📊 AI 퀀트 통합 운용 대시보드 구축 – Streamlit으로 실시간 트레이딩·리스크·성과를 한눈에

📊 AI 퀀트 통합 운용 대시보드 구축 – Streamlit으로 실시간 트레이딩·리스크·성과를 한눈에

— “AI가 투자하고, 나는 결과만 확인한다.” 완전 자동화된 퀀트 대시보드 만들기

이제 우리 시스템은 AI가 스스로 학습하고, 예측하고, 투자하는 단계까지 왔습니다.
이번 글에서는 그 모든 결과를 한 화면에서 직관적으로 모니터링할 수 있는 대시보드를 만들어봅니다.

즉, 지금까지 만든

• 데이터 수집
• 모델 예측
• 리스크 관리
• 자산배분
• 백테스트 및 실거래 결과
  이 모든 걸 통합하는 AI 운용 콘솔을 완성합니다.

---

🎯 목표

“하나의 Streamlit 화면에서
① AI 모델 상태,
② 실시간 시장 데이터,
③ 포트폴리오 비중,
④ 누적 수익률,
⑤ 리스크 지표를
실시간으로 모니터링한다.”

---

⚙️ 1️⃣ Streamlit 환경 구성

pip install streamlit plotly requests pandas redis sqlalchemy

• plotly: 실시간 차트 시각화
• redis: 실시간 데이터 캐시
• sqlalchemy: PostgreSQL 데이터베이스 연결

---

🧱 2️⃣ 전체 레이아웃 구성

import streamlit as st
import pandas as pd
import plotly.express as px
import requests, redis, json
from sqlalchemy import create_engine

st.set_page_config(page_title="AI Quant Dashboard", layout="wide")
st.title("📊 AI Quant Investment Control Panel")

r = redis.Redis()
engine = create_engine("postgresql://quant_user:quant_pass@localhost:5432/quantdb")

col1, col2 = st.columns([2, 1])

---

🧩 3️⃣ 실시간 시장 데이터 표시

st.sidebar.header("📈 실시간 시세")
live_quotes = {k.decode(): float(v) for k, v in r.hgetall("live_quotes").items()}
df_quotes = pd.DataFrame(list(live_quotes.items()), columns=["Symbol", "Price"])
st.sidebar.table(df_quotes)

Redis에 쌓이는 실시간 WebSocket 시세(live_quotes)를 그대로 표시합니다.

---

💰 4️⃣ 포트폴리오 현황

반응형

col1.subheader("💼 Portfolio Overview")
df_port = pd.read_sql("SELECT * FROM portfolio_snapshot", engine)
col1.dataframe(df_port[["ticker", "quantity", "entry_price", "current_price", "current_pnl"]])

✅ 주요 지표

• current_pnl: 현재 손익
• entry_price: 매입가
• quantity: 보유 수량

---

📈 5️⃣ 누적 수익률 차트

cum_ret = df_port.groupby("date")["current_pnl"].sum().cumsum()
fig = px.line(cum_ret, title="📈 Cumulative P&L", labels={"value": "PnL", "index": "Date"})
col1.plotly_chart(fig, use_container_width=True)

수익률이 실제 거래와 백테스트 양쪽 데이터를 통합해 자동 업데이트됩니다.

---

🧠 6️⃣ AI 모델 상태

col2.subheader("🤖 AI Model Status")
mlflow_api = "http://localhost:5001/api/2.0/mlflow/experiments/list"
mlflow_data = requests.get(mlflow_api).json()

exp_df = pd.DataFrame(mlflow_data["experiments"])
col2.metric("활성 모델 수", len(exp_df))
col2.json(exp_df[["name", "lifecycle_stage", "artifact_location"]].to_dict("records")[:3])

• MLflow와 연결되어 모델 버전, 상태(Production/Staging)를 표시합니다.
• 최신 모델이 자동 배포되면 이 화면에서 즉시 반영됩니다.

---

🧭 7️⃣ 리스크 지표 모니터링

st.subheader("🧭 Risk Metrics")
risk_data = json.loads(r.get("risk_status"))
c1, c2, c3 = st.columns(3)
c1.metric("VaR (99%)", f"{risk_data['VaR']*100:.2f}%")
c2.metric("CVaR (99%)", f"{risk_data['CVaR']*100:.2f}%")
c3.metric("MDD", f"{risk_data['MDD']*100:.2f}%")

if risk_data["Status"].startswith("⚠️"):
    st.warning("리스크 주의 구간! 현금 비중 확대 권장 ⚠️")
else:
    st.success("안정 구간입니다 ✅")

Flask API에서 실시간 리스크 상태를 불러와 경고 여부를 자동 표시합니다.

---

🪙 8️⃣ 자산 배분 및 로테이션 상태

st.subheader("🌍 Global Asset Allocation")
alloc_api = "http://localhost:5000/allocation"
alloc = requests.get(alloc_api).json()
st.bar_chart(pd.Series(alloc))

• AI 자산배분 모델(멀티에셋/로테이션)의 최신 추천 비중 표시
• 막대그래프 형태로 실시간 갱신

---

🔔 9️⃣ 알림 및 리포트 링크

st.subheader("📰 Notifications")
st.info("📅 다음 리밸런싱 일정: 2025-12-01")
st.write("📄 [최근 투자 리포트 다운로드](./reports/quant_202511.pdf)")

Airflow DAG과 연동되어 리밸런싱 스케줄 및 리포트 링크 자동 갱신.

---

🧠 10️⃣ 자동 새로고침

import time
st_autorefresh = st.sidebar.checkbox("자동 새로고침", value=True)
if st_autorefresh:
    st.experimental_rerun()
    time.sleep(30)

대시보드가 30초마다 자동으로 데이터를 새로 불러와
거의 실시간에 가까운 운영 모니터링이 가능합니다.

---

📈 결과 – AI 퀀트 운용 콘솔

✅ Streamlit 실시간 대시보드 완성

• 실시간 시세
• 포트폴리오 손익
• AI 모델 상태
• VaR/CVaR 리스크
• 자산배분 차트
• 리포트 다운로드

“AI가 투자하고, 사람은 모니터링만 하는 완전 자동화 시스템”
이제 운용사 수준의 콘솔을 개인 개발자도 구축할 수 있습니다.

---

📘 다음 글 예고

다음 편에서는 **“AI 퀀트 시스템 배포 – Docker Compose + Nginx Reverse Proxy + SSL 설정까지”**를 다룹니다.
로컬에서 구축한 AI 운용 시스템을
클라우드 서버에 안전하게 배포하고 외부 접속 가능한 실전 환경으로 만드는 단계입니다.

---

 

AI퀀트,Streamlit,트레이딩대시보드,리스크관리,포트폴리오시각화,MLflow,Redis,PostgreSQL,실시간투자,퀀트운용

---