호텔-주가 멀티모델 실험실: 여러 힌트를 한 번에 보기

오늘은 주가만 보지 않고 예약률, 계절성, 신호 같은 여러 힌트를 함께 보는 날입니다.

오늘의 목표

호텔-주가 실험실의 구조를 익힙니다.
ML 모델과 DL 모델을 한 화면에서 비교합니다.
특성 중요도, 신호, 혼동 행렬을 차근차근 읽어봅니다.

왜 이 실험이 재미있을까요?

이 화면은 단순히 "어제보다 올랐나?"만 보는 곳이 아닙니다.

예약률이 올라갔는지
지금이 성수기인지
신호가 자주 틀리는지

같은 여러 단서를 함께 봅니다.

쉽게 말해
호텔 데이터와 주가 흐름을 같이 읽는 예측 실험실입니다.

오늘의 낱말 6개

낱말	한자·영어	쉬운 뜻
계절성	季節性 / seasonality	계절마다 반복되는 흐름. 季(계절 계)+節(마디 절)+性(성질 성). 호텔처럼 성수기·비수기가 반복되는 패턴
멀티특성	多特性 / multi-feature	여러 힌트를 함께 쓰는 것. 多(많을 다)+特性(특성). 단일 특성이 아닌 여러 특성을 동시에 모델에 입력
신호	信號 / signal	지금 어떻게 행동하라는 표시. 信(믿을 신)+號(부를 호). "상승 확률 55% 이상 → 매수 신호"처럼 모델 출력을 행동 지시로 변환
혼동 행렬	混同行列 / confusion matrix	맞고 틀린 경우를 나눠 보는 표. 混(섞을 혼)+同(같을 동)+行列(행렬). 상승 예측이 맞은 경우와 틀린 경우를 4칸으로 정리
MLP	Multi-Layer Perceptron	기본적인 여러 층 신경망. 여러 은닉층을 쌓아 비선형 패턴을 학습하는 가장 기본적인 딥러닝 구조
은닉층	隱匿層 / hidden layer	입력층과 출력층 사이의 중간 계산 층. 隱(숨을 은)+匿(숨길 닉)+層(층 층). MLP에서 비선형 특징 조합이 학습되는 핵심 영역. 층이 많을수록 더 복잡한 패턴을 배울 수 있음

오늘 열 페이지

호텔-주가 실험실

오늘의 25분 코스

시간	할 일
5분	화면 탭 구조를 훑어봅니다.
10분	ML 모델 하나를 실행합니다.
10분	DL 모델 하나를 실행하고 둘을 비교합니다.

웹앱 따라 하기

호텔-주가 실험실을 엽니다.
먼저 랜덤 포레스트 같은 ML 모델을 실행합니다.
특성 중요도 탭에서 어떤 힌트가 상위에 있는지 봅니다.
예측 신호와 혼동 행렬도 확인합니다.
이번에는 신경망 같은 DL 모델로 바꿔 다시 실행합니다.
둘 중 어느 쪽이 읽기 쉬웠는지, 어느 쪽이 더 안정적으로 보였는지 적습니다.

오늘의 비교 기록표

모델	accuracy	AUC	상위 특성 1개	한 줄 느낌
ML 모델
DL 모델

관찰 미션

계절 관련 특성이 중요하게 보였나요?
예약률 관련 특성이 눈에 띄었나요?
ML 모델과 DL 모델 중 어느 쪽이 더 설명하기 쉬웠나요?
FP와 FN 중 어느 쪽이 더 많아 보였나요?

한 줄 숙제

호텔-주가 실험실에서는 주가만이 아니라 ________와(과) ________도 함께 본다.

여러 힌트를 같이 본다는 뜻을 쉬운 예시로 보면

예를 들어 여행 관련 종목을 본다고 해봅시다.

호텔 예약률 증가
방학 시즌 시작
환율 안정
유가 하락

이런 정보가 함께 오면 여행주 분위기가 좋아질 수 있습니다.

반대로

예약률 둔화
비수기
환율 급등
경기 둔화 뉴스

가 겹치면 조심해야 할 수 있습니다.

즉, 이 실험실은

종목 가격만 보는 것이 아니라
기술 지표와 업황 힌트도 보고
거시경제 날씨도 같이 보는 연습

이라고 생각하면 쉽습니다.

뉴스 테마 감지 AI는 어떻게 읽을까요?

새로 추가된 이벤트 투자 컨설팅 화면은
뉴스 문장을 보고 "이게 전쟁 이야기인지, 가뭄 이야기인지, 물가 이야기인지"를 먼저 짐작합니다.

이때 기본 방식은 임베딩 + 유사도 검색입니다.

아주 쉽게 말하면:

뉴스 문장을 숫자 벡터로 바꿉니다.
미리 준비한 대표 사건 문장도 숫자 벡터로 바꿉니다.
서로 얼마나 닮았는지 점수로 비교합니다.

예를 들면

중동 전쟁 확대로 유가 급등
가뭄으로 농산물 가격 상승
미국 CPI 급등으로 긴축 우려

같은 대표 문장들과 비교해서
지금 입력한 뉴스가 어느 테마와 가장 비슷한지 찾습니다.

KoBERT/FinBERT는 어디에 쓰일 수 있나요?

KoBERT: 한국어 뉴스 분류에 잘 맞는 한국어 언어모델
FinBERT: 금융 뉴스의 긍정/부정/중립 판단에 자주 쓰이는 금융 특화 언어모델

지금 저장소에서는 먼저 가벼운 임베딩 유사도 방식을 넣었고,
나중에는 KoBERT나 FinBERT 같은 분류 모델로 바꿔 꽂을 수 있게 구조를 열어 두었습니다.

DART 공시 데이터도 같이 보면 더 실전 같아요

이제 DART 공시 투자 파이프라인 화면에서는
뉴스만이 아니라 회사가 직접 낸 공시 숫자도 같이 읽을 수 있습니다.

쉽게 말하면:

뉴스는 밖에서 들은 소식
DART는 회사가 직접 제출한 공식 성적표

입니다.

어떤 CSV가 생기나요?

dart_fundamentals.csv
- 매출, 영업이익, 순이익, 부채비율 같은 재무 숫자
dart_disclosures.csv
- 최근 사업보고서, 임원 지분 변동, 정정 공시 같은 제목 모음
dart_invest_pipeline.csv
- 공시 숫자 + 최근 공시 + 가격 팩터를 합친 투자용 표

왜 투자자에게 좋을까요?

예를 들어 어떤 종목의 주가가 오르고 있어도

매출이 줄고
영업이익이 약하고
빚이 너무 많고
최근 공시가 복잡하다면

조금 더 조심해서 봐야 합니다.

반대로

매출이 늘고
영업이익이 좋아지고
부채비율이 안정적이고
최근 공시도 특별한 문제 없이 이어진다면

차트만 좋아 보이는 종목이 아니라
회사 체력도 같이 괜찮아 보이는 종목으로 볼 수 있습니다.

아주 쉬운 예시

삼성전자 매출이 커졌고 영업이익도 좋아졌어요.

이 말은

물건을 더 팔았고, 남긴 돈도 더 많아졌어요.

라는 뜻입니다.

부채비율이 낮아요.

이 말은

빚 가방이 너무 무겁지 않아요.

라는 뜻입니다.

이렇게 읽으면 숫자가 훨씬 덜 무섭습니다.

알고리즘 처리 흐름 (Day 11)

의사결정나무(Decision Tree) 흐름

flowchart TD
    A["루트: 전체 데이터"] --> B["불순도 최소화\n분기 조건 탐색 (Gini / Entropy)"]
    B --> C["왼쪽: 조건 충족"]
    B --> D["오른쪽: 조건 미충족"]
    C --> E{더 분기 가능?}
    D --> F{더 분기 가능?}
    E -- 예 --> G["재귀 분기"]
    E -- 아니오 --> H["리프 노드\n예측 클래스 (상승/하락)"]
    F -- 예 --> I["재귀 분기"]
    F -- 아니오 --> J["리프 노드\n예측 클래스 (상승/하락)"]

SVM 흐름

flowchart TD
    A["입력 특성 x\n(예약률·계절·가격 파생)"] --> B["커널 함수 φ(x)\n고차원 공간으로 변환 (선택)"]
    B --> C["최대 마진 초평면 탐색\nw·x + b = 0"]
    C --> D["서포트 벡터 결정\n마진 경계에 가장 가까운 점들"]
    D --> E{w·x + b ≥ 0?}
    E -- 예 --> F["양성 클래스\n상승 예측"]
    E -- 아니오 --> G["음성 클래스\n하락 예측"]

KNN 흐름

flowchart TD
    A["새 데이터 포인트\n(오늘 시장 상태)"] --> B["모든 학습 데이터와\n유클리드 거리 계산"]
    B --> C["가장 가까운 K개\n이웃 선택"]
    C --> D["K개 이웃의\n다수결 투표"]
    D --> E["예측 클래스 결정\n(상승 / 하락)"]

MLP (딥러닝) 흐름

flowchart TD
    A["입력층\n(예약률 30개 + 계절성 4개 + 가격파생 7개)"] --> B["은닉층 1\na = σ(W₁x + b₁)"]
    B --> C["은닉층 2\na = σ(W₂a + b₂)"]
    C --> D["출력층\nŷ = sigmoid(Wₙa + bₙ)"]
    D --> E["상승 확률 출력"]
    D --> F{학습 중?}
    F -- 예 --> G["역전파 + 가중치 업데이트"]
    G --> A

KoBERT / FinBERT 텍스트 분류 흐름

flowchart TD
    A["텍스트 입력\n(뉴스 문장)"] --> B["토큰화\n단어 → 서브워드 토큰"]
    B --> C["BERT 인코더\n양방향 Self-Attention (12층)"]
    C --> D["[CLS] 토큰 벡터 추출\n문장 전체 표현"]
    D --> E["분류 헤더\nDropout + Linear Layer"]
    E --> F["분류 출력"]
    F --> G["KoBERT: 한국어 뉴스 이벤트 분류\n(전쟁/물가/규제 등)"]
    F --> H["FinBERT: 금융 감성 분류\n(긍정/부정/중립)"]

알고리즘 계보도 (Day 11)

flowchart TD
    DT["의사결정나무\n(1986, Quinlan)"]
    RF["랜덤 포레스트\n(2001, Breiman)"]
    LogR["로지스틱 회귀\n(1958, Cox)"]
    SVM["SVM\n(1995, Vapnik)"]
    KNN["KNN\n(1951, Fix·Hodges)"]
    P["퍼셉트론\n(1958, Rosenblatt)"]
    MLP["신경망 MLP\n(1986, Rumelhart)"]
    Trans["Transformer\n(2017, Vaswani 외)"]
    BERT["BERT\n(2018, Google)"]
    KoBERT["KoBERT\n(2019, SKT)"]
    FinBERT["FinBERT\n(2019, ProsusAI)"]

    DT -->|"배깅·앙상블"| RF
    LogR -->|"최대 마진 경계"| SVM
    P -->|"다층 구조 + 역전파"| MLP
    MLP -->|"셀프 어텐션 + 병렬 처리"| Trans
    Trans -->|"양방향 사전학습"| BERT
    BERT -->|"한국어 말뭉치 사전학습"| KoBERT
    BERT -->|"금융 텍스트 파인튜닝"| FinBERT

    style DT fill:#fff9c4
    style RF fill:#c8e6c9
    style LogR fill:#fff9c4
    style SVM fill:#d4e6ff
    style KNN fill:#f5f5f5
    style P fill:#fff9c4
    style MLP fill:#d4e6ff
    style Trans fill:#e1bee7
    style BERT fill:#e1bee7
    style KoBERT fill:#f8bbd0
    style FinBERT fill:#f8bbd0

모델 상세 참고 (Day 11)

모델	수학적 의미	탄생 배경	주식투자 활용	만든 사람/대표 GitHub
의사결정나무(DT)	조건 분기(`if-then`)를 반복해 불순도(Gini/Entropy)를 줄입니다.	사람이 이해 가능한 규칙 기반 분류 요구에서 발전했습니다.	"예약률이 높고 성수기면 상승" 같은 규칙 해석이 쉽습니다.	Breiman, Friedman, Olshen, Stone(CART) · https://github.com/scikit-learn/scikit-learn/blob/main/sklearn/tree/_classes.py
SVM	최대 마진 초평면 `w^Tx+b=0`을 찾고 커널로 비선형 분류를 확장합니다.	소표본·고차원 데이터의 일반화 성능을 높이기 위해 개발되었습니다.	특성 수가 많고 경계가 애매한 구간에서 강한 분류 성능을 기대할 수 있습니다.	Vladimir Vapnik, Corinna Cortes · https://github.com/scikit-learn/scikit-learn/blob/main/sklearn/svm/_classes.py
KNN	가장 가까운 이웃 `k`개의 다수결/평균으로 예측합니다.	모형 가정이 약한 "메모리 기반 학습" 필요에서 오래 사용되었습니다.	비슷한 시장 상태의 과거 사례를 바로 참조하는 직관적 비교에 적합합니다.	Cover & Hart(이론 정립) · https://github.com/scikit-learn/scikit-learn/blob/main/sklearn/neighbors/_classification.py
MLP 계열(DL)	다층 은닉층으로 비선형 함수를 근사합니다.	복합 패턴 학습을 위해 심층 구조가 실무로 확장되었습니다.	예약률+계절성+가격 파생 특성의 결합 신호 포착에 유리합니다.	Rumelhart, Hinton, Williams · https://github.com/scikit-learn/scikit-learn/blob/main/sklearn/neural_network/_multilayer_perceptron.py
KoBERT	BERT 기반 한국어 문맥 임베딩/분류 모델입니다.	한국어 형태소·문맥 처리 성능 개선 요구로 개발되었습니다.	한국어 뉴스 이벤트 분류(전쟁/물가/규제) 고도화에 적합합니다.	SKTBrain · https://github.com/SKTBrain/KoBERT
FinBERT	금융 텍스트 도메인에 맞춘 BERT 계열 감성/분류 모델입니다.	일반 BERT의 금융 문맥 한계를 보완하려고 제안되었습니다.	뉴스 감성(긍정/부정/중립) 기반 종목 리스크 신호 생성에 활용됩니다.	ProsusAI/커뮤니티 구현 다수 · https://github.com/yya518/FinBERT

분야별 모델 쓰임새 및 적합도 (Day 11)

모델	데이터셋 형태	헬스케어	자율주행	주식투자	로봇	AI Ops
의사결정나무(DT)	정형 수치·범주 데이터, 소~중간 크기	진단 규칙 시각화, 임상 의사결정 지원(해석 용이)	저속 단순 환경 주행 규칙 학습	매수/매도 조건 규칙 이해, 전략 해석	단순 상황 기반 행동 결정, 규칙 기반 제어	운영 규칙 시각화, 알림 트리거 조건 설정
SVM	중간 크기 고차원 정형 데이터	의료 영상 특성 분류, 생체 신호 이상 감지	소규모 고차원 도로 상황 분류	경계가 애매한 구간 강한 분류 성능	비선형 상태 분류, 이상 감지	소규모 이상 탐지, 네트워크 침입 감지
KNN	소~중간 크기 정형 데이터	유사 환자 기반 진단 추천, 희귀 질환 탐색	유사 주행 상황 검색(소규모·저지연 불리)	유사 과거 시장 상태 참조, 직관적 비교	유사 동작 패턴 검색·재사용	유사 장애 패턴 과거 사례 검색
MLP 계열(DL)	정형 수치 데이터, 중간~대용량	복잡한 진단 패턴, 예약률+계절성 결합 신호	비선형 다중 센서 융합, 주행 결정 신호	예약률+계절성+가격 파생 특성 결합 신호	복잡한 동작 제어, 다감각 데이터 처리	복합 메트릭 이상 탐지, 장애 패턴 인식
KoBERT	한국어 텍스트(뉴스·의료 기록·문서)	한국어 의료 기록·보고서 분류 및 요약	한국어 교통 뉴스 감성 분석(간접)	한국어 뉴스 이벤트 분류(전쟁·규제·금리)	한국어 음성·명령 처리	한국어 장애 로그·인시던트 보고서 분류
FinBERT	영문 금융 텍스트(뉴스·보고서·공시)	의료 연구 문서 감성 분석(제한적 활용)	모빌리티 산업 뉴스 감성 분석(간접)	뉴스 감성(긍정/부정/중립) 기반 종목 신호	산업 뉴스 감성·리스크 분석(간접)	인시던트 보고서 감성 분류, 이슈 우선순위

모델 혼합 & 검증 아이디어 (Day 11)

호텔-주가 실험실의 모델들은 ML(의사결정나무·SVM·KNN)과 DL(MLP)이 함께 있습니다.
여기에 텍스트 모델(KoBERT·FinBERT)까지 더하면 가격·데이터·뉴스를 모두 보는 종합 파이프라인이 됩니다.

혼합 아이디어

혼합 방법	어떻게 섞나요?	왜 좋을까요?
ML + DL 스태킹	ML 모델(랜덤 포레스트·GBM·SVM)의 예측 확률을 새로운 특성으로 만들어, MLP에 다시 넣어 최종 판단	ML 모델이 1차 특징을 추출하고, MLP가 그 특징을 바탕으로 더 정교한 결정을 내림
텍스트 + 정형 데이터 결합	FinBERT로 오늘 금융 뉴스 감성(긍정/부정)을 수치화하고, 기존 ML/DL 모델의 특성에 추가해 학습	차트 숫자만 보는 모델에 뉴스 감성이라는 추가 힌트를 주어 이벤트 발생일 예측 품질을 높임
KNN 유사 사례 검증	KNN으로 "지금 시장 상태와 가장 비슷했던 과거 날짜"를 찾고, 그 날 이후 주가가 어떻게 됐는지 확인해 다른 모델 결과를 검증하는 참고 자료로 활용	복잡한 모델 결과를 직관적인 과거 사례로 교차 검증

검증 방법

혼동 행렬 상호보완 확인: 모델 A가 틀리는 케이스(FP·FN)와 모델 B가 틀리는 케이스가 다른지 비교합니다. 서로 다른 케이스를 틀리는 모델끼리 섞으면 앙상블 효과가 큽니다.
계절성 구간별 성능 분해: 성수기와 비수기 구간으로 나눠 ML과 DL 모델 중 어느 쪽이 계절 패턴을 더 잘 잡는지 비교합니다.
감성 신호 기여도 분석: FinBERT 감성 점수를 특성으로 추가했을 때와 하지 않았을 때의 AUC 차이를 봅니다. 차이가 크면 뉴스 감성이 중요한 힌트입니다.
앙상블 혼동 행렬 비교: 단일 모델의 혼동 행렬과 ML+DL 스태킹 앙상블의 혼동 행렬을 나란히 놓고 FP·FN이 얼마나 줄었는지 확인합니다.

아주 쉽게 말하면: 의사(ML), 전문의(DL), 심리 상담사(텍스트 모델)가 모두 같은 환자를 보고 종합 의견을 내면, 한 명이 진단하는 것보다 훨씬 정확합니다.
가격 데이터, 계절성, 뉴스 감성을 함께 보는 것도 같은 원리입니다.

웹앱 안쪽 들여다보기

호텔-주가 실험실 API

POST /api/hotel-stock/train 은 아래 모델을 받을 수 있습니다.

ML: logistic, dt, rf, gbm, svm, knn
DL: mlp_1, mlp_2, mlp_3, mlp_deep

서버는 호텔 예약률, 계절성, 가격 특성을 합쳐

accuracy, AUC
혼동 행렬
상위 특성
예측 신호 를 돌려줍니다.

DART 공시 파이프라인은 어떤 주소를 쓸까요?

GET /api/dart/overview
GET /api/dart/companies
GET /api/dart/companies/{stock_code}

이 기능을 쓰려면 먼저 DART_API_KEY 를 넣고 scripts/refresh_datasets.py 를 실행해 CSV를 준비해야 합니다.

즉, Day 11은 멀티특성 모델 결과와 회사 공식 성적표를 연결해서 읽는 연습으로 넓혀갈 수 있습니다.

Qdrant 벡터 DB를 직접 확인해보기

이벤트 뉴스 분류를 임베딩 + 유사도 검색으로 확장할 때는 벡터 저장소를 눈으로 확인해보는 것이 좋습니다.
웹앱의 Qdrant 벡터 뷰어 에서 Docker Qdrant 데이터를 바로 볼 수 있습니다.

1) 컬렉션 목록 확인

Qdrant는 REST API로 컬렉션과 포인트를 조회할 수 있습니다.
가장 기본 조회는 다음과 같습니다.

curl "http://localhost:6333/collections"

2) 포인트 벡터 샘플 확인

curl -X POST "http://localhost:6333/collections/my_collection/points/scroll" \
  -H "Content-Type: application/json" \
  -d '{"limit": 50, "with_vector": true, "with_payload": true}'

vector: 임베딩 숫자 배열
payload: 원문 메타데이터(문장, 태그 등)

3) 왜 차원 축소가 필요한가요?

벡터는 보통 수백 차원이라서 그대로는 시각적으로 이해하기 어렵습니다.

PCA: 빠르고 선형적인 축소
t-SNE: 군집 구조를 잘 보여줌
UMAP: 큰 데이터에서도 효율적

즉, Qdrant(저장·검색) + 차원 축소(해석) + 시각화(탐색) 흐름으로 보면 벡터 DB를 훨씬 쉽게 이해할 수 있습니다.

4) 이 저장소에서 바로 확인할 수 있는 API

GET /api/qdrant/status
GET /api/qdrant/collections
GET /api/qdrant/collections/{collection_name}/points?limit=30

벡터 차원, 샘플 값, payload를 함께 보면 "뉴스 문장 임베딩이 실제로 어떤 형태로 저장되는지"를 빠르게 점검할 수 있습니다.

Uh oh!

FilesExpand file tree

11.md

Latest commit

History