금융 지식을 실행 가능한 인텔리전스로 변환하기

QuantMind 소개 • 아키텍처 (Architecture) • 빠른 시작 (Quick Start) • 사용법 (Usage) • 로드맵 (Roadmap) • 비전 (Vision) • 기여하기 (Contributing)

QuantMind는 퀀트 금융 (quantitative finance)을 위한 지능형 지식 추출 및 검색 프레임워크입니다. 논문, 뉴스, 블로그, 보고서와 같은 비정형 금융 콘텐츠를 쿼리 가능한 지식 베이스 (knowledge base)로 변환하여, 대규모의 AI 기반 연구를 가능하게 합니다.

🗞️ 뉴스	📝 설명
🎉 NeurIPS 2025 워크숍 채택	저희의 논문 Quant-Mind가 NeurIPS 2025 GenAI in Finance 워크숍에 채택되었습니다! 🚀
📢 GitHub 첫 출시	Quant-Mind가 이제 GitHub에 공개되었습니다 — 확인해 보시고 저희와 함께해 주세요! 🤗

QuantMind는 논문, 뉴스, 블로그, SEC 공시를 포함한 모든 새로운 퀀트 금융 연구 자료를 수집, 처리 및 구조화하여 **시맨틱 지식 그래프 (semantic knowledge graph)**로 구축하는 차세대 AI 플랫폼입니다. 기관 투자자, 헤지 펀드, 연구 팀은 이제 팩터 전략 (factor strategies), 리스크 모델 (risk models), 시장 통찰력의 최전선을 수 초 내에 탐색할 수 있으며, 그렇지 않았다면 묻혀 있었을 알파 (alpha)를 찾아낼 수 있습니다.

금융 연구 환경은 압도적입니다. 매일 수백 편의 논문, 기사, 보고서가 발표됩니다.

정보 과부하 (Information Overload): 매일 500개의 새로운 연구 논문 및 보고서가 발표됩니다. 수동 검토에는 수 주가 소요되며, 이는 비용이 많이 들고 오류가 발생하기 쉬우며 확장성이 떨어집니다. 거대한 시장 (Massive Market): 금융 데이터 및 분석 시장은 2032년까지 연평균 성장률(CAGR) 13.5%로 9,618억 9,000만 달러 규모로 성장할 것으로 예상됩니다. 속도에 목마른 수만 개의 퀀트 팀과 자산 운용사들이 존재합니다. 높은 ROI (High ROI): 연구 효율성이 1%만 향상되어도 트레이딩 성과에서 수백만 달러를 절약하거나 벌어들일 수 있습니다.

• 🔍
  추출 (Extracting): 모든 소스(PDF, 웹 페이지, API)로부터 구조화된 지식 추출 - 🧠
  이해 (Understanding): 금융에 특화되어 미세 조정(fine-tuned)된 도메인 특화 LLM으로 콘텐츠 이해 - 💾
  저장 (Storing): 시맨틱 지식 그래프 (semantic knowledge graph)에 정보 저장 - 🚀
  검색 (Retrieving): 자연어 쿼리를 통한 통찰력 검색

QuantMind는 분리된 2단계 아키텍처 (two-stage architecture)를 기반으로 구축되었습니다. 이 설계는 데이터 수집 (data ingestion)과 지능형 검색 (intelligent retrieval)의 관심사를 분리하여 견고함과 유연성을 모두 보장합니다.

이 레이어는 원시 정보 (raw information)를 수집, 파싱 (parsing), 그리고 표준화된 지식 단위 (knowledge units)로 구조화하는 역할을 담당합니다.

소스 API (Source APIs) (arXiv, News, Blogs) → 지능형 파서 (Intelligent Parser) → 워크플로우/에이전트 (Workflow/Agent) → 구조화된 지식 베이스 (Structured Knowledge Base)

소스 (Source): 다양한 소스 (학술 API, 뉴스 피드, 금융 블로그, Perplexity 검색 소스)에 연결하여 콘텐츠를 가져옵니다.
파서 (Parser): PDF, HTML 및 기타 형식에서 텍스트, 표, 그림을 추출합니다.
태거 (Tagger): 콘텐츠를 연구 분야 및 주제별로 자동 분류합니다.
워크플로우/에이전트 (Workflow/Agent): 품질 관리 및 중복 제거를 포함하여 추출 파이프라인을 오케스트레이션 (orchestrates) 합니다.

이 레이어는 다양한 검색 메커니즘 (retrieval mechanisms)을 통해 구조화된 지식을 실행 가능한 통찰력 (actionable insights)으로 변환합니다.

지식 베이스 (Knowledge Base) → 임베딩 (Embeddings) → 솔루션 시나리오 (Solution Scenarios) (DeepResearch, RAG, Data MCP, ...)

임베딩 생성 (Embedding Generation): 의미론적 검색 (semantic search)을 위해 지식 단위를 고차원 벡터 (high-dimensional vectors)로 변환합니다.

• 솔루션 시나리오 (Solution Scenarios): 다음을 포함한 다양한 검색 패턴:

DeepResearch: 문서 전반에 걸친 복잡한 멀티홉 추론 (multi-hop reasoning)
RAG: Q&A를 위한 검색 증강 생성 (Retrieval-augmented generation)
Data MCP: 구조화된 데이터 액세스 프로토콜 (Structured data access protocols)

• 사용 사례에 기반한 맞춤형 검색 패턴

우리는 빠르고 신뢰할 수 있는 Python 패키지 관리를 위해 uv를 사용합니다.

사전 요구 사항 (Prerequisites):

• Python 3.8+
• Git

설치 (Installation):

uv 설치 (설치되어 있지 않은 경우):

macOS 및 Linux

curl -LsSf https://astral.sh/uv/install.sh | sh

Windows

powershell -c "irm https://astral.sh/uv/install.ps1 | iex"

또는 pip 사용

pip install uv

리포지토리 클론 (Clone the repository):
git clone https://github.com/LLMQuant/quant-mind.git cd quant-mind

가상 환경 생성 및 활성화 (Create and activate virtual environment):

가상 환경 생성

uv venv

활성화

macOS/Linux:

source .venv/bin/activate

Windows:

.venv\Scripts\activate

의존성 설치: uv pip install -e .

import asyncio
from quantmind.configs import PaperFlowCfg
from quantmind.configs.paper import ArxivIdentifier
...

import asyncio
from quantmind.configs import PaperFlowCfg
from quantmind.configs.paper import ArxivIdentifier
...

import asyncio
from quantmind.flows import paper_flow
from quantmind.magic import resolve_magic_input
...

참고: QuantMind는 OpenAI Agents SDK로의 마이그레이션 중입니다( #71 참조). PR5에서는 최상위 계층(flows/와 magic.py)을 구현했으며, 나머지 작업은 배치 문서 처리를 위한 크로스 스텝 작업 메모리(mind/memory) + 저장소 계층으로, PR6과 PR7에 예정되어 있습니다.

• 사용자 친화적인 사용을 위한 개선된 flow 설계 - 첫 번째 프로덕션 레벨 예시 (Quant Paper Agent)
• 에이전트 계층을 OpenAI Agents SDK로 마이그레이션
• 지식 형식 표준화 (knowledge/(Pydantic 기반)) - 추가 콘텐츠 소스(금융 뉴스, 블로그, 보고서)
• 배치 문서 처리를 위한 크로스 스텝 작업 메모리 (mind/memory)

중요

이 섹션은 현재 기능이 아닌 장기적인 비전을 설명합니다. QuantMind는 오늘날 견고한 지식 추출 프레임워크를 제공하지만, 아래에 설명된 기능들은 미래 개발을 위한 저희의 열망하는 목표(aspirational goals)입니다.

QuantMind는 더 큰 비전으로 설계되었습니다. 즉, 모든 금융 지식을 위한 포괄적인 인텔리전스 계층이 되는 것입니다. 우리는 학술 연구, 시장 뉴스, 애널리스트 보고서, 그리고 사회적 감성 간의 상호 연결성을 이해하는 시스템을 구축하고 있으며, 이는 더 나은 금융 결정을 뒷받침하는 통합된 지식 기반을 만듭니다.

오늘날 논문(papers)으로 시작하여 구축하는 이 기반은 전체 금융 정보 생태계를 포괄하도록 확장될 것입니다.

참고

미래 개념 예시 (PR6에서 FilesystemMemory 도입):

from quantmind.configs.paper import ArxivIdentifier
from quantmind.flows import paper_flow
from quantmind.knowledge import Paper
...

이러한 미래의 상태는 단순한 데이터 집계(aggregation)를 넘어 금융 도메인에서의 진정한 머신 인텔리전스(machine intelligence)로 나아가겠다는 우리의 의지를 나타냅니다.

버그 리포트부터 기능 개발에 이르기까지 모든 형태의 기여를 환영합니다.

중요 사항

기여자(Contributors)를 위한 안내: pre-commit hook, 코딩 표준(coding standards), 테스트 요구 사항을 포함한 필수 개발 설정을 확인하려면 CONTRIBUTING.md를 읽어주세요.

기여자를 위한 빠른 시작(Quick Start):

저장소 포크(Fork)

개발 환경 설정: uv venv && source .venv/bin/activate uv pip install -e . ./scripts/pre-commit-setup.sh

기능 브랜치 생성 (git checkout -b feat/my-feature)

Conventional Commits 준수 (feat: add new feature)

템플릿을 사용하여 PR(Pull Request) 제출

기여 전 주의사항:

• 중대한 변경 사항을 논의하려면 이슈(issue)를 생성하세요.
• 버그 리포트 및 기능 요청에는 우리의 이슈 템플릿을 사용하세요.
• PR을 제출하기 전에 모든 pre-commit hook이 통과하는지 확인하세요.

QuantMind는 MIT 라이선스(MIT License) 하에 배포됩니다. 자세한 내용은 LICENSE를 참조하세요.

arXiv가 연구의 세계에 대한 오픈 액세스(open access)를 제공해 주었습니다.

• **오픈 소스 커뮤니티(open-source community)**가 이 프로젝트를 가능하게 하는 도구와 라이브러리를 제공해 주었습니다.