학습 데이터 구조

이 페이지는 2024년 11월부터 실계좌, 실시간 암호화폐 거래 운영에서 수집된 데이터를 기반으로 하며, AI 의사결정의 추적, 감사, 재현 가능성을 확보하기 위해 설계된 데이터 구조를 설명합니다.

왜 필요한가

암호화폐 거래 AI는 단순한 결과 예측을 넘어서, 실제 운영 중인 의사결정의 추적·감사·재현이 가능해야 합니다. NoahAI는 실거래 환경에 맞춰 모든 판단을 데이터로 남겨 투명성과 신뢰성을 확보합니다.

누가 읽어야 하나

본 구조는 실계좌 기반 운영을 전제로 설계되었으며, 기술 검증·확장·감사에 공통으로 활용 가능한 기준 구조입니다.

실제 운영 기반 데이터 흐름

실시간 시장 정보 수집 (가격, 변동성, 오더북)
AI 의사결정 생성 (신호, 신뢰도, 가드레일 적용)
주문 실행 피드백 (체결, 슬리피지, 거부 여부)
거래 후 검토 및 학습 루프

핵심은 "기록의 표준화"입니다.

판단/맥락/결과를 동일한 스키마로 남겨야 복기 가능, 학습 가능, 감사/추적 가능, 사용자 신뢰 확보가 가능합니다. 아래는 CareLog-like Schema로 설계된 주요 데이터 구조입니다.

DecisionLog

의사결정 로그

필드명	타입	설명
decision_id	UUID	고유 결정 ID
timestamp	TIMESTAMP	결정 시점
strategy	STRING	선택된 전략
action	ENUM	액션 타입 (BUY/SELL/HOLD)
reasoning	JSON	판단 근거 (패턴, 신호, 가중치)
confidence	FLOAT	신뢰도 점수 (0-1)
model_version	STRING	사용된 AI 모델 버전

MarketSnapshot

시장 데이터 스냅샷

필드명	타입	설명
snapshot_id	UUID	고유 스냅샷 ID
timestamp	TIMESTAMP	스냅샷 시점
symbol	STRING	거래 심볼
price	DECIMAL	현재 가격
volume	DECIMAL	거래량
volatility	DECIMAL	변동성 지표
orderbook_depth	JSON	오더북 깊이 데이터
market_signals	JSON	감지된 시장 신호

AccountSnapshot

계정 상태 스냅샷

필드명	타입	설명
snapshot_id	UUID	고유 스냅샷 ID
timestamp	TIMESTAMP	스냅샷 시점
balance	DECIMAL	잔고
positions	JSON	현재 포지션 목록
leverage	DECIMAL	레버리지 비율
margin_used	DECIMAL	사용 중인 마진
unrealized_pnl	DECIMAL	미실현 손익

RiskEvent

리스크 이벤트

필드명	타입	설명
event_id	UUID	고유 이벤트 ID
timestamp	TIMESTAMP	이벤트 시점
risk_type	ENUM	리스크 유형 (LOSS_LIMIT/VOLATILITY/LEVERAGE/ANOMALY)
severity	ENUM	심각도 (LOW/MEDIUM/HIGH/CRITICAL)
trigger_value	DECIMAL	트리거 값
action_taken	STRING	취해진 조치
guardrail_applied	BOOLEAN	가드레일 적용 여부

ExecutionResult

실행 결과

필드명	타입	설명
execution_id	UUID	고유 실행 ID
decision_id	UUID	연결된 결정 ID
timestamp	TIMESTAMP	실행 시점
order_type	ENUM	주문 유형 (MARKET/LIMIT/STOP)
quantity	DECIMAL	수량
executed_price	DECIMAL	실행 가격
slippage	DECIMAL	슬리피지
fee	DECIMAL	수수료
status	ENUM	상태 (PENDING/FILLED/PARTIAL/CANCELLED/FAILED)

XAITrace

XAI 추적 로그

필드명	타입	설명
trace_id	UUID	고유 추적 ID
decision_id	UUID	연결된 결정 ID
timestamp	TIMESTAMP	추적 시점
explanation	TEXT	의사결정 설명 (사람이 읽을 수 있는 형태)
evidence	JSON	근거 데이터 (패턴, 신호, 통계)
confidence_breakdown	JSON	신뢰도 세부 분석
alternative_options	JSON	고려되었지만 선택되지 않은 옵션들

학습 데이터 구조 예시

아래 예시는 실제 운영 중인 구조를 이해하기 쉽게 단순화한 예시입니다.

실제 사용되는 학습 데이터 구조는 다음과 같습니다:

{
  "ai_learning_data": {
    "decision_history": [
      {
        "timestamp": "2025-01-26T10:30:00Z",
        "asset_type": "crypto",
        "decision": "long_entry",
        "reasoning": {
          "signal_strength": 0.85,
          "pattern": "bull_flag",
          "market_conditions": "high_volatility"
        },
        "confidence": 0.9,
        "tp": 50000,
        "sl": 48000,
        "exchange": "Binance",
        "execution_status": "filled",
        "result": "profit_target_hit"
      }
    ],
    "conversation_patterns": {
      "common_questions": [
        "거래소 입금 방법",
        "암호화폐 출금 절차",
        "API 키 설정",
        "거래 수수료 안내"
      ],
      "response_effectiveness": {
        "step_by_step_guide": 0.95,
        "simple_language": 0.92
      }
    },
    "user_satisfaction_metrics": {
      "comprehension_rate": 0.88,
      "task_completion_rate": 0.85
    }
  }
}

이 구조는 실시간 암호화폐 거래 의사결정, 실행 상태 추적, 시장 상황 반영 학습을 지원합니다.

스키마 설계 원칙

표준화: 모든 판단/맥락/결과가 동일한 형식으로 기록되어 복기 가능
추적 가능성: 각 레코드가 고유 ID와 타임스탬프를 가져 시간순 추적 가능
연결성: DecisionLog, ExecutionResult, XAITrace 등이 서로 연결되어 전체 흐름 추적
익명화: 개인 식별 정보 없이 패턴 단위로 학습하여 집단 학습 가능
확장성: 새로운 필드 추가가 기존 구조를 깨뜨리지 않도록 JSON 필드 활용

데이터 사용 예시

거래 패턴 유사성 검증

과거 암호화폐 거래 패턴과 현재 시장 상황을 비교하여 유사한 패턴에서의 성과를 분석하고, 진입 전 패턴 검증을 통한 리스크 관리에 활용됩니다.

시장 국면별 임계값 조정

변동성 급증, 횡보장, 추세장 등 시장 국면에 따라 신뢰도 및 리스크 임계값을 동적으로 조정하여 최적의 의사결정을 지원합니다.

가드레일 효과 및 손실 방지

가드레일 적용 결과와 최대 낙폭을 분석하여 정책 개선과 리스크 관리 전략 최적화에 반영합니다.