💾 프로그래머의 재테크 공부: 주식편 9화.

성과 분석과 피드백 자동화 — 투자 시스템을 스스로 진화시키기

“나는 왜 똑같은 실수를 반복할까?”
이건 주식 투자자뿐 아니라 개발자에게도 익숙한 질문이다. 버그는 고쳐도 다시 생기고, 감정은 다스려도 다시 폭주한다. 그래서 나는 결심했다. ‘내가 아닌 시스템이 나를 평가하게 만들자.’

이제 우리의 투자 시스템은 단순한 매매 프로그램이 아니다. 데이터를 수집하고, 분석하고, 피드백하는 **자기 개선형 루프(Self-Learning Loop)** 로 진화한다.

⚙️ 기본 개념 — “피드백 루프는 성장의 알고리즘이다”

모든 학습의 본질은 피드백이다. 코드를 짤 때 우리는 로그를 보고, 테스트를 돌리고, 결과를 개선한다. 투자도 똑같다.

 while True: trade_result = execute_strategy() log_performance(trade_result) feedback = analyze_performance() update_strategy(feedback) 

이 구조가 바로 **자기 진화형 투자 시스템의 뼈대**다. 감정이 아닌 데이터가 전략을 개선하게 된다.

사람은 실수를 잊지만, 데이터는 실수를 기억한다.

🧩 Step 1. 성과 로그 자동 기록하기

투자 결과를 직접 쓰지 않아도 시스템이 자동으로 기록하도록 설계한다.

 import datetime as dt import csv def log_performance(result): with open("performance_log.csv", "a", newline="") as f: writer = csv.writer(f) writer.writerow([ dt.datetime.now().strftime("%Y-%m-%d %H:%M"), result["symbol"], result["profit"], result["drawdown"], result["emotion_score"] ]) 

이렇게 쌓인 CSV 파일은 ‘나의 투자 습관’ 데이터베이스다. 수익보다 더 중요한 건, **감정 점수와 결과의 상관관계**다.

🧮 Step 2. 감정과 수익의 관계를 시각화

데이터를 모았으면 분석하자. 감정 점수가 높을수록(즉, 흥분/불안할수록) 손실이 나는 패턴을 눈으로 볼 수 있다.

 import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv("performance_log.csv", names=["Date", "Symbol", "Profit", "Drawdown", "Emotion"]) plt.scatter(df["Emotion"], df["Profit"], c=df["Emotion"], cmap="coolwarm", s=80) plt.colorbar(label="Emotion Level") plt.title("Emotion vs Profit Relationship") plt.xlabel("Emotion Score") plt.ylabel("Profit (%)") plt.show() 

결과적으로 이런 패턴이 보인다:

• 감정 점수 3~5 → 수익률 평균 +2%
• 감정 점수 8 이상 → 수익률 평균 -5%

감정은 수익의 적이다. ‘흥분’은 보통 최고점, ‘공포’는 보통 바닥 근처.

📊 Step 3. 전략별 성과 비교와 자동 보고

전략이 여러 개라면, 매일 자동으로 요약 리포트를 만들 수 있다.

 strategies = ["MA_Cross", "RSI_Trade", "Rebalance_System"] def summarize_results(): df = pd.read_csv("performance_log.csv", names=["Date","Symbol","Profit","Drawdown","Emotion"]) report = df.groupby("Symbol").agg({ "Profit":"mean", "Drawdown":"max", "Emotion":"mean" }) print(report) report.to_csv("summary.csv") 

이 코드를 자동 스케줄러에 등록하면, 매일 아침 이메일로 “어제의 전략 성적표”가 도착한다.

그때 느끼는 감정은 딱 하나다 — “이젠 감정이 아닌 데이터가 나를 평가하고 있다.”

🤖 Step 4. 피드백 기반 전략 업데이트

이제 시스템이 스스로 배우게 만들 차례다. 전략의 최근 성과를 반영해 자동으로 파라미터를 수정한다.

 def adaptive_rsi(df): last_performance = df["Profit"].tail(10).mean() if last_performance < 0: new_threshold = 25 # 더 보수적으로 else: new_threshold = 30 # 평소 기준 유지 return new_threshold 

이 단순한 함수 하나로 시스템이 ‘상황에 맞게 학습’하게 된다. 즉, 실패하면 방어적으로, 성공하면 평소대로 작동한다.

AI의 본질은 생각이 아니라 피드백이다. 투자에서도 마찬가지다.

📈 Step 5. 성과 피드백 자동 대시보드

이제 모든 걸 한눈에 볼 수 있는 대시보드를 만든다.

 import seaborn as sns df = pd.read_csv("performance_log.csv", names=["Date","Symbol","Profit","Drawdown","Emotion"]) sns.pairplot(df, vars=["Profit","Drawdown","Emotion"], diag_kind="kde") plt.suptitle("Performance Feedback Dashboard", y=1.02) plt.show() 

여기서 보이는 건 단순한 그래프가 아니다. 그건 ‘나의 무의식적 투자 습관의 지도’다. 데이터는 거짓말하지 않는다. 시스템은 감정이 아니라 패턴으로 나를 비춘다.

🧠 정리 — 나를 분석하는 시스템을 만들면, 감정은 사라진다

시장은 매일 변하지만, 데이터로 기록된 나는 변하지 않는다. 성과 분석과 피드백 자동화는 투자자가 아니라 **연구자로서의 나**를 만든다.

프로그래머가 로그를 보고 코드의 버그를 고치듯, 투자자는 데이터를 보고 사고의 버그를 고친다.

투자 시스템의 궁극적인 목표는 돈을 버는 게 아니라, 스스로 배우는 것이다.

---

📍다음 편 예고:
이제 1부를 마무리하며, “프로그래머의 재테크 공부: 주식편”의 전체 구조를 리팩토링해볼 예정이다. 2부에서는 AI와 자동화가 결합된 ‘강화학습 기반 투자 시스템’을 다룬다.

💡 요약 포인트 시스템은 감정보다 일관적이다. 로그를 쌓으면, 데이터가 스스로 피드백한다. 감정 점수와 수익의 상관관계를 시각화하라. 실패는 학습 데이터다. 진짜 자동화는 ‘판단’이 아니라 ‘학습’이다.