TL;DR

Vibe-Trading은 Python 기반의 에이전트형 트레이딩 프레임워크로 FastAPI 백엔드와 React UI, MCP 연동을 통해 데이터 로더·브로커 커넥터·사전구현 알파 라이브러리를 하나의 워크플로로 통합한다. Research Autopilot은 가설에서 신호 엔진 생성과 백테스트까지 엔드투엔드 루프를 닫아 반복 연구를 자동화하며 로더 레지스트리와 OHLCV 무결성 검사가 데이터 일관성을 보장한다. 브로커 커넥터는 구조화된 페이퍼/라이브 경계와 사전거래 게이트를 제공하여 자동 주문의 위험을 제한하며 Run Card와 레포트는 연구의 재현성과 감사 가능성을 확보한다. 일부 실거래 연동과 에이전트 주행 기능은 옵트인·제한적 권한으로 제공되므로 운영 전에는 페이퍼 환경에서 검증이 필요하다.

주요 기능

• 다양한 데이터 소스와 통합된 로더 레지스트리를 통해 OHLCV 및 재무 데이터를 표준화된 포인트-인-타임 프레임으로 반환한다. 이 파이프라인은 소스별 라우팅과 오염된 바 필터(OHLC sanity check)를 포함하여 불완전한 데이터로 인한 시뮬레이션 오류를 줄인다. 캐시 옵션이 있어 반복 백테스트의 네트워크 호출을 줄일 수 있다.
• 커넥터 중심의 브로커 레이어를 제공하여 IBKR, Robinhood, Alpaca, OKX, Binance, Futu 등 읽기·페이퍼 주문 인터페이스를 동일한 프로파일로 노출한다. 브로커별로 구조화된 paper/live 경계와 사전거래(pre-trade) 게이트, 파일시스템 킬스위치, 감사 로그를 적용하여 자율 주문의 위험을 제한한다. 일부 커넥터는 읽기 전용으로 제한되어 있으며 실거래는 명시적 옵트인 구조이다.
• 에이전트 툴 레지스트리와 MCP 연동으로 CLI·REST·SSE·MCP를 통한 툴 호출을 지원한다. 스웜(run_swarm) 워커가 동일한 로더 도구를 사용하도록 배치되어 분산 연구 실행 시 데이터 일관성을 유지한다. Provider별 능력 캡슐화로 스트리밍 실패를 격리하고 재시도/에러 타입을 명확히 처리한다.
• Research Autopilot과 Hypothesis Registry를 통해 가설에서 신호 엔진 생성, 백테스트, 레포트 유통까지 연구 루프를 닫는 자동화 흐름을 제공한다. scaffold_signal_engine가 계약에 맞는 코드 생성을 수행하고 link_autopilot_backtest가 결과를 가설로 환원하여 반복 실험을 가능하게 한다. 레포트 라이브러리와 Run Card 산출물이 연구 재현성을 보장한다.

어떻게 동작하는가

Vibe-Trading은 Python 패키지와 FastAPI 백엔드, React 프런트엔드, 그리고 MCP 서버를 조합한 아키텍처로 동작한다. 에이전트는 내부 툴 레지스트리와 로더 레지스트리를 통해 시장 데이터를 취합하고 사전 정의된 알파 또는 자동 생성된 신호 엔진을 실행하며, 실행 결과는 백테스트와 레포트 파이프라인으로 흐른다. MCP와 CLI/REST/SSE 인터페이스는 분산 스웜 실행과 원격 툴 호출을 가능하게 하여 연구·백테스트·제한적 브로커 액션을 통합한다.

해결 문제

Vibe-Trading은 데이터 소스별 파편화와 에이전트-백테스트 간 재현성 부족 문제를 해결한다. 로더 레지스트리와 포인트-인-타임 검사, 표준화된 백테스트 산출물(run_card.json 등)은 연구 결과를 동일한 입력으로 재생성할 수 있게 만든다. 브로커 커넥터와 구조화된 페이퍼/라이브 경계는 자동화된 신호를 안전하게 검증하고 실거래로의 우발적 전환을 방지한다.

지금 주목받는 이유

최근 v0.1.10 릴리스와 다수의 보안·런타임·데이터 소스 개선이 연속적으로 병합되어 커넥터 확장과 연구 자동화 기능이 빠르게 강화되었기 때문에 주목받고 있다.

차별점

• 커넥터 우선 아키텍처를 적용하여 모든 브로커 액세스를 단일 프로파일로 통합한다. 이 접근은 브로커별 페이퍼/라이브 속성을 구조적으로 관리하고 같은 툴 체인을 통해 여러 브로커를 일관되게 사용하게 만든다. 결과적으로 전략 벤치마크와 브로커 간 비교가 수월해진다.
• 대규모 사전구현 알파(452개)와 Alpha Zoo를 번들로 제공하여 즉시 벤치마크 가능한 신호 집합을 갖춘다. 사용자는 특정 알파 묶음을 선택해 CLI·웹·에이전트 툴로 빠르게 비교 분석할 수 있으며, 이는 연구 초기 단계의 반복 속도를 높인다. 알파 라이브러리는 AST 게이트 등 안전성 검사를 포함하여 코드형 알파의 품질을 관리한다.
• Research Autopilot을 통한 Hypothesis→SignalEngine→Backtest의 엔드투엔드 자동화 루프가 포함되어 있어 가설 검증의 수동 작업을 줄인다. 자동화 루프는 계약된 코드 스캐폴딩과 백테스트 피드백을 연결하여 반복 실험을 체계화한다. 이 체계는 대량 알파 평가와 계량 연구에서 시간 절약과 재현성 향상을 가능하게 한다.

사용 사례

• 정량 연구 파이프라인에서 가설을 자동화하여 신호를 생성하고 자동 백테스트로 성능을 검증하는 데 사용된다. Research Autopilot이 scaffold_signal_engine과 backtest 연결을 통해 가설-실험-결과 환류를 자동으로 처리하므로 대량 알파 실험을 체계적으로 수행할 수 있다. 생성된 run_card와 레포트는 연구 산출물의 재현성과 감사 추적을 제공한다.
• 여러 브로커에 대해 동일한 전략을 페이퍼 환경에서 검증하고 브로커별 특이성을 비교하는 용도로 사용된다. 커넥터 프로파일과 구조화된 페이퍼/라이브 경계는 실거래 전 안전 검증을 보장하며, 브로커 간 성능 차이를 일관된 데이터와 설정으로 평가할 수 있게 한다. 트레이딩 팀은 스웜 실행으로 역할 기반 워크로드를 분산시켜 의사결정 과정을 자동화할 수 있다.
• 운영 연구실에서 데이터 소스 장애·오염된 바 필터링·캐시를 통해 안정적인 장기 백테스트를 수행하는 데 활용된다. loader registry의 포인트-인-타임 보호와 OHLCV 무결성 검사는 장기간 패널 백테스트에서 데이터 스무딩 오류를 줄인다. 로컬 데이터 브리지(local loader)를 통해 CSV/Parquet/DuckDB 기반의 자체 데이터로도 동일한 워크플로를 실행할 수 있다.

시작하기

기본 설치는 pip로 패키지를 설치한 뒤 제공된 CLI로 환경을 초기화하는 방식이다. README에서 권장하는 첫 단계는 pip install -U vibe-trading-ai이며, 그 다음 vibe-trading setup 및 vibe-trading dev 명령으로 개발 서버와 로컬 런타임을 준비할 수 있다. Docker 환경을 사용할 경우 README의 docker-compose 호환성 안내를 참고하여 host-gateway 매핑과 환경 변수를 설정해야 한다.

요구사항

• Python 3.11 이상을 필요로 하며 FastAPI 백엔드와 React 프런트엔드를 조합해 동작한다. 옵션 기능(예: 특정 데이터 소스 또는 DeepSeek 어댑터)은 추가적인 extras 설치가 필요하며 README의 extras 표기를 따라 pip install "vibe-trading-ai[telegram]" 같은 형식을 사용할 수 있다. Docker를 통한 배포를 지원하므로 Docker 및 docker-compose가 있는 환경에서 추가적인 운영 이점이 있다.

이미지 분석