스프링부트 프로젝트 생성에서 java version

안녕하세요, @hj.joh님.그렇다면 스프링부트 3.5.10, JAVA 21로 진행해주시면 될 것 같습니다.위 설정은 springboot profile을 통해 기본 개발 환경 셋업하는 부분인데, 일단 만들고 나서 이후에 설정 파일을 통해서 변경도 가능합니다.이후 강의에서도 설정을 바꾸는 부분이 나오니 참고 부탁드립니다.그리고 intellij 말고 VS code로도 가능합니다.해당 부분도 강의에서 다루고 있으니 참고 부탁드립니다.이후 수강 중 잘 안되시는 부분이 있다면 말씀 부탁드립니다.감사합니다.

미래에셋의 API 적용 가능성

안녕하세요, @mitco7님.미래에셋증권 API로도 실전 적용 가능합니다.강의에서 사용한 한국투자증권 API는 실제 자동매매에 바로 활용 가능한 구조를 기준으로 설명한 것입니다.강의에서 다룬 내용은데이터 수집데이터 학습매수·매도 판단 로직주문 처리 및 상태 관리증권사가 달라져도 위 로직은 그대로 유지되는 구조입니다.이 부분은 미래에셋증권 API를 사용하더라도 그대로 적용하실 수 있습니다.다만 증권사가 바뀌면인증 방식주문/시세 API 규격에러 코드 및 호출 제한과 같은 연동 인터페이스 부분을 증권사에 맞게 조정이 필요합니다.미래에셋증권 역시 모의투자와 실전투자 환경을 모두 제공하므로, 동일한 방식으로 단계적 적용이 가능합니다.추가로 궁금하신 부분 있으시다면 편하게 질문 주세요.감사합니다.

주가 예측 정확도

안녕하세요, @써니사랑님.소중한 의견 남겨주셔서 감사합니다.말씀 주신 것처럼 본 강의는어떤 경제 지표를 활용할 수 있는지,수집한 데이터를 어떻게 학습에 활용할 수 있는지,일반적인 시계열 데이터 학습에는 어떤 알고리즘이 사용되는지,이러한 결과를 바탕으로 자동매매 로직을 어떻게 구성할 수 있는지와 같은 전체적인 구조와 사고 방식에 초점을 둔 강의입니다.그런 이유로, 실제 서비스 수준에서 요구되는 정교함이나 세부 전략 측면에서는 분명히 아쉬운 부분이 있고, @써니사랑님께서 지적해주신 내용도 충분히 공감합니다.실제로 “real 서비스”를 만들기 위해서는 훨씬 더 많은 변수와 시나리오에 대한 고민이 필요하다고 생각합니다.말씀해주신 것처럼 캔들 기반의 패턴을 학습하여 급등 구간을 포착하는 접근은 특히 초단타 매매 관점에서는 의미 있는 아이디어라고 생각합니다.다만 개인적인 견해로는, 급격한 주가 변동의 경우 언론 보도 이전 단계에서 내부 정보가 외부로 쉽게 노출되지 않는 경우가 많아 사전 예측 자체가 쉽지 않은 영역이라는 한계도 함께 존재하는 것으로 보입니다.이러한 점을 고려하여, 본 강의에서는 “예측의 정확도를 극대화하는 것”보다는이미 학습된 지표와 신호를 기반으로, AI가 보다 신중하게 매수·매도를 판단하도록 로직을 설계하는 방법에 조금 더 무게를 두었습니다.실제 국내 대기업이나 금융기관의 경우, 훨씬 많은 지표와 데이터를 활용하고, 이를 가중치 계산 및 세밀하게 다듬은 뒤 LSTM, Transformer와 같은 시계열 모델을 시장 예측 알고리즘에 활용하는 사례들도 존재합니다.본 강의는 그러한 구조를 이해하기 위한 출발점으로 봐주시면 좋을 것 같습니다.말씀해주신 의견은 향후 강의를 개선하는 데 있어 충분히 참고하도록 하겠습니다.앞으로는 보다 보완된 내용으로 찾아뵐 수 있도록 노력하겠습니다.감사합니다.

섹션4의 10강 질문이 있습니다.

안녕하세요, @gnb1202님.문제를 정확하게 잘 짚어주셨습니다.현재 코드대로면 테스트 데이터까지 학습에 포함되어 있어서 lookahead bias가 발생합니다.for i in range(lookback, len(data_scaled) - forecast_horizon):위 for loop에 data_scaled가 전체 데이터(train + test)를 scaling한 것이기 때문.우선 아래 두 군데를 변경해서 테스트해보시길 바랍니다.저도 곧 업데이트 본 반영하도록 하겠습니다. 스케일러 부분print("Scaling data...") train_size = int(len(data) * 0.8) train_data = data.iloc[:train_size] test_data = data.iloc[train_size:] # 스케일러는 train에만 fit !!! stock_scaler = MinMaxScaler() econ_scaler = MinMaxScaler() # train 데이터로만 fit stock_scaler.fit(train_data[target_columns]) econ_scaler.fit(train_data[economic_features]) # 전체 데이터는 transform만 data_scaled = data.copy() data_scaled[target_columns] = stock_scaler.transform(data[target_columns]) # ← fit_transform → transform으로 변경 data_scaled[economic_features] = econ_scaler.transform(data[economic_features]) # ← fit_transform → transform으로 변경학습 데이터 생성 부분# 학습 데이터 생성 (데이터 누수 차단) lookback = 90 forecast_horizon = 14 # train 구간 끝에서 forecast_horizon 만큼 빼야 y가 test 구간으로 안 넘어감 last_train_index = train_size - forecast_horizon X_stock_train = [] X_econ_train = [] y_train = [] for i in range(lookback, last_train_index): X_stock_train.append(data_scaled[target_columns].iloc[i-lookback:i].values) X_econ_train.append(data_scaled[economic_features].iloc[i-lookback:i].values) y_train.append(data_scaled[target_columns].iloc[i + forecast_horizon - 1].values) # i+13은 아직 train 안에 있음 X_stock_train = np.array(X_stock_train = np.array(X_stock_train) X_econ_train = np.array(X_econ_train) y_train = np.array(y_train)작업 하시다가 잘 안되는 부분 있으시다면 다시 말씀 주세요~감사합니다.

세션 3까지 듣고 궁금한점이 있어 문의 드립니다,

안녕하세요, @jimin.song3님.종목 추가 또는 변경 방법에 대해서는 "30. 종목 변경 방법 설명" 강의를 참고하시면 상세한 가이드를 확인하실 수 있습니다.어떤 코드를 어떻게 수정해야 되는지 상세하게 설명하였습니다. 아래는 간단히 정리된 답변입니다. 종목 변경을 위해 다음 단계를 따라 주세요:소스코드 수정: 새로운 종목을 추가하려면 소스코드에서 종목을 담고있는 배열에 추가합니다.Supabase DB 컬럼 변경: 데이터베이스에 새로운 종목을 반영하기 위해 해당 컬럼을 수정합니다.Google Colab 소스코드 수정: Google Colab에서 사용하는 소스코드에도 새로운 종목을 추가합니다.Alpha Vantage 유료 계정: 무료 API는 하루 25회 호출 제한이 있으므로, 많은 종목을 처리하기 위해 유료 계정을 사용해야 됩니다. 질문 주신 아래 항목에 대해는 기존 소스코드에 Fred, Yahoo Finance API를 통해 경제지표, 나스닥100 주가 정보를 이미 수집하고 있습니다.Fred에서 제공하는 지표 코드Yahoo 에서 제공하는 지표와 티커나스닥 100의 티커 위 단계를 참고하여 진행해 보시고, 혹시 막히는 부분이나 추가 질문이 있다면 언제든지 편하게 말씀해 주세요!감사합니다.

MCP 적용 안되시는분 이거 보세요.

안녕하세요, @Kyoung Lyum님.좋은 정보 공유해주셔서 감사합니다 🙏말씀해주신 대로, 최근 Smithery 파일시스템 연결 방식이 업데이트되면서강의 영상에서 보신 Cursor 경로 등록 방식이 아니라,이제는 Connect > Configure > allowedDirectories 부분에리스트 형태로 경로를 직접 입력하는 구조로 변경되었습니다.저도 확인해보니 말씀하신 방식이 현재 버전에서 정상적으로 동작합니다.정확히 짚어주셔서 다른 수강생분들께도 큰 도움이 될 것 같습니다 👏저도 앞으로 더 디테일한 강의를 준비하도록 하겠습니다.감사합니다.

colab 실행시간이 너무 오래걸리는데 이게 맞을까요?ㅠ

안녕하세요, @신혜인님.Google Colab의 무료 버전을 사용하실 경우, 하루 동안 사용할 수 있는 리소스(연산 시간, RAM 등)에 일정한 제한이 있습니다.강의에서 안내드린 대로 T4 GPU로 설정하셨다면, 아래 이미지와 같은 환경일 것으로 예상됩니다.(사진)또한 아래 이미지의 우측 상단의 RAM / 디스크 표시 부분을 클릭하시면 현재 사용 중인 리소스 상태를 확인하실 수 있습니다.이 부분이 거의 가득 찼을 경우, 말씀하신 것처럼 코드 실행 속도가 현저히 느려지거나 중간에 세션이 종료되는 현상이 발생할 수 있습니다.저 역시 무료 버전으로 여러 실험을 진행하다 보면, 리소스 한도에 걸려 실행이 느려지는 경우를 종종 겪습니다.그럴 때는 두 가지 방법을 주로 사용합니다.Colab Pro(유료 버전)을 사용하여 안정적인 환경에서 작업하는 방법여러 개의 Google 계정을 번갈아가며 사용하는 방법저는 초반에 두 번째 방법을 활용해 약 5개의 계정으로 순환 사용하며 효율적으로 작업을 진행했습니다.우선 다른 계정으로 시도해보시길 권해드립니다.(사진)그래도 문제가 지속된다면, 구체적인 상황을 알려주시면 추가로 점검해드리겠습니다.감사합니다.

mcp서버 설치 문의

안녕하세요, @good님.우선 현재 cursor에서 mcp 상태가 빨간색으로 표시된 것으로 보면 비활성화 상태인 것으로 보이네요. 보통 회사 네트워크 환경에서는 filesystem mcp 서버가 활성화 되지 않습니다.개인 네트워크를 사용하셔야 됩니다.우선은 경로까지 지정한 2번째 json으로 해보시길 추천드립니다.(사진)그리고 만약 cursor 환경에서 설정 파일에 json 입력으로 안되신다면, 위와 같이 설치해보시는 것도 추천드립니다. (One click install 클릭)팁을 드리자면 최근에는 llm이 이전보다 훨씬 더 발전하여 한번에 처리할 수 있는 token 사이즈가 커져서 mcp filesystem 없이도 폴더 또는 파일에 대해 @로 지정하여 충분히 인지가 가능합니다.감사합니다.

13,14강 외부 API 설정 오류

음.. 우선 위 로그로 봐도 여전히 supabase_url에 값이 정상 셋팅되지 않은 것 같습니다..env 옆에 보이는 block 표시는 저도 그렇기 때문에 문제가 아닐 것 같습니다.SUPABASE_URL: str = "직접 입력한 URL"SUPABASE_KEY: str = "직접 입력한 KEY"위 url, key 값을 넣으신 부분에 쌍따옴표가 빠진 것으로 보이는데, 넣어서 다시 테스트 부탁드립니다.ex) "sdfsdfsdf" (O)sdfsdfsdf (X)그리고 서비스 start 시 env 환경 변수 값을 잘 가져오는지도 확인이 필요할 것 같습니다.print("ENV URL:", os.getenv("SUPABASE_URL")) print("ENV KEY:", os.getenv("SUPABASE_KEY"))config.py에서 class Settings(BaseSettings): 클래스 안에서 위와같이 테스트로 환경변수 값을 print로 찍었을 때, 잘 나오는지 확인 부탁드립니다.line으로 따지면 20번째 줄 정도일 것 같습니다.감사합니다.

13,14강 외부 API 설정 오류

안녕하세요, @바카스청년님.에러 로그를 검토한 결과, Application Start-up 과정에서 DB Connection 과정에서 에러가 발생한 것으로 보입니다.위 에러를 보고 정확한 원인을 단정하기는 어렵지만, 두 번째 이미지에서 확인된 바와 같이 framework 설정이 Next.js로 잘못 지정되어 발생한 에러일 가능성이 높아 보입니다. 본 강의는 Next.js가 아니라 Python FastAPI를 기반으로 진행되므로, 설정을 수정하신 후 다시 테스트 부탁드립니다.만약 수정 후에도 동일한 문제가 지속된다면, 편하게 말씀해 주세요.감사합니다.