프로젝트: Echo-Quant (글로벌 소리 밀도 기반 AI 퀀트 및 자동매매 시스템) 구축 기획서

지금까지 논의한 '글로벌 정보의 맥락 트리화'와 '소리 밀도(데이터 모멘텀) 점수화'를 실제 시스템으로 구현하기 위한 종합 기획서입니다. 태성님의 강력한 온프레미스 인프라와 Cursor(Vibe Coding), 로컬 LLM, n8n 워크플로우를 결합한 최적의 아키텍처를 제안합니다.

---

1. 시스템 아키텍처 및 하드웨어 배분

보유하신 서버 자원의 역할을 명확히 분리하여 병목을 없애고 24시간 무중단 운영이 가능하도록 설계합니다.

• M4 맥 미니 (Orchestrator & UI):
  • Cursor IDE를 띄워 전체 코드를 작성하고 배포하는 통제실.
  • 분석된 '소리 지도(Sound Heatmap)'와 매매 대시보드(Streamlit)를 띄워두는 터미널.
• Z640 [32GB] (Collector & Automator):
  • n8n 메인 엔진: 모든 수집/분석/매매의 파이프라인을 시각적으로 연결.
  • 크롤러 컨테이너: n8n과 연동된 Playwright/Selenium 기반 종토방, 찌라시 수집 봇 구동.
• T550 [64GB, 2x NVIDIA A2] (AI Brain):
  • Ollama/vLLM 서버: Qwen3.6-35B 등 강력한 로컬 LLM 구동.
  • n8n에서 전달받은 뉴스, 유튜브 대본 등의 비정형 데이터를 읽고 감정 점수 추출, 맥락 트리 분류 수행.
• X99 [64GB] (Knowledge Graph DB):
  • PostgreSQL (pgvector + JSONB): 기사 본문, 감정 점수, 시계열 데이터 및 트리 구조 저장.

---

2. 핵심 워크플로우: n8n + LLM + DB 연동 방안

n8n은 복잡한 파이썬 스크립트 없이, 각 단계를 시각적인 노드(Node)로 연결하여 파이프라인을 완성하는 핵심 도구가 됩니다.

[n8n 파이프라인 설계도]

1. Trigger (수집):
   • Schedule Node: 10분마다 실행.
   • HTTP Request Node: 구글 뉴스 RSS, TradingNews API, 유튜브 자막 추출 스크립트 호출.
2. AI Processing (분석 및 점수화):
   • HTTP Request Node: 수집된 텍스트를 T550의 Ollama API(http://T550_IP:11434/api/generate)로 전송.
   • LLM 프롬프트 (n8n 내 설정): "이 텍스트에서 [주요 종목, 긍정/부정 점수(-1.0~1.0), 섹터 분류, 트리 노드명]을 JSON 형식으로만 응답해."
3. Data Routing & Storage (저장):
   • Postgres Node: LLM이 반환한 JSON 데이터를 파싱하여 X99 서버의 DB에 INSERT. 중복 기사인 경우 가중치(Score) UPDATE.
4. Trading Logic & Alert (실행):
   • Schedule Node: 매일 오전 8시 30분 실행.
   • Postgres Node: 최근 3일간 누적 감정 점수가 80점 이상이고, '소리 폭발(Sound Spikes)'이 일어난 종목 쿼리.
   • HTTP Request Node: 조건 충족 시 한국투자증권(KIS) API로 자동 매수 주문 전송.
   • Telegram Node: "오늘의 점수 기반 매수 체결 종목 및 일일 리포트" 발송.

---

3. Cursor (Vibe Coding) 활용 개발 전략

전체 시스템을 한 번에 짜려 하지 말고, n8n이 처리하기 어려운 '맞춤형 스크립트'와 'UI'를 Cursor로 빠르게 생성합니다.

• A. 맞춤형 크롤러 제작 (Z640 구동용):

  "Python Playwright를 이용해 네이버 종목 토론방 특정 주소의 최신 글 10개를 긁어와서 n8n Webhook 주소로 JSON 배열을 POST하는 스크립트를 작성해줘. 봇 차단을 피하기 위해 user-agent를 랜덤으로 바꿔줘."

• B. PostgreSQL 트리 구조 스키마 설계 (X99 구동용):

  "주식 시장의 맥락 트리를 저장할 PostgreSQL 스키마를 짜줘. 기사 원문, 벡터 임베딩(pgvector), 감정 점수, 그리고 다른 뉴스와의 인과관계를 나타내는 JSONB 형태의 parent_node_id를 포함해야 해."

• C. 소리 지도 대시보드 제작 (M4/Z640 구동용):

  "Streamlit과 Plotly를 사용해서, PostgreSQL DB에 있는 종목별 '누적 감정 점수'를 시계열 꺾은선 그래프로 그려주고, 점수가 80점을 돌파한 시점에 붉은색 마커를 찍어주는 대시보드 코드를 작성해줘."

---

4. 단계별 추진 계획 (Sprint Roadmap)

현재 진행 중이신 통합 SNS 관리 프로그램(Sprint A)의 경험을 살려, 점진적으로 시스템을 조립해 나갑니다.

Sprint 1: 데이터 레이더 셋업 (1주 차)

• X99에 PostgreSQL 세팅 및 테이블 구조화.
• Z640에 n8n 설치.
• n8n을 이용해 구글 뉴스 RSS와 DART 공시를 수집하여 DB에 적재하는 기초 파이프라인 완성.

Sprint 2: 지능 부여 및 소리 수치화 (2주 차)

• T550에 Ollama 설치 및 Qwen 모델 로드.
• n8n 파이프라인 중간에 LLM API 호출을 추가하여, 들어오는 기사마다 감정 점수와 종목 태그를 붙여서 DB에 저장.
• 매일 밤 텔레그램으로 '일일 요약 리포트' 전송 자동화.

Sprint 3: 시계열 분석 및 매매 연동 (3주 차)

• Cursor를 활용해 DB에 쌓인 점수를 분석하는 '시계열 기반 필터링 쿼리' 작성.
• 한국투자증권 API 연동 (모의투자 계좌).
• n8n에서 특정 점수(예: 3일 연속 소리 증가 및 감정 점수 상승) 도달 시 모의 매수/매도 실행 및 텔레그램 알림 테스트.

---

기존 시스템 연동 경험을 고려할 때, Z640에 n8n Docker 컨테이너를 올리고 X99의 DB와 연결하는 테스트부터 시작하면 가장 직관적으로 구조가 잡힐 것입니다. Docker-compose 기반의 n8n + PostgreSQL 설치 스크립트를 먼저 Cursor를 통해 뽑아드릴까요?