![[심층분석] 매일 아침, AI가 알아서 주식 리포트를 보내준다면? 'daily_stock_analysis' 완전 분해](/newsimg/ZOUtIG1HL8BcfqOu.gif)
출근길에 받아보는 'AI 주식 비서'라는 발상
주식을 조금이라도 해본 분이라면 아침 풍경이 비슷할 거예요. 자고 일어나서 미국 시장 마감 확인하고, 내가 가진 종목 뉴스 검색하고, 차트 한번 보고, 오늘은 뭘 사고팔지 머릿속으로 굴려보고… 이걸 매일 반복하거든요. 시간도 시간이지만, 사람이라 어제 본 뉴스를 까먹기도 하고 감정에 휘둘리기도 하죠.
오늘 살펴볼 ZhuLinsen/daily_stock_analysis는 바로 이 아침 루틴 전체를 AI한테 맡겨버리자는 프로젝트예요. A주(중국), 홍콩, 미국, 일본, 한국 주식을 매일 자동으로 분석하고, 그 결과를 "결정 대시보드(Decision Dashboard)"라는 한 장짜리 리포트로 정리해서 텔레그램, 디스코드, 슬랙, 이메일 같은 곳으로 알아서 쏴주는 시스템이거든요.
흥미로운 포인트는 "제로 코스트(zero-cost) 정기 실행"을 내세운다는 거예요. 서버를 빌리지 않고, 내 컴퓨터를 켜두지 않아도, GitHub의 무료 자동화 기능만으로 매일 정해진 시간에 돌릴 수 있게 설계돼 있어요. 'AI 자동화'와 '무료 운영'이라는 두 키워드가 만나니까 개발자 입장에서 한번 뜯어볼 만한 거죠. 그래서 오늘은 이 시스템이 안에서 어떻게 굴러가는지, 그리고 우리가 여기서 뭘 배워갈 수 있는지 천천히 풀어볼게요.
> ⚠️ 미리 말씀드리면, 이건 투자 자문 도구가 아니라 '정보 정리 자동화 도구'예요. AI가 매수/매도 신호를 줘도 그대로 따르면 안 되고, 어디까지나 참고용이라는 점 기억하고 읽어주세요.
이 시스템은 안에서 어떻게 돌아갈까
겉보기엔 '주식 봇'이지만, 구조를 뜯어보면 요즘 유행하는 LLM 애플리케이션 아키텍처의 교과서 같은 구성을 하고 있어요. 크게 네 단계로 나눠서 볼 수 있어요.
1단계: 여러 곳에서 데이터를 끌어모은다 (데이터 집계)
주식 분석을 하려면 재료가 필요하잖아요. 가격, 차트(K선), 거래량, 자금 흐름, 뉴스, 공시, 기업 기본 정보 같은 것들이요. 이 프로젝트는 한 군데에 의존하지 않고 AkShare, Tushare, Baostock, YFinance, Longbridge 같은 여러 데이터 소스를 동시에 붙여놨어요.
왜 굳이 여러 개냐면, 데이터 소스 하나가 갑자기 막히거나 느려져도 다른 걸로 갈아탈 수 있어야 하거든요. 이걸 '데이터 소스 우선순위(priority)'라고 부르는데, 쉽게 말하면 "A가 안 되면 B, B도 안 되면 C"처럼 줄을 세워두는 거예요. 식당 갈 때 1순위가 만석이면 2순위로 가는 거랑 똑같아요. 덕분에 특정 API가 죽어도 시스템 전체가 멈추진 않아요.
재밌는 건 시장마다 지원 범위가 다르다는 점이에요. 중국 A주는 자금 흐름이나 '용호방(큰손 거래 내역)'까지 다 가져오는데, 일본·한국 주식(.T, .KS, .KQ 코드)은 YFinance 기준 일봉과 기본 지표 정도만 되고 고급 기능은 not_supported로 점잖게 빠져요. 이렇게 시장 경계(market boundary)에 따라 기능을 단계적으로 낮추는(degrade) 설계는, 무리하게 다 되는 척하지 않고 솔직하게 한계를 표시한다는 점에서 꽤 성숙한 접근이에요.
2단계: 뉴스와 여론을 검색해서 맥락을 보탠다
가격 데이터만으로는 '왜 올랐는지'를 모르잖아요. 그래서 SerpAPI, Tavily, Brave, SearXNG 같은 검색 도구를 붙여서 실시간 뉴스를 긁어와요. 미국 주식 한정으로는 Reddit, X(트위터), Polymarket 같은 데서 소셜 여론(sentiment)까지 선택적으로 가져오고요. 사람들이 그 종목에 대해 지금 어떻게 떠들고 있는지를 숫자가 아닌 '분위기'로 잡아주는 거죠.
3단계: LLM이 재료를 읽고 '판단'을 내린다
여기가 핵심이에요. LLM(Large Language Model, 대규모 언어 모델)이라는 건, 쉽게 말해 ChatGPT처럼 엄청나게 많은 글을 학습해서 사람처럼 글을 읽고 쓸 줄 아는 AI예요. 1·2단계에서 모은 가격·뉴스·여론 데이터를 이 AI한테 통째로 넘기면, AI가 그걸 읽고 핵심 결론, 점수, 추세, 매수·매도 가격대, 리스크 경보, 호재 요인, 실행 체크리스트를 정리해줘요.
특히 눈에 띄는 게 에이전트(Agent) 전략 질문 기능이에요. 에이전트라는 게 뭐냐면, 단순히 한 번 묻고 한 번 답하는 챗봇이 아니라, AI가 스스로 도구를 골라 쓰고 여러 번 되물으면서 일을 완성해가는 '능동적인 일꾼'을 말해요. 이 프로젝트엔 이동평균선, 캔들(차트) 분석, 엘리어트 파동, 추세, 테마/핫이슈 같은 15가지 투자 전략이 내장돼 있어서, "이 종목 파동 이론으로 보면 어때?" 하고 다회차로 파고들 수 있어요.
그리고 AI 모델을 한 회사에 묶지 않은 점도 영리해요. Claude, Gemini, OpenAI 호환(DeepSeek·통의천문 등), Ollama 로컬 모델까지 골라 쓸 수 있게 해놨거든요. Ollama는 내 컴퓨터에서 직접 돌리는 무료 모델이라, API 비용이 부담되면 이쪽으로 갈아탈 수도 있어요.
4단계: 결과를 보기 좋게 만들어 알아서 보낸다 (자동화 & 푸시)
분석이 끝나면 웹 대시보드, 데스크톱 앱, FastAPI 서버 형태로 볼 수도 있고, 메신저로 자동 발송도 돼요. 여기서 쓰이는 게 웹훅(Webhook)인데, 이게 뭐냐면 "새 내용이 생기면 자동으로 너한테 알려줄게"라고 미리 등록해두는 알림 통로예요. 텔레그램이나 슬랙이 주는 웹훅 주소를 등록해두면, 리포트가 완성되는 순간 자동으로 메시지가 날아오는 거죠.
비슷한 도구들과 뭐가 다를까
주식 분석 도구가 세상에 처음 나온 건 당연히 아니에요. 그런데 기존 방식들과 비교해보면 이 프로젝트의 포지션이 또렷하게 보여요.
- 전통 퀀트(Quant) 라이브러리 (예:
backtrader,zipline): 숫자와 규칙 기반이라 정밀하지만, '뉴스 맥락'이나 '여론'을 못 읽어요. 비유하자면 계산기는 정확한데 신문은 못 읽는 친구예요. 반대로 이 프로젝트는 LLM이 줄글로 된 뉴스까지 소화한다는 게 차별점이에요. - 상용 SaaS 서비스 (유료 증권 데이터 플랫폼): 편하고 안정적이지만 월 구독료가 나가고, 내 입맛대로 전략을 뜯어고치기 어렵죠. 이 프로젝트는 오픈소스라 코드를 직접 만질 수 있고, GitHub Actions 무료 한도 안에서 돌리면 운영비가 0에 수렴해요.
- 직접 만든 ChatGPT 프롬프트: 많은 분이 그냥 종목 정보를 복붙해서 ChatGPT한테 물어보는데, 이건 매번 손이 가고 데이터도 직접 모아야 하잖아요. 이 프로젝트는 '데이터 수집 → 분석 → 발송'을 파이프라인으로 자동화해서 사람 손을 뗀 게 핵심이에요.
한국 개발자에게 주는 진짜 알맹이
솔직히 한국 주식 투자자 입장에서는 한·일 시장 지원이 일봉 수준으로 제한적이라, '투자 도구'로서의 매력은 절반쯤이에요. 하지만 개발 공부 교재이자 아키텍처 참고서로 보면 가치가 확 올라가요.
시나리오 1 — 나만의 자동화 봇 만들기. 주식이 아니어도 돼요. 매일 아침 관심 분야 논문이나 뉴스를 검색해서 LLM으로 요약하고 텔레그램으로 받아보는 봇을 만들고 싶다면, 이 프로젝트의 '데이터 수집 → LLM 처리 → 웹훅 발송' 구조를 거의 그대로 베껴 쓸 수 있어요. 특히 GitHub Actions로 서버 없이 정기 실행하는 패턴은 어떤 자동화에든 응용 가능한 만능 스킬이에요.
시나리오 2 — 데이터 소스 폴백(fallback) 설계 배우기. 실무에서 외부 API 하나에 의존했다가 그 API가 죽어서 서비스 전체가 멈춰본 경험, 다들 한 번쯤 있죠. 이 프로젝트의 '우선순위 기반 다중 소스' 구조를 읽어보면 견고한(robust) 시스템을 어떻게 짜는지 감이 와요.
시나리오 3 — 여러 LLM을 갈아끼우는 추상화 배우기. 이 코드는 Claude든 DeepSeek든 Ollama든 같은 인터페이스로 부를 수 있게 추상화돼 있어요. 회사에서 'AI 모델 비용 줄여라'는 미션이 떨어졌을 때, 모델만 슬쩍 바꿔 끼우는 이런 설계가 얼마나 든든한지 알게 될 거예요.
학습 로드맵을 제안하자면, ① 먼저 README대로 Fork해서 GitHub Actions로 한 번 돌려보고 → ② data_provider 폴더에서 데이터 수집 부분을 읽고 → ③ LLM 호출과 프롬프트 구성을 본 뒤 → ④ 푸시(알림) 코드를 마지막으로 보면, 자연스럽게 'LLM 앱 풀스택'을 한 바퀴 도는 셈이 돼요.
마무리: '판단의 자동화'는 어디까지 갈까
예전엔 자동화라고 하면 '정해진 규칙대로 반복하는 일'을 떠올렸어요. 그런데 LLM이 끼면서 이제는 '읽고 종합해서 판단하는 일'까지 자동화 대상이 됐죠. 이 프로젝트는 그 변화를 주식이라는 친숙한 소재로 아주 잘 보여주는 사례예요.
물론 한계도 분명해요. AI가 그럴듯한 말로 틀린 판단을 내리는 환각(hallucination) 문제도 있고, 결국 책임은 사람이 져야 하니까요. 그래서 저는 이걸 '결정을 대신 내려주는 도구'가 아니라 '내가 결정하기 전에 정보를 깔끔하게 차려주는 도구'로 보는 게 맞다고 생각해요.
여러분은 어떠세요? 만약 이 구조를 가져다 쓴다면, 주식 말고 어떤 일상 업무를 'AI 자동 리포트'로 바꿔보고 싶으세요? 그리고 AI가 내려준 투자 판단, 여러분은 어디까지 믿고 따를 수 있을 것 같나요? 댓글로 각자의 아이디어를 나눠봐요. 🚀
🔗 출처: GitHub
"비전공 직장인인데 반년 만에 수익 파이프라인을 여러 개 만들었습니다"
실제 수강생 후기- 비전공자도 6개월이면 첫 수익
- 20년 경력 개발자 직강
- 자동화 프로그램 + 소스코드 제공