NoahAI Labs•Technology•기술 증명

운영 증거로 확인하는 AI 금융 의사결정 구조

NoahAI는 공개 안정판 v3.9.1.48에서 판단·가드레일·PAPER/LIVE 실행 경계와 결과를 운영 로그·원장·리포트로 연결합니다.

2026-08-05 기준 · 최근 30일

기술 운영 실증 스냅샷

기업·투자 검토에 필요한 운영 규모, 시스템 안정성, AI 처리 역량만 선별해 공개합니다. 사용자·거래·거래소·수익 관련 내부 BI는 포함하지 않습니다.

기술 운영 이벤트

—

판단·학습·가드레일·복구 등 운영 텔레메트리

이벤트 처리 안정성

—

정상 수집 이벤트 / 전체 기술 운영 이벤트

AI 추론 처리

—

ai_inference_completed

학습 데이터 기록

—

learning_data_recorded

실증 범위

AI 판단·추론 파이프라인 · 학습 데이터 기록 · 가드레일·복구 이벤트 · 멀티자산 어댑터 검증

이 지표는 기술 운영 증거이며 사용자 수, 매출, 거래 성과 또는 미래 수익을 의미하지 않습니다.

기준일: —·수집 기준 버전: v—

공개 범위와 산식 →

기관·파트너 관점: 판단 흔적과 재현성

외부 실사·기술 검토에서 요구되는 것은 종종 단일 수익률이 아니라, 판단이 생성된 맥락(입력·정책·리스크·결과)이 기록되고, 동일 조건에서 재현·검토 가능한 구조인지입니다. NoahAI는 서비스 운영 과정에서 이러한 로그·연계 구조를 제품에 내장하고 있으며, 이는 액면 성과보다 운영 가능성·감사 가능성을 우선하는 인프라 관점과 맞닿아 있습니다.

기술 증명의 필요성

많은 금융 AI는 개념만 존재합니다. 백테스트 결과, 시뮬레이션 성과, 개념 증명 데모를 내세우지만, 실제 운영 환경에서 지원되는 판단 경로와 조건을 기록해 복기 가능한 구조는 드뭅니다.

NoahAI Client는 핵심 제품 검증을 완료하고 무료·유료 서비스 중입니다. 지원되는 판단·차단·실행 요청·결과를 PAPER/LIVE와 기관·계정·전략 버전별로 기록하며, 기록은 복기와 사용자 승인형 개선 후보의 근거로 사용합니다.

개념만 존재하는 금융 AI

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

실제 운영으로 증명되는 NoahAI

• 공개 안정판과 기관별 실행 준비도를 분리
• 지원되는 판단·차단·결과를 원장에 기록
• PAPER와 LIVE, 전략 버전 귀속을 분리
• 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 복기 자료와 개선 후보로 변환

DecisionLog, ExecutionResult, XAITrace를 연결하되 사용자 승인 없이 기존 정책을 자동 변경하지 않음

핵심: 위 파이프라인의 각 단계는 독립적으로 작동하지 않습니다. 각 단계의 근거와 결과가 연결되고, 이 기록이 복기와 다음 버전 검토에 사용되는 구조입니다.

운영 로그 구조 예시

아래는 필드와 연결 관계를 설명하기 위한 합성 예시입니다. 실제 사용자·계정·주문·가격·수익 데이터가 아닙니다.

YYYY-MM-DD HH:MM:SS | [context] venue=example_venue mode=PAPER strategy=example:v1
YYYY-MM-DD HH:MM:SS | [analysis] market_snapshot=market_snapshot_id regime=example_regime
YYYY-MM-DD HH:MM:SS | [decision] action=HOLD_OR_ENTRY_CANDIDATE evidence=evidence_ref
YYYY-MM-DD HH:MM:SS | [guardrail] result=ALLOW_OR_BLOCK reason=policy_reason
YYYY-MM-DD HH:MM:SS | [execution] status=NOT_SENT_OR_SIMULATED_OR_CONFIRMED result=execution_result_id
YYYY-MM-DD HH:MM:SS | [xai] trace=xai_trace_id decision=decision_id
YYYY-MM-DD HH:MM:SS | [review] outcome=review_record_id next_change=NONE_OR_DRAFT

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: "decision_id",
  reasoning: { pattern: "example_pattern", signal_strength: "example_score" },
  confidence: "example_score"
}
    ↓ (연결)
ExecutionResult {
  execution_id: "execution_id",
  decision_id: "decision_id",  ← 연결
  executed_price: "example_price",
  status: "SIMULATED_OR_CONFIRMED"
}
    ↓ (연결)
ExitResult {
  execution_id: "execution_id",  ← 연결
  result: "example_outcome",
  feedback: { pattern: "example_class", return_rate: "example_rate" }
}
    ↓ (학습 데이터로 변환)
LearningData {
  decision_history: [DecisionLog + ExecutionResult + ExitResult],
  pattern: "example_class",
  market_conditions: "example_regime"
}

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.

계정별 복기와 집단학습 로드맵

현재 공개 배포 기준 기록된 로그는 계정별 복기와 안전 제어에 사용됩니다. 여러 사용자의 패턴을 공동 정책에 반영하는 집단학습은 아직 운영 기능이 아닙니다.

현재 수준: 집단학습 설명은 목표 아키텍처입니다. 실제 제공 전 동의·익명화·철회·권한·운영 검증을 완료해야 하며, 현재 사용자 데이터가 다른 사용자의 정책을 자동 변경한다고 표시하지 않습니다.

판단 품질 개선 검토

결과·리스크 기반 개선 후보

실행 결과, 차단, 리스크 관리 기록을 평가해 개선 후보를 만듭니다. 기존 정책은 자동 변경하지 않으며 새 버전은 사용자 승인·자동 점검·PAPER 검증을 거칩니다.

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

실패 로그 포함

성공한 거래뿐만 아니라 실패한 거래도 학습 데이터에 포함됩니다. 실패 원인 분석은 다음 버전의 검토 근거로 사용되며, 승인 전 기존 정책과 분리됩니다.

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 목표 설계

개인 정보 보호

향후 집단학습에서도 개인의 거래 금액, 계좌 정보, 정확한 타이밍은 사용하지 않는 것을 원칙으로 합니다.

별도 동의와 검증을 통과한 뒤 사용할 수 있는 대상은 익명화된 패턴으로 제한합니다:

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

장기 목표는 검증된 패턴이 공통 안전 정책 개선에 기여하도록 하는 것입니다. 이 단계는 동의·익명화·철회·권한·운영 검증 전에는 활성화하지 않습니다.

학습량 증가 → 개선 구조:
기록이 늘면 검토 가능한 사례와 실패 조건의 범위가 넓어집니다. 이 기록은 버전이 분리된 개선 후보와 검증의 근거가 되며, 정책을 자동 변경하거나 정확도 향상을 보장하지 않습니다. 목표는 장기적으로 더 신중하고 검증 가능한 판단 구조를 만드는 것입니다.

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