챕터별 상세
02:07
자동매매 시스템 4계층 구조 설계
자동매매 시스템은 데이터 수집, 전략 수립, 분석, 실행의 4단계 파이프라인으로 구성된다. 데이터 레이어는 시세 및 공시 정보를 수집하고, 전략 레이어는 LLM을 통해 투자 로직을 설계한다. 분석 레이어는 수집된 데이터를 바탕으로 종목별 점수를 산출하며, 실행 레이어는 스케줄러에 따라 실제 주문을 처리한다. 이러한 계층적 구조는 시스템의 유지보수와 전략 변경을 용이하게 한다.
04:56
OpenClaw의 3대 자율 작동 메커니즘
OpenClaw는 Cron, Heartbeat, Webhook이라는 세 가지 핵심 메커니즘을 통해 자율적으로 작동한다. Cron은 정해진 시간에 작업을 실행하는 정밀 스케줄링을 담당하고, Heartbeat는 주기적으로 시스템 상태를 확인하며 작업을 수행한다. Webhook은 외부 이벤트 발생 시 즉각적으로 에이전트를 깨워 대응하게 한다. 이 메커니즘들을 조합하면 사용자의 개입 없이도 24시간 시장 감시와 대응이 가능하다.
06:47
텔레그램 연동 및 스킬 설치
시스템 제어와 알림을 위해 텔레그램 봇을 OpenClaw와 연동했다. npx dlabs install 명령어를 사용하여 주식 매매에 필요한 키움증권 API, OpenDART 공시 정보 조회 등의 스킬을 에이전트에 설치했다. 설치된 스킬들은 에이전트의 작업 공간에 마크다운 파일 형태로 저장되어 관리된다. 이를 통해 에이전트는 텔레그램 채팅창에서 사용자의 명령을 받고 작업 결과를 보고할 수 있는 인터페이스를 갖추게 되었다.
bash
npx dlabs installOpenClaw 에이전트에 필요한 주식 매매 및 데이터 분석 관련 스킬을 설치하는 명령어
12:35
키움증권 REST API 및 외부 서비스 설정
기존의 윈도우 전용 OCX 방식 대신 리눅스 환경에서도 사용 가능한 키움증권 REST API를 채택했다. 이를 위해 키움증권 개발자 포털에서 API 키를 발급받고 모의투자 계좌를 설정했다. 또한 데이터 저장을 위한 Supabase와 공시 정보 조회를 위한 OpenDART API 설정을 완료했다. 발급받은 모든 API 키와 계좌 정보는 OpenClaw의 환경변수 설정 메뉴에 안전하게 등록하여 에이전트가 접근할 수 있도록 했다.
23:09
데이터 수집 파이프라인 및 ETL 구축
코스피 TOP 50 종목을 중심으로 실시간 시세와 재무 데이터를 수집하는 파이프라인을 구축했다. 에이전트는 키움증권 API를 통해 시세 데이터를 가져오고, 이를 Supabase 데이터베이스의 스키마에 맞춰 변환하여 저장한다. 5분 단위 분봉 데이터 수집, 장 종료 후 일봉 데이터 업데이트, 10분 단위 공시 정보 확인 등의 작업을 자동화했다. 에이전트가 직접 데이터 수집용 Python 스크립트를 작성하고 실행하는 과정을 포함했다.
29:54
Liner AI를 활용한 투자 전략 설계
Liner AI의 딥리서치 기능을 사용하여 최신 금융 논문과 시장 데이터를 분석하고 투자 전략을 수립했다. '코스피 200 종목 대상 당일 양봉 마감 예측 데이트레이딩' 전략을 요청하여 가격 변동성, 수급 상관관계, 시계열 패턴의 3요소 스코어링 로직을 도출했다. Liner AI는 각 요소에 대한 가중치와 구체적인 매수/매도 임계값을 수식 형태로 제공했다. 에이전트는 이 전략 보고서를 읽고 실제 분석 코드로 변환하는 작업을 수행했다.
python
Total_Score = (0.4 * 가격 변동성 스코어) + (0.4 * 수급 상관관계 스코어) + (0.2 * 시계열 패턴 스코어)
// ...(중략)
if Total_Score >= 70:
execute_buy_order()Liner AI 딥리서치를 통해 도출된 다요소 스코어링 기반 매매 로직 예시
35:09
전략 등록, 백테스팅 및 자동매매 실행
수립된 전략을 시스템에 등록하고 과거 6개월 데이터를 바탕으로 백테스팅을 진행했다. 백테스팅 결과 약 74%의 승률과 1.5%의 수익률을 확인했으며, 이를 바탕으로 실제 매매 스케줄을 크론잡에 등록했다. 오전 9시 30분에 종목 스캔 및 매수를 진행하고, 오후 3시에 일괄 매도하는 데이트레이딩 루틴을 설정했다. 에이전트는 매일 정해진 시간에 분석을 수행하고 텔레그램을 통해 매매 승인 요청을 보낸다.
42:49
실전 운영 결과 및 마무리
실제 100만 원의 예산으로 일주일간 시스템을 운영한 결과와 피드백 과정을 공유했다. 단기 매매 특성상 승률은 높았으나 수익률 변동성이 존재함을 확인하고, 에이전트와 대화하며 전략의 가중치를 수정했다. 에이전트는 운영 과정에서 발생한 오류나 개선점을 스스로 분석하여 보고서로 제출했다. 자동매매 시스템은 한 번 구축으로 끝나는 것이 아니라 지속적인 피드백 루프를 통해 고도화되어야 함을 강조했다.
용어 해설
- 레스트 API(REST API)
- — HTTP 프로토콜을 사용하여 데이터를 주고받는 설계 원칙이다. 주식 매매 시스템에서는 서버와 클라이언트 간에 주문, 시세 조회 등의 정보를 표준화된 방식으로 교환하는 데 사용된다. 기존의 복잡한 연결 방식보다 구현이 간편하고 다양한 환경에서 호환성이 높다.
- 추출, 변환, 적재(ETL)
- — 데이터 소스로부터 데이터를 추출(Extract)하여 목적에 맞게 변환(Transform)한 후 데이터베이스에 적재(Load)하는 과정이다. 자동매매 시스템에서는 여러 API에서 가져온 시세와 공시 정보를 분석 가능한 형태로 가공하여 저장하는 핵심 파이프라인 역할을 한다.
- 백테스팅(Backtesting)
- — 수립된 투자 전략을 과거의 데이터를 바탕으로 시뮬레이션하여 수익률과 리스크를 검증하는 과정이다. 실제 자금을 투입하기 전에 전략의 유효성을 판단하는 필수적인 단계로, 최대 낙폭(MDD)이나 승률 등의 지표를 확인한다.
- 크론잡(Cron Job)
- — 리눅스 계열 운영체제에서 특정 시간에 특정 작업을 자동으로 실행하도록 설정하는 스케줄러이다. 주식 시장의 개장 시간이나 마감 시간에 맞춰 데이터 수집이나 매매 주문 스크립트를 실행하는 데 필수적으로 사용된다.
- 퀀트 투자(Quant Trading)
- — 수학적 모델과 통계적 기법을 활용하여 투자 결정을 내리는 방식이다. 인간의 주관적 판단을 배제하고 데이터에 기반하여 매매 규칙을 설정하며, AI 에이전트를 통해 이를 자동화함으로써 24시간 시장 대응이 가능하다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 02. 16.수집 2026. 02. 21.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
