PORTFOLIO.md

🚀 [PORTFOLIO] AI 기반 금융 분석 및 지능형 트레이딩 인프라

"최첨단 AI 시계열 예측, 실시간 ML 가치 추론, 고래 수급 분석이 결합된 클라우드 네이티브 AI 백엔드"

👤 프로젝트 개요

본 프로젝트는 데이터가 지능이 되는 과정을 백엔드 설계로 구현한 차세대 금융 인델리전스 시스템입니다. Google DeepMind의 TimesFM 2.5를 활용한 가격 예측, Scikit-Learn 기반의 실시간 기업 가치 추론, 그리고 알고리즘 기반 수급 분석을 통합했습니다. 특히 Motia 프레임워크와 Hugging Face GPU 인프라를 활용하여, 무거운 AI 모델 서빙과 실시간 기계학습을 동시에 구현한 아키텍처가 핵심입니다.

---

🛠 핵심 플랫폼 및 기술 스택

1. Motia Framework Mastery

• Multi-Runtime Orchestration: Node.js(네트워크)와 Python(AI 연산)의 강점을 최적으로 결합.
• Event-Driven Micro-steps: 작업을 작은 Step 단위로 쪼개고 이벤트를 통해 연결하여 결합도 최소화.

2. Hugging Face Cloud-Native Deployment

• Docker SDK 기반 배포: GPU(VRAM) 가속을 위한 컨테이너 환경 구축.
• CI/CD Automation: GitHub 연동을 통한 완전 자동화된 배포 파이프라인.

---

🏗 시스템 핵심 워크플로우 (Flows)

[Flow 1: AI 시계열 가격 예측 (Forecast)]

최신 파운데이션 모델을 사용하여 비트코인의 단기(24h) 및 중기(30d) 추세를 예측합니다.

• 사용 모델: Google TimesFM 2.5 (200M/500M)

graph LR
    API[API Request] --> Fetch[YFinance Data] --> AI[TimesFM 2.5 Prediction] --> Format[Price Report]

[Flow 2: 지능형 시가총액 추론 (Market Cap)]

수천 개의 종목 데이터를 **실시간으로 학습(On-the-fly Training)**하여 적정 시가총액을 유추합니다.

• 학습 모델: HistGradientBoostingRegressor (Scikit-learn)
• 특이사항: 매 요청 시 현재 시장 데이터를 수집하여 즉석에서 모델을 학습시키고 가치를 추론합니다.

graph LR
    API[API Request] --> Scan[TradingView 5,000+ Items] --> ML[Real-time GB Training] --> Logic[Value Inference]

[Flow 3: 고래 수급 및 이탈 탐지 (Whale Tracking)]

가격 뒤에 숨겨진 자금의 흐름을 분석하여 세력의 매집과 이탈 징후를 포착합니다.

• 분석 알고리즘: VWAP & OBV Divergence Analysis

graph LR
    API[API Request] --> Fetch[Volume/Price Data] --> AI[Divergence Analysis] --> Signal[Bullish/Bearish Signal]

---

🌟 핵심 기술적 성과

1. 최첨단 AI 서빙 및 최적화

• Lazy Loading & Singleton: 1GB 이상의 무거운 TimesFM 모델을 메모리에 상주시키며 호출 시점에 로딩하여 초기 구동 속도와 메모리 효율을 동시에 확보.
• GPU 가속 구현: PyTorch 연산 정밀도 최적화를 통해 예측 연산 속도 극대화.

2. 실시간 ML 파이프라인 (Data Excellence)

• On-the-fly Training: Market Cap 분석 시, 고정된 모델이 아닌 5,000여 개의 상장사 데이터를 즉석에서 학습하여 시장의 최신 펀더멘털 트렌드를 즉각 반영.
• 도메인 특화 피처 엔지니어링: PSR, ROE, 부채비율 등 30개 이상의 재무 지표를 활용하여 정밀도 높은 가치 추론 모델 구축.

3. 클라우드 최적화 인프라

• Docker Layer 최적화: ML 의존성(Torch, TF) 레이어 캐싱을 통해 배포 시간을 1분 내외로 단축.

---

🚀 문제 해결 사례

• 리소스 제한 및 안정성: 클라우드 리소스 제한 내에서 거대 모델 서빙과 실시간 학습을 병행하기 위해, Python-Node 간 JSON 기반 IPC 스트리밍과 명시적 메모리 해제(GC) 로직을 적용하여 Out of Memory 문제를 완벽히 해결했습니다.

---

🎯 결론 및 비전

이 프로젝트는 최신 AI 모델과 실시간 학습 시스템을 실제 서비스 아키텍처에 어떻게 조화롭게 녹여낼 것인가에 대한 해답입니다. 데이터 분석가의 눈으로 가치를 해석하고, 소프트웨어 엔지니어의 손으로 견고한 시스템을 구축하는 'AI-Native Backend Developer'로서의 역량을 증명합니다.