주식 예측

(매수 후) ↓ [조건 1: 수익률 +X% 도달] → [조건 2: RSI 75 초과] → 일부 매도 ↓ [조건 3: 수급 약화, 외국인 순매도] → 추가 매도 ↓ [조건 4: 실적 부진·감익 컨센서스] → 전량 매도 또는 헷지

if (profit_rate > 20%) and (RSI > 75): sell(0.5) elif (foreigners_net_sell > 3 days) and (volume < MA5): sell(0.25) elif (EPS QoQ < 0) or (News_sentiment < -0.5): sell_all()

[매수 시점] ↓ [종목별 매도 조건 사전 설정] ↓ [주기적 스크리닝: RSI, PER, 수급, 뉴스 감성] ↓ [조건 충족 시 자동 매도 시뮬레이션] ↓ [수익률/리스크 보고서 기반 재설계]

기초 포트폴리오: 총 자본 1억 원 - 삼성전자 30% - LG에너지솔루션 25% - NAVER 20% - 현대차 15% - SK하이닉스 10%

import yfinance as yf import pandas as pd import ta tickers = { '삼성전자': '005930.KQ', 'LG에너지솔루션': '373220.KQ', 'NAVER': '035420.KQ', '현대차': '005380.KQ', 'SK하이닉스': '000660.KQ' } weights = { '삼성전자': 0.3, 'LG에너지솔루션': 0.25, 'NAVER': 0.2, '현대차': 0.15, 'SK하이닉스': 0.1 } portfolio_log = [] initial_capital = 100_000_000 for name, ticker in tickers.items(): df = yf.download(ticker, start="2023-01-01", end="2025-06-01") df['RSI'] = ta.momentum.RSIIndicator(df['Close'], window=14).rsi() df['CUM_MAX'] = df['Close'].cummax() buy_price = df['Close'].iloc[0] capital = initial_capital * weights[name] quantity = capital / buy_price remaining = quantity cash = 0 for i in range(30, len(df)): price = df['Close'].iloc[i] rsi = df['RSI'].iloc[i] peak = df['CUM_MAX'].iloc[i] date = df.index[i] profit_rate = (price - buy_price) / buy_price drawdown = (price - peak) / peak action = None if profit_rate >= 0.2: sell_qty = remaining * 0.5 remaining -= sell_qty cash += sell_qty * price action = 'S1:익절20%' elif rsi > 75 and profit_rate >= 0.1: sell_qty = remaining * 0.3 remaining -= sell_qty cash += sell_qty * price action = 'S2:과열+익절10%' elif drawdown <= -0.1: cash += remaining * price remaining = 0 action = 'S3:고점대비하락' if action: portfolio_log.append((date, name, action, price, profit_rate)) final_value = remaining * df['Close'].iloc[-1] + cash roi = (final_value - capital) / capital * 100 print(f"{name} 최종 수익률: {roi:.2f}%") # 포트폴리오 매도 로그 df_log = pd.DataFrame(portfolio_log, columns=['Date', 'Stock', 'Action', 'Price', 'Return']) print(df_log)

import pandas as pd import ta from sklearn.preprocessing import StandardScaler # 가정: df는 날짜별 심리지표 + 기술지표 + 수급데이터 포함 df = pd.read_csv("market_sentiment_data.csv", parse_dates=["Date"]) df.set_index("Date", inplace=True) # 결측치 제거 및 스케일링 df = df.dropna() X = df.drop(columns=["Overheat_Label"]) # 타겟 제외 y = df["Overheat_Label"] # 1=과열, 0=정상 scaler = StandardScaler() X_scaled = scaler.fit_transform(X)

from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report, roc_auc_score # 데이터 분할 X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, shuffle=False) # 모델 훈련 model = RandomForestClassifier(n_estimators=100, random_state=42) model.fit(X_train, y_train) # 예측 y_pred = model.predict(X_test) y_prob = model.predict_proba(X_test)[:, 1] # 평가 print(classification_report(y_test, y_pred)) print(f"ROC AUC: {roc_auc_score(y_test, y_prob):.4f}")