[알고리즘 트레이딩] 트레이딩 AI 학습을 위한 데이터 수집: 안드로이드 폰 Farm 활용안
개요
구형 안드로이드 폰을 활용하여 트레이딩 신호 AI 학습을 위한 데이터 수집 시스템을 구축하면, 저비용으로 다양한 트레이딩 전략을 테스트하고 실시간 데이터 분석을 통해 AI 모델을 학습할 수 있습니다. 본 글에서는 다수의 안드로이드 폰을 활용한 데이터 수집, AI 학습, 트레이딩 자동화 시스템 구축 방법을 설명합니다.
1. 트레이딩 AI 학습을 위한 데이터 수집 개념
안드로이드 폰을 분산된 데이터 수집 장치로 활용하여 거래소 데이터를 실시간으로 수집, 저장, 분석할 수 있습니다. 이후 AI 모델을 학습하고, 학습된 모델을 폰에서 실행하여 자동 트레이딩 신호를 감지할 수도 있습니다.
📌 핵심 아이디어
- 여러 대의 폰을 활용하여 거래소 API를 통해 데이터를 수집
- 데이터는 로컬 DB 또는 중앙 서버(Firebase, MySQL 등)에 저장
- 저장된 데이터를 기반으로 AI 모델을 학습
- TensorFlow Lite로 모델을 변환해 안드로이드 폰에서 직접 신호 분석 & 트레이딩 실행
2. 시스템 구성 (분산 데이터 수집 & AI 학습)
2.1. 데이터 수집 레이어 (안드로이드 폰 활용)
각 폰이 특정 기술적 지표 또는 시간 프레임의 데이터를 수집하는 역할을 합니다.
✅ 예제 데이터 수집 역할 분배:
| 폰 번호 | 수집할 데이터 | 저장 방식 |
|---|---|---|
📱 폰1 |
볼린저 밴드(Bollinger Bands) | Firebase Realtime DB |
📱 폰2 |
VWAP + RSI | SQLite 로컬 DB |
📱 폰3 |
체결 강도(매수 vs 매도 비율) | JSON 파일 저장 |
📱 폰4 |
시장 스프레드 (업비트 vs 바이낸스) | MySQL 서버 전송 |
2.2. 데이터 전송 & 저장 레이어
- 데이터는 각 폰의 로컬 DB 또는 중앙 서버(Firebase, MySQL, AWS 등)에 저장
- 필요 시 웹소켓(WebSocket) 또는 REST API를 활용해 실시간으로 서버에 전송 가능
2.3. AI 학습 & 모델 배포 레이어
- 저장된 데이터를 이용해 AI 모델을 학습 (TensorFlow, PyTorch, Scikit-learn 활용)
- 학습된 모델을 TensorFlow Lite로 변환하여 안드로이드 폰에서 실행
2.4. 트레이딩 실행 레이어
- AI 모델을 통해 실시간으로 매수/매도 신호 감지
- 매매 자동화 시스템을 구축하여 주문 실행 가능
3. 데이터 수집 구현 (Python & Termux 활용)
3.1. Termux에서 Python으로 거래소 데이터 수집
pkg update && pkg upgrade -y
pkg install python
pip install requests pandas
import requests
import time
import json
# 업비트 API 엔드포인트
UPBIT_TICKER_URL = "https://api.upbit.com/v1/ticker?markets=KRW-BTC"
# 60초마다 데이터 수집
while True:
response = requests.get(UPBIT_TICKER_URL)
data = json.loads(response.text)[0]
print(f"Timestamp: {data['trade_timestamp']}, Price: {data['trade_price']}")
time.sleep(60)
✅ 이 데이터를 Firebase 또는 MySQL에 저장하면 학습용 데이터셋 생성 가능
4. AI 모델 학습 및 배포
4.1. AI 모델 학습 (TensorFlow 활용)
import tensorflow as tf
import pandas as pd
from sklearn.model_selection import train_test_split
# 저장된 데이터를 불러오기
df = pd.read_csv("trading_data.csv")
# 입력 (기술적 지표), 출력 (매매 신호) 설정
X = df[['bollinger_lower', 'bollinger_upper', 'rsi', 'vwap']]
y = df['buy_signal']
# 데이터 분할
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# 간단한 신경망 모델
model = tf.keras.Sequential([
tf.keras.layers.Dense(64, activation='relu'),
tf.keras.layers.Dense(32, activation='relu'),
tf.keras.layers.Dense(1, activation='sigmoid') # 매수(1) / 매도(0)
])
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
model.fit(X_train, y_train, epochs=50, batch_size=16)
# 모델 저장 후 안드로이드 폰으로 배포
model.save("trading_ai_model.h5")
✅ TensorFlow Lite 변환 후 안드로이드 폰에서 실행 가능
5. 안드로이드 폰에서 AI 모델 실행 (TensorFlow Lite 활용)
5.1. TensorFlow Lite 모델 변환
import tensorflow as tf
# 기존 Keras 모델 로드
model = tf.keras.models.load_model("trading_ai_model.h5")
# TensorFlow Lite로 변환
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()
# 변환된 모델 저장
with open("trading_ai_model.tflite", "wb") as f:
f.write(tflite_model)
5.2. 안드로이드 폰에서 트레이딩 AI 실행
import requests
import tensorflow.lite as tflite
import numpy as np
# 업비트 API에서 현재 데이터 가져오기
response = requests.get(UPBIT_TICKER_URL)
data = response.json()[0]
# 데이터 변환
input_data = np.array([[data['trade_price'], data['rsi'], data['vwap']]], dtype=np.float32)
# TFLite 모델 로드
interpreter = tflite.Interpreter(model_path="trading_ai_model.tflite")
interpreter.allocate_tensors()
# 예측 수행
input_tensor = interpreter.get_input_details()[0]['index']
output_tensor = interpreter.get_output_details()[0]['index']
interpreter.set_tensor(input_tensor, input_data)
interpreter.invoke()
prediction = interpreter.get_tensor(output_tensor)
# 매매 판단
if prediction[0][0] > 0.8: # 80% 확률로 매수 신호
print("매수 신호 발생! 주문 실행 가능")
결론
💡 구형 안드로이드 폰을 활용한 트레이딩 AI 데이터 수집 및 신호 감지 시스템
- 저비용으로 분산 데이터 수집 가능
- AI 학습 & 자동 매매 시스템 구축 가능
- TensorFlow Lite를 이용해 폰 자체에서 AI 분석 & 주문 실행 가능
댓글
댓글 쓰기