CoinTrader

Binance Futures 자동매매 봇. 복합 기술 지표와 ML 필터(LightGBM / MLX 신경망)를 결합하여 XRPUSDT(기본) 선물 포지션을 자동으로 진입·청산하며, Discord로 실시간 알림을 전송합니다.

아키텍처 문서: 코드 구조, 레이어별 역할, MLOps 파이프라인, 동작 시나리오를 상세히 설명한 ARCHITECTURE.md를 참고하세요.

---

주요 기능

• 복합 기술 지표 신호: RSI, MACD 크로스, 볼린저 밴드, EMA 정/역배열, Stochastic RSI, 거래량 급증 — 가중치 합계 ≥ 3 시 진입
• ML 필터 (ONNX 우선 / LightGBM 폴백): 기술 지표 신호를 한 번 더 검증하여 오진입 차단. 우선순위: ONNX > LightGBM > 폴백(항상 허용)
• 모델 핫리로드: 캔들마다 모델 파일 mtime을 감지해 변경 시 자동 리로드 (봇 재시작 불필요)
• 멀티심볼 스트림: XRP/BTC/ETH 3개 심볼을 단일 Combined WebSocket으로 수신, BTC·ETH 상관관계 피처 활용
• 23개 ML 피처: XRP 기술 지표 13개 + BTC/ETH 수익률·상대강도 8개 + OI 변화율·펀딩비 2개 (캔들 마감 시 실시간 조회, 실패 시 0으로 폴백)
• 점진적 OI 데이터 축적 (Upsert): 바이낸스 OI 히스토리 API는 최근 30일치만 제공. fetch_history.py 실행 시 기존 parquet의 oi_change/funding_rate=0 구간을 신규 값으로 채워 학습 데이터 품질을 점진적으로 개선
• 실시간 OI/펀딩비 조회: 캔들 마감마다 get_open_interest() / get_funding_rate()를 비동기 병렬 조회하여 ML 피처에 전달. 이전 캔들 대비 OI 변화율로 변환하여 train-serve skew 해소
• ATR 기반 손절/익절: 변동성에 따라 동적으로 SL/TP 계산 (1.5× / 3.0× ATR)
• Algo Order API 지원: 계정 설정에 따라 STOP_MARKET/TAKE_PROFIT_MARKET 주문을 /fapi/v1/algoOrder 엔드포인트로 자동 전송 (오류 코드 -4120 대응)
• 동적 증거금 비율: 잔고 증가에 따라 선형 감소 (최대 50% → 최소 20%)
• 반대 시그널 재진입: 보유 포지션과 반대 신호 발생 시 즉시 청산 후 ML 필터 통과 시 반대 방향 재진입
• 리스크 관리: 트레이드당 리스크 비율, 최대 포지션 수, 일일 손실 한도(5%) 제어
• 포지션 복구: 봇 재시작 시 기존 포지션 자동 감지 및 상태 복원
• 실시간 TP/SL 감지: Binance User Data Stream으로 TP/SL 작동을 즉시 감지 (캔들 마감 대기 없음)
• 순수익(Net PnL) 기록: 바이낸스 realizedProfit - commission으로 정확한 순수익 계산
• Discord 상세 청산 알림: 예상 수익 vs 실제 순수익 + 슬리피지/수수료 차이 표시
• listenKey 자동 갱신: 30분 keepalive + 네트워크 단절 시 자동 재연결. stream.recv() 기반으로 수신하며, 라이브러리 내부 에러 페이로드({"e":"error"}) 감지 시 즉시 재연결하여 좀비 커넥션 방지
• Discord 알림: 진입·청산·오류 이벤트 실시간 웹훅 알림
• CI/CD: Jenkins + Gitea Container Registry 기반 Docker 이미지 자동 빌드·배포 (LXC 운영 서버 자동 적용)

---

프로젝트 구조

cointrader/
├── main.py                    # 진입점
├── src/
│   ├── bot.py                 # 메인 트레이딩 루프
│   ├── config.py              # 환경변수 기반 설정
│   ├── exchange.py            # Binance Futures API 클라이언트
│   ├── data_stream.py         # WebSocket 15분봉 멀티심볼 스트림 (XRP/BTC/ETH)
│   ├── indicators.py          # 기술 지표 계산 및 신호 생성
│   ├── ml_filter.py           # ML 필터 (ONNX 우선 / LightGBM 폴백 / 핫리로드)
│   ├── ml_features.py         # ML 피처 빌더 (23개 피처)
│   ├── mlx_filter.py          # MLX 신경망 필터 (Apple Silicon GPU 학습 + ONNX export)
│   ├── label_builder.py       # 학습 레이블 생성
│   ├── dataset_builder.py     # 벡터화 데이터셋 빌더 (학습용)
│   ├── risk_manager.py        # 리스크 관리 (일일 손실 한도, 동적 증거금 비율)
│   ├── notifier.py            # Discord 웹훅 알림
│   └── logger_setup.py        # Loguru 로거 설정
├── scripts/
│   ├── fetch_history.py       # 과거 데이터 수집 (XRP/BTC/ETH + OI/펀딩비, Upsert 지원)
│   ├── train_model.py         # LightGBM 모델 학습 (CPU)
│   ├── train_mlx_model.py     # MLX 신경망 학습 (Apple Silicon GPU)
│   ├── train_and_deploy.sh    # 전체 파이프라인 (수집 → 학습 → LXC 배포)
│   ├── tune_hyperparams.py    # Optuna 하이퍼파라미터 자동 탐색 (수동 트리거)
│   ├── deploy_model.sh        # 모델 파일 LXC 서버 전송
│   └── run_tests.sh           # 전체 테스트 실행
├── models/                    # 학습된 모델 저장 (.pkl / .onnx)
├── data/                      # 과거 데이터 캐시 (.parquet)
├── logs/                      # 로그 파일
├── docs/plans/                # 설계 문서 및 구현 플랜
├── tests/                     # 테스트 코드
├── Dockerfile
├── docker-compose.yml
├── Jenkinsfile
└── requirements.txt

---

빠른 시작

1. 환경변수 설정

cp .env.example .env

.env 파일을 열어 아래 값을 채웁니다.

BINANCE_API_KEY=your_api_key
BINANCE_API_SECRET=your_api_secret
SYMBOL=XRPUSDT
LEVERAGE=10
DISCORD_WEBHOOK_URL=https://discord.com/api/webhooks/...

2. 로컬 실행

pip install -r requirements.txt
python main.py

3. Docker Compose로 실행

docker compose up -d

로그 확인:

docker compose logs -f cointrader

---

ML 모델 학습

봇은 모델 파일이 없으면 ML 필터 없이 동작합니다. 최초 실행 전 또는 수동 재학습 시 아래 순서로 진행합니다.

전체 파이프라인 (권장)

맥미니에서 데이터 수집 → 학습 → LXC 배포까지 한 번에 실행합니다.

자동 분기: data/combined_15m.parquet가 없으면 1년치(365일) 전체 수집, 있으면 35일치 Upsert로 자동 전환합니다. 서버 이전이나 데이터 유실 시에도 사람의 개입 없이 자동 복구됩니다.

# LightGBM + Walk-Forward 5폴드 (기본값)
bash scripts/train_and_deploy.sh

# MLX GPU 학습 + Walk-Forward 5폴드
bash scripts/train_and_deploy.sh mlx

# LightGBM + Walk-Forward 3폴드
bash scripts/train_and_deploy.sh lgbm 3

# 학습만 (배포 없이)
bash scripts/train_and_deploy.sh lgbm 0

단계별 수동 실행

# 1. 과거 데이터 수집 (XRP/BTC/ETH 3심볼, 15분봉, 1년치 + OI/펀딩비)
# 기본값: Upsert 활성화 — 기존 parquet의 oi_change/funding_rate=0 구간을 실제 값으로 채움
python scripts/fetch_history.py \
    --symbols XRPUSDT BTCUSDT ETHUSDT \
    --interval 15m \
    --days 365 \
    --output data/combined_15m.parquet

# 기존 파일을 완전히 덮어쓰려면 --no-upsert 플래그 사용
python scripts/fetch_history.py \
    --symbols XRPUSDT BTCUSDT ETHUSDT \
    --interval 15m \
    --days 365 \
    --output data/combined_15m.parquet \
    --no-upsert

# 2-A. LightGBM 모델 학습 (CPU)
python scripts/train_model.py --data data/combined_15m.parquet

# 2-B. MLX 신경망 학습 (Apple Silicon GPU)
python scripts/train_mlx_model.py --data data/combined_15m.parquet

# 3. LXC 서버에 모델 배포
bash scripts/deploy_model.sh        # LightGBM
bash scripts/deploy_model.sh mlx    # MLX (ONNX)

학습된 모델은 models/lgbm_filter.pkl (LightGBM) 또는 models/mlx_filter.weights.onnx (MLX) 에 저장됩니다.

모델 핫리로드: 봇이 실행 중일 때 모델 파일을 교체하면, 다음 캔들 마감 시 자동으로 감지해 리로드합니다. 봇 재시작이 필요 없습니다.

하이퍼파라미터 자동 튜닝 (Optuna)

봇 성능이 저하되거나 데이터가 충분히 축적되었을 때 Optuna로 최적 LightGBM 파라미터를 탐색합니다. 결과를 확인하고 직접 승인한 후 재학습에 반영하는 수동 트리거 방식입니다.

# 기본 실행 (50 trials, 5폴드 Walk-Forward, ~30분)
python scripts/tune_hyperparams.py

# 빠른 테스트 (10 trials, 3폴드, ~5분)
python scripts/tune_hyperparams.py --trials 10 --folds 3

# 베이스라인 측정 없이 탐색만
python scripts/tune_hyperparams.py --no-baseline

결과는 models/tune_results_YYYYMMDD_HHMMSS.json에 저장됩니다. 콘솔에 Best Params, 베이스라인 대비 개선폭, 폴드별 AUC를 출력하므로 직접 확인 후 판단하세요.

주의: Optuna가 찾은 파라미터는 과적합 위험이 있습니다. Best Params를 train_model.py에 반영하기 전에 반드시 폴드별 AUC 분산과 개선폭을 검토하세요.

Apple Silicon GPU 가속 학습 (M1/M2/M3/M4)

M 시리즈 맥에서는 MLX를 사용해 통합 GPU(Metal)로 학습할 수 있습니다.

설치: mlx는 Apple Silicon 전용이며 requirements.txt에 포함되지 않습니다. 맥미니에서 별도 설치: pip install mlx

MLX로 학습한 모델은 ONNX 포맷으로 export되어 Linux 서버에서 onnxruntime으로 추론합니다.

참고: LightGBM은 Apple Silicon GPU를 공식 지원하지 않습니다. MLX는 Apple이 만든 ML 프레임워크로 통합 GPU를 자동으로 활용합니다.

---

매매 전략

기술 지표 신호 (15분봉)

지표	롱 조건	숏 조건	가중치
RSI (14)	< 35	> 65	1
MACD 크로스	골든크로스	데드크로스	2
볼린저 밴드	하단 이탈	상단 돌파	1
EMA 정배열 (9/21/50)	정배열	역배열	1
Stochastic RSI	< 20 + K>D	> 80 + K<D	1
거래량	20MA × 1.5 이상 시 신호 강화	—	보조

진입 조건: 가중치 합계 ≥ 3 + (거래량 급증 또는 가중치 합계 ≥ 4)
손절/익절: ATR × 1.5 / ATR × 3.0 (리스크:리워드 = 1:2)
ML 필터: 예측 확률 ≥ 0.60 이어야 최종 진입

반대 시그널 재진입

보유 포지션과 반대 방향 신호가 발생하면:

1. 기존 포지션 즉시 청산 (미체결 SL/TP 주문 취소 포함)
2. ML 필터 통과 시 반대 방향으로 즉시 재진입

---

CI/CD

main 브랜치에 푸시하면 Jenkins 파이프라인이 자동으로 실행됩니다.

1. Notify Build Start — Discord 빌드 시작 알림
2. Git Clone from Gitea — 소스 체크아웃
3. Build Docker Image — Docker 이미지 빌드 (:{BUILD_NUMBER} + :latest 태그)
4. Push to Gitea Registry — Gitea Container Registry(10.1.10.28:3000)에 푸시
5. Deploy to Prod LXC — 운영 LXC 서버(10.1.10.24)에 자동 배포 (docker compose pull && up -d)
6. Cleanup — 빌드 서버 로컬 이미지 정리

빌드 성공/실패 결과는 Discord로 자동 알림됩니다.

---

테스트

# 전체 테스트
bash scripts/run_tests.sh

# 특정 키워드 필터
bash scripts/run_tests.sh -k bot

# pytest 직접 실행
pytest tests/ -v

---

환경변수 레퍼런스

변수	기본값	설명
BINANCE_API_KEY	—	Binance API 키
BINANCE_API_SECRET	—	Binance API 시크릿
SYMBOL	XRPUSDT	거래 심볼
LEVERAGE	10	레버리지 배수
DISCORD_WEBHOOK_URL	—	Discord 웹훅 URL
MARGIN_MAX_RATIO	0.50	최대 증거금 비율 (잔고 대비 50%)
MARGIN_MIN_RATIO	0.20	최소 증거금 비율 (잔고 대비 20%)
MARGIN_DECAY_RATE	0.0006	잔고 증가 시 증거금 비율 감소 속도
NO_ML_FILTER	—	true/1/yes 설정 시 ML 필터 완전 비활성화 — 모델 로드 없이 모든 신호 허용

---

주의사항

이 봇은 실제 자산을 거래합니다. 운영 전 반드시 Binance Testnet에서 충분히 검증하세요.
과거 수익이 미래 수익을 보장하지 않습니다. 투자 손실에 대한 책임은 사용자 본인에게 있습니다.
성투기원합니다.