mirror29/inalpha

LLM 에이전트로 량자 전략을 자동 발굴·진화시키는 감사 가능한 트레이딩 프레임워크

완성 앱조건 있음 · AGPL-3.0웹·Next.js·풀스택난이도
130+0이번 주1316Python
데모·홈페이지 열기inalpha.dev
중간맛 분석

스택: Python (FastAPI) + TypeScript (Mastra) + Next.js 대시보드. 난이도: 5/5 — 다층 마이크로서비스, LLM 에이전트 조율, 실시간 백테스트 엔진 필요. 바로 쓸 수 있나: 아직 알파 단계(Phase D-12) — 논문 트레이딩(종이 거래)은 가능하지만 실제 돈 거래는 범위 밖입니다. 데모: Operator Console 대시보드(localhost:3001)에서 포트폴리오, 팩터 라이브러리, 전략 시뮬레이션 시각화.

이런 레포예요

이럴 때 쓰면 좋아요

  • 팩터 기반 량자 전략을 자동 발굴하고 시장 변화에 따라 동적으로 최적화하는 운용 회사
  • AI 에이전트가 작성한 거래 전략이 규정 준수와 감시 조건을 만족하는지 완전히 추적 가능하게 하려는 헤지펀드
  • 암호화폐와 주식 시장을 동시에 다루며 각 마켓별 통일된 백테스트 및 종이거래 환경이 필요한 멀티마켓 트레이딩팀

핵심 기능

팩터 타이밍: 현재 유효한 팩터를 Rank IC로 실시간 순위 매김LLM 에이전트 전략 진화: Python 소스 자동 작성 후 3단계 샌드박스(AST/격리/프로토콜) 검증통합 감사 엔진: 모든 제안→승인→실행 단계와 팩터·거래 의사결정 기록

대안 대비 차별점

기존 백테스트 엔진은 사용자가 팩터를 미리 정의하지만, Inalpha는 LLM 에이전트가 현재 시점의 데이터로부터 유효한 팩터를 발굴하고, 전략 코드까지 자동 작성한 후 완전한 감시 추적(approval token 기반 3단계 주문 승인) 아래에서 실행하는 점이 차별점입니다.

준비물
  • Node.js (pnpm 패키지 매니저)
  • Python 3.12+
  • LLM API 키 (DeepSeek/Anthropic/OpenAI/Gemini/Kimi/Zhipu 중 하나)
  • PostgreSQL 15+ (TimescaleDB 확장)
바로 시작하기
  1. 저장소 클론 후 의존성 설치하세요.
cd inalpha && pnpm i && uv sync
  1. 저장소 루트에 .env 파일을 만들고 LLM 제공자 설정하세요.
cp .env.example .env

.env 파일을 열어서 LLM_PROVIDER를 deepseek | anthropic | openai | gemini | kimi | zhipu | ollama 중 하나로 설정하고 해당 API 키를 입력하세요.

  1. 모든 백엔드 서비스(data/paper/research/factor + mastra)를 한 번에 시작하세요.
bash scripts/dev.sh
  1. 별도 터미널에서 Operator Console 대시보드를 실행하세요.
cd apps/dashboard && pnpm i && pnpm dev
  1. 브라우저에서 http://localhost:3001 을 열고 대시보드 우측의 에이전트 채팅창에 질문을 입력하세요.
예: "Which factors are working for NVDA right now?"
또는 "Research NVDA: latest price and sentiment"
별 추이 · 7일
130+0 / 7일
활용성 · 따라 만들기 좋은가
샘플 점수 26/100
  • 관대한 라이선스
  • 테스트 있음
  • 예제 디렉토리
  • 최근 활동
  • AGENTS.md
  • llms.txt
  • 템플릿

🟢 최근 활동 있음 · 2026년 생성

AI가 README 기반으로 요약했습니다 · 원문 보기