엔비디아, 테슬라, 등등 최근에 많이 오른 주식들 accuracy이슈

안녕하세요, @김복치님. 정확한 관찰입니다. 그런데 모델이 그 종목들을 못 맞추는 게 아니라 평가 방식이 많이 오른 종목에 불리한 구조입니다.왜 그런가. 코드의 accuracy는 100 − MAPE이고, 2006년부터 지금까지 전 기간 평균입니다. MAPE는 오차를 "그날 실제 가격"으로 나누는데, 엔비디아는 2006년에 0.29달러였고 지금은 184달러입니다(630배). 가격을 전체 범위로 스케일링하니 모델의 작은 오차도 2006년 구간에서는 수백 %의 비율 오차로 계산되고, 그 구간이 평균을 끌어내립니다. 펩시코(5배)·인텔(4배)처럼 가격대가 크게 안 변한 종목은 이 문제가 없어 accuracy가 높게 나옵니다. 그래서 최근 많이 오른 종목일수록 80% 필터에서 탈락하는 겁니다.해결 순서 (쉬운 것부터)1) 최근 구간으로만 평가 — 매매에 의미 있는 건 최근 성능입니다. evaluate_predictions를 호출하기 전에 최근 2년만 남기면 됩니다.recent = data[data['날짜'] >= data['날짜'].max() - pd.Timedelta(days=730)]evaluation_results = evaluate_predictions(recent, target_columns, forecast_horizon)2) 로그 가격으로 학습 — 근본 처방입니다. 0.29달러와 184달러를 같은 잣대로 보게 됩니다. 스케일링 전에 np.log를 씌우고, 예측값을 되돌릴 때 np.exp를 적용합니다.data_scaled[target_columns] = stock_scaler.fit_transform(np.log(data[target_columns]))# ...predicted_prices_actual = np.exp(stock_scaler.inverse_transform(predicted_prices))3) 방향 적중률 추가 — 자동매매는 “14일 뒤 오르나 내리나”가 핵심이라, 예측 방향과 실제 방향이 일치한 비율을 함께 계산해 두면 accuracy 한 숫자에 휘둘리지 않습니다.하지 말아야 할 것은 80% 기준을 그냥 낮추는 겁니다. 그러면 정말 못 맞추는 종목까지 들어옵니다. 1번만 적용해도 엔비디아·테슬라 accuracy가 눈에 띄게 올라갈 테니 먼저 확인해 보시고, 강의에서 하신 것처럼 이 설명을 Claude에게 그대로 주고 2번까지 반영시키셔도 됩니다. 적용 후 종목별 accuracy 표를 올려 주시면 같이 봐 드리겠습니다.또 궁금하신 부분이 있으시다면 편하게 질문 주세요~감사합니다.

밴티지api 막혀서 공매도 잔고설정 으로 다시 로직 설정한 강의에 대해서.

안녕하세요, @jkl님. 삭제된 과정은 없습니다. 공매도 잔고 로직은 코드로 올리지 않았습니다. 추가된 3개 강의의 목적이 "설계 문서(20·21)를 Claude에게 주고 내 코드에 반영시키는 방법"을 익히는 것이기 때문입니다. 그래서 모의·실전 저장소에는 문서만 올라가 있고, 구현은 강의에서 보신 대로 각자 AI로 진행하시면 됩니다.1. 어떤 저장소를 쓰나요? 지금 쓰시던 banbu-stocktrading(모의)과 banbu-stocktrading-real(실전) 그대로입니다. git pull로 문서 20,21를 받으시면 되고, .env도 지금 것을 그대로 쓰시면 됩니다. 새 API 키는 없고, 구현 후 .env에 USE_SHORT_INTEREST=true 한 줄만 추가하면 됩니다.2. banbu-stocktrading-final은 뭔가요? 제가 실제 운영하는 3단계 완성본입니다. Kaggle 자동 학습, LLM 검토, Slack 알림, 점수 v2 등 2단계에 없는 기능이 많아서 파일과 sql/ 폴더가 많이 보이는 겁니다. 2단계 과정에서는 받으실 필요가 없고, .env_dev도 final 전용 변수가 많아 지금 .env와 다른 게 맞습니다. 3단계까지 가신 뒤에 보셔도 늦지 않습니다.3. 이해하신 로직은 맞습니다. 감성 점수를 빼고, 종목별 days-to-cover(공매도 잔고 ÷ 일평균 거래량)를 구한 뒤 A(종목 간 순위 백분위, 1−2p)와 B(자기 이력 z-score, −z÷2, ±1 제한, 이력 12회 미만이면 생략)를 평균해 si_score=(A+B)÷2, 이를 (si_score+1)÷2로 바꿔 기존 “0.20×감성” 자리에 “0.20×수급”으로 넣는 것이 전부입니다.4. AI에게 줄 때 한 가지만 주의하세요. 문서 21은 제 운영 코드(final) 기준으로 이어서 요청할 때 아래처럼 덧붙이시면 됩니다.“documents/20, 21을 읽고 이 코드에 맞게 구현해줘. 이 코드에는 signal_snapshots, llm_decision_logs 테이블, Slack, LLM 검토, scripts/ 폴더, scoring_service.py가 없으니 그 부분은 건너뛰고, short_interest 테이블 생성 SQL은 새로 작성해줘. 감성 점수 항은 수급 항으로 교체하고 USE_SHORT_INTEREST 스위치로 전환되게 해줘.”모의 저장소에서 먼저 적용해 /docs에서 추천 결과에 si 점수가 붙는지 확인하신 뒤, 같은 방식으로 실전 저장소에 적용하시면 됩니다. 막히는 단계가 있으면 AI가 만든 변경 내용과 에러를 올려 주세요.또 궁금하신 부분이 있으시다면 편하게 질문 주세요~감사합니다.

run.py 실행하니 아예 전체다 돌아가요 코드가

안녕하세요, 김복치님. 네, 그것도 최종 코드의 의도된 동작이고 실제 매매가 바로 일어난 것은 아닙니다.지금 보고 계신 로그는 "예약"과 "감시"입니다. app/main.py의 startup()이 수집을 마친 뒤 스케줄러 세 개를 등록합니다.매수: 매일 한국시간 00:00에 1회매도 감시: 1분마다 보유 종목 점검. 그래서 1분마다 "자동 매도 작업 시작 → 미국 장 시간이 아닙니다. 매도 작업을 건너뜁니다 → 완료"가 반복해서 찍힙니다. 이게 "자동매매까지 하려고 한다"로 보이는 부분인데, 장 시간이 아니면 주문 없이 건너뜁니다.경제 데이터: 매일 06:05 수집강의 영상 구간과 다른 이유는 영상은 코드가 만들어지는 중간 단계이고, 받으신 GitLab 코드는 자동화까지 붙은 완성본이기 때문입니다. 자동화 부분은 뒤쪽 강의에서 다룹니다.강의를 따라가는 동안은 꺼 두세요. app/main.py의 startup()에서 아래 두 줄을 주석 처리하면 서버는 API만 제공하고 매매는 전혀 하지 않습니다. 지난 답변의 수집 두 줄과 같이 주석 처리하셔도 됩니다.# start_scheduler()# start_sell_scheduler()그러면 http://localhost:8000/docs에서 추천, 잔고, 주문 API를 원하시는 것만 눌러 보실 수 있습니다. 자동화 강의까지 들으신 뒤 주석을 풀면 됩니다.하나만 확인해 주세요. .env의 KIS_USE_MOCK이 true(기본값)여야 모의투자 서버로 붙습니다. 스케줄러를 켜 두더라도 이 값이 true면 실제 돈이 움직이지 않습니다. 강의를 다 듣기 전에는 false로 바꾸지 마세요.또 궁금하신 부분이 있으시다면 편하게 질문 주세요~감사합니다.

run.py 실행시키면, 자동으로 바로 경제 지표 데이터를 수집해요

안녕하세요, 김복치님. 그 동작은 오류가 아니라 최종 코드의 의도된 동작입니다. 강의 영상의 해당 구간은 코드가 만들어지는 중간 단계이고, 받으신 GitLab 코드는 완성본이라 app/main.py의 startup()에 "서버가 켜지면 빠진 날짜를 바로 채운다"는 로직이 들어가 있습니다. 서버가 며칠 꺼져 있다가 다시 켜져도 데이터 공백 없이 이어지도록 한 장치입니다.수집 범위는 DB 상태에 따라 다릅니다.DB에 데이터가 있으면 마지막 날짜의 다음 날부터 오늘까지만 수집합니다. 보통 몇 초에서 몇 분이면 끝납니다.DB가 비어 있으면 2006-01-01부터 전부 수집해서 오래 걸립니다. 지금 보신 현상이 이 경우일 가능성이 큽니다. README 5-3대로 economic_and_stock_data.csv를 먼저 임포트하시면 최근 며칠치만 수집하고 끝납니다.API를 먼저 테스트하고 싶으시면 app/main.py의 startup()에서 아래 두 줄만 잠시 주석 처리하세요.# await update_economic_data_in_background()# print("초기 경제 데이터 수집이 완료되었습니다.")그러면 서버가 바로 뜨고 http://localhost:8000/docs에서 API를 자유롭게 확인하실 수 있습니다. 수집은 같은 화면의 POST /economic/update로 원하실 때 직접 실행하면 되고, 테스트가 끝나면 주석을 다시 풀어 두세요. 실제 운영에서는 켜 두는 것이 맞습니다.참고로 미국 장 운영 시간에 서버를 켜면 "장 마감 후에 데이터를 수집합니다" 메시지와 함께 수집을 건너뛰니, 그 시간대에는 바로 수집이 안 되는 것도 정상입니다.또 궁금하신 부분이 있으시다면 편하게 질문 주세요~감사합니다.

기존 미국주식 자동매매 프로그램과 같은 AWS 서버에서 돌리려고 할때

안녕하세요, @정호교님.좋게 봐주셔서 감사합니다.두 가지 방법 모두 가능합니다.Lightsail 인스턴스를 하나 더 만들어서 따로 돌리기기존 인스턴스 사이즈를 조금 올려서 한 대에 두 서비스를 같이 돌리기배포 방식은 신규와 동일합니다. 강의에서 한 것처럼 Claude에게 같은 방식으로 요청하시면 됩니다. 한 대에 같이 올리실 때는 "기존 미국주식 서버가 돌고 있으니 폴더, 포트, systemd 서비스 이름을 다르게 해 달라"고만 덧붙여 주세요.충돌은 없습니다. 두 프로그램은 서로 다른 코드이고, 별개의 프로세스로 돌며, 서비스 포트도 다릅니다. 각자 자기 폴더와 .env만 보기 때문에 한쪽이 멈춰도 다른 쪽에 전혀 영향이 없습니다. 같은 인스턴스에서 한국주식과 미국주식 자동매매를 동시에 운영해도 문제없습니다.리소스만 조금 신경 쓰시면 됩니다. 기존 512MB 플랜은 서비스 하나 기준으로 잡은 사이즈입니다. 서비스 하나당 대략 150MB를 차지하는 것을 보면, 둘을 돌리는 것 자체는 되지만 혹시나 트래픽이 겹치게되면, 메모리가 빠듯할 수 있습니다. 안정적으로 운영하시려면 1GB 플랜으로 한 단계 올리시길 권합니다. 우선 1대의 인스턴스에서 며칠 돌려 보시고 free -h에서 swap 사용량이 크게 늘면 그때 올리셔도 됩니다.추가로 궁금한 부분 있으시다면 언제든 질문 주세요~감사합니다.

Alpha vantage 유료화?

@정호교님, 안녕하세요. 꼼꼼히 확인하고 알려주셔서 감사합니다.말씀하신 대로 알파밴티지 정책이 바뀐 게 맞습니다. 강의에서 쓰는 뉴스 감정 분석 기능(NEWS_SENTIMENT)이 지금은 유료 플랜 전용으로 바뀌어서, 무료 키로는 데이터가 오지 않습니다. 코드를 잘못 따라 하신 게 아니니 걱정하지 않으셔도 됩니다.지금 진행하시는 데는 지장이 없습니다. 감정 데이터가 비어 있으면 감정 점수는 중립으로 처리되고, ML 예측·기술지표·거래량으로 매수 후보를 고르는 과정과 자동매매는 그대로 돌아갑니다. 감정 점수로 한 번 더 거르는 /recommended-stocks/with-sentiment 결과만 비어 나올 수 있는데, 같은 이유라 정상입니다. 유료 플랜은 따로 결제하지 않으셔도 됩니다.대신 추가 비용 없이 감정 분석을 계속 쓰실 수 있도록, 무료 뉴스 소스로 바꾸는 방법을 강의로 준비하고 있습니다. 이번 주말에 촬영을 시작해서 편집이 끝나는 대로 올려드릴 예정이고, 늦어도 다음 주 중에는 업데이트됩니다. 올라가면 새소식으로 알려드리겠습니다.외부 서비스 쪽 변경이긴 하지만 기다리시게 해서 죄송합니다. 궁금한 점 생기면 언제든 편하게 또 보내주세요. 빠르게 답변드리겠습니다.

colab 작동

안녕하세요, @무무님. 오랜만에 돌아오셨네요. 하나씩 답드리겠습니다.1. 코랩 오류사진의 오류는 코드 문제가 아니라 economic_and_stock_data 테이블에서 데이터가 0건으로 와서 생긴 겁니다. 0개 레코드 → 빈 데이터라 '날짜' 컬럼이 없음 → 그 뒤가 전부 멈춘 순서입니다.2주 쉬신 것과 맞물려 세 가지 중 하나일 가능성이 큽니다. 코랩 맨 아래에 새 셀을 만들어 이것만 실행해 보세요.r = supabase.table("economic_and_stock_data").select("*", count="exact").limit(1).execute() print("행 수:", r.count) print("접속 주소:", supabase.supabase_url)행 수가 0 → 데이터가 진짜 없는 겁니다. 수집은 run.py가 하는 일이라, 먼저 run.py를 띄우고 localhost:8000/docs에서 데이터 수집 API를 한 번 돌리신 뒤 코랩을 다시 실행하세요. 서버를 처음 켤 때 경제지표 수집이 자동으로 한 번 돌기도 합니다.행 수는 있는데 0건으로 보인다 → 테이블에 RLS가 켜져 있고 anon 키를 쓰고 계신 경우입니다. 강의대로 service_role 키인지 확인해 주세요.접속 주소가 대시보드 주소와 다르다 → 프로젝트를 두 개 만드셨다면 다른 쪽을 보고 있는 겁니다.겸사겸사 Supabase 대시보드에서 프로젝트가 Paused 상태가 아닌지도 보세요. 무료 프로젝트는 일주일 안 쓰면 일시정지됩니다. 그 경우 Restore 버튼 한 번이면 됩니다.그리고 “run.py가 잘 돌면 상관없나”는 반은 맞습니다. run.py는 데이터 수집·추천·매매를, 코랩은 ML 예측을 맡습니다. 그런데 완성편은 run.py의 일일 파이프라인(밤 9시)이 Kaggle을 자동으로 돌리기 때문에, Kaggle 키를 설정해 두셨다면 코랩은 돌리지 않으셔도 됩니다. Kaggle을 설정하지 않으셨다면 코랩이 ML 단계이니 꼭 돌아야 하고요. 어느 쪽이든 지금처럼 DB가 0건이면 둘 다 막히니, 위 확인부터 하시면 됩니다.2. 클라우드 없이 내 컴퓨터에서네, python run.py 하나로 서버와 스케줄러가 전부 뜹니다. 대신 세 가지만 지켜주세요.터미널 창을 닫으면 멈춥니다. 켜 둔 채로 두세요.미국장은 한국 시간으로 밤 10시 30분부터 새벽 5시까지라, 컴퓨터가 밤새 켜져 있고 절전 모드에 들어가지 않아야 합니다. 파이프라인은 밤 9시에 돕니다..env 파일이 그 컴퓨터에 있어야 합니다. 한국투자증권, Supabase, Kaggle 키 전부요.처음 기동할 때 2주치 경제지표를 한 번에 당겨오니 첫 실행은 조금 걸립니다. 그게 끝나고 1번의 행 수가 채워지면 정상입니다.궁금한 점 생기면 언제든 편하게 또 보내주세요. 최대한 빠르게 답변드리겠습니다.감사합니다.

19강 감정분석 강의처럼 api 돌렸는데

안녕하세요, @jkl님. 실제로 있을 수 있는 현상입니다.우리 코드는 최근 3일치 뉴스 중 관련도(relevance_score) 0.2 이상인 기사만 세기 때문에,주말이 끼거나 뉴스가 매일 나오지 않는 종목은 3일 안에 기사가 0건인 날이 실제로 있습니다.다만 8개 전부 0건이면 AlphaVantage 무료 한도(하루 25회)도 한 번 확인해 보세요.한도를 넘으면 응답에 feed가 없이 "Information" 메시지만 오는데,우리 코드는 이 경우도 "관련 기사 없음"으로 표시합니다.api_data = response.json() 아래에 print(api_data)를 넣어 보면 바로 구분됩니다.개선 방법은 감정분석 기간을 3일보다 길게 잡는 것입니다.더 최적화하면, 기사가 끊이지 않는 대형 종목은 3일로 두고그렇지 않은 종목은 일주일로 늘리는 식으로 종목별 차등을 둘 수 있습니다.이 외에 jkl님만의 방법을 적용하셔도 됩니다. 정답이 정해진 영역이 아니라서,직접 바꿔보는 구간에서 실력이 가장 많이 늡니다.또, 수강 중 질문 있으시다면 편하게 올려주세요~감사합니다.

16강에서 코드가 계속 안도길래. ai가 고쳐서 일단 supabase에 preditc 한 주가를

안녕하세요, @jkl님.걱정하신 것과 달리 AI가 아무 데이터나 넣게 바꾼 건 아닙니다. 핵심은 columns_with_numbers 한 군데이고, 이건 값이 하나도 없는 컬럼을 학습과 예측에서 빼는 코드입니다. 나머지 종목·지표는 원래 코드와 똑같이 학습하고, 저장되는 것도 실제 모델 예측값입니다. 즉 지난번에 말씀드린 "어떤 컬럼이 통째로 비어 있다"가 실제로 맞았던 겁니다. 다른 변경(앞뒤 값 채우기, clipnorm, 저장 확인)은 원래 코드에 이미 있거나 무해한 안전장치 코드라 그대로 두셔도 됩니다.다만 한 가지는 꼭 확인하셔야 합니다. 실행 출력에 값이 없어 학습에서 뺀 칸: [...] 이 찍혔을 텐데, 그 목록에 종목 이름이 있으면 그 종목은 앞으로 예측도 추천도 되지 않습니다. 매매 시스템이 예측 결과 테이블에 없는 종목은 후보로 올리지 않기 때문입니다. 근본 해결은 빠진 컬럼에 데이터를 채우는 것입니다. 채우고 Colab을 다시 돌리면, 지금 코드가 그 컬럼을 자동으로 다시 포함하므로 코드를 되돌릴 필요는 없습니다.감사합니다.

[클라우드 설정 중 앞 내용 문의 사항]

안녕하세요 @sunday1903님. 문서와 코드를 꼼꼼하게 대조해 보시고 지적해 주신 점 진심으로 감사드립니다.문의해주신 내용을 바탕으로 코드베이스 및 전달해 드린 기술 문서를 전체 검토하였으며, 실제 문서와 코드 간의 반영 상태 및 조치 사항을 다음과 같이 안내해 드립니다.1. signal_snapshots 관련 안내해당 테이블은 현재 미구현(설계 단계) 상태가 맞습니다.15번 문서는 '시점별 스냅샷 백테스트'에 대한 설계 가이드 문서입니다.현재 프로젝트 코드에는 스냅샷 저장 함수(snapshot_service.py)만 작성되어 있으며, 해당 함수를 호출하는 메인 파이프라인 연결부 및 백테스트 관련 분석 코드(backtest/)는 실제 운영 코드의 안정성을 위해 아직 미반영된 상태입니다.따라서 테이블을 생성하더라도 데이터가 적재되지 않는 것이 정상이므로, 현재 단계에서는 신경 쓰지 않으셔도 괜찮습니다.2. [중요] DB 스크립트 업데이트 및 조치 요청earnings_calendar (실적 캘린더) 관련 테이블 및 일부 컬럼이 과거에 설치용 스크립트(create_all_tables.sql)에서 누락되어 있던 것을 확인하여 업데이트하였습니다. 최신 코드를 다시 받아서 (git pull) supabase에서 ddl 스크립트를 반영해주시면 감사하겠습니다.해당 테이블이 없으면 서버 오류는 발생하지 않지만, LLM 판정 로그 및 실적 데이터 저장이 스킵될 수 있습니다.조치 방법:프로젝트 최신 코드를 git pull (또는 재다운로드) 받습니다.Supabase의 SQL Editor로 이동합니다.db_backup/schema/create_all_tables.sql 파일의 전체 내용을 복사하여 Run을 실행해 주세요.(기존 테이블 및 데이터는 유지되며, 누락된 테이블과 컬럼만 안전하게 추가됩니다.)3. 주요 문서별 실제 코드 반영 상태 정리수강생분들께서 혼선이 없으시도록, 심화 과정 문서(10번 이후)들의 실제 코드 구현 상태를 정리해 드립니다.01~09, 11, 16, 17번 문서: 코드와 100% 일치 (17번 실적 캘린더 관련 기능 포함)10번 (멀티팩터 점수화):[기획/개념 문서]Layer 1(v2 z-score) 로직은 scoring_service.py에 적용되어 있으며, Layer 2·3 모델은 기획 문서로 제공됩니다.14번 (트레일링 스톱):[고급 기능 설계 문서]실제 매도 로직은 현재 안전한 ATR 기반 고정 익절/손절로 작동 중입니다.15번 (시점별 스냅샷):[고급 기능 설계 문서]참고10, 14, 15번 등 일부 문서는 기본 파이프라인 구축 후 "향후 어떻게 시스템을 확장 및 개선할 수 있는가"를 설명하는 설계/기획 문서이므로 코드에 없는 파일이나 함수명이 등장할 수 있습니다.학습 중 추가로 어색하거나 궁금한 항목이 있다면 언제든지 문의/타임라인과 함께 글 남겨주세요. 빠르게 확인하여 도와드리겠습니다!감사합니다.