본문으로 건너뛰기

AI 자동매매에서 종목을 어떻게 고르는가

송세현

2026.05.27

들어가며 — "어떤 종목을 살까?"가 모든 문제의 시작이다

자동매매를 처음 만들면 누구나 똑같은 함정에 빠진다. 매매 로직, 손절선, 익절 비율을 먼저 고민하기 시작한다. 그런데 정작 "어떤 종목 풀에 이 로직을 적용할 것인가"를 빼먹는다.

종목 풀이 잘못되면 어떤 전략도 못 살린다. KOSPI/KOSDAQ 합쳐 2,500개가 넘는 종목 중에서 무작위로 10개를 골라 백테스트하면, 같은 vwap_ema 전략으로도 결과가 천차만별이다. 어떤 종목은 Sharpe 3.0, 어떤 종목은 -1.0. 종목 선정이 사실상 알파의 60~70%를 결정한다.

지난 6주 동안 한국 주식 자동매매 시스템을 만들면서 가장 많이 다듬은 부분도 결국 종목 선정 파이프라인이었다. 오늘은 이 4단 필터링이 어떻게 동작하는지, 그리고 각 단계가 왜 필요한지를 공유한다.


전체 파이프라인 — 2,500개에서 10개까지

KOSPI/KOSDAQ 전종목 (~2,500개)
        │
        ▼  Filter 1: 재무 점수 (≥ 70점, 5-metric × 5분기)
        │
재무 우량 종목 (~200개)
        │
        ▼  Filter 2: 테마 분류 (Naver 테마 + YouTube AI)
        │
테마 매칭 종목 (~50개)
        │
        ▼  Filter 3: 매수 신호 4조건 + signal_score
        │
신호 확정 종목 (~10개)
        │
        ▼  ticker_agent: 차트 5지표 + 적정가 7지수 + 거래주체
        │
운영 종목 (3~7개, anchor 합 100%)

각 단계는 앞 단계의 노이즈를 제거하는 역할을 한다. 한 단계라도 빼면 다음 단계가 노이즈에 휘말려 의미 없는 결과를 낸다. 거꾸로, 4단계를 모두 통과한 종목은 재무도 우량하고, 테마도 살아 있고, 차트 신호도 떴고, AI도 강세로 판단한 종목이다.


① Filter 1 — 재무 점수 (core/screening/scorer.py)

왜 재무 점수가 첫 번째인가

전략·신호·테마 다 좋아도 재무가 부실한 종목은 일주일에 30% 빠진다. 단기 트레이딩이라도 이 위험은 피해야 한다. 그래서 재무가 가장 첫 게이트다.

채점 방식 — 5 metric × 5분기

# core/screening/scorer.py 핵심
THRESHOLD_FINANCE_SCORE = 70   # config.yaml

METRICS = [
    "ROE",                    # 자기자본이익률
    "Operating Margin",       # 영업이익률
    "Net Profit Margin",      # 순이익률
    "PBR",                    # 주가순자산비율
    "PER",                    # 주가수익비율
]

# 분기별 비교: Q-4 ~ Q0 (현재) 5개 분기
# 각 metric × 각 분기 = 25 cell
# cell 점수: 임계값 만족 → 4점, 보통 → 2점, 미달 → 0점
# Total: 0 ~ 100점

각 분기를 별도로 채점하는 이유는 한 분기만 잠깐 좋아진 종목을 거르기 위함이다. 5분기 연속 우량이어야 70점을 넘는다. 추세가 살아 있는 종목만 잡힌다.

실제 작동 — sysTrade 이식

이 채점 로직은 sysTrade 원본을 거의 그대로 이식했다. config.yaml에 임계값을 넣어 운영 중 튜닝 가능하게 만들었다.

# config.yaml
financial_score:
  threshold: 70                          # 70점 이상만 통과
  metrics:
    ROE:                  { good: 15, normal: 5 }   # 단위 %
    operating_margin:     { good: 10, normal: 3 }
    net_profit_margin:    { good: 8,  normal: 2 }
    pbr:                  { good: 1.5, normal: 3.0 }  # 낮을수록 good
    per:                  { good: 15,  normal: 25 }

run_finance_report.sh 실행 → output/reports/finance-report.html 생성 → 통과 200여 종목 추출.


② Filter 2 — 테마 분류 (core/screening/theme_filter.py)

왜 테마가 두 번째인가

한국 시장은 테마장이 강하다. 같은 재무 우량 종목이라도 시장 관심이 없는 섹터는 몇 달간 횡보한다. 반대로 테마에 편입된 종목은 짧게는 1주일, 길게는 한 달 안에 +20~50% 움직인다.

문제는 "테마"가 빠르게 변한다는 점이다. 작년에는 2차전지, 올해는 원전·AI 인프라. 한 달 전 인기 테마가 지금은 시들 수 있다. 그래서 실시간 테마 검출이 필요하다.

5가지 모드의 테마 필터

# core/screening/theme_filter.py
MODES = [
    "etf_momentum",   # ETF 가중합 모멘텀 (1M×40% + 3M×30% + 6M×20% + 1Y×10%)
    "kis_mst",        # KIS Master 데이터 + 업종 키워드 매칭
    "youtube_ai",     # YouTube 5채널 AI 분석 (Apify + GPT)
    "naver",          # Naver 공식 테마 (≈450개, 신설 2026-04-20)
    "all",            # 위 4개 합집합
]

Naver 테마 크롤러 — de-facto 표준 (2026-04-20 신설)

처음에는 LLM이 자유 텍스트로 sector를 생성하게 했다. "원전 인프라", "AI 에이전트" 등. 그런데 LLM이 같은 종목을 다른 이름으로 분류하거나, 한국 시장에서 통용되지 않는 용어를 만들어내는 문제가 발생했다.

해결: Naver 금융의 공식 테마(약 450개)를 단일 진실원으로 채택. 매일 08:45에 크롤링해서 naver_theme_cache + naver_theme_tickers 두 테이블에 저장. LLM은 이 whitelist 안에서만 분류하도록 prompt 제약.

# core/screening/naver_theme_crawler.py
def crawl_naver_themes():
    """매일 08:45 cron + 주 1회 일요일 20:00"""
    themes = parse("https://finance.naver.com/sise/theme.naver")
    for t in themes:
        tickers = parse(f".../theme_detail?themeId={t.id}")
        save_to_db(t, tickers)
    diff = compare_with_yesterday()
    if diff.new_themes:
        send_telegram_alert(f"신규 테마 감지: {diff.new_themes}")

YouTube AI 분석 — 5개 채널 시황 자동 요약

screening/youtube_analyzer.py가 매일 5개 시황 채널의 최근 7일 영상을 자동 분석한다.

1. Apify로 transcript 추출 (karamelo~youtube-transcripts)
2. GPT-5.4 / Claude Sonnet으로 섹터·종목·stance 추출
3. SQLite 3일 TTL 캐시
4. 5채널 결과 집계 → 다수결로 strong sector 도출

실제 결과 (2026-04-17): Focus Now 채널 9개 섹터 도출, Watch List 채널 38개 섹터. 5채널 합집합 → 신뢰도 높은 8~10개 strong sector 추출.


③ Filter 3 — 매수 신호 (core/screening/signals.py)

4조건 + signal_score (0~4점)

재무 우량 + 테마 매칭까지 통과한 ~50개 중에서, 지금 매수해도 되는 종목만 추출하는 단계다.

# core/screening/signals.py
def compute_buy_signal(ticker: str) -> SignalScore:
    score = 0
    reasons = []

    # 조건 1: 재무 우량 (이미 통과했지만 score에 반영)
    if finance_score(ticker) >= 70:
        score += 1
        reasons.append("재무우량")

    # 조건 2: 평가절하 (현재가 < 적정가 composite)
    if current_price < fair_value_composite(ticker):
        score += 1
        reasons.append("평가절하")

    # 조건 3: 거래량 급증 (당일 거래량 / 20일 평균 ≥ 2.0)
    if volume_today / volume_20d_avg >= 2.0:
        score += 1
        reasons.append("거래량급증")

    # 조건 4: 양봉 + MA 정배열 (close > MA5 > MA20 > MA60)
    if is_bullish_alignment(ticker):
        score += 1
        reasons.append("양봉정배열")

    return SignalScore(score=score, reasons=reasons)

signal_score ≥ 3 종목만 다음 단계로 넘어간다. 4점이면 강신호, 3점이면 보통 신호.

확장 — 프로그램 매수 서지 (2026-04-20 등록)

기존 4조건에 5번째를 추가하는 작업이 등록되어 있다.

# 조건 5: 프로그램 순매수 서지 (당일 / 20일 평균 ≥ 2.0)
if program_net_buy_today / program_net_buy_20d_avg >= 2.0:
    score += 1
    reasons.append("프로그램서지")

외인·기관의 프로그램 매매가 갑자기 늘어나는 종목은 펀더멘털 정보가 빠르게 반영되고 있다는 신호. 데이터는 KIS API program-trade-by-stock 또는 pykrx + KRX 공시.


④ ticker_agent의 차트 5지표 + 적정가 7지수 + 거래주체

Filter 1~3을 통과한 종목은 이제 ticker_agent(Phase B, 2026-05-15 완성)가 봉별로 평가한다.

차트 5지표 (core/agents/ticker_agent.py)

ticker_agent는 단일 종목의 차트만 본다. 포트폴리오 비중, 현금, max_position_pct 등은 일부러 입력에서 제거했다. 이유: ticker_agent가 다른 종목의 영향을 받아 판단이 흔들리는 것을 막기 위해.

입력 5지표:
  ① 적정주가     — 현재가 vs composite fair value
  ② 매집도       — OBV 추세 + 누적 거래대금
  ③ ADX          — 추세 강도 (DI+ / DI- / ADX)
  ④ 상대 거래량  — 당일 / 20일 평균
  ⑤ 매물대 공백  — Volume Profile 빈 구간

출력 (BUY):
  { "decision": "BUY"|"HOLD",
    "signal_strength": 0.0~1.0,
    "reasoning": "한 문장",
    "confidence": 0.0~1.0 }

적정 가격 지수 7개 (core/indicators/fair_value.py)

단일 metric으로는 평가가 어렵다. 7개를 composite로 묶었다.

#

지수

계산

1

PER 업종 비교

종목 PER vs 업종 평균 (할인율)

2

PBR 업종 비교

종목 PBR vs 업종 평균

3

단순 DCF

FCF × 5년 + 잔존가치 / WACC

4

기술적 지지·저항

최근 60일 거래대금 가중 매물대

5

수급 (flow)

외인·기관 5일 누적 순매수

6

옵션 IV

내재 변동성 → 시장의 예상 변동폭

7

업종 분위

같은 업종 종목들 중 상대 순위

+

뉴스 sentiment

scout_signals의 24h 평균 sentiment

7개를 가중 합산 → composite fair value 산출. ticker_agent prompt에 [C-1] 적정가 7지수 + composite 블록으로 주입.

거래주체 추적 (core/indicators/flow.py)

# 15:35 cron — 매일 종가 직후
def daily_flow_update():
    for ticker in active_picks:
        flow = pykrx.get_market_trading_value_by_investor(ticker)
        # 외인 / 기관 / 개인 일일 net
        save_to_db("flow_data", flow)

# ticker_agent input 에 [C-2] 블록으로 주입:
#   외인 5일 누적: +12.3억 (매수 우세)
#   기관 5일 누적: +5.7억
#   개인 5일 누적: -18.0억 (개미 매도)
#   dominant: 외인+기관 / trend: 매집

외인·기관이 5일 연속 매수하고 개인이 매도하는 패턴은 펀더멘털 호재가 시장에 빠르게 반영되고 있다는 신호. ticker_agent가 이걸 보고 signal_strength를 1.0으로 올린다.


⑤ ticker_prompts — 종목별 매매 철학 주입

같은 차트 신호라도 종목마다 다르게 해석해야 한다. 반도체 장비주는 짧은 모멘텀, 원전 인프라는 긴 추세. 이걸 코드에 박지 않고 종목별 system prompt로 분리했다.

-- ticker_prompts 테이블
CREATE TABLE ticker_prompts (
    id INTEGER PRIMARY KEY,
    ticker TEXT,
    version INTEGER,
    prompt_text TEXT,
    is_active INTEGER,
    note TEXT,
    created_at TEXT
);

UI: StepTelegram → "프롬프트 튜닝" 탭 → 종목 선택 → 편집 → 새 버전 저장 → 활성화. 다음 cron부터 신규 프롬프트로 평가.

예시:

[종목 010120 — LS ELECTRIC]
당신은 원전·전력 인프라 장기 추세 추종 매매를 지향합니다.
9EMA 되돌림에서 적극 매수, 매물대 공백이 큰 경우 FULL 진입.
단기 -3% 출렁임은 무시. 진정한 위험은 ADX < 15 추세 소실.

이 프롬프트가 ticker_agent prompt의 [D] 사용자 매매 철학 블록으로 자동 주입된다.


운영 예시 — 2026-05-04 후보 6종

지금 시스템이 운영 중인 후보 종목들이다.

코드

종목명

테마 (Naver)

finance

signal_score

010120

LS ELECTRIC

전력 인프라

85

4

033100

제룡전기

전력 인프라

72

3

052690

한전기술

원전

78

4

084370

유진테크

반도체 장비

81

4

095610

테스

반도체 장비

75

3

403870

HPSP

반도체 장비

(미정)

(미정)

테마는 원전·전력 인프라 + 반도체 장비 2개 섹터로 자연스럽게 분산됐다. 4단계 필터링이 의도적인 분산까지 만들어낸다.


결론 — 종목 선정은 데이터 파이프라인 문제다

"좋은 종목을 고른다" = 직관
"4단 필터링을 통과시킨다" = 데이터 파이프라인

직관은 흔들리지만 파이프라인은 흔들리지 않는다. 매일 같은 룰로 2,500개에서 10개를 추출한다. 결과가 마음에 안 들면 룰을 고친다 — 종목을 직접 고르지 않는다.

다음 주(2주차)에는 이렇게 추출된 후보 종목들을 3개의 AI 에이전트(scout/ticker/strategy)가 어떻게 협업해서 실제 매매하는지를 다룬다. 종목 선정은 출발선일 뿐, 진짜 알파는 그 뒤에 있다.

4

함께 이야기해요 4

로그인하고 댓글을 남겨 주세요

oneshot 프로필 이미지
oneshot2026.06.01

4단계로 분석하는 것이 흥미롭습니다

박서진 프로필 이미지
박서진2026.05.28

후덜덜... 진짜 대박입니다 ㅋㅋㅋ 너무 흥미롭네요!!!! 다음주면 얼마나 더 발전해계실지 기대됩니다~

자연어회계처리 프로필 이미지

와 지표들에 대한 구성설정이 너무 잘된거 같은데요. Open dart api나 깃의 opendartreader 그리고 키움증권 api를 이용해서 재무필터링이나 테마구성 불러와서 쓰면 수급분석이 엄청좋읗거같아요

안맞는프라다를입는다 프로필 이미지

와우

필요한 AI 정보만
메일함에 쏙쏙 넣어드려요.

지금 핫한 AI 소식부터 직접 해 본 사례까지, 월요일마다 무료로 받아보세요

이런 사례도 있어요

사례 전체 보기