어려운 말을 뜻, 한자, 영어, 말뿌리부터 풀어 보는 AI 주식 용어 설명
| 용어 | 한자/영어 | 말 그대로 풀면 | 왜 이런 이름이 붙었을까? |
|---|---|---|---|
| 모델 | 模型 / model | 본뜬 모양, 모형 | 진짜 세상을 그대로 다 담을 수는 없어서, 중요한 부분만 뽑아 작게 흉내 낸 계산 틀에 이런 이름을 붙입니다. |
| 시계열 | 時系列 / time series | 시간 순서의 줄 | 데이터를 시간 순서대로 세워 놓았기 때문에 붙은 이름입니다. |
| 회귀 | 回歸 / regression | 다시 돌아감 | 값을 하나 딱 고르는 대신, 숫자가 어느 쪽으로 돌아가는지 살펴본다는 느낌에서 온 이름입니다. 여기서는 숫자 예측으로 이해하면 됩니다. |
| 분류 | 分類 / classification | 나누어 종류를 정함 | 상승, 하락처럼 이름표를 골라 넣기 때문에 붙은 말입니다. |
| 로지스틱 | logistic | S자 모양으로 눌러 주는 함수 이름 | 로지스틱 회귀는 점수를 확률처럼 0~1 사이로 바꿔 주는 계산을 써서 이런 이름이 붙었습니다. 처음엔 그냥 확률처럼 바꿔 주는 분류 모델로 기억해도 충분합니다. |
| 선형 | 線形 / linear | 선 모양 | 직선처럼 단순한 관계를 먼저 가정하는 모델에 붙는 말입니다. |
| 특성 | 特性 / feature | 특별한 성질 | 가격, 거래량, 이동평균처럼 모델이 보는 힌트 하나하나를 뜻합니다. |
| 군집 | 群集 / cluster | 무리로 모임 | 비슷한 것끼리 떼를 이루어 모였다고 생각하면 쉽습니다. |
| 앙상블 | ensemble | 함께 모인 팀 | 한 모델만 쓰지 않고 여러 모델을 팀처럼 같이 쓰기 때문에 붙은 이름입니다. |
| 신경망 | 神經網 / neural network | 신경이 그물처럼 이어진 모양 | 사람 뇌의 신경세포 연결을 흉내 내어 만든 계산 구조라서 이런 이름을 씁니다. |
| 전체 주목 | 全體 注目 / global attention에 가까운 쉬운 표현 | 전체를 한꺼번에 보고 중요 곳에 눈길 줌 | 이 문서에서는 Transformer를 쉽게 설명하려고 쓴 말입니다. 한 줄씩만 읽지 않고 전체를 펼쳐 놓고 중요한 부분을 본다는 뜻입니다. |
| 변환기 | 變換器 / transformer | 모양을 바꾸는 도구 | 입력을 다른 표현으로 바꾸며 중요한 관계를 찾는 모델이라 이런 이름이 붙었습니다. |
| 은닉층 | 隱匿層 / hidden layer | 숨겨진 계산 층 | 隱(숨을 은)+匿(숨길 닉)+層(층 층). 입력층과 출력층 사이에 있는 중간 층으로, 사람이 직접 들여다보기 어렵기 때문에 '숨겨진 층'이라고 부릅니다. 여기서 복잡한 패턴 인식이 일어납니다. |
| 상승 확률 | 上昇確率 / probability of rise | 오를 가능성을 숫자로 나타낸 것 | 上(위 상)+昇(오를 승)+確(확실할 확)+率(비율 률). 신경망이나 로지스틱 회귀가 출력하는 0~1 사이 값으로, 내일 주가가 오를 가능성을 나타냅니다. 0.72면 "72% 확률로 오를 것 같다"는 뜻입니다. |
모델은 현실을 흉내 낸 계산용 모형시계열은 시간 순서 데이터회귀는 숫자 맞히기분류는 이름표 고르기로지스틱 회귀는 확률처럼 보여 주는 분류 모델Transformer는 전체를 보고 중요한 곳을 찾는 모델은닉층은 신경망 안에서 패턴을 배우는 숨겨진 중간 층상승 확률은 AI가 내놓는 "내일 오를 가능성" 숫자
| 용어 | 쉬운 설명 | 주식 예시 |
|---|---|---|
| 가중치 (Weight) | 컴퓨터가 배운 "중요도 점수". 클수록 그 정보를 더 많이 사용함 | "모멘텀 팩터"에 높은 가중치 → 최근 많이 오른 주식에 더 집중 |
| 가중합 (Weighted Sum) | 입력값마다 가중치를 곱한 뒤 모두 더한 값. 뉴런이 판단을 시작하기 전에 만드는 1차 점수 | 수익률·거래량·이평선에 각각 중요도를 곱해 하나의 점수로 합침 |
| 거래량 (Volume) | 하루에 주식이 얼마나 많이 사고 팔렸는지 | 거래량이 갑자기 늘면 뭔가 일어나고 있다는 신호! |
| 골든크로스 | 5일 평균 주가가 20일 평균 주가를 위로 뚫을 때 | 상승 신호로 많이 사용됨 |
| 과적합 (Overfitting) | 공부는 잘했는데 시험은 못 보는 것. 학습 데이터만 외워버린 상태 | 학습 정확도 95%, 테스트 정확도 52% → 과적합! |
| 용어 | 쉬운 설명 | 주식 예시 |
|---|---|---|
| 뉴런 (Neuron) | 신경망의 기본 계산 단위. 여러 입력에 가중치를 곱해 합산하고 하나의 신호를 출력함. 뇌의 신경세포가 다른 세포들로부터 신호를 받아 판단하는 것과 같은 원리 | 수익률·거래량·이평선을 각각의 중요도(가중치)로 합산해 "오를 가능성" 점수를 계산하는 작은 판단기 |
| 용어 | 쉬운 설명 | 주식 예시 |
|---|---|---|
| 데드크로스 | 5일 평균이 20일 평균 아래로 내려갈 때 | 하락 신호로 많이 사용됨 |
| 드롭아웃 (Dropout) | 학습할 때 뉴런 일부를 랜덤으로 끔. 외우지 않고 진짜로 배우게 함 | 과적합 방지 방법 중 하나 |
| 용어 | 쉬운 설명 | 주식 예시 |
|---|---|---|
| 레이블 (Label, 정답표) | 각 데이터에 붙이는 정답 이름표. AI는 이 정답을 보며 배움. 영어 label은 "이름표"란 뜻으로, 각 입력 데이터가 어떤 답에 해당하는지 알려 줌. 레이블이 있어야 지도학습이 가능! | 2024년 1월 3일 주가 데이터 → 레이블 = 1 (다음 날 올랐으니까). 2024년 1월 4일 주가 데이터 → 레이블 = 0 (다음 날 내렸으니까) |
📌 레이블 = 정답 한 줄 요약
문제지(데이터)에 선생님이 빨간 펜으로 써준 정답이 바로 레이블입니다.
AI는 이 정답을 보면서 "이런 입력일 때는 1(상승)이구나" 를 반복해서 외워 나갑니다.
| 용어 | 쉬운 설명 | 주식 예시 |
|---|---|---|
| 머신러닝 (Machine Learning) | 컴퓨터가 데이터를 보고 스스로 규칙을 배우는 것 | 주가 데이터 보고 "이런 패턴일 때 오른다"를 스스로 발견 |
| 최소제곱법 (Least Squares) | 오차를 제곱해서 모두 더한 값이 가장 작아지도록 직선이나 모델을 맞추는 방법. 선형회귀의 대표적인 학습 아이디어 | 예측 주가선과 실제 주가 점들의 거리 제곱합이 가장 작아지는 직선을 찾기 |
| 모멘텀 (Momentum) | 최근에 많이 올랐던 주식은 계속 오르는 경향 | 최근 3개월 수익률로 계산 |
| 용어 | 쉬운 설명 | 주식 예시 |
|---|---|---|
| 배깅 (Bagging) | 여러 모델을 독립적으로 만들고 평균 낸 것 | 랜덤 포레스트가 대표 예시 |
| 편향 (Bias) | 가중합에 마지막으로 더하는 보정값. 판단 기준을 조금 위아래로 옮기는 역할 | 같은 신호라도 편향이 크면 더 쉽게 "상승" 쪽으로 판단할 수 있음 |
| 비지도학습 | 정답(레이블) 없이 데이터 안의 패턴이나 무리를 찾는 학습 방식 | 비슷한 움직임의 종목끼리 자동으로 묶기 |
| 백테스트 (Backtest) | 과거 데이터로 투자 전략을 테스트해보는 것 | "이 전략을 2020년부터 썼으면 얼마나 벌었을까?" |
| 부스팅 (Boosting) | 이전 모델의 실수를 다음 모델이 보완하며 발전 | XGBoost, LightGBM이 대표 예시 |
| 용어 | 쉬운 설명 | 주식 예시 |
|---|---|---|
| 사이킷런 (scikit-learn) | 파이썬의 대표적인 오픈소스 머신러닝 라이브러리. from sklearn.xxx import ... 형태로 불러 사용한다. 분류·회귀·군집화·전처리·파이프라인을 한 패키지에 담아, 실무에서 가장 많이 쓰이는 ML 도구모음. 모든 모델에 .fit() · .predict() · .predict_proba() 세 가지 공통 인터페이스를 제공해 코드를 일관되게 작성할 수 있다. |
이 웹앱 BE(/api/stock/analyze, /api/macro/train, /api/hotel-stock/train)에서 로지스틱 회귀·랜덤 포레스트·GBM·MLP·SVM·KNN을 모두 scikit-learn으로 만들어 학습·평가한다. |
| 스칼라 (Scalar) | 숫자 하나 | 오늘 수익률 +0.8%, 편향 -0.1, 학습률 0.01 |
| 샤프 비율 (Sharpe Ratio) | 수익 대비 위험. 높을수록 안전하게 많이 번 것 | 수익 10%, 변동성 5% → 샤프 비율 2.0 (우수!) |
| 수익률 (Return) | 주가가 얼마나 변했는지 %로 표현 | 6만원 → 6만2천원 = +3.3% 수익률 |
| 순전파 (Forward Pass) | 입력 데이터가 입력층 → 은닉층 → 출력층 방향으로 흘러가며 예측값을 만드는 과정. 물이 위에서 아래로 흐르듯 층을 따라 앞으로만 계산이 흘러감 | 주가 특성(수익률·거래량·이평선) 입력 → 은닉층에서 패턴 계산 → 상승 확률 출력 |
| 시그모이드 함수 (Sigmoid) | 점수 z를 0~1 사이 값으로 바꾸는 함수. 확률처럼 읽기 쉬워서 분류 출력층에서 자주 사용 |
상승 점수 0.44를 넣어 상승 확률 0.61처럼 바꿔 보여줌 |
| 상승 확률 (上昇確率, Probability of Rise) | 내일 주가가 오를 가능성을 0~1 사이 숫자로 나타낸 것. 上(위 상)+昇(오를 승)+確(확실할 확)+率(비율 률). 영어 probability of rise는 "오를 법함"에 가까운 뜻. 시그모이드를 통과한 신경망의 최종 출력값이 이 형태로 나타남 | 상승 확률 0.72라면 "오를 가능성이 72%"라는 뜻이지, 반드시 오른다는 뜻은 아님. 전략에서는 "0.55 이상이면 매수"처럼 기준으로 사용 |
| 슬라이딩 윈도우 | 최근 N일치 데이터를 묶어서 하나의 입력으로 만드는 방법 | 최근 20일 주가를 한 묶음으로 보기 |
| 용어 | 쉬운 설명 | 주식 예시 |
|---|---|---|
| 활성화 함수 (Activation Function) | 뉴런이 만든 점수를 다음 층으로 넘기기 전에 모양을 바꿔주는 함수. 비선형 패턴을 배우게 해줌 | ReLU로 은닉층 뉴런을 통과시키거나, sigmoid로 상승 확률을 만듦 |
| 앙상블 (Ensemble) | 여러 모델을 합쳐서 예측하는 방법. 다수결! | 로지스틱 + RF + 부스팅 → 세 모델 투표로 결정 |
| 오차 (Error) | 예측값과 실제값의 차이. 한 문제를 얼마나 틀렸는지 보여주는 값 | 상승 확률 0.7로 예측했는데 실제 정답이 1이면 오차는 -0.3 |
| 역전파 (Backpropagation) | 예측이 틀렸을 때 오차를 출력층에서 입력층 방향으로 거꾸로 전달하면서 각 뉴런의 가중치를 조금씩 수정하는 과정. 시험을 본 뒤 틀린 문제를 뒤에서부터 되짚어 수정하는 것과 같은 원리 | 상승 예측이 틀리면, 출력 → 은닉층2 → 은닉층1 방향으로 오차가 역으로 흘러 모든 뉴런이 조금씩 조정됨 |
| 은닉층 (Hidden Layer) | 입력층과 출력층 사이에 있는 중간 계산 층. '은닉(숨을 은)'이란 이름은 사람이 직접 들여다보기 어렵기 때문에 붙여진 것. 여기서 복잡한 패턴 인식이 일어남 | 층이 많을수록 더 복잡한 패턴(예: 3일 상승 후 거래량 폭발 시 추가 상승 등)을 학습 가능 |
| 인공신경망 (ANN, Artificial Neural Network) | 사람의 뇌 신경세포(뉴런) 구조를 수학으로 모방한 모델. 입력층·은닉층·출력층으로 구성되며, 데이터를 보고 스스로 패턴을 학습함 | 주가·거래량·이평선을 입력하면 "내일 오를 확률"을 스스로 계산해 출력 |
| 이동평균 (Moving Average) | 최근 N일치 주가의 평균. 주가의 흐름을 부드럽게 보여줌 | MA5 = 최근 5일 평균, MA20 = 최근 20일 평균 |
| 용어 | 쉬운 설명 | 주식 예시 |
|---|---|---|
| 정규화 (Normalization) | 서로 다른 크기의 숫자들을 비슷한 범위로 맞추는 것 | 주가(6만)와 거래량(1천만)을 같은 크기로 맞춤 |
| 정밀도 (Precision) | "오른다"고 했을 때 정말 오른 비율 | 10번 매수 신호 중 6번 오름 → 정밀도 60% |
| 지도학습 | 정답을 알려주며 가르치는 방법 | "이 날 주가 올랐어"라고 레이블 주며 학습 |
| 선형변환 (Linear Transformation) | 벡터에 가중치 행렬을 곱하고 편향을 더해 새로운 점수나 새로운 벡터로 바꾸는 계산 | [수익률, 거래량, MA] 입력을 은닉층 점수들로 바꾸는 과정 |
| 용어 | 쉬운 설명 | 주식 예시 |
|---|---|---|
| 벡터 (Vector) | 공간에서 크기(magnitude)와 방향(direction)을 함께 갖는 것. 숫자 여러 개를 한 줄로 묶은 것이기도 하며, 데이터의 여러 속성(요소)을 하나로 묶은 묶음을 특징량(Feature Vector) 이라 함 | [수익률, 거래량, 이동평균]처럼 한 종목의 입력 특성을 한 줄로 묶은 값 — 이 묶음 자체가 특징량이 됨 |
| 비용 (Cost, Loss) | 여러 오차를 합쳐서 "모델이 전체적으로 얼마나 틀렸는지"를 숫자 하나로 나타낸 값. 낮을수록 좋음 | 학습이 잘되면 비용이 0.9 → 0.2처럼 점점 줄어듦 |
| 초과 수익 | 시장 평균보다 더 번 금액 | 시장 +5%, 내 전략 +8% → 초과 수익 +3% |
| 추론 (推論, Inference) | 훈련이 끝난 AI가 한 번도 본 적 없는 새 데이터로 예측하는 것. 推(밀 추)+論(논할 론). 영어 infer는 라틴어 inferre(안으로 나르다) → 근거로부터 결론을 끌어냄 | 오늘의 주가를 입력하면 "내일 오를 것 같다" 고 바로 답함 |
| 용어 | 쉬운 설명 | 주식 예시 |
|---|---|---|
| 클러스터링 (Clustering) | 비슷한 것끼리 자동으로 묶는 방법. 정답(레이블)이 없어도 시작할 수 있는 대표적인 비지도학습 | 비슷한 주가 패턴을 가진 종목들을 자동 그룹화 |
| 용어 | 쉬운 설명 | 주식 예시 |
|---|---|---|
| 테스트 데이터 | 학습에 사용하지 않고 최종 시험용으로 남겨둔 데이터 | 뒤 20% 기간으로 모델 최종 평가 |
| 트리 (Tree) | 스무고개처럼 질문을 반복해서 답을 찾는 모델 구조 | "5일 평균 > 6만?" → Yes/No → 다음 질문 |
| 특성 (Feature) | 예측에 사용하는 입력 정보 | 수익률, 이동평균, 거래량 등 |
| 특징량 (Feature Vector / 特徴量) | 데이터 하나를 설명하는 여러 요소(특징)를 모아 만든 숫자 묶음. 하나의 벡터로 표현되어 그 데이터가 어떤 상태인지를 나타냄. 일본 ML 문헌에서 유래한 표현으로 한국 AI 학습 자료에서 자주 사용됨 | [수익률 +2%, 거래량 1.3배, MA5 상향]처럼 한 종목의 오늘 상태를 숫자 묶음 하나로 표현한 것 — 이 묶음이 특징량 |
| 특징추출 (Feature Extraction / 特徴抽出) | 원본 데이터에서 어떤 특징을 갖는지 찾아내고 벡터(특징량)로 변환하는 처리 과정. 모델이 학습·예측할 수 있도록 날 데이터를 의미 있는 숫자 묶음으로 바꾸는 핵심 전처리 단계 | 주가 원시 데이터에서 수익률·이동평균·거래량 비율 등을 뽑아 [r1, r5, ma5, ma20, vol] 형태의 특징량으로 만드는 과정 |
| 용어 | 쉬운 설명 | 주식 예시 |
|---|---|---|
| 확률 (確率, Probability) | 어떤 일이 일어날 가능성을 숫자로 나타낸 것. 確(확실할 확)+率(비율 률). 영어 probability 는 "그럴 법함"에 가까운 뜻 | 상승 확률 72%라면 "오를 가능성이 더 높다"는 뜻이지, 반드시 오른다는 뜻은 아님 |
| 패치 (Patch) | 긴 시계열을 잘게 나눈 조각 | 60일 주가를 8일씩 7조각으로 나눔 |
| 피드백 (Feedback) | 신경망이 "순전파 → 오차 계산 → 역전파 → 가중치 수정"을 반복하는 학습 사이클. 예측 결과를 다시 학습에 반영해 점점 더 정확해지는 것 | 예측이 틀릴 때마다 피드백을 받아 수천 번 반복 학습 → 오차 감소 |
| 포트폴리오 | 여러 종목을 함께 보유하는 것. 계란을 한 바구니에 담지 않기! | 삼성전자 30% + 카카오 20% + 현대차 50% |
| 용어 | 쉬운 설명 | 주식 예시 |
|---|---|---|
| 하이퍼파라미터 | 모델 설정값. 학습 전에 사람이 정해주는 것 | 트리 깊이, 학습 횟수, 학습 속도 등 |
| 학습 (學習, Learning) | 컴퓨터가 많은 데이터를 보며 스스로 규칙을 발견하는 전체 과정. 學(배울 학)+習(익힐 습). 논어의 "학이시습지(學而時習之)"에서 유래. 영어 learn은 고대 영어 leornian(흔적을 따라가다) | 주가 500일치를 보며 "이 패턴일 때 오른다"를 스스로 알게 됨 |
| 학습 데이터 (Training Data) | 모델에게 가르쳐줄 데이터 | 앞 80% 기간 데이터로 학습 |
| 훈련 (訓練, Training) | 모델이 데이터를 보고 예측하고 틀리면 수정하는 반복 연습 과정. 訓(가르칠 훈)+練(익힐 련). 원래 군사 용어로, 병사를 몸에 익히게 반복 단련하는 것에서 유래. 영어 train은 라틴어 trahere(끌어당기다) | 수백~수천 번 반복하며 조금씩 개선 |
| 용어 | 쉬운 설명 | 예시 |
|---|---|---|
| 회귀 (Regression) | 숫자 하나를 맞히는 문제. 특히 가격처럼 연속값을 예측할 때 사용 | 내일 종가가 61,300원일까? |
| 분류 (Classification) | 여러 답안 칸 중 하나를 고르는 문제. 보통 이산값이나 범주를 맞힘 | 내일 주가가 상승일까 하락일까? |
| 레이블 (Label) | 데이터에 붙은 정답 이름표 | 오늘 데이터의 레이블이 상승이면 "내일 올랐다"는 뜻 |
| 지도학습 (Supervised Learning) | 레이블을 보면서 배우는 학습 | 상승/하락 정답을 보고 예측 규칙 학습 |
| 비지도학습 (Unsupervised Learning) | 레이블 없이 데이터 구조를 찾는 학습 | 비슷한 종목끼리 무리 찾기 |
| 연속값 (Continuous Value) | 값 사이가 자연스럽게 이어지는 숫자 | 종가, 거래량, 수익률 |
| 이산값 (Discrete Value) | 값이 뚝뚝 끊어져 있는 숫자나 범주 | 상승/하락, 1등급/2등급/3등급 |
| 이진 분류 (Binary Classification) | 정답이 2개뿐인 분류 | 스팸/정상, 상승/하락 |
| 다중 클래스 분류 (Multiclass Classification) | 정답이 3개 이상인 분류 | 하락/보합/상승 |
| 군집화 (Clustering) | 레이블 없이 비슷한 데이터끼리 자동으로 묶는 것 | 성장주 무리, 안정주 무리, 하락주 무리 찾기 |
| 약어 | 전체 이름 | 뜻 |
|---|---|---|
| AUC | Area Under Curve | 모델이 얼마나 잘 구분하는지. 0.5=찍기, 1.0=완벽 |
| CNN | Convolutional Neural Network | 패턴을 창문으로 훑으며 찾는 신경망 |
| GBM | Gradient Boosting Machine | 실수를 보완하며 발전하는 모델 |
| LSTM | Long Short-Term Memory | 중요한 건 오래, 불필요한 건 빨리 잊는 신경망 |
| MA | Moving Average | 이동평균 |
| MDD | Maximum Drawdown | 최대 낙폭. 얼마나 많이 잃었나의 최악값 |
| ML | Machine Learning | 머신러닝 |
| MLP | Multi-Layer Perceptron | 여러 층이 있는 기본 신경망 |
| RF | Random Forest | 랜덤 포레스트 |
| RNN | Recurrent Neural Network | 순서를 기억하며 처리하는 신경망 |
| sklearn | scikit-learn의 패키지 이름. from sklearn.xxx import ... 형태로 사용 |
이 웹앱 BE에서 모든 분류·회귀·전처리 모듈을 sklearn으로 import함 |
| SVM | Support Vector Machine | 구분선으로 나누는 분류 모델 |
| 용어 | 쉬운 설명 | 주식 예시 |
|---|---|---|
| 금리 (Interest Rate) | 돈을 빌릴 때 내는 사용료 비율 | 금리가 오르면 성장주는 눌리고, 은행주는 상대적으로 덜 약할 수 있음 |
| 환율 (Exchange Rate) | 우리 돈과 달러를 바꾸는 비율 | 원/달러 환율이 오르면 수입 기업은 부담이 커질 수 있고, 수출 기업은 유리할 때가 있음 |
| CPI | 소비자물가지수. 물가가 얼마나 올랐는지 보여 주는 숫자 | CPI가 높으면 금리 인상 걱정이 커져 주식시장이 흔들릴 수 있음 |
| GDP | 나라 전체가 일정 기간 만든 재화와 서비스의 크기 | GDP가 잘 나오면 경기 기대가 좋아질 수 있음 |
| 유가 (Oil Price) | 석유 가격 | 유가가 오르면 항공·운송 업종은 부담, 정유 업종은 수혜일 수 있음 |
| 경기침체 (Recession) | 나라 경제가 힘이 빠지는 상태 | 소비 관련 종목과 경기민감주가 약해질 수 있음 |
| 임베딩 (Embedding) | 문장이나 단어를 숫자 벡터로 바꾼 것 | 중동 전쟁 확대라는 뉴스 문장을 숫자 묶음으로 바꿔 비슷한 뉴스와 비교 |
| 유사도 (Similarity) | 두 문장이나 두 데이터가 얼마나 닮았는지 보여 주는 점수 | 가뭄 뉴스와 농산물 가격 상승 뉴스가 서로 얼마나 비슷한지 계산 |
| KoBERT | 한국어 문장을 잘 읽도록 학습된 BERT 계열 모델 | 한국어 뉴스 제목을 보고 전쟁, 물가, 규제 테마를 분류하는 데 활용 가능 |
| FinBERT | 금융 문장 해석에 맞춘 BERT 계열 모델 | 금융 뉴스가 호재인지 악재인지, 어떤 투자 심리인지 분류하는 데 활용 가능 |
| DART | 금융감독원 전자공시 시스템. 회사가 낸 공식 문서를 모아 둔 곳 | 삼성전자 사업보고서, SK하이닉스 분기보고서 같은 공시를 확인 |
| 공시 | 회사가 중요한 내용을 공식으로 알리는 문서 | 실적 발표, 임원 지분 변동, 유상증자, 사업보고서 |
| 사업보고서 | 1년 동안 회사가 어떻게 지냈는지 정리한 큰 보고서 | 매출, 영업이익, 자산, 부채를 한 번에 볼 수 있음 |
| 부채비율 | 자기 돈(자본)과 비교해서 빚이 얼마나 큰지 보는 숫자 | 부채비율이 너무 높으면 빚 가방이 무거울 수 있음 |
| 유동비율 | 당장 쓸 수 있는 돈이 가까운 빚보다 얼마나 많은지 보는 숫자 | 유동비율이 높으면 단기 자금 압박이 덜할 수 있음 |
| 영업이익률 | 매출 중에서 장사하고 실제로 남긴 비율 | 100원을 팔아 10원을 남기면 영업이익률 10% |
| FRED | 미국 세인트루이스 연은이 제공하는 경제 데이터 서비스 | 미국 금리, CPI, 실업률, VIX를 가져와 주식 특징으로 사용 |
| World Bank API | 세계은행이 제공하는 나라 단위 지표 API | 한국 GDP 성장률, 수출 비중, 물가상승률을 가져옴 |
| KOSIS | 한국 국가통계포털 Open API | 산업생산, 고용, 소비 같은 국내 통계를 더 붙일 때 사용 |
| Alpha Vantage | 주가, 경제지표, 기술지표, 뉴스 데이터를 제공하는 API | 해외 종목 시세나 기술적 지표, 뉴스 감성 붙이기 |
- 금리는
돈값 - 환율은
나라 돈의 교환 가격 - CPI는
물가 온도계 - GDP는
경제 크기 성적표 - 유가는
에너지 비용 - 임베딩은
문장의 숫자 지도 - 유사도는
얼마나 닮았는지 점수 - DART는
회사가 직접 내는 공식 성적표 창고 - 공시는
회사가 투자자에게 보내는 공식 알림장 - FRED는
시장 날씨 숫자 창고 - World Bank는
나라 체력 성적표 - KOSIS는
한국 통계 백과사전
flowchart TD
S1["📥 1단계: 데이터 수집\n주가 · 거래량 · 이동평균 수집"]
S2["🔧 2단계: 특성 만들기\n수익률 · MA5 · MA20 · 거래량 비율"]
S3["🏷️ 3단계: 레이블 만들기\n내일 오르면 1, 내리면 0"]
S4["✂️ 4단계: 학습 / 테스트 나누기\n앞 80% 학습 뒤 20% 시험"]
S5["🤖 5단계: 모델 선택 & 학습\n로지스틱 / 랜덤포레스트 / 신경망 등"]
S6["📊 6단계: 평가\n정확도 · AUC · 투자 수익 시뮬레이션"]
S7["✨ 7단계: 개선\n더 좋은 특성 추가 · 하이퍼파라미터 조정"]
S1 --> S2 --> S3 --> S4 --> S5 --> S6 --> S7
S7 -->|"성능이 부족하면 반복"| S2
style S1 fill:#1e3a5f,color:#93c5fd
style S5 fill:#3b1f4a,color:#d8b4fe
style S6 fill:#1a3a2a,color:#86efac
style S7 fill:#3b2a0f,color:#fcd34d
| 용어 | 쉬운 뜻 |
|---|---|
| 백엔드(BE) | 화면 뒤에서 계산과 데이터를 처리하는 서버 코드 |
| FastAPI | Python으로 빠르게 백엔드 서버를 만드는 도구 |
| API | 화면과 서버가 주고받는 소통 창구(주문서 시스템) |
| GET 요청 | 서버에서 정보를 가져오는 요청 |
| POST 요청 | 내가 데이터를 서버에 보내고 결과를 받는 요청 |
| JSON | 서버가 응답할 때 쓰는 데이터 형식 (중괄호로 된 목록) |
| OHLCV | 시가·고가·저가·종가·거래량 (Open·High·Low·Close·Volume) |
| StandardScaler | 여러 숫자의 단위를 맞춰서 모델이 고르게 보게 해주는 도구 |
| exec() | Python 코드를 문자열로 받아 직접 실행하는 함수 |
| Pydantic | 요청/응답 데이터의 모양을 미리 정의하는 도구 |
| Ollama | 내 컴퓨터에서 실행하는 소규모 언어 AI 서버 |
| TF-IDF | 단어 빈도로 문서 유사도를 계산하는 방법 |
더 자세한 백엔드 설명은 각 Day 문서 끝의 웹앱 안쪽 들여다보기 섹션을 읽어보세요.