Project Snapshot

Item Summary
Problem 점수 하나로는 시장을 설명하기 어려웠고, 차트 직관과 거래 lifecycle이 데이터 구조로 남지 않으면 학습과 검증이 반복되지 않았습니다.
Role state25 기획, micro-structure Top10 도입, compact schema, labeler, QA gate, backfill, runtime recycle, FastAPI와 운영 화면 정리까지 전 과정을 개인 프로젝트로 설계하고 구현했습니다.
Stack Python 3.12, FastAPI, pandas, MetaTrader 5, Next.js 14, React 18, pytest
Flow 1분봉 OHLCV -> Position -> Response -> State -> Forecast -> Observe / Confirm -> Entry / Wait / Exit -> Closed Result -> Teacher-State 25 + Compact Dataset
Outcome 시장 해석과 거래 lifecycle을 compact dataset row로 다시 남기고, teacher-state 25와 micro-structure Top10으로 설명 가능성과 학습 가능성을 함께 확보하는 구조를 만들었습니다.
한 줄 요약

CFD는 자동매매 엔진이라기보다, 차트의 위치와 반응을 state와 forecast로 해석하고 진입, 기다림, 청산 전 과정을 compact dataset으로 남겨 다시 학습 가능한 teacher-label 데이터로 바꾸는 프로젝트입니다.

flowchart LR
    A["1분봉 OHLCV / 시장 데이터"] --> B["Position (위치, 박스, 밴드, 에너지)"]
    B --> C["Response (거절, 돌파, 버팀, 실패 반응)"]
    C --> D["State (semantic state, penalties, gains)"]
    D --> E["Forecast (continuation, reversal, false-break, management forecast)"]
    E --> F["Observe / Confirm Routing"]
    F --> G["Consumer Check / Entry Gating"]
    G --> H["Entry / Wait / Exit"]
    H --> I["Closed Result / Quality Labels"]
    I --> J["Teacher-State 25 + Compact Dataset"]

1. 왜 시작했는가

이 프로젝트의 문제의식은 “점수는 남지만 판단은 남지 않는다”는 데서 시작했습니다. 예전 구조는 raw score나 규칙 누적값으로 설명하기는 쉬웠지만, 실제로 사람이 차트를 읽을 때 보는 것은 점수 하나보다 훨씬 복잡한 흐름이었습니다.

  • 가격이 어디에 있는지
  • 그 위치에서 어떤 반응이 나왔는지
  • 그 반응이 continuation인지 reversal인지
  • 지금은 observe가 맞는지, confirm이 맞는지
  • 진입보다 기다림이 맞는지, 기다림보다 청산이 맞는지

즉 이 프로젝트는 “수익률이 좋은 전략 하나”보다, 시장을 어떻게 해석했고 왜 들어갔고 왜 기다렸고 왜 잘랐는지를 다시 설명 가능한 데이터 구조로 남기는 문제에 더 가깝습니다.

1-1. 점수만으로는 시장을 설명하기 어려웠다

raw score는 남아 있어도 메인 판단축이 될 수는 없었습니다. 사람이 차트를 볼 때는 위치와 반응, 그리고 그 이후의 transition을 함께 읽기 때문입니다.

1-2. 차트 직관을 데이터로 남겨야 했다

사람은 1분봉을 보고도 조용한 장, 추세 지속장, 브레이크아웃 직전, 페이크아웃 반전, 데드캣 바운스 같은 장세를 직관적으로 읽습니다. 하지만 이 직관이 데이터로 남지 않으면 나중에 학습도 검증도 할 수 없습니다.

1-3. 결과만이 아니라 과정이 보여야 했다

이 프로젝트에서 중요한 것은 “손익 얼마”보다 아래 질문에 답하는 구조였습니다.

  • 왜 들어갔는가
  • 왜 기다렸는가
  • 왜 잘랐는가
  • 그 판단이 결과적으로 맞았는가
CFD MT5 multi chart view
MT5 멀티 차트 운영 화면. 이 프로젝트는 차트 직관을 점수 하나가 아니라 위치와 반응의 흐름으로 남기려는 시도에서 출발했습니다.

2. 이 프로젝트를 어떤 구조로 생각했는가

이 프로젝트를 소개할 때 중요한 점은 “룰을 더 많이 만든 프로젝트”가 아니라, 이미 있는 엔진을 사람이 이해하는 state와 학습 가능한 데이터로 재정렬한 프로젝트라는 점입니다.

  • raw score는 남아 있어도 메인 판단축이 아님
  • 메인 판단은 position -> response -> state -> forecast 에 가까움
  • teacher-state는 이 구조 위에 사람이 이해하는 패턴 라벨을 얹는 층

즉 이 프로젝트는 시장 해석, 거래 lifecycle 기록, 학습 가능한 compact dataset 생성을 같이 만드는 쪽에 가깝습니다.

3. 기획 -> 생성 -> 수정

3-1. 기획

기획 단계에서 먼저 고정한 축은 아래 다섯 가지였습니다.

  1. teacher-state 25
  2. micro-structure Top10
  3. compact schema
  4. labeling QA
  5. experiment tuning

철학도 명확했습니다.

  • 새 엔진을 처음부터 만드는 것이 아니라 기존 position / state / forecast 구조를 활용한다
  • raw 전체를 오래 쌓기보다 학습 가능한 compact row로 남긴다

3-2. 생성

생성 단계에서는 micro-structure Top10을 실제 시스템 파이프라인에 심었습니다.

  • body_size_pct_20
  • upper_wick_ratio_20
  • lower_wick_ratio_20
  • doji_ratio_20
  • direction_run_stats
  • range_compression_ratio_20
  • volume_burst_decay_20
  • swing_high_retest_count_20
  • swing_low_retest_count_20
  • gap_fill_progress

이 10개는 새 지표를 더 붙이는 일이 아니라, “차트 모양 자체”를 숫자로 남기기 위한 canonical micro-structure state입니다.

실제 구현은 아래 순서로 진행됐습니다.

  1. OHLCV helper
  2. StateRawSnapshot 편입
  3. state vector / forecast harvest
  4. entry_decisions.csv hot payload 연결
  5. trade_closed_history.csv compact bridge 연결
  6. regression bundle 구축
  7. teacher-state casebook bridge 구축
  8. teacher_pattern_* compact schema 구축
  9. rule-based labeler 구축
  10. QA gate 구축
  11. bounded / richer backfill 구축

3-3. 수정

수정 단계에서는 “만들었다”에서 끝내지 않고, 실제 데이터에 붙여본 뒤 계속 보정했습니다.

  • payload flatness 문제 보정
  • entry_atr_ratio_flat 문제 해소
  • bounded backfill과 richer backfill 분리
  • confusion pair 관측과 튜닝
  • execution handoff를 gate 방식으로 관리
  • 장시간 runtime drift 가능성을 운영 가설로 분리

핵심은 모델을 한 번 학습시키는 것이 아니라, 라벨링과 운영 판단이 계속 설명 가능하게 유지되도록 보정 루프를 만드는 것이었습니다.

4. 현재 어디까지 왔는가

현재 상태는 “기초 공사”를 넘어서, 실제 labeled row를 누적하면서 coverage와 support를 확장하는 단계에 있습니다.

Total Closed Rows 8705 rows
Labeled Rows 2596 rows
QA Gate PASS_WITH_WARNINGS
Supported Patterns 1, 5, 9, 11, 14, 21, 25

현재 기준 요약:

  • micro-structure Top10 구축 완료
  • teacher_pattern_* compact schema 구축 완료
  • state25 rule-based labeler 구축 완료
  • Step 8 labeling QA gate 구축 완료
  • bounded backfill + richer detail micro backfill 적용 완료
  • Step 9-E1~E5 틀과 리포트 구축 완료
  • 현재는 labeler retune + tuned relabel + E1/E2/E3 재실행 이후 E5 재확인 게이트와 runtime 장기 관찰 단계

현재 labeled rows의 심볼 분포는 다음과 같습니다.

  • BTCUSD: 785
  • XAUUSD: 1030
  • NAS100: 781

현재 관측된 primary pattern은 1, 5, 9, 11, 12, 14, 21, 25이고, 현재 pilot baseline supported pattern은 1, 5, 9, 11, 14, 21, 25입니다.

현재 남아 있는 경고는 다음 세 가지입니다.

  • unlabeled_rows_present
  • rare_pattern_watch_triggered
  • low_confidence_review_required

즉 지금 단계의 핵심은 “엔진을 다시 만들기”가 아니라, 10K seed 확장, watchlist pair 관찰, runtime long-run drift 관찰을 통해 구조를 더 현실화하는 데 있습니다.

5. 무엇을 실제로 만들었는가

이 프로젝트에서 실제로 구현하고 묶은 것은 아래와 같습니다.

  • 1분봉 OHLCV를 micro-structure Top10으로 승격하는 helper와 state raw snapshot
  • position -> response -> state -> forecast 를 유지한 채 lifecycle을 compact dataset row로 연결하는 bridge
  • teacher_pattern_* compact schema
  • state25 rule-based labeler
  • labeling QA gate
  • bounded backfill과 richer detail micro backfill
  • guarded runtime recycle과 log_only 관찰 경로
  • 운영자가 현재 상태를 해석할 수 있는 API와 dashboard

채용 관점에서 중요한 포인트는, 이 프로젝트가 단순히 트레이딩 신호를 더 많이 만드는 작업이 아니라, 시장 해석과 거래 lifecycle 자체를 데이터 구조로 바꾸는 작업이라는 점입니다.

6. 운영 화면과 발표용 시각 자료

공개된 운영 화면

CFD dashboard home
Dashboard home. runtime 상태, 운영 지표, 학습 반영 요약, 공식 점수 보드를 한 화면에서 확인할 수 있도록 구성한 현재 운영 화면입니다.
CFD UI health check
UI health check. 분석 코드만이 아니라 운영 UI와 레이아웃 파이프라인까지 포함한 시스템이라는 점을 보여주는 보조 화면입니다.

지금 발표에서 보여주기 좋은 핵심 지표

현재 단계에서 가장 설득력 있는 지표는 수익률보다 아래 두 가지입니다.

  1. Teacher-Pattern Coverage 시장 상태를 얼마나 넓게 읽기 시작했는지 보여주는 지표입니다.
  2. Activation Funnel / Why Blocked 신호가 어떻게 진입까지 이어지거나 막히는지 보여주는 지표입니다.

한 줄로 말하면, 이 프로젝트는 “거래를 많이 하는 엔진”보다 “시장을 점점 더 넓게 읽고 기록하는 엔진”에 가깝습니다.

운영 화면 1장 구상

가장 만들고 싶은 운영 화면은 CFD Lifecycle Intelligence Board 입니다. 이 화면은 아래 네 구역으로 구성하는 것이 가장 자연스럽습니다.

영역 내용 데이터 소스
좌상단 Activation funnel entry_decisions.csv
우상단 Teacher-pattern coverage trade_closed_history.csv
좌하단 Top blocked reasons / observe reasons entry_decisions.csv
우하단 Wait / exit quality mix trade_closed_history.csv

이 보드는 단순 결과 화면이 아니라, 왜 활성화되었고 어디서 막혔으며 어떤 state가 쌓였는지를 한 번에 보여주는 시각화입니다.

7. 이 프로젝트에서 보여주고 싶은 역량

  • 차트 직관을 state와 lifecycle 데이터 구조로 바꾸는 능력
  • rule / state / forecast 기반 시스템을 학습 가능한 compact dataset으로 재정렬하는 능력
  • micro-structure, labeler, QA gate, backfill을 하나의 데이터 제품 흐름으로 묶는 능력
  • 설명 가능성과 학습 가능성을 동시에 고려하는 머신러닝 관점
  • FastAPI, 운영 API, dashboard를 통해 판단 근거를 화면으로 연결하는 능력
  • 테스트, 문서화, handoff 문서로 복잡도를 관리하는 습관

8. 한계와 다음 단계

이 프로젝트는 “완성됐다”고 과장하는 프로젝트보다, 구조를 만들고 붙이고 검증하고 운영으로 넘기는 프로젝트로 소개하는 쪽이 더 정확합니다.

현재 한계:

  • 25개 패턴 전체를 아직 다 커버하지는 못함
  • rare pattern은 시장 특성상 느리게 쌓임
  • execution handoff는 gate를 두고 보수적으로 진행 중
  • 장시간 runtime drift 가능성은 운영 가설로 분리해 관찰 중

다음 단계:

  • labeled seed를 더 넓게 확장
  • watchlist pair를 충분히 관찰
  • E5 재확인 타이밍 관리
  • coverage / activation / quality mix를 운영 화면으로 시각화

9. 마무리 한 줄

CFD는 자동매매 프로젝트가 아니라, 시장 해석을 데이터 구조로 바꾸고 거래 lifecycle을 학습 가능한 teacher-label 데이터로 남기는 프로젝트라고 소개하는 것이 가장 정확합니다.

업데이트: