NoahAI Labs•Technology•기술 증명

실제 운영으로 증명되는 AI 금융 의사결정 구조

NoahAI는 개념이 아닌, 실계좌·실시간·로그 기반으로 작동하는 AI 금융 인프라입니다.

기술 증명의 필요성

많은 금융 AI는 개념만 존재합니다. 백테스트 결과, 시뮬레이션 성과, 개념 증명 데모를 내세우지만, 실제 운영 환경에서 모든 판단이 기록되고 재현 가능한 구조는 드뭅니다.

NoahAI는 2024년 11월부터 실계좌 기반으로 24시간 운영되며, 모든 판단·실행·결과가 로그로 기록되고, 이 로그가 학습 데이터로 연결되어 지속적으로 개선되는 구조가 실제로 작동하고 있습니다.

개념만 존재하는 금융 AI

• 백테스트 결과만 공개
• 선택적 성과 공개
• 실제 운영 로그 부재
• 재현 불가능한 구조

실제 운영으로 증명되는 NoahAI

• 실계좌 기반 24시간 운영
• 모든 판단이 로그로 기록
• 로그가 학습 데이터로 연결
• 재현 가능하고 검증 가능한 구조

실제 운영 파이프라인

아래는 실제 운영 환경에서 작동하는 파이프라인입니다. 각 단계가 로그로 기록되고, 다음 단계로 연결되며, 최종적으로 학습 데이터로 환류됩니다.

Market Data

실시간 시장 데이터 수집 (가격, 거래량, 변동성, 오더북)

로그 카테고리: [analysis] - 시장 데이터 수집 시점, 데이터 소스, 수집된 지표 값 기록

Analyzer

기술적 지표 계산 (RSI, MACD, 볼린저 밴드 등) 및 시장 상황 분석

로그 카테고리: [analysis] - 계산된 지표 값, 분석 결과, 신호 강도 기록

Decision

AI가 시장 데이터와 개인 금융 맥락을 종합하여 판단을 정리

로그 카테고리: [analysis] - 판단 근거, 신뢰도, 선택된 전략, 고려된 대안 기록

Risk

가드레일 적용 및 리스크 평가 (한도, 중단 조건, 보수적 통제 규칙)

로그 카테고리: [monitor] - 가드레일 적용 여부, 리스크 평가 결과, 안전장치 작동 기록

Execution

사용자 설정과 안전장치 범위 내에서 선택적 실행 보조

로그 카테고리: [trade], [order] - 주문 생성, 실행 결과, 슬리피지, 체결 상태 기록

Exit

포지션 종료 (TP/SL 도달, 동적 임계값, 외부 변경 감지 등)

로그 카테고리: [exit] - 청산 이유, 결과, 수익/손실, 학습 데이터 기록

XAI

전 과정을 설명 가능한 형태로 기록 (판단 근거, 실행 결과, 리스크 평가)

로그 카테고리: [analysis], [trade], [order], [monitor], [exit] - 모든 단계의 설명 가능한 로그 기록

Learning

기록된 로그를 학습 데이터로 변환하여 정책 개선에 반영

데이터 구조: DecisionLog, ExecutionResult, XAITrace가 학습 데이터로 변환되어 패턴 분석 및 정책 보정에 사용

핵심: 위 파이프라인의 각 단계는 독립적으로 작동하지 않습니다. 모든 단계가 로그로 기록되고, 이 로그가 다음 판단과 학습에 연결되는 구조입니다.

실제 운영 로그 예시

아래는 실제 Binance Futures 환경에서 작동한 로그의 예시입니다. 민감 정보는 제거되었으며, 구조와 연결 관계를 중심으로 제시됩니다.

2025-01-26 10:30:00 | INFO - [analysis] 시장 데이터 수집 시작
2025-01-26 10:30:01 | INFO - [analysis] BTC/USDT 가격: 42,350, 변동성: 0.023, RSI: 58.5
2025-01-26 10:30:02 | INFO - [analysis] MACD 신호 감지, 볼린저 밴드 상단 근접
2025-01-26 10:30:03 | INFO - [analysis] 패턴 유사성 검증: bull_flag 패턴 0.78 유사도
2025-01-26 10:30:04 | INFO - [decision] 판단: long_entry, 신뢰도: 0.85, TP: 43,500, SL: 41,800
2025-01-26 10:30:05 | INFO - [monitor] 가드레일 확인: 최대 리스크 한도 내, 실행 허용
2025-01-26 10:30:06 | INFO - [trade] 주문 생성: Binance Futures, BTC/USDT, Long, 수량: 0.01
2025-01-26 10:30:07 | INFO - [order] 주문 체결: 가격 42,360, 슬리피지: 0.024%
2025-01-26 10:30:08 | INFO - [monitor] 포지션 모니터링 시작, 현재 PnL: 0
2025-01-26 10:35:12 | INFO - [monitor] 포지션 추적: 가격 42,850, 미실현 PnL: +1.16%
2025-01-26 10:40:25 | INFO - [exit] TP 도달: 목표가 43,500 도달, 포지션 청산
2025-01-26 10:40:26 | INFO - [exit] 결과: 수익 실현, 최종 수익률: +2.69%
2025-01-26 10:40:27 | INFO - [xai] 판단 근거 요약: RSI 58.5, MACD 상승 신호, bull_flag 패턴, 신뢰도 0.85
2025-01-26 10:40:28 | INFO - [learning] 학습 데이터 기록: decision_id, execution_status, result, feedback

로그 구조의 특징

• 시간순 기록: 모든 단계가 타임스탬프와 함께 순차적으로 기록됨
• 카테고리 분류: [analysis], [trade], [order], [monitor], [exit]로 분류되어 추적 용이
• 연결 가능: 각 로그가 decision_id, execution_id 등으로 연결되어 전체 흐름 추적 가능
• 재현 가능: 동일한 시장 데이터와 설정으로 재현 가능한 구조

로그와 학습 데이터 구조의 연결

운영 로그는 단순히 기록만 되는 것이 아니라, 표준화된 학습 데이터 구조로 변환되어 다음 판단의 품질 향상에 사용됩니다.

로그 → 학습 데이터 변환 과정

1. DecisionLog 생성

[analysis], [decision] 로그에서 추출:

decision_id (고유 결정 ID)
timestamp (결정 시점)
reasoning (판단 근거: 패턴, 신호, 가중치)
confidence (신뢰도 점수)
model_version (사용된 AI 모델 버전)

2. ExecutionResult 생성

[trade], [order] 로그에서 추출:

execution_id (고유 실행 ID)
decision_id (연결된 결정 ID)
executed_price (실행 가격)
slippage (슬리피지)
status (상태: FILLED/CANCELLED/FAILED)

3. 결과 및 피드백 연결

[exit] 로그에서 추출:

result (수익/손실, TP/SL 도달 여부)
feedback (학습에 사용될 피드백 데이터)
pattern (성공/실패 패턴 분류)

연결 구조:

DecisionLog {
  decision_id: "uuid-123",
  reasoning: { pattern: "bull_flag", signal_strength: 0.85 },
  confidence: 0.9
}
    ↓ (연결)
ExecutionResult {
  execution_id: "uuid-456",
  decision_id: "uuid-123",  ← 연결
  executed_price: 42360,
  status: "FILLED"
}
    ↓ (연결)
ExitResult {
  execution_id: "uuid-456",  ← 연결
  result: "profit_target_hit",
  feedback: { pattern: "success", profit_rate: 0.0269 }
}
    ↓ (학습 데이터로 변환)
LearningData {
  decision_history: [DecisionLog + ExecutionResult + ExitResult],
  pattern: "success",
  market_conditions: "high_volatility"
}

자세한 데이터 구조는 데이터 구조 페이지에서 확인할 수 있습니다.

Analyst AI의 역할

Analyst AI는 거래를 실행하는 AI가 아닙니다. 운영 결과를 요약·비교·설명하여 사용자와 운영자가 이해할 수 있도록 정리하는 분석 계층입니다.

❌ Analyst AI가 아닌 것

• 거래를 직접 실행하는 AI
• 투자 결정을 대신 내리는 AI
• 수익을 보장하는 AI

✔ Analyst AI의 역할

• 운영 결과를 요약하고 정리
• 패턴을 비교하고 설명
• 판단 근거를 이해하기 쉽게 제시

Analyst AI의 작동 구조

1. 시장 분석 (analyzer.py)

기술적 지표 계산, 시장 상황 분석, 신호 생성. 모든 분석 과정이 [analysis] 로그로 기록됩니다.

2. 패턴 인식 (ai_manager.py)

과거 패턴과의 유사성 검증, 시장 국면 분석, 동적 임계값 조정. 패턴 분석 결과가 판단 근거로 사용됩니다.

3. 리포트 생성 (ai_manager.py)

일일/주간/월간 리포트 생성, 판단 근거 요약, 선택지 비교 설명. 사용자와 운영자가 이해할 수 있는 형태로 정리합니다.

핵심: Analyst AI는 Decision Layer의 입력을 제공하고, 실행 결과를 분석하여 설명하는 분석 계층입니다. 거래 실행 자체는 Execution Layer에서 담당하며, Analyst AI는 그 과정을 이해 가능하게 만드는 역할입니다.

강화학습 및 집단학습 메커니즘

기록된 로그는 학습 데이터로 변환되어 정책 개선에 반영됩니다. 개인 결과는 보호되며, 패턴 레벨만이 집단 학습에 사용됩니다.

강화학습 메커니즘

보상 기반 정책 가중치 조정

실행 결과(수익/손실)와 리스크 관리 성과를 보상 함수로 계산하여 정책 파라미터를 조정합니다.

자세한 보상 함수 설계는 AI 최적화 루프 페이지에서 확인할 수 있습니다.

실패 로그 포함

성공한 거래뿐만 아니라 실패한 거래도 학습 데이터에 포함됩니다. 실패 원인 분석을 통해 같은 실수를 반복하지 않도록 정책이 개선됩니다.

패턴 단위 학습

단순한 수익/손실 수치가 아닌, 성공/실패 패턴 단위로 학습합니다. 시장 국면(상승장/하락장/횡보장)별로 다른 패턴을 학습하여 상황에 맞는 판단이 가능합니다.

집단학습 메커니즘

개인 정보 보호

개인의 거래 금액, 계좌 정보, 정확한 타이밍은 집단 학습에 사용되지 않습니다.

집단 학습에 사용되는 것은 익명화된 패턴입니다:

시장 상황 패턴 (변동성, 트렌드, 거래량)
성공/실패 패턴 (TP 도달, SL 도달, 동적 임계값)
리스크 관리 패턴 (가드레일 작동, 중단 조건)

집단 학습의 효과

패턴 레벨의 집단 학습을 통해, 한 사용자의 경험이 다른 사용자의 판단 품질 향상에 기여합니다. 시간이 지날수록 더 많은 패턴이 축적되어 전체 시스템의 판단 품질이 함께 성장합니다.

학습량 증가 → 개선 구조:
더 많은 거래가 기록될수록, 더 다양한 패턴이 학습 데이터에 축적됩니다. 이 패턴들은 정책 보정에 반영되어, 다음 판단의 신뢰도와 정확도가 향상됩니다. 이는 단기적인 성과 경쟁이 아니라, 장기적으로 더 신중하고 안전한 판단 구조를 만드는 과정입니다.

NoahAI 기술적 차별 요약

많은 금융 AI는 실행, 설명, 학습이 분리되어 있거나, 일부만 구현되어 있습니다. NoahAI는 이 세 가지가 하나의 파이프라인으로 연결되어 실제로 작동합니다.

실행