)
high 보유 종목에 아무 시그널 즉시 알림 (포트폴리오 히트)
high S/A등급 + 60점 이상 + BUY 즉시 알림 (고확신 진입)
low 그 외 모든 시그널 로그만 (알림 없음)

즉시 알림이 필요한 시그널만 Discord Webhook과 홈서버로 전달됩니다. 나머지는 daily_raw.json에 저장되어 일일 브리핑에 사용됩니다.

투자 전략 반영: 한국 주식은 단기/중기/장기 투자, 미국 주식은 장기 투자만. 암호화폐는 처리하지 않습니다.

5. 홈서버 연동

시그널 데이터는 홈서버의 웹훅 API로 전달됩니다.

POST /api/webhooks
{
  "content": "{시그널 JSON}",
  "tags": ["stock", "signal", "buy", "kr", "alert"],
  "source": "stock-director"
}

태그는 시그널 속성에 따라 자동 생성됩니다: 시장(kr/us), 액션(buy/sell/check), 긴급도(alert/urgent), 확신도(high-conviction).

일일 브리핑: 거래 종료 직전(15:50 KST)에 당일 수집한 전체 시그널을 요약합니다.

{
  "date": "2026-04-06",
  "total": 42,
  "buy_count": 18,
  "sell_count": 8,
  "check_count": 16,
  "portfolio_hits": [...],
  "high_conviction_entries": [...]
}

홈서버 대시보드에서 이 브리핑을 요약 카드로 표시합니다. critical/high 알림은 시각적으로 강조됩니다.

6. 상시 실행 구조

discord_listener.py는 macOS의 launchd로 상시 실행됩니다. 시스템 시작 시 자동으로 기동되고, 크래시 시 자동 재시작됩니다.

외장드라이브 TCC 제한 이슈: macOS는 외장드라이브의 파일에 대해 TCC(Transparency, Consent, and Control) 권한 제한을 적용합니다. launchd에서 외장드라이브의 스크립트를 직접 실행하면 권한 문제가 발생할 수 있습니다. 해결 방법으로 내부 스토리지에 실행용 복사본을 두고, 외장드라이브의 원본과 동기화하는 프로토콜을 사용합니다.

설계 과정에서 마주친 문제들

Discord embed 파싱의 복잡성: 지표견의 메시지 형식이 한 가지가 아닙니다. 일반 시그널, PEG 시그널, Top5 리포트가 각각 다른 구조입니다. 단일 파서로 처리하려다 실패했고, 시그널 타입별로 파서를 분리한 후 안정되었습니다.

rate limit 관리: 10개 채널을 빠르게 순회하면 Discord API rate limit에 걸립니다. 채널 간 랜덤 딜레이(1~1.5초)를 넣어서 해결했습니다. 429 응답이 오면 retry_after 값만큼 대기합니다.

한국어 종목명 매핑: 지표견은 영문 종목명을 사용합니다(예: "SK Hynix Inc."). 포트폴리오 알림에서는 한국어 이름("SK하이닉스")을 표시하는 것이 자연스럽습니다. portfolio.json에 한국어 이름을 추가하고, 알림 생성 시 참조하도록 매핑을 추가했습니다.

장 외 시간 리소스 낭비: 초기에는 24시간 폴링을 했습니다. 장 외 시간에는 시그널이 없으므로 불필요한 API 호출이었습니다. 거래 시간 필터를 추가해서 평일 09:00~16:00에만 동작하도록 했습니다.

마무리

주식 정보 관리 디렉터의 핵심 가치는 소음에서 신호를 분리하는 것입니다. 하루에 수십 개의 시그널이 올라오지만, 실제로 즉시 확인해야 하는 것은 몇 개뿐입니다.

구조는 단순합니다: 수집(listener) → 파싱(parser) → 분류(classify) → 전달(webhook). 각 단계가 하나의 역할만 담당합니다.

투자 정보 관리에서 중요한 것은 데이터의 양이 아닙니다. 포트폴리오에 영향을 주는 시그널을 얼마나 빠르게, 정확하게 식별하느냐입니다. 이 파이프라인은 그 필터링 레이어를 자동화합니다.

시리즈 전체 안내: 시리즈 목차

댓글

댓글 쓰기

이 블로그의 인기 게시물

"LLM 핵심 학습 (1/6) — 기본: 토큰화·임베딩·어텐션·위치 인코딩"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/6 파인튜닝 → 트랜스포머 한 블록의 데이터 흐름을 문자열 → 토큰 → 임베딩 → 어텐션 → 출력 표현 까지 손으로 풀어 본다. 이번 편이 끝나면 "왜 \(\sqrt{d_k}\)로 나누는가", "RoPE는 무엇을 회전시키는가", "한국어가 영어보다 토큰이 많은 까닭은 무엇인가"가 한 줄로 설명될 수 있다. 0. 학습 목표 이 편을 마치면 다음을 직접 할 수 있다. BPE 토크나이저 가 어휘를 어떻게 학습하고 새 문자열을 어떻게 자르는지 종이 위에서 시뮬레이션한다. 임베딩 행렬 의 모양과 초기화, weight tying의 의미를 한 줄로 설명한다. Scaled Dot-Product Attention 의 식을 차원 단위로 추적하고 PyTorch 30줄로 재현한다. Multi-Head Attention 이 한 헤드와 비교해 무엇이 다른지, 헤드 수가 늘면 어디가 비싸지는지 답한다. Sinusoidal·RoPE·ALiBi 세 위치 인코딩의 식과 외삽 성질을 구분한다. 컨텍스트 확장이 왜 \(O(N^2)\)인지, "Lost in the Middle"이 왜 발생하는지 설명한다. 1. 핵심 요약 트랜스포머의 입력은 문자열 이 아니라 정수 ID 시퀀스 다. 토크나이저가 문자열 → ID로 자른다. 임베딩은 정수 ID를 \(d\)차원 벡터로 lookup하는 학습 가능한 테이블이다. Self-Attention은 \(\text{softmax}(QK^\top / \sqrt{d_k}) V\) 한 줄이 핵심이고, 멀티헤드는 같은 연산을 여러 부분 공간에서 병렬화한 것이다. 위치 정보는 임베딩에 직접 더하거나(Sinusoidal), Q·K에 회전을 가하거나(RoPE), 어텐션 스코어에 거리 패널티를 더해서(ALiBi) 주입한다. 컨텍스트 길이 \(N\)에 대해 표준 어텐션은 \(O(N^2)\) 비용을 갖고, 긴 컨텍스트에서는 중간 위...
Read more »

"LLM 핵심 학습 (2/6) — 파인튜닝: LoRA·QLoRA·증류·Adapter"

-
이미지
← 1/6 기본 📚 시리즈 목차 3/6 디코딩과 생성 → 사전학습된 LLM을 내 데이터 에 적응시키는 방법을 비용·메모리·일반화 관점에서 정리한다. Full FT의 한계 → Adapter → LoRA → QLoRA → Distillation 순으로 같은 그림을 점점 확대해 본다. 0. 학습 목표 Full fine-tuning의 메모리 병목을 옵티마이저 상태·그래디언트·가중치·활성화 의 4분할로 설명한다. Adapter(Houlsby 2019)와 LoRA(Hu 2021)의 식 차이를 한 줄로 적는다. LoRA의 \(A, B\) 행렬이 왜 저랭크 이고, rank \(r\) 선택이 무엇을 결정하는지 답한다. QLoRA(Dettmers 2023)의 NF4·double-quant·paged optimizer를 분리해서 설명한다. Catastrophic Forgetting을 분포 시프트 관점에서 정의하고 완화 기법을 두 개 이상 든다. Hinton 2015의 Knowledge Distillation 식을 손으로 유도한다. 1. 핵심 요약 Full FT는 메모리/디스크/시간 모두 비싸다. 7B 모델 full FT는 V100 8장 + A100 1장으로도 큰 부담이다. PEFT(파라미터 효율 파인튜닝) 일가족은 극히 일부 파라미터만 학습 해 같은 효과를 얻는다. LoRA: \(\Delta W = BA\) (rank \(r \ll \min(d_{\text{in}}, d_{\text{out}})\))로 가중치 업데이트를 저랭크 분해. QLoRA: 베이스 모델을 4-bit(NF4)로 양자화한 채 LoRA만 풀-정밀(BF16)으로 학습. Catastrophic Forgetting: 새 분포에 적응하느라 이전 능력이 무너지는 현상. PEFT 자체가 부분 완화책. Distillation: 큰 교사 모델의 soft target 을 학습 신호로 써서 작은 학생 모델 을 만든다. 2. 직관: 왜 사전학습만으로는 부족한가 사전학습은 일반...
Read more »

"ML 기초 학습 (1/9) — 머신러닝과 sklearn: 학습의 좌표계"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/9 이웃 알고리즘 → 이 시리즈는 신경망과 로컬 LLM으로 가기 전에 손에 익혀 둬야 할 머신러닝 기초 9편이다. 1편은 모든 ML 코드가 공유하는 공통 문법 을 잡는 데 쓴다. sklearn은 그 문법을 가장 일관되게 보여주는 도구다. 이번 편이 끝나면 어떤 모델을 만나도 fit → predict → score → 평가 흐름이 같다는 것이 손에 잡힌다. 0. 학습 목표 이 편을 마치면 다음을 할 수 있어야 한다. 지도학습·비지도학습·강화학습을 한 문장씩 구분해 설명한다. sklearn의 estimator 인터페이스 ( fit , predict , score , transform )를 코드 한 화면 안에서 쓸 수 있다. train/validation/test 분할을 왜 하는지, 어디서 데이터 누수가 생기는지 식과 그림으로 설명한다. 분류·회귀의 핵심 평가 지표(accuracy, precision, recall, F1, MSE, R²)를 정의에서 직접 계산할 수 있다. k-fold 교차검증 을 코드 한 줄로 돌리고, 결과의 평균과 표준편차를 함께 보고할 수 있다. Pipeline 으로 전처리와 모델을 묶어 데이터 누수를 구조적으로 막는 방법을 설명한다. 1. 핵심 요약 머신러닝은 데이터에서 함수 \(f: X \to Y\)를 찾는 작업 이다. 어떤 모델이든 이 본질은 같다. sklearn은 모든 모델을 같은 인터페이스( fit , predict , score )로 통일해, 모델을 바꿀 때 한 줄만 바꾸면 되게 한다. train/val/test 세 분할이 표준이다. 검증으로 하이퍼파라미터를 고르고, 테스트는 마지막에 한 번만 본다. 데이터 누수 (test 정보가 train에 새는 현상)는 ML 입문자가 가장 자주 만드는 실수이며, Pipeline + cross_val_score 조합으로 구조적으로 막을 수 있다. 평가 지표는 문제 유형 (분류/회귀) 과 클래스 불균형...
Read more »