주식 트레이딩 에이전트 개발기 #2 — Expert Agent Team과 KOSPI200 데이터 삽질기

개요

KIS OpenAPI 기반 AI 트레이딩 시스템에 Expert Agent Team 아키텍처를 도입한 하루의 기록이다. 4명의 전문가 AI + Chief Analyst 토론 시뮬레이션, 순수 Python 기술 지표 계산기, 그리고 KOSPI200 데이터 소스를 3번이나 갈아치운 삽질기를 정리한다.

graph TD
    A[KOSPI200 구성종목] --> B[거래량/등락률 TOP50 교차]
    B --> C[5~25개 후보 추출]
    C --> D[일봉 차트 수집]
    D --> E[기술 지표 계산]
    E --> F[4명 Expert 병렬 분석]
    F --> G[Chief Analyst 토론]
    G --> H[매매 신호 생성]
    style F fill:#e8d44d,color:#333
    style G fill:#e74c3c,color:#fff

Expert Agent Team 아키텍처

기존 MarketScanner는 단일 Claude 호출로 종목을 분석했다. 이를 4명의 전문가가 각자 관점에서 분석하고, Chief Analyst가 의견을 종합하는 토론 구조로 교체했다.

4명의 전문가

전문가	분석 관점
기술적 분석가	MA 정배열/역배열, RSI 구간, MACD 크로스, 볼린저 밴드
모멘텀 트레이더	거래량 급등 배율, Stochastic K/D, 단기 돌파 패턴
리스크 평가자	ATR 기반 위험도, RSI 과매수, 포트폴리오 집중도
포트폴리오 전략가	현금 비중, 섹터 분산, 기회비용

핵심은 asyncio.gather로 4명을 병렬 호출하는 것이다:

async def run_expert_panel(data_package: dict) -> list[dict]:
    experts = [
        ("기술적 분석가", "MA 정배열/역배열, RSI, MACD ..."),
        ("모멘텀 트레이더", "거래량 급등, Stochastic K/D ..."),
        ("리스크 평가자", "ATR 기반 위험도, RSI 과매수 ..."),
        ("포트폴리오 전략가", "현금 비중, 섹터 집중도 ..."),
    ]
    tasks = [_call_expert(persona, focus, data_package)
             for persona, focus in experts]
    return await asyncio.gather(*tasks, return_exceptions=True)

Chief Analyst 토론 시뮬레이션

4명의 의견이 모이면, Chief Analyst가 bullish/bearish 비율을 보고 최종 판단을 내린다. 단순 다수결이 아니라 반대 의견의 근거까지 평가하도록 프롬프트를 설계했다:

# bullish 3 vs bearish 1이라도 bearish의 근거가 강하면 hold 가능
prompt = f"""
전문가 의견 요약:
{analyses_text}

만장일치가 아닌 경우, 소수 의견의 우려사항을 특히 주의 깊게 검토하세요.
"""

순수 Python 기술 지표 계산기

외부 라이브러리(TA-Lib, pandas-ta) 의존을 제거하기 위해 RSI, MACD, Stochastic, Bollinger Bands, ATR을 직접 구현했다.

def calculate_rsi(closes: list[float], period: int = 14) -> float | None:
    gains, losses = [], []
    for i in range(1, len(closes)):
        diff = closes[i] - closes[i - 1]
        gains.append(max(diff, 0))
        losses.append(max(-diff, 0))

    avg_gain = sum(gains[:period]) / period
    avg_loss = sum(losses[:period]) / period

    # Wilder's smoothing — SMA가 아닌 지수 평활법
    for i in range(period, len(gains)):
        avg_gain = (avg_gain * (period - 1) + gains[i]) / period
        avg_loss = (avg_loss * (period - 1) + losses[i]) / period

    rs = avg_gain / avg_loss if avg_loss != 0 else float('inf')
    return round(100 - (100 / (1 + rs)), 2)

Wilder’s Smoothing을 사용한 이유는 일반 SMA 대비 최근 값에 더 민감하게 반응하여 트레이딩 신호의 적시성이 높아지기 때문이다.

KOSPI200 데이터 소스 삽질기

하루 동안 데이터 소스를 세 번 교체했다. 각 단계의 실패 원인과 해결 과정을 정리한다.

graph LR
    A[KIS API
inquire_index_components] -->|실패| B[KIS API
market_cap]
    B -->|30개 제한| C[pykrx]
    C -->|세션 쿠키 LOGOUT| D[NAVER Finance
스크래핑]
    style A fill:#ff6b6b,color:#fff
    style B fill:#ff9f43,color:#fff
    style C fill:#ff6b6b,color:#fff
    style D fill:#2ecc71,color:#fff

1차: KIS API `inquire_index_components`

❌ domestic_stock.json에 미등록 → API 호출 자체가 불가

KIS OpenAPI의 inquire_index_components는 문서에는 있지만 실제 SDK에 등록되지 않은 유령 API였다.

2차: KIS API `market_cap` (fid_input_iscd=2001)

⚠️ 호출은 성공하지만 최대 30개만 반환

KOSPI200 필터(2001)를 걸어도 상위 30개 시가총액 종목만 내려온다. 200개 전체가 필요한 스크리닝에는 부족했다.

3차: pykrx

KRX 공식 데이터를 Python으로 가져올 수 있는 인기 라이브러리. 하지만:

❌ KRX 엔드포인트가 세션 쿠키 없이 LOGOUT을 반환

pykrx의 내부 HTTP 세션이 KRX 서버의 인증 쿠키를 제대로 관리하지 못하는 경우가 있어, 서버가 LOGOUT이라는 텍스트 응답만 반환했다.

최종 해결: NAVER Finance 스크래핑

결국 가장 안정적인 소스는 NAVER Finance였다:

def _fetch_kospi200_via_naver() -> dict[str, str]:
    session = requests.Session()
    session.headers["User-Agent"] = "Mozilla/5.0"
    session.get("https://finance.naver.com/")  # 세션 쿠키 획득

    codes: dict[str, str] = {}
    for page in range(1, 25):  # 24페이지 순회
        resp = session.get(
            "https://finance.naver.com/sise/entryJongmok.naver",
            params={"indCode": "KPI200", "page": str(page)},
        )
        pairs = re.findall(
            r"item/main\.naver\?code=(\d{6})[^>]*>([^<]+)",
            resp.text,
        )
        if not pairs:
            break
        for code, name in pairs:
            codes[code] = name.strip()
    return codes  # 199개 정확히 반환

핵심 포인트:

session.get("https://finance.naver.com/")으로 세션 쿠키를 먼저 획득해야 함
entryJongmok.naver의 indCode=KPI200이 KOSPI200 필터
24페이지를 순회하면 199개 전체 구성종목을 정확히 가져옴
결과는 SQLite에 upsert하여 당일 캐시, 다음날 자동 갱신

마켓 스캐너 파이프라인

최종 완성된 파이프라인은 4단계로 동작한다:

Stage	작업	결과
1	KOSPI200 × (거래량 TOP50 + 등락률 TOP50) 교차	~5개 후보
2	후보 종목 일봉 차트 수집 + 기술 지표 계산	enriched data
3	4명 Expert 병렬 Claude 분석	각자 bullish/bearish/neutral
4	Chief Analyst 토론 → 최종 신호 생성	BUY/SELL/HOLD

하루 커밋 10개, 2,689줄 추가로 전체 아키텍처를 단일 Claude 호출에서 Expert Team 토론 시스템으로 전환했다.

빠른 링크

sharebook-kr/pykrx — KRX 주식 정보 스크래핑 라이브러리 (세션 이슈로 채택하지 않음)
NAVER Finance KOSPI200 — 최종 채택한 데이터 소스

인사이트

이번 작업에서 가장 큰 교훈은 금융 데이터 API의 신뢰성은 문서가 아니라 실행으로만 검증 가능하다는 점이다. KIS API는 문서에 있지만 SDK에 없는 API가 있었고, pykrx는 세션 관리 버그로 인해 프로덕션에서 사용하기 어려웠다.

Expert Agent Team 패턴은 주식 분석뿐 아니라 의사결정이 필요한 모든 AI 시스템에 적용 가능하다. 핵심은 단순 다수결이 아니라 소수 의견의 근거까지 평가하는 Chief Analyst의 토론 프롬프트 설계다. bullish 3 vs bearish 1이라도 bearish의 근거가 ATR 기반 변동성 경고라면, Chief가 hold 판단을 내릴 수 있다.

순수 Python 기술 지표 구현은 TA-Lib 설치 이슈(C 라이브러리 의존)를 완전히 제거하면서도 Wilder’s Smoothing 같은 정확한 알고리즘을 유지할 수 있음을 보여준다. 배포 환경의 제약이 있는 프로젝트에서 유용한 접근법이다.