Fed 금리 인하 시나리오를 백테스트하는 AI 파이프라인 구축 (n8n + GPT-4)

시장 분석 자동화를 시작했을 때 저를 놀라게 했던 통계가 하나 있습니다. 지난 네 번의 Fed 완화 주기(easing cycles) 동안, 가장 큰 포트폴리오 재가격 책정(repricing)은 첫 금리 인하 이후가 아니라, 첫 인하 전 90일 동안 발생했다는 점입니다. 현재 선물 시장은 2026년 9월 금리 인하 가능성을 78%로 반영하고 있습니다. 헤드라인 뉴스가 뜨는 시점에는 이미 움직임이 대부분 가격에 반영되어 있습니다.

_신호(signal)_와 인간의 반응(human reaction) 사이의 이러한 시차는 바로 자동화를 통해 메울 수 있는 격차입니다. 따라서 저는 포트폴리오 조언을 하는 대신(저는 개발자이지 자산 관리사가 아닙니다), 가공되지 않은 Fed 주기 데이터를 구조화되고 반복 가능한 분석으로 전환하기 위해 제가 구축한 **시스템(system)**과, 어떤 이벤트 중심 워크플로우(event-driven workflow)에도 재사용할 수 있는 구성 요소들을 보여드리고자 합니다.

아키텍처 (The architecture)

이 파이프라인은 n8n으로 결합된 세 단계로 구성됩니다:

1. 수집 (Ingest) — 시장 스냅샷 + Fed 펀드 선물(CME FedWatch, FRED API) 추출
2. 추론 (Reason) — 1995년 이후의 금리 인하 백테스트 컨텍스트와 함께 정규화된 데이터를 GPT-4에 입력
3. 출력 (Emit) — 구조화된 JSON 시나리오를 데이터베이스 및 Slack 요약본으로 기록

[Cron 06:00] → [HTTP: FRED API] → [Function: normalize]
→ [OpenAI: GPT-4 scenario] → [IF: confidence > 0.7]
→ [Postgres insert] → [Slack notify]

핵심 설계 선택 사항: LLM은 산문(prose)에서 숫자를 파싱하지 않습니다. 저는 먼저 모든 것을 타입이 지정된 페이로드(typed payload)로 정규화합니다. GPT-4는 깨끗한 구조화된 입력(structured input)을 받고 구조화된 출력(structured output)을 요청받을 때 환각(hallucination) 현상이 훨씬 적습니다.

1단계: 추론하기 전에 정규화하기 (Normalize before you reason)

이 n8n Function 노드는 지저분한 API 응답을 하나의 평탄한 객체(flat object)로 변환합니다:

javascript
// n8n Function node — 소스들을 하나의 페이로드로 통합
const fred = $input.first().json;
return [{
json: {
asof: fred.date,
spx: Number(fred.sp500),
cut_prob_sep: Number(fred.fedwatch_sep) / 100, // 78 -> 0.78
ten_year_yield: Number(fred.dgs10),
bond_duration: 7 // 금리 1% 변화당 가격 변동폭~
}
}];

단위 변환을 프롬프트가 아닌 코드 내에서 수행하면, LLM의 산술 오류(arithmetic errors)라는 범주 전체를 제거할 수 있으며, 중첩된 JSON을 헤쳐 나가기 위해 GPT-4 토큰을 낭비하는 일도 멈출 수 있습니다.

2단계: GPT-4로부터 구조화된 출력(structured output) 강제하기

프롬프트는 GPT-4에게 가격을 만들어내라고 하는 것이 아니라, 금리 민감도를 _분류(classify)_하도록 요청합니다. 후속 노드들이 데이터를 신뢰할 수 있도록 JSON 계약(JSON contract)을 통해 형태를 고정하세요:

const body = {
model: "gpt-4",
response_format: { type: "json_object" },
messages: [
{ role: "system", content:
"You are a backtesting analyst. Given a market snapshot, " +
"classify rate-sensitive sectors with a confidence score. " +
"Return ONLY JSON: {sectors:[{name,rationale,lead_time_days}],confidence}" },
{ role: "user", content: JSON.stringify($json) }
]
};

반환된 시나리오 예시:

{
"sectors": [
{ "name": "intermediate_treasuries", "rationale": "7-10yr gains ~7% per 1% yield drop", "lead_time_days": 90 },
{ "name": "small_caps", "rationale": "floating-rate debt -> cut drops to earnings", "lead_time_days": 60 },
{ "name": "regional_financials", "rationale": "steeper curve widens net interest margin", "lead_time_days": 45 }
],
"confidence": 0.81
}

IF 노드는 confidence > 0.7 조건을 기준으로 게이트 역할을 합니다. 신뢰도가 낮은 실행 건은 로그에 기록되지만 알림(page)은 발생하지 않습니다. 이 임계값 하나가 유용한 신호와 알림 피로(notification fatigue) 사이의 차이를 만듭니다.

3단계: 멱등성(Idempotent) 확보하기

예약된 금융 워크플로우(scheduled financial workflows)에서 주의할 점은 불안정한 API 재시도(retry)로 인해 데이터가 중복 삽입될 수 있다는 것입니다. asof 값을 기준으로 주요 삽입(key inserts)을 수행하여 재실행 시에도 안전하도록 만드세요:

INSERT INTO scenarios (asof, payload, confidence)
VALUES ($1, $2, $3)
ON CONFLICT (asof) DO UPDATE
SET payload = EXCLUDED.payload;

데이터 저장소(sink)에서의 멱등성은 상류(upstream)에서의 재시도가 다소 허술하더라도 괜찮음을 의미합니다. 정확성을 경계(boundary)로 밀어내면, 크론 잡(cron job)과 수동 트리거가 동시에 실행되더라도 해롭지 않은 상태를 유지할 수 있습니다.

실무적 시사점

Fed를 추적하든 아니든, 재사용 가능한 패턴은 다음과 같습니다:

• 정규화(Normalize) → 추론(Reason) → 출력(Emit). LLM을 중간 단계에 배치하여, 정제된 데이터를 입력받고 규약(Contract)을 출력하도록 유지합니다.
• **response_format: json_object**를 사용하면 GPT-4를 단순한 챗봇이 아닌, 기반으로 구축 가능한 API로 변환할 수 있습니다.
• 신뢰도 점수(Confidence score)를 통한 게이트(Gate) 설정을 통해, 가치 있는 정보가 있을 때까지 자동화 프로세스가 불필요한 동작을 하지 않도록 제어합니다.
• **멱등성(Idempotent) 싱크(Sinks)**는 예약된 작업(Scheduled jobs)을 지루하게 만듭니다. 새벽 6시에 우리가 정확히 원하는 상태가 바로 이것입니다.

금융 분야는 우연히도 깔끔한 이벤트 트리거와 공개 데이터를 가지고 있을 뿐입니다. FRED를 여러분만의 지표로 교체하더라도 이 골격은 그대로 유지됩니다. 즉, _알려진 이벤트(Known event)_가 시스템을 움직이고 인간이 뒤늦게 반응하는 모든 상황에서, n8n + GPT-4 루프는 그 간극을 메워줍니다.

이 글은 엔지니어링 기술 문서이며, 금융 자문이 아닙.

이 포스트에서 소개된 완성된 AI 자동화 템플릿을 원하시나요? NSST AI 툴킷 받기