AI 지도 산책: 어떤 문제를 푸는 걸까?

어려운 이름을 다 외우기보다, "AI가 주식 예측에서 무슨 역할을 하는지" 감을 잡는 날입니다.

오늘의 목표

회귀, 분류, 군집화, 시계열을 초급자도 이해할 말로 구분합니다.
문서만 읽고 끝내지 않고 웹앱에서 첫 실행까지 해봅니다.

12일 커리큘럼 한눈에 보기

Day	주제	오늘 여는 웹앱
1	AI 지도 보기	웹앱 첫 화면의 `메인 학습 허브`
2	모델 기본기	`메인 학습 허브` + 첫 화면의 `실데이터 모델 비교` 메뉴
3	순서 읽는 모델	`메인 학습 허브`
4	최신 시계열 모델	`메인 학습 허브` + `모델 비교실` 메뉴
5	허브 사용법 익히기	`메인 학습 허브`
6	같은 데이터로 모델 4개 비교	첫 화면의 `실데이터 모델 비교` 메뉴
7	지도학습과 군집화 놀이터	첫 화면의 `실데이터 모델 비교` 메뉴
8	뉴런 계산 맛보기	첫 화면의 `실데이터 모델 비교` 메뉴
9	CSV 업로드 실험	첫 화면의 `파일 업로드형 예측` 메뉴
10	평가와 백테스트 읽기	`실데이터 모델 비교` 메뉴 + `모델 비교실` 메뉴
11	호텔-주가 멀티모델 비교	첫 화면의 `모델 비교실` 메뉴
12	종합 미니 프로젝트	`메인 학습 허브` + `실데이터 모델 비교` + `파일 업로드형 예측` 메뉴

아주 쉽게 이해하기

AI 모델은 마법 상자가 아닙니다.
컴퓨터가 문제를 푸는 작은 계산 규칙 묶음입니다.

문제 종류는 크게 6가지로 보면 쉽습니다.

문제 이름	쉬운 뜻	생활 비유
회귀	숫자를 맞히기	내일 종가가 몇 원일까?
분류(클래스분류)	이름표 고르기	내일 주가가 오를까, 내릴까?
군집화(클러스터링)	비슷한 것끼리 모으기	비슷하게 움직이는 종목끼리 묶기
추천	좋아할 것 골라주기	"이 종목도 봐봐!" 하고 알려주기
차원축소	복잡한 걸 간단하게 줄이기	100가지 정보를 2~3가지로 요약하기
시계열	시간 순서로 읽기	지난주부터 오늘까지 주가 흐름 이어 읽기

주가 공부에 대입하면 이렇게 됩니다.

회귀: "내일 가격이 몇 원쯤일까?"
분류: "내일 오를까, 내릴까?"
군집화: "비슷하게 움직이는 종목끼리 묶을 수 있을까?"
추천: "내가 관심 가질 만한 다른 종목이 뭘까?"
차원축소: "100개 지표 중 핵심 2~3개만 뽑아 보면 어떨까?"
시계열: "지난주부터 오늘까지 흐름을 같이 보면 뭐가 보일까?"

ML 응용분야 5가지 — 초급자도 이해하는 예시

🍎 1. 클래스분류 (Classification) — "이름표 붙이기"

컴퓨터가 사진이나 숫자를 보고 "이건 A야, 저건 B야" 하고 이름표를 붙이는 일입니다.

쉬운 비유	실생활 예시	AI 적용 예시
과일 바구니 정리	"이건 사과, 저건 배, 이건 바나나!"	사진을 보고 강아지/고양이/새 구분
우편함 정리	"이 편지는 중요한 것, 저건 광고지!"	이메일이 스팸인지 아닌지 자동 분류
신호등 보기	"빨강=멈춰, 초록=가!"	운전 중 신호등 색 인식

주식에서는?
"내일 이 종목이 오를까(↑), 내릴까(↓), 유지될까(→)?" — 세 가지 중 하나를 골라 이름표를 붙입니다.

🌟 초급자 버전: 색종이를 보고 "빨강/파랑/노랑" 중 하나를 말하는 것처럼, AI도 데이터를 보고 가장 어울리는 이름을 말합니다.

🧩 2. 클러스터링 (Clustering) — "비슷한 것끼리 모으기"

정답을 알려주지 않아도 컴퓨터가 스스로 비슷한 것끼리 묶어 그룹을 만드는 일입니다.

쉬운 비유	실생활 예시	AI 적용 예시
레고 정리	같은 색깔·모양 레고끼리 바구니에 담기	고객을 구매 패턴별로 자동 그룹 나누기
반 친구 모둠	취미가 비슷한 친구들끼리 자연스럽게 모이기	음악 취향이 비슷한 사람들 묶기
동물원 우리	초식동물/육식동물/조류 우리를 따로 두기	동물 사진을 종류별로 자동 분류

주식에서는?
종목들을 "안정형 주식 / 성장형 주식 / 변동성 큰 주식"처럼 성격별로 자동으로 묶어 봅니다.

🌟 초급자 버전: 선생님이 "비슷한 애들끼리 앉아봐!" 했을 때 AI가 알아서 그룹을 정해주는 것과 같아요.

🎁 3. 추천 (Recommendation) — "네가 좋아할 것 같아!"

내가 좋아했던 것들을 기억해서 앞으로 좋아할 것을 골라 알려주는 일입니다.

쉬운 비유	실생활 예시	AI 적용 예시
단짝 친구	"너 어제 액션 영화 좋아했잖아, 이것도 봐봐!"	넷플릭스·유튜브 "다음 영상 추천"
도서관 사서	"공룡 책 좋아하면 이 공룡 책도 읽어봐!"	온라인 서점 "이 책도 어때요?"
급식 메뉴 추천	"어제 치킨카레 다 먹었으니 오늘은 닭갈비 어때?"	배달 앱 "자주 시키는 음식 추천"

주식에서는?
"삼성전자에 관심 있으신가요? SK하이닉스도 비슷하게 움직입니다!" 하고 관련 종목을 알려줍니다.

🌟 초급자 버전: 유튜브에서 영상 하나 보면 옆에 "이것도 보세요!" 목록이 뜨는 것, 그게 바로 추천 AI예요.

📏 4. 회귀 (Regression) — "숫자를 딱 맞히기"

미래의 숫자값을 예측하는 일입니다. "얼마나?"라는 질문에 답합니다.

쉬운 비유	실생활 예시	AI 적용 예시
키 재기	"키가 160cm면 몸무게는 몇 kg쯤?"	집 크기·위치·층수로 집값 예측
성적 예측	"공부를 5시간 하면 몇 점쯤 맞을까?"	광고비를 얼마 쓰면 매출이 얼마 오를까?
날씨 예측	"오늘 최고 기온이 몇 도일까?"	전력 회사가 내일 전기 사용량 예측

주식에서는?
"내일 삼성전자 주가가 몇 원쯤일까?" — 딱 떨어지는 숫자를 예측합니다.

🌟 초급자 버전: "사과가 3개면 값이 얼마야?" 하고 곱하기 계산하는 것처럼, AI도 관계를 배워서 숫자를 맞힙니다.

🗺️ 5. 차원축소 (Dimensionality Reduction) — "복잡한 걸 간단하게 줄이기"

엄청나게 많은 정보를 핵심만 남겨 2~3가지로 요약하는 일입니다.

쉬운 비유	실생활 예시	AI 적용 예시
지도 만들기	3D 지구를 2D 종이 지도로 펼치기	고차원 데이터를 2D 그래프로 시각화
성적표 요약	"10개 과목 점수 대신 문과형/이과형으로 요약"	수백 개 유전자 정보를 몇 가지 특징으로 묶기
짐 싸기	"여행 가방에 꼭 필요한 것만 넣기"	100개 주식 지표 중 핵심 2개만 뽑아내기

주식에서는?
거래량·이동평균·RSI·볼린저밴드 등 수십 개 지표를 2~3개의 "핵심 요약"으로 줄여 차트로 보기 쉽게 만듭니다.

🌟 초급자 버전: 100쪽짜리 책을 읽고 "한 줄 요약"을 만드는 것처럼, AI도 복잡한 데이터를 간단한 숫자 몇 개로 요약합니다.

한눈에 비교하기

응용분야	한 마디 요약	질문 유형	초등 비유
클래스분류	이름표 붙이기	"이게 뭐야?"	과일 바구니 정리
클러스터링	비슷한 것 묶기	"어떤 그룹이야?"	레고 색깔별 정리
추천	좋아할 것 찾기	"다음에 뭘 보여줄까?"	단짝이 영화 골라주기
회귀	숫자 예측	"얼마야?"	키 보고 몸무게 맞히기
차원축소	핵심만 요약	"줄이면 뭐가 남아?"	100쪽 책 한 줄 요약

대표 알고리즘을 수학으로 보면

Day 1에서는 문제 이름만 익혀도 충분하지만,
이 저장소에서 실제로 연결되는 대표 알고리즘을 수학 한 줄로 보면 감이 더 빨리 잡힙니다.

문제 종류	대표 알고리즘	핵심 식	쉬운 수학 해석	GitHub 설명/구현
회귀	선형회귀	`ŷ = w·x + b`, minimize `Σ(y - ŷ)^2`	입력 힌트를 직선으로 합쳐 숫자를 예측하고, 전체 오차 제곱합이 가장 작아지게 맞춥니다.	README · practice.py
분류	로지스틱 회귀	`p(y = 1	x) = σ(w·x + b)`	점수를 시그모이드로 눌러 0~1 확률로 바꾼 뒤 상승/하락 둘 중 하나를 고릅니다.
군집화	K-Means	minimize `Σ		x_i - μ_{c(i)}
시계열	RNN	`h_t = tanh(W_x x_t + W_h h_{t-1} + b)`	바로 전 상태를 다음 계산에 넘겨 시간 순서를 기억하며 다음 값을 읽습니다.	README · practice.py

오늘의 낱말 4개

낱말	한자·영어	아주 쉬운 뜻
모델	模型 / model	현실을 흉내 내는 계산 틀. 模(본뜰 모)+型(모형 형). 진짜 세상을 그대로 담는 대신 중요한 부분만 작게 흉내 낸 것
특성	特性 / feature	모델이 보는 힌트. 特(특별할 특)+性(성질 성). 가격·거래량·이동평균처럼 모델에 넣는 각각의 숫자 정보
확률	確率 / probability	얼마나 그럴 것 같은지 숫자로 말한 것. 確(확실할 확)+率(비율 률). "상승 확률 72%"처럼 가능성을 0~1 사이 숫자로 표현
패턴	pattern	반복해서 보이는 모양. 데이터에서 일정하게 되풀이되는 구조나 흐름

오늘 열 페이지

웹앱 첫 화면의 메인 학습 허브
첫 화면에서 들어가는 실데이터 모델 비교 메뉴(주식 AI 실험실)

오늘의 20분 코스

시간	할 일
5분	이 문서에서 문제 4종류를 읽습니다.
5분	웹앱 첫 화면의 `메인 학습 허브`에서 `chapter05`, `chapter06`, `chapter09`, `chapter101`처럼 이름이 다른 챕터를 눈으로만 훑습니다.
10분	첫 화면의 `실데이터 모델 비교` 메뉴로 들어가 샘플 데이터를 불러오고 모델 하나를 실행합니다.

웹앱 따라 하기

웹앱 첫 화면을 열고 메인 학습 허브부터 봅니다.
왼쪽에서 아무 챕터나 하나 눌러 설명 탭을 봅니다.
이번에는 첫 화면 카드 중 실데이터 모델 비교 메뉴로 이동합니다.
샘플 데이터를 불러온 뒤 모델 하나를 선택합니다.
AI 분석 시작!을 눌러 결과 카드가 나온다는 것만 확인합니다.

오늘은 숫자를 완벽히 해석하지 않아도 괜찮습니다.
문서 읽기 -> 버튼 누르기 -> 결과 보기 흐름을 몸으로 익히는 게 더 중요합니다.

관찰 미션

결과 화면에서 제일 먼저 보이는 숫자는 무엇이었나요?
모델 이름이 달라도 "데이터를 넣고 결과를 본다"는 흐름은 같았나요?
네 가지 문제 중 오늘 내가 제일 궁금한 것은 무엇이었나요?

한 줄 숙제

아래 문장을 빈칸 채우기처럼 적어보세요.

AI 모델은 ________을(를) 보고 ________을(를) 예측하는 계산 도구다.

예시:

AI 모델은 가격과 거래량을 보고 내일 오를지 내릴지를 예측하는 계산 도구다.

쉬운 주식 예시 3종 세트

보는 것	초급자식 질문	쉬운 예시
종목	"삼성전자 내일 오를까?"	최근 며칠 가격과 거래량을 보고 `오를까/내릴까`를 맞혀 봅니다.
기술 지표	"5일 이동평균선이 20일 이동평균선 위로 올라갔네?"	`골든크로스`가 나오면 상승 힘이 붙는지 예측해 봅니다.
거시경제	"미국 금리가 오르면 우리 시장은 어떨까?"	금리, 환율, 유가가 같이 움직일 때 자동차주나 반도체주가 흔들리는지 살펴봅니다.

아주 쉽게 말하면:

종목 예측은 한 회사의 내일을 보는 일
지표 예측은 차트 신호의 뜻을 읽는 일
거시경제 예측은 시장 전체 날씨를 보는 일

밖에서 가져오면 좋은 데이터는 무엇일까요?

주가만 보면 한 회사의 움직임만 보입니다.
하지만 투자자는 바깥 날씨도 같이 봐야 합니다.

예를 들면:

DART: 회사가 직접 낸 성적표
FRED: 금리, 물가, 실업률, VIX 같은 세계 시장 날씨
World Bank: 한국 경제 체력 같은 긴 흐름
KOSIS: 한국 안의 더 자세한 통계

아주 쉽게 말하면

DART는 학교 생활기록부
FRED는 운동장 날씨판
World Bank는 나라 건강검진표
KOSIS는 우리 동네 자세한 기록장

입니다.

이 저장소의 새 거시경제 투자 파이프라인 메뉴는
이런 바깥 데이터를 모아서 ML/DL 학습 예제로 연결해 줍니다.

알고리즘 처리 흐름 (Day 1)

선형회귀 흐름

flowchart TD
    A["입력 특성 x"] --> B["가중합 계산\nŷ = w·x + b"]
    B --> C["예측값 ŷ"]
    C --> D{학습 중?}
    D -- 예 --> E["오차 계산\nMSE = Σ(y−ŷ)²/n"]
    E --> F["최소제곱법으로\n가중치 w, 편향 b 업데이트"]
    F --> A
    D -- 아니오 --> G["최종 예측값 출력\n(내일 종가 예측)"]

로지스틱 회귀 흐름

flowchart TD
    A["입력 특성 x\n(수익률·이동평균·거래량 등)"] --> B["선형 결합\nz = w·x + b"]
    B --> C["시그모이드 변환\np = σ(z) = 1 / (1 + e⁻ᶻ)"]
    C --> D{p ≥ 0.5?}
    D -- 예 --> E["상승 예측 = 1\n매수 신호"]
    D -- 아니오 --> F["하락 예측 = 0\n관망 신호"]

K-Means 군집화 흐름

flowchart TD
    A["데이터 입력\n(종목별 수익률·변동성)"] --> B["K개 중심점 랜덤 초기화"]
    B --> C["각 점을 가장 가까운\n중심에 할당"]
    C --> D["군집 평균으로\n중심점 업데이트"]
    D --> E{중심점 수렴?}
    E -- 아니오 --> C
    E -- 예 --> F["군집화 완료\n(안정형·성장형·변동성형 분류)"]

RNN 흐름

flowchart TD
    A["시점 t 입력 xₜ\n(오늘 주가·거래량)"] --> B["가중합\nz = Wₓ·xₜ + W_h·h_{t-1} + b"]
    B --> C["은닉 상태\nhₜ = tanh(z)"]
    C --> D["출력 yₜ\n(방향 예측)"]
    C --> E["hₜ를 다음 시점으로 전달"]
    E --> F["시점 t+1 입력 x_{t+1}"]
    F --> B

알고리즘 계보도 (Day 1)

flowchart TD
    LS["최소제곱법\n(1805, Legendre·Gauss)"]
    LR["선형 회귀\n(1800s)"]
    LogR["로지스틱 회귀\n(1958, Cox)"]
    P["퍼셉트론\n(1958, Rosenblatt)"]
    MLP["MLP·역전파\n(1986, Rumelhart)"]
    RNN["RNN\n(1986, Jordan·Elman)"]
    KM["K-Means\n(1957, Lloyd)"]

    LS -->|"오차 최소화"| LR
    LR -->|"이진 분류 확장"| LogR
    LogR -->|"단일 뉴런화"| P
    P -->|"다층 구조 + 역전파"| MLP
    MLP -->|"시계열 입력 순환"| RNN

    style LS fill:#f5f5f5
    style LR fill:#f5f5f5
    style LogR fill:#fff9c4
    style P fill:#fff9c4
    style MLP fill:#d4e6ff
    style RNN fill:#d4e6ff
    style KM fill:#c8e6c9

모델 상세 참고 (Day 1)

모델	수학적 의미	탄생 배경	주식투자 활용	만든 사람/대표 GitHub
선형회귀	`y = w^Tx + b`에서 MSE(평균제곱오차)를 최소화해 계수를 구합니다.	천문·측지 오차 보정을 위해 최소제곱법(르장드르/가우스)이 정립되며 발전했습니다.	수익률·가격을 연속값으로 예측하는 기준선(Baseline) 모델로 유용합니다.	Adrien-Marie Legendre, C.F. Gauss · https://github.com/scikit-learn/scikit-learn/blob/main/sklearn/linear_model/_base.py
로지스틱 회귀	`P(y=1	x)=σ(w^Tx+b)`로 상승/하락 확률을 추정합니다.	의학·사회통계의 이진 사건 분석 문제에서 확률 분류기로 확장되었습니다.	내일 상승 확률, 이벤트 발생 확률 같은 이진 의사결정에 적합합니다.
K-Means	`Σ		x_i-μ_{c(i)}
RNN	`h_t=f(W_xx_t+W_hh_{t-1}+b)`로 이전 상태를 다음 시점 계산에 전달합니다.	시퀀스(언어·음성·시계열)에서 "순서 기억"이 필요해 1990년대 본격 연구되었습니다.	최근 며칠 흐름을 반영한 다음 날 방향/수익률 예측의 기본 시계열 신경망입니다.	Jeffrey Elman(Elman RNN) · https://github.com/pytorch/pytorch

분야별 모델 쓰임새 및 적합도 (Day 1)

모델	데이터셋 형태	헬스케어	자율주행	주식투자	로봇	AI Ops
선형회귀	정형 수치 CSV, 연속값 레이블	혈압·혈당 수치 예측, 복용량-반응 곡선 추정	속도·가속도 제어 값 예측(단순 보간)	가격·수익률 기준선 예측, 지표 회귀 분석	관절 토크·위치 보간 계산	서버 자원 사용량 추이 예측, 비용 추정
로지스틱 회귀	정형 수치·범주 데이터, 이진 레이블	질병 진단(암 유무), 재입원 위험 분류	장애물 유무 이진 분류(저복잡도 환경)	상승/하락 기준선 분류, 이벤트 발생 확률	이상 동작 감지(OK/NG 이진 분류)	서비스 장애 발생 여부 분류, 알림 트리거
K-Means	레이블 없는 정형 수치 데이터	환자 증상 유형 군집, 유전자 발현 패턴 분류	도로 환경 상황 군집, 센서 이상 패턴 묶기	종목 성향 군집(방어주·성장주·테마주)	환경 상태 군집화, 태스크 유형 자동 분류	로그 이상 패턴 군집, 트래픽 프로파일 분류
RNN	순서 있는 시계열·텍스트 데이터	ECG·EEG 신호 분석, 환자 상태 추이 예측	차량 궤적 단기 예측, 센서 시계열 처리	단기 주가 방향·모멘텀 예측	모션 시퀀스 학습, 작업 순서 기억 처리	로그 시퀀스 이상 감지, 메트릭 단기 추이

모델 혼합 & 검증 아이디어 (Day 1)

주식 투자 솔루션을 만들 때는 모델 하나만 믿기보다 여러 모델을 섞어서 서로를 보완하면 더 안정적입니다.
Day 1에서 소개한 4가지 모델을 조합하면 이런 파이프라인을 생각해볼 수 있습니다.

혼합 아이디어

혼합 방법	어떻게 섞나요?	왜 좋을까요?
회귀 + 분류 이중 모델	선형회귀로 "내일 가격"을 예측하고, 로지스틱 회귀로 "방향(오를지/내릴지)"을 예측해 두 신호를 함께 봄	가격 예측과 방향 예측이 모두 같은 방향을 가리킬 때만 신호를 믿을 수 있음
군집화 → 분류 파이프라인	K-Means로 "이 종목은 안정형인지 변동성형인지" 먼저 나눈 뒤, 각 군집에 맞는 로지스틱/RNN 모델을 따로 학습	성격이 다른 종목을 한 모델로 억지로 학습하면 패턴이 섞이므로, 먼저 묶고 나서 학습하면 더 깔끔한 결과를 얻음
시계열 앞단 + 분류 뒷단	RNN이 최근 흐름을 읽어 "요약 신호"를 만들고, 로지스틱 회귀가 그 신호로 상승/하락을 판단	시간 흐름 정보와 정형 특성을 함께 쓰는 간단한 혼합 방식

검증 방법

회귀 모델 검증: 예측 가격과 실제 가격의 차이를 RMSE(평균제곱근오차)로 확인합니다.
분류 모델 검증: AUC와 정확도로 방향이 잘 맞는지 확인합니다.
군집화 검증: K 값을 2, 3, 4로 바꾸며 군집이 의미 있게 나뉘는지 봅니다. 같은 군집 안의 종목이 실제로 비슷하게 움직이는지 차트로 비교합니다.
교차 검증 기본 원칙: 미래 날짜 데이터가 학습에 들어가지 않도록 항상 "앞쪽 기간 학습 → 뒤쪽 기간 테스트" 순서를 지킵니다.

아주 쉽게 말하면: 회귀는 "몇 원?"을 맞히고, 분류는 "오를까 내릴까?"를 맞힙니다.
둘 다 같은 방향을 가리킬 때 신호를 더 신뢰할 수 있습니다.

웹앱 안쪽 들여다보기

프론트엔드와 백엔드는 어떻게 나뉠까요?

프론트엔드는 버튼, 표, 차트처럼 눈에 보이는 화면입니다.
백엔드는 FastAPI 서버 안에서 Python으로 계산하는 주방입니다.
이 저장소의 중심 파일은 backend/app/main.py이고, 챕터 실습 코드는 backend/app/chapters/ 아래에 있습니다.

화면과 서버 주소를 짝지어 보면

화면	하는 일	주로 연결되는 API
`/`	메인 학습 허브	`/api/chapters`, `/api/docs`
`/lab`	주식 AI 실험실	`/api/stock/analyze`
`/predict`	CSV 업로드 실험	`/api/stock/predict-target`, `/api/stock/sample-csv`
`/hotel-stock`	멀티특성 비교 실험	`/api/hotel-stock/train`
`/datasets`	CSV 미리보기	`/api/datasets`, `/api/datasets/{id}`
`/dart`	공시 투자 파이프라인	`/api/dart/overview`, `/api/dart/companies`
`/macro`	거시경제 투자 파이프라인	`/api/macro/overview`, `/api/macro/train`
`/advisor`	뉴스 이벤트 컨설팅	`/api/stock/news-consult`

API는 무엇일까요?

GET은 가져오기입니다. 예: GET /api/docs
POST는 데이터를 보내고 계산시키기입니다. 예: POST /api/stock/analyze

즉, 웹앱에서 버튼을 누르면 화면이 API로 주문서를 보내고, 서버가 계산한 뒤 JSON 결과를 다시 돌려주는 구조입니다.

거래량·이동평균·RSI·볼린저밴드 기술적 분석 지표 가이드

거래량, 이동평균, RSI, 볼린저밴드는 주식·암호화폐 등 금융시장에서 가장 널리 사용되는 기술적 분석 지표들입니다.

1. 거래량 (Volume)

의미: 특정 기간 동안 거래된 주식(또는 코인)의 총 수량.
중요성: 가격 움직임의 신뢰도를 판단하는 핵심 지표.
- 가격 상승 + 거래량 증가 → 강한 상승 추세
- 가격 상승 + 거래량 감소 → 상승 동력 약화
- 가격 하락 + 거래량 증가 → 강한 하락 추세
- 가격 하락 + 거래량 감소 → 하락 동력 약화 (반전 가능성)

실전 팁: 거래량이 급증하면서 가격이 움직일 때 추세 전환 신호로 활용.

2. 이동평균 (Moving Average, MA)

의미: 일정 기간 동안의 평균 가격을 연결한 선.
주요 종류:
- 단순 이동평균 (SMA)
- 지수 이동평균 (EMA) — 최근 가격에 더 많은 가중치
일반적으로 사용하는 기간: 5일, 10일, 20일(단기), 60일, 120일, 200일(중·장기)

해석 방법:

단기 MA가 장기 MA를 위로 뚫음 → 골든크로스 (매수 신호)
단기 MA가 장기 MA를 아래로 뚫음 → 데드크로스 (매도 신호)
가격이 이동평균 위 → 상승 추세
가격이 이동평균 아래 → 하락 추세

3. RSI (Relative Strength Index)

개발자: J. Welles Wilder
범위: 0 ~ 100
계산 기간: 보통 14일

해석 기준:

70 이상: 과매수 (조정 가능성)
30 이하: 과매도 (반등 가능성)
50 부근: 중립
다이버전스: 가격 신고가 vs RSI 하락 → 상승 동력 약화 (강한 매도 신호)

4. 볼린저밴드 (Bollinger Bands)

개발자: John Bollinger
구성:
- 중간 밴드: 20일 SMA
- 상단 밴드: 중간 + 2표준편차
- 하단 밴드: 중간 - 2표준편차