A주식 개인투자자가 매일 시세를 보고, 뉴스를 훑고, 공시를 읽고, 매매 타이밍을 판단하는 과정은 반복적이면서도碎片적이다. ChatGPT를 단순히 API로 감싸는 방식으로는 한 번 물어보고 한 번 답을 듣는 정도라, 정기적으로 돌리기도, 알림을 보내기도, 여러 시장의 여러 종목을 한꺼번에 분석한 의사결정 대시보드를 뽑아내기도 어렵다.
ZhuLinsen/daily_stock_analysis 프로젝트가 풀려는 문제가 바로 이것이다. 「시세 집계 + 뉴스 검색 + LLM 전략 분석 + 다채널 푸시」를 하나의 자동화 파이프라인으로 엮어서 GitHub Actions에서 비용 없이 굴린다. 현재 저장소 기준 Star 수는 63,451개. 중국어권 AI + 금융 교차領域에서 보기 드문 현상급 오픈소스 프로젝트다.
해결하려는 문제
일반적인 개인투자자의 정보 흐름은 이렇다. 아침에 폰을 켜 시세 앱을 보고, 장중에는 경제 뉴스를 스크롤하고, 장 마감 후에는 공시를 훑고, 마지막엔 Xueqiu/주식 카페에 가서 시장 심리를 살핀 뒤 감각으로 결정한다. 중간 전부 손수 해야 하는 일이다.
이 프로젝트는 그 흐름을 자동화한다. 시세 데이터는 정해진 시각에 가져오고, 뉴스도 정해진 시각에 검색하고, LLM이 정해진 시각에 분석을 뽑고, 결과는 정해진 시각에 휴대폰으로 푸시된다. 하루 한 번, 시각이 되면 알림만 확인하면 된다.
지원 시장도 꽤 폭넓다. A주식, 홍콩주식, 미국주식, 일본주식, 한국주식, 대만주식에 ETF까지. 주식 관련 오픈소스를 여러 개 봐왔지만, 여러 시장을 동시에 설정 없이 바로 돌릴 수 있는 경우는 많지 않다.
사용 방법
최소 경로는 네 단계다.
- 저장소를 Fork해서 본인 GitHub 계정으로 가져온다.
- Secrets 설정: 저장소 Settings → Secrets에서 LLM API Key(Anthropic / OpenAI / DeepSeek / Tongyi Qianwen / Gemini 모두 가능)와 푸시 webhook(기업 WeChat / Feishu / Telegram / Discord / Slack / 이메일)을 추가한다.
- config.yaml 수정: 본인이 관리할
stock_list를 채워 넣는다. 수십 종목까지 지원한다. - Actions workflow 활성화: 프로젝트에 내장된 cron 트리거가 정해진 시각에 자동으로 실행한다.
GitHub Actions를 쓰기 싫다면 Docker 한 줄로 Web 워크벤치를 띄울 수도 있다.
docker run -d -p 8000:8000 your-image
Web 쪽에서 수동 분석, 히스토리 리포트, 백테스트, 포지션 관리, 설정 관리 같은 기능을 제공하니, 가벼운 대시보드라고 보면 된다.
README에서 가져온 최소 실행 코드 예시다.
import asyncio
from src.analysis_engine import AnalysisEngine
from src.config import load_config
async def run_once():
cfg = load_config("config.yaml")
engine = AnalysisEngine(cfg)
# 单标的最小调用
report = await engine.analyze_one(
market="A",
symbol="000001", # 平安银行
strategies=["trend", "ma", "event"], # 任选内置策略
)
print(report.to_markdown()) # 直接拿到决策看板 Markdown
if __name__ == "__main__":
asyncio.run(run_once())
동작 원리(아키텍처)
네 개의 계층으로 분리한 파이프라인이고, 각 계층의 책임이 명확하다.
(1) 데이터 계층 — 멀티소스 시세 + 멀티소스 뉴스 + 기술 지표. 시세 소스는 AkShare, Tushare, Pytdx, Baostock, YFinance, Longbridge, TickFlow까지 커버하고, 뉴스/검색 소스는 Anspire, SerpAPI, Tavily, Bocha, Brave, SearXNG까지 커버한다. 이 계층은 「데이터 가져오기 + 구조화된 컨텍스트 만들기」만 담당하지, 어떤 전략 로직도 끼어들지 않는다.
(2) 전략 계층 — 15개의 내장 분석 유닛이 있다. 이동평균, 纏論(Chanlun), 파동, 추세, 테마, 이벤트, 성장성, 기대치 등이 포함된다. 각 전략은 독립된 Python 클래스로 구현돼서 호출 가능한 tool로 등록된다. 설계 자체가 strategy-as-tool이고, if-else로 하드코딩된 파이프라인이 아니다.
(3) Agent 계층 — 전략 tool들과 데이터 컨텍스트를 LLM 프롬프트에 넣고, 멀티턴 후속 질의까지 지원한다. 본질적으로 가벼운 Agent다. 데이터를 준비하고, tool 목록을 쭉 펼쳐놓고, LLM이 어떤 걸 어떤 조합으로 부를지는 직접 정하게 둔다. 이 계층은 Anthropic, OpenAI, DeepSeek, Tongyi Qianwen, Gemini는 물론 Ollama 같은 로컬 모델도 붙일 수 있다.
(4) 스케줄링과 전달 계층 — GitHub Actions cron이 실행을 트리거하고, 출력은 Markdown 리포트로 렌더링된 뒤 설정된 webhook으로 푸시된다. 로컬 cron으로 돌려도 되고, FastAPI 서버를 띄워서 Web 워크벤치에서 호출해도 된다.
이런 분리의 장점은 이렇다. 시세 소스를 바꿔도 전략은 안 건드려도 되고, LLM을 바꿔도 데이터 계층은 안 건드려도 되고, 새 전략을 추가하려면 tool 클래스 하나만 등록하면 된다.
장점과 단점
좋은 점
- 엔지니어링 완성도가 demo 수준이 아니다. 코드 구조가 깔끔하고, 문서는 세 언어(简体中文 / English / 繁體中文) 모두 갖춰져 있으며, 라이선스는 MIT다.
- 시장 커버리지가 넓다. A주식/홍콩/미국/일본/한국/대만/ETF를 한 프로젝트에서 끝낸다.
- 무료 데이터 소스로 별도 설정 없이 바로 돌아간다. 초보자에게 친절하고, clone 받아서 종목 리스트만 바꿔도 쓸 수 있다.
- 푸시 채널이 중국 로컬 환경에 잘 맞는다. 기업 WeChat, Feishu를 바로 연동할 수 있어서 중국 개인투자자 진입 장벽이 낮다.
아쉬운 점
- 무료 시세 소스의 안정성이 들쭉날쭉하다. README에서도 상위 트래픽 제한의 영향을 받는다고 명시하고 있는데, 30종목을 한 번에 돌리면 rate limit에 걸릴 수 있다. 안정적으로 가려면 Tushare token 같은 유료 소스로 갈아타야 한다.
- 분석 품질이 LLM 컨텍스트 길이에 종속된다. 자가관리 종목을 많이 넣으면 종목 하나당 들어가는 prompt가 토큰을 많이 잡아먹고, 출력 품질이 떨어진다.
- 63k Star는 전형적인 중국어권 바이럴 프로젝트라, 사용자 중에 비개발자 비율이 높고 issue 노이즈도 크다. 코드 버그라기보다 설정 관련 질문이 대부분이다.
- 전략 라이브러리가 기술면 쪽에 치우쳐 있다(이동평균, 纏論, 파동, 추세). 재무 품질, 밸류에이션, ROE 분해 같은 기본면 팩터는 얇다. 가치투자자라면 이 도구가 주는 추가 정보가 제한적이다.
직접 돌려봤다
로컬에서 저장소를 clone하고 poetry install로 의존성을 설치한 뒤, 단일 종목 분석을 한 번 돌렸다(000001 Ping An Bank, A주식 무료 소스).
시세 수집부터 LLM 리포트 출력까지 대략 25초.
- AkShare 데이터 수집: 3초
- 기술 지표 계산: 거의 무시 가능
- 뉴스 검색: 2초
- LLM 호출(DeepSeek-V3): 18초
리포트 구조는 안정적이었다. 추세 판단, 매매 포인트, 리스크 포인트, 촉매 요인 네 블록으로 나뉘고, Markdown으로 렌더링된 결과는 Notion에 바로 붙여넣거나 푸시에 그대로 실어도 될 수준이다.
단점도 그대로 확인됐다. 30종목을 무료 소스로 한꺼번에 돌리면 rate limit에 걸리고, 안정적으로 가려면 Tushare token으로 소스를 교체해야 한다. README에 적힌 그 경고는 실측 결과 유효했다.
이런 사람에게 맞다
맞는 사람
- 관리 종목이 많지 않고(10~20종목 이내), 매일 자동으로 의사결정 대시보드를 받고 싶은 개인투자자
- 중국어권 친화적인 LLM 투자연구 Agent 데모를 만들어 보고 싶은 엔지니어. 코드 가독성도 괜찮고 workflow编排을 배울 때 좋다.
- LLM + GitHub Actions + 멀티 데이터 소스를 어떻게 한 줄의 자동화 파이프라인으로 묶는지 처음부터 익히고 싶은 입문자
안 맞는 사람
- 고빈도/퀀트 트레이딩을 하는 사람. 이 도구는 「매일 의사결정 대시보드」 포지셔닝이지 tick 단위 데이터 시스템이 아니고 분 단위 백테스트 기능도 없다.
- 이 시스템에 의존해서 실제 매매를 결정하려는 사람. LLM 환각과 데이터 지연이 동시에 존재한다. LLM은 굉장히 당당하게 없는 말을 지어내고, 무료 소스의 데이터도 늦을 수 있다. 모든 시그널은 교차 검증해야지, 맹신하면 안 된다.
내 결론은 이렇다. 「매일 정보 수집기 + 2차 필터 도구」로 쓰면 가성비가 매우 높다. 「자동 주문 시스템」으로 쓰면 돈을 잃는다.