제이브레인 시스템 트레이딩

LM(Large Language Model)은 **오픈소스(Open-source)**와 **클로즈드소스(Closed-source)**로 구분할 수 있으며, 각 유형은 라이선스, 접근 방식, 확장성 등에서 차이를 보입니다.

🧠 LLM의 분류: 오픈소스 vs 클로즈드소스

📘 대표 LLM 목록

✅ 오픈소스 LLM

🔒 클로즈드소스 LLM

✅ 사용 시 선택 기준

🧾 정리

아무래도 오픈 소스 LLM 으로 구축하기 위해서는 보다 하드웨어 구매 및 구축 과정이 더 필요하고

학습 과정도 필요합니다.

제가 여유시간이 많다면 시도해볼 수 있겠지만 항상~~ 매일~~~ 바쁜 직장인 입니다.

그런데 무슨 일이든지 시간~~ + 돈~~~ 이 필요 하죠.

물레방아처럼 돌아가는 시스템 트레이딩을 만들기 위해선, 처음엔 '마중물'이 필요합니다.
이 마중물은 그냥 물이 아닙니다. 바로 돈과 시간, 그리고 약간의 미친 집념이 들어간 ‘투자’의 물이지요.

🚰 마중물 없이는 펌프는 ‘텅텅’

옛날 수동 펌프 기억하시나요?
손잡이를 아무리 흔들어도, 처음엔 물이 안 나옵니다.
하지만 조금의 물, 즉 마중물을 넣고 펌프질을 시작하면,
어느 순간 콸콸콸! 지하수처럼 쏟아지죠.

시스템 트레이딩도 마찬가지입니다.
처음엔 돈이 나가고 시간도 새어 나갑니다.
그래픽 카드 사야지, 데이터 모아야지, 코드 짜야지…
“언제 수익이 나지?” 하는 불안 속에서도 계속 손잡이를 흔들어야 해요.

💸 돈이라는 마중물

예를 들어볼까요?

• GTX 4090 그래픽카드: 약 250~300만 원
• 서버 비용: 월 10~30만 원
• 데이터 API / 뉴스 피드: 월 10만 원 이상
• 시간 가치(야근, 주말 반납): 프라이슬리스…

이 돈, 그냥 쓰는 게 아닙니다.
바로 펌프에 넣는 마중물입니다.
처음엔 없어지는 것 같지만, 어느 순간
"띠링~ 자동 매수 체결 완료"
"목표 수익률 달성"
물이 콸콸 나옵니다.

🕰️ 시간도 붓는 마중물

처음엔 왜 백테스트가 틀렸는지도 모르겠고,
왜 체결이 안 되는지도 헷갈립니다.
하지만 그 시간들 덕분에,
“이 종목은 왜 이렇게 튀었지?”
“장 종료 전 15분의 패턴이 이렇구나!”
직감과 데이터가 하나로 합쳐지죠.

🚀 결론: 마중물이 없으면 물도 없다

처음부터 “수익 나면 투자하겠다”는 건,
펌프 앞에서 “물이 나오면 물을 넣겠다”는 것과 같습니다.
시스템 트레이딩의 펌프는, 정직하게 마중물을 기다립니다.
그리고 그 물은 반드시, 당신이 포기하지 않을 때 터집니다.

결론은 마중물이 필요한데 그나마 적게 비용이 드는 클로즈 소스 LLM 으로 구축 -> 오픈 소스 LLM 으로 넘어가는 것이 제일 자연스러울 것 같습니다.

어디까지나 제 개인적인 의견입니다.

나는 처음 부터 좀더 완벽한 인공지능 트레이딩을 만들고 싶으신 분들은 오픈 소스 LLM 으로 시작하는 것이 나을 수도 있습니다.

무슨일이든 사람마다 환경이 다르고 방식이 다르기 때문입니다.

제일 중요한 것이 지금~~~ 시작하는 것입니다.

🧩 LangChain 핵심 구성요소

✅ 시스템 트레이딩 예시 흐름 요약

사용자가 질문:
“이 전략에서 RSI가 70을 넘으면 매도하라고 되어 있는데, 지금 삼성전자는 어떤가요?”

LangChain 구성 요소:

1. Index: 전략 문서에서 “RSI 70 이상 → 매도” 조건 검색
2. Agent: 삼성전자 주가 데이터를 외부 API에서 가져옴
3. Agent: RSI 계산 도구를 사용해 현재 값 계산
4. Prompt: 검색된 전략 문서와 계산된 RSI를 바탕으로 질문을 구성
5. LLM: 응답 생성
6. Memory: 다음 대화에서 이 정보를 다시 활용 가능

🧾 최종 요약표

LangChain을 활용한 시스템 트레이딩 분석 도구를 구축한다고 할 때, 전형적인 문서 기반 질의응답 흐름은 다음과 같은 5단계로 구성됩니다:

📊 LangChain 처리 흐름 : 문서 업로드 → 답변 생성까지

🔁 전체 흐름 예시

사용자가 질문:
“이 전략에서 RSI가 70 넘으면 매도하라고 되어 있는데, 정확히 어디에 나와 있나요?”

LangChain의 처리 과정:

1. 📄 문서 업로드: 피라미딩 전략.pdf 업로드
2. ✂️ 문서 분할: 전략 문서를 문단 단위로 분할
3. 🧠 임베딩 저장: 각 분할된 문단을 벡터로 변환하고 Chroma에 저장
4. 🔍 질문 → 유사 문단 검색: “RSI 70”이라는 키워드가 포함된 문단 검색
5. 💬 LLM이 응답 생성:
   프롬프트:응답:
6. “전략 문서 3.2절에 따르면, RSI가 70 이상일 경우 매도 신호로 간주됩니다.”
7. "아래 문서를 참고하여 질문에 답하고, 문서에 없는 내용은 추측하지 마세요.\n문서:\n{retrieved_context}\n질문: {user_question}"

🧠 구성도 요약

[사용자 문서 업로드]
        ↓
 [문서 분할 (TextSplitter)]
        ↓
 [임베딩 생성 → VectorStore 저장]
        ↓
 [질문 입력 → 유사 문서 검색]
        ↓
 [LLM이 문서 기반 답변 생성]

✅ 시스템 트레이딩에 특히 유용한 활용 사례

🧱 ChatGPT의 한계점 3가지

📚 정보 접근 제한 (학습 데이터 범위 제한)

• ChatGPT는 고정된 시점까지 수집된 데이터로만 학습되었기 때문에,
  최신 사건, 뉴스, 기술 변화 등에 대해 정보를 알지 못합니다.
• 예: “2025년 6월에 출시된 아이폰 모델 알려줘” → 알 수 없음 (최신 데이터 없음)

🧠 환각 현상 (Hallucination)

• 모델이 실제로 존재하지 않는 정보나 틀린 내용을
  그럴듯하게 생성하는 현상입니다.
• 예: “피카소의 ‘달빛의 연인’은 어떤 의미인가요?” → 실제로 없는 그림을 만들어내 설명할 수 있음.

🧾 토큰 제한 (Token Limit)

• 대화에 사용할 수 있는 입력 + 출력 텍스트의 총 길이가 제한되어 있음.
  (예: GPT-3.5는 약 4,096 토큰, GPT-4-turbo는 최대 128,000 토큰까지 가능)
• 긴 문서를 넣거나 복잡한 대화를 이어가다 보면 이전 내용이 잘리거나 요약됨.

🛠 ChatGPT 개량 방식 3가지

1. 🛠 Fine-tuning (파인튜닝)

• 모델 자체를 재학습시켜 특정 목적이나 문체, 업무에 맞춤화.
• 대량의 도메인 특화 데이터를 넣어 모델의 가중치를 직접 수정.
• 예: “보험 상담 전용 챗봇”을 만들기 위해 고객 상담 기록 수만 건을 학습시킴.

2. ✍️ N-shot Learning

• 입력 프롬프트에 **N개의 예시(example)**를 포함시켜 모델이 패턴을 따라 하도록 유도.
• 별도 학습 없이 예시만으로 유연하게 문제 해결 가능.
• 예시 수에 따라 Zero-shot, One-shot, Few-shot 등으로 분류.
• 예:
   

예시: Q: 파리는 어떤 나라의 수도인가요? A: 프랑스  
실제 질문: Q: 베를린은 어떤 나라의 수도인가요? → A: 독일

3. 🧩 In-context Learning (문맥 기반 학습)

• 지금 대화 내에서 제공된 문맥을 바탕으로 적절한 행동을 유도.
• 실제로 모델이 배우는 건 아니지만, 프롬프트 안에서 학습한 것처럼 반응.
• 예

시스템 지시: “당신은 친절한 고객센터 직원입니다.”  
사용자 질문: “배송이 언제 오나요?”  
→ 모델 답변: “고객님, 배송은 내일 도착 예정입니다!”

📌 시나리오

사용자는 ChatGPT 기반의 주식 자동매매 어드바이저를 만들고자 합니다.
주요 기능은 다음과 같습니다:

• 조건부 매매 로직 생성 (예: 피라미딩 매수 전략)
• 최신 기업 실적/공시 기반 판단
• 과거 데이터 분석
• 사용자 전략 문서에 기반한 판단

❌ 정보 접근 제한 (학습 데이터 범위)

📉 문제

• ChatGPT는 실시간 증시 데이터, 최근 기업 실적 발표, 공시 문서 등을 모르거나 틀릴 수 있음.
• 예시:
• “삼성전자의 2025년 1분기 실적에 따라 매수할까요?”
  → ChatGPT: “죄송합니다. 해당 정보는 알 수 없습니다.”

✅ LangChain 개선 방법: Vectorstore + Retriever

💡 해결 방법

• LangChain을 사용해 공시, 뉴스, 리서치 리포트 등을 벡터로 저장하고 유사도 기반 검색
• 사용자가 문서를 업로드하거나, API로 수집한 후 연결

🔧 적용 예시

docs = load_documents("삼성전자_2025_Q1_실적.pdf")
split_docs = text_splitter.split_documents(docs)
db = FAISS.from_documents(split_docs, embedding)
retriever = db.as_retriever()

# 사용자 질문
query = "삼성전자 2025년 1분기 영업이익이 줄었나요?"
relevant_docs = retriever.get_relevant_documents(query)

❌ 토큰 제한 (Context 길이 제한)

📉 문제

• 100페이지짜리 리서치 보고서, 전략 설명서 등은 ChatGPT에 한 번에 넣을 수 없음.
• 특히, "이 전략 문서의 내용을 기반으로 조건부 매수 로직을 작성해줘"라는 요청에 실패 가능.

✅ LangChain 개선 방법: TextSplitter + Map-Reduce Chain

💡 해결 방법

• 전략 문서를 챕터별/항목별 분할한 후 요약/정리.
• 중요한 부분만 선택하여 LLM에 전달.

🔧 적용 예시

text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
chunks = text_splitter.split_documents(docs)

# 각 chunk에 요약 실행
chain = load_summarize_chain(llm, chain_type="map_reduce")
summary = chain.run(chunks)

❌ 환각 현상 (Hallucination)

📉 문제

• “이 전략은 RSI가 50 이하일 때만 진입한다고 되어 있어요.”
  → ChatGPT가 없는 내용을 지어내거나, 잘못된 기술 지표 조건을 생성할 수 있음.

✅ LangChain 개선 방법: PromptTemplate로 문서 기반으로만 답변 제한

💡 해결 방법

• LangChain의 프롬프트 템플릿에 명확한 제약 조건 포함:
• “다음 문서 내용을 기반으로만 매매 로직을 생성하세요. 문서에 없는 조건은 사용하지 마세요.”

🔧 적용 예시

prompt = PromptTemplate(
    input_variables=["context", "question"],
    template="""
    아래 문서를 기반으로 질문에 답변하세요.
    문서에 없는 정보는 추측하지 말고 "정보 없음"이라고 말하세요.

    문서 내용:
    {context}

    질문:
    {question}
    """
)

🧾 요약표

✅ 결론

LangChain은 ChatGPT의 한계인

• 최신 정보 부족
• 긴 문서 처리 한계
• 사실 오류 생성
  을 보완하며, 시스템 트레이딩과 같은 정밀한 업무에 현실적인 적용 가능성을 높여줍니다.