TwentyTwentyOne

📊 AI 퀀트 통합 운용 대시보드 구축 – Streamlit으로 실시간 트레이딩·리스크·성과를 한눈에— “AI가 투자하고, 나는 결과만 확인한다.” 완전 자동화된 퀀트 대시보드 만들기이제 우리 시스템은 AI가 스스로 학습하고, 예측하고, 투자하는 단계까지 왔습니다.이번 글에서는 그 모든 결과를 한 화면에서 직관적으로 모니터링할 수 있는 대시보드를 만들어봅니다.즉, 지금까지 만든데이터 수집모델 예측리스크 관리자산배분백테스트 및 실거래 결과이 모든 걸 통합하는 AI 운용 콘솔을 완성합니다.🎯 목표“하나의 Streamlit 화면에서① AI 모델 상태,② 실시간 시장 데이터,③ 포트폴리오 비중,④ 누적 수익률,⑤ 리스크 지표를실시간으로 모니터링한다.”⚙️ 1️⃣ Streamlit 환경 구성pip instal..

💼 실전 퀀트 펀드 운영 시스템 – 백테스트와 실시간 거래 데이터 동기화 구축— AI가 예측하고, 실시간 시장과 스스로 동기화하는 완전한 트레이딩 엔진 만들기지난 글에서 우리는 Airflow + MLflow 기반의 완전 자동화된 AI 퀀트 파이프라인을 완성했습니다.이제 그 다음 단계, 즉 **“실제 거래 데이터와 동기화되는 실전 펀드 운용 시스템”**을 만들 차례입니다.오늘은 백테스트 시스템과 실시간 거래 모듈을 결합해,AI 모델의 예측 결과를 시장에서 즉시 검증하고 반영하는 구조를 구축합니다.🎯 이번 글의 목표1️⃣ 과거 데이터로 백테스트 수행2️⃣ 실시간 시세(REST/WebSocket)와 자동 동기화3️⃣ 백테스트 ↔ 실거래 데이터를 통합 저장4️⃣ 성과 리포트 자동 업데이트⚙️ 1️⃣ 시스템 ..

💼 실전 퀀트 펀드 운영 시스템 – 백테스트와 실시간 거래 데이터 동기화 구축— AI가 예측하고, 실시간 시장과 스스로 동기화하는 완전한 트레이딩 엔진 만들기지난 글에서 우리는 Airflow + MLflow 기반의 완전 자동화된 AI 퀀트 파이프라인을 완성했습니다.이제 그 다음 단계, 즉 **“실제 거래 데이터와 동기화되는 실전 펀드 운용 시스템”**을 만들 차례입니다.오늘은 백테스트 시스템과 실시간 거래 모듈을 결합해,AI 모델의 예측 결과를 시장에서 즉시 검증하고 반영하는 구조를 구축합니다.🎯 이번 글의 목표1️⃣ 과거 데이터로 백테스트 수행2️⃣ 실시간 시세(REST/WebSocket)와 자동 동기화3️⃣ 백테스트 ↔ 실거래 데이터를 통합 저장4️⃣ 성과 리포트 자동 업데이트⚙️ 1️⃣ 시스템 ..

🪶 Airflow로 완성하는 AI 퀀트 트레이딩 파이프라인— 데이터 수집부터 모델 배포까지 한 번에 자동화하기지난 글에서는 MLflow로 모델 버전 관리와 자동 배포까지 구현했습니다.이제 남은 마지막 단계는,이 모든 작업을 Airflow로 스케줄링·자동화해 완전한 MLOps 시스템으로 만드는 것입니다.오늘은 데이터 수집 → 학습 → 검증 → 배포 → 리포트 생성을하나의 Airflow DAG(Directed Acyclic Graph)로 묶는 실전 구축 편입니다.🎯 목표“매일 아침 6시, 자동으로 퀀트 모델이 학습되고,성능이 개선되면 자동으로 배포되는 시스템”즉, AI가 스스로 데이터와 코드를 업데이트하며 진화하는 환경을 만드는 것입니다.⚙️ 1️⃣ Airflow 환경 구성설치pip install apa..

🧩 MLOps 기반 퀀트 AI 파이프라인 구축 – MLflow + Docker + Streamlit Monitoring지금까지 만든 AI 퀀트 모델은데이터 수집 → 예측(Transformer) → 자율 운용(RL) 까지 완성됐습니다.이제 남은 한 단계는, 이 모든 모델을**“지속적으로 학습하고, 평가하고, 배포하는 자동화된 MLOps 시스템”**으로 만드는 것입니다.🎯 이번 글의 목표MLflow를 이용해 모델 실험, 성능 검증, 버전 관리, 자동 배포까지 연결⚙️ 1️⃣ 핵심 구성도📊 PostgreSQL → 데이터 저장 🤖 MLflow → 모델 학습 및 버전 관리 🐳 Docker → 모델 서빙 환경 통합 📈 Streamlit → 실시간 모니터링..

📈 Streamlit + Flask로 만드는 실시간 퀀트 투자 대시보드 (실전 운영 UI 완성편)지금까지 우리는 완벽히 자동화된 백엔드 퀀트 매매 엔진을 완성했습니다.데이터 수집, 리밸런싱, 매매, 리포트, 백업—all done.이제 남은 것은 하나, **사람이 볼 수 있는 인터페이스(UI)**입니다.이번 글에서는 Streamlit + Flask를 이용해“실시간으로 수익률·포트 구성·팩터 변화”를 모니터링하는퀀트 운용 대시보드를 구축합니다.🎯 목표PostgreSQL에 저장된 데이터를 실시간으로 시각화수익률, 변동성, 누적 성과를 차트로 표시Flask REST API → Streamlit 프론트엔드 연동Slack 알림과 동일한 데이터를 웹에서 확인🧱 1️⃣ 전체 구조[ PostgreSQL ] ..

쿠버네티스 실습: Helm Chart로 NestJS + NextJS + PostgreSQL + Redis 통합 배포하기앞선 글에서는 Helm Chart에 ConfigMap, Secret, PVC, Ingress, HPA를 통합해 실제 서비스 수준의 배포 패키지를 구성했습니다.이번 글에서는 우리가 목표로 하는 프로젝트, 즉 NestJS + NextJS + PostgreSQL + Redis 기반의 위치 기반 주유소 정보 시스템을 Helm Chart 하나로 배포하는 과정을 실습합니다.1) 전체 아키텍처구성 요소:NestJS: 백엔드 API 서버NextJS: 프론트엔드 웹 애플리케이션PostgreSQL: 주유소 데이터 저장소Redis: 캐싱/세션 관리Ingress: 외부 트래픽 라우팅PVC: PostgreSQL..

✅ 1분 / 3분 / 5분 자기소개 스크립트 (Fullstack Developer 버전)면접에서 자기소개는 시간에 맞게 압축하는 능력이 중요합니다.같은 내용을 1분, 3분, 5분 버전으로 준비하면 상황에 따라 유연하게 대응할 수 있습니다.📌 1분 자기소개 (엘리베이터 피치)안녕하세요, 저는 백엔드 중심의 풀스택 개발자입니다.주로 NestJS + PostgreSQL + Prisma로 백엔드 API를 설계했고,프론트엔드에서는 Next.js + TypeScript로 서비스 UI를 직접 구현했습니다.실무에서는 Redis 캐싱, CI/CD 자동화, Kubernetes 운영까지 경험했고,특히 성능 최적화와 확장성 있는 아키텍처 설계에 강점이 있습니다.📌 3분 자기소개 (일반 면접용)안녕하세요, 저는 5년 차 풀..

쿠버네티스 실습: StatefulSet으로 PostgreSQL 배포하기 (PVC 연동)앞선 글에서는 **PersistentVolume(PV)**와 **PersistentVolumeClaim(PVC)**을 이용해 데이터가 유지되는 스토리지를 경험했습니다.이번 글에서는 이를 실제 데이터베이스에 적용해봅니다. 우리가 자주 사용하는 PostgreSQL을 StatefulSet으로 배포하고 PVC와 연결해 Pod가 재시작되더라도 데이터가 유지되는 것을 실습합니다.1) 왜 StatefulSet인가?Deployment는 무상태(Stateless) 애플리케이션에 적합합니다. Pod 이름이 랜덤하고, IP도 바뀔 수 있습니다.StatefulSet은 상태를 가진 애플리케이션(DB, MQ 등)을 위한 컨트롤러입니다.Pod 이..

✅ 자기소개 (Fullstack Developer 버전)안녕하세요, 저는 백엔드 중심의 풀스택 개발자로서,5년간 스타트업과 프로젝트 환경에서 서비스 설계부터 배포까지 전 과정을 경험해왔습니다.📌 자기소개 흐름1) 간단한 배경저는 처음에는 프론트엔드(React, Next.js)로 시작했지만,점점 데이터베이스 설계와 서버 아키텍처 설계에 흥미를 느껴현재는 NestJS + PostgreSQL 기반 백엔드 개발을 주력으로 하고 있습니다.하지만 동시에 Next.js + TypeScript 프론트엔드도 직접 다루며 풀스택 역량을 쌓아왔습니다.2) 프로젝트 경험 요약NestJS + Prisma + PostgreSQL로 REST API / GraphQL 서버 구축Redis 기반 캐싱 및 세션 관리 적용 → API 응..