에이전틱 AI, MongoDB Atlas, Vector Search, Charts를 사용하여 스마트 투자 포트폴리오를 빌드하는 방법을 알아보세요.
사용 사례: Gen AI
산업: 금융 서비스
제품 및 도구: MongoDB Atlas Vector Search, MongoDB 집계 파이프라인, MongoDB Atlas Charts, MongoDB Time Series 컬렉션, MongoDB 체크포인터, MongoDB MCP 서버
파트너: Voyage AI, Amazon Bedrock, LangChain
솔루션 개요
오늘날의 자본 시장에서는 데이터가 전략적인 의사 결정의 핵심이 됨에 따라 효과적인 위험 관리 빠르게 진화하고 있습니다. 포트폴리오 관리자는 대량의 다양한 데이터를 탐색해야 합니다. 이 데이터는 금융 피드와 같이 구조화된 데이터일 수도 있고 소셜 미디어 게시물과 같은 구조화되지 않은 데이터일 수도 있습니다. 이러한 데이터의 다양성은 데이터를 처리하다 있도록 구축되지 않은 기존 시스템에는 어려운 과제를 안겨줍니다. AI 기반 솔루션은 적응형 상황 인식 의사 결정을 통합하여 포트폴리오 관리 재정의하고 있습니다.
당사의 지능형 투자 포트폴리오는 다양한 데이터 소스를 통합하고 분석합니다. 이 솔루션은 실시간 분석과 생성형 AI 모델을 결합하여 포트폴리오 관리자가 인사이트를 탐색하고 조치 취하는 방식을 혁신합니다.
Vector Search, Time Series 컬렉션, Atlas Charts 등 대규모 언어 모델(LLM), RAG(검색 강화 생성) 및 MongoDB Atlas 를 기반으로 하는 이 솔루션을 통해 AI 에이전트는 다음을 수행할 수 있습니다.
여러 소스의 광범위한 금융 데이터 세트를 분석합니다.
데이터를 의미 있는 분석 으로 처리합니다.
포트폴리오 성과를 기반으로 동적인 인사이트와 추천을 제공합니다.
이를 통해 의사 결정을 강화하고, 위험 관리 개선하며, 보다 정확한 성과 및 영향 분석을 수행할 수 있으므로 포트폴리오 관리자가 더 많은 데이터로 더 스마트하고 빠르게 결정을 내릴 수 있습니다.
참조 아키텍처
이 투자 포트폴리오 관리자 데모는 네 가지 유형의 에이전트로 구성됩니다.
분석 에이전트
뉴스 에이전트
소셜 미디어 에이전트
어시스턴트 상담원
이 데모에는 기존 자산에 대한 에이전트와 암호화 자산에 대한 에이전트가 각각 하나씩 포함되어 총 8명의 에이전트가 됩니다. 또한 두 가지 마이크로 서비스 애플리케이션이 있습니다. 첫 번째인 데이터 수집 애플리케이션은 여러 소스에서 금융, 거시 경제, 뉴스 및 소셜 미디어 데이터를 수집, 변환 및 준비합니다. 두 번째 인사이트 애플리케이션은 AI 에이전트 워크플로를 조정하여 이 데이터를 분석 , 추세를 모니터 , 심리를 평가하고, 타겟팅된 투자 인사이트를 생성합니다. 아래 다이어그램에서 볼 수 있듯이
그림 1. 상위 수준 아키텍처
다이어그램에 표시된 대로 MongoDB 수집 프로세스 에서 수집된 데이터를 저장합니다. 이 데이터에는 다음 유형이 포함됩니다.
시계열 데이터(예: 기존 및 암호화폐 자산 데이터).
거시 경제 지표 및 스테이블코인 시가 총액 데이터와 같은 구조화된 데이터입니다.
금융 뉴스 기사 및 소셜 미디어 게시물과 같은 구조화되지 않은 데이터입니다.
그런 다음 솔루션은 뉴스 기사와 소셜 미디어 데이터의 감정 점수를 분석하고 해당 임베딩을 생성하여 MongoDB Atlas 의 해당 컬렉션에 저장합니다.
분석, 뉴스 및 소셜 미디어 에이전트는 MongoDB 에서 데이터를 가져와 기존 및 암호화폐 시장 자산에 대한 보고서를 분석 하고 생성합니다.
마지막으로, 시장 및 암호화 비서 에이전트는 현재 포트폴리오 할당을 기반으로 포트폴리오별 인사이트를 제공하고, 데이터 저장, 벡터 검색 및 에이전트 상태 관리 MongoDB Atlas 활용하는 LangGraph React 에이전트 사용하여 두 유형의 자산에 대한 포트폴리오 관리 권장 사항을 제공합니다. .
또한 이 솔루션에는 AI 기반 React Agent와 통합될 때 MongoDB MCP(Model Context Protocol) 서버의 고급 기능을 강조하는 데모 애플리케이션 포함되어 있습니다. 이 애플리케이션 AI 기반 상호 작용을 위한 직관적인 인터페이스를 활용하여 MongoDB Atlas 내에 저장된 복잡한 금융 데이터 쿼리를 효율적으로 처리합니다.
이 접근 방식은 수동 쿼리와 직접 데이터베이스 참여 의 필요성을 없애고 이러한 통합을 통해 어떻게 손쉽게 데이터를 탐색하고 데이터베이스 관리 간소화할 수 있는지 명확하게 설명하여 궁극적으로 더 현명하고, 빠르며, 정보에 입각한 투자 결정에 기여합니다.
솔루션 빌드
데모는 4개의 마이크로서비스로 구성되며, 각각의 마이크로서비스에는 자체 Github 리포지토리 있습니다.
1. 로더 서비스
그림 2. 로더 서비스 아키텍처
먼저, 솔루션은 MongoDB Atlas 에 데이터를 저장합니다. 다음 소스에서 데이터 추출을 처리하는 예약된 작업 설정하다 인 데이터 수집 애플리케이션 통해 이 작업을 수행합니다.
야후 뉴스: 기존 자산과 암호화폐 자산에 대한 금융 뉴스입니다.
야후 파이낸스: 시계열 기존 자산 데이터입니다.
FRED API: 거시 경제 지표 데이터.
Reddit: 기존 자산 및 암호화폐 자산에 대한 소셜 미디어 뉴스입니다.
Binance: 암호화폐 시장 데이터.
코인게코: 스테이블코인 시가총액 데이터.
포트폴리오 성과: 시뮬레이션된 포트폴리오 성과 데이터를 생성하도록 설계되었습니다.
데이터가 MongoDB 컬렉션에 저장된 후, 비정형 뉴스 및 소셜 미디어 데이터가 처리되어 사전 학습된 LLM 모델인FinBERT를 사용하여 감정 점수를 계산합니다. 다음으로, Voyage AI의 임베딩 모델인 voyage-finance-2을 사용하여 데이터를 벡터화하고 벡터 임베딩과 함께 해당 MongoDB 컬렉션 에 저장 .
MongoDB 다양한 유형의 데이터를 저장 방법은 다음과 같습니다.
Time Series 데이터 예시(바이낸스 암호화 자산):
{ "_id": { "$oid": "67c09436bd1cbed4d0185880" }, "headline": "QQQ Leads Inflows as VGIT, HYG Jump: ETF Flows as of Feb. 27", "source": "etf.com · via Yahoo Finance", "posted": "1 year ago", "description": "Top 10 Creations (All ETFs) Ticker Name Net Flows ($, mm) AUM ($, mm) AUM % Change QQQ Invesco QQQ...", "link": "https://finance.yahoo.com/news/qqq-leads-inflows-vgit-hyg-005429051.html?fr=sycsrp_catchall", "synced": false, "extraction_timestamp_utc": { "$date": "2025-02-27T16:35:02.823Z" }, "ticker": "HYG", "article_string": "Headline: QQQ Leads Inflows as VGIT, HYG Jump: ETF Flows as of Feb. 27\n/n Description: Top 10 Creations (All ETFs) Ticker Name Net Flows ($, mm) AUM ($, mm) AUM % Change QQQ Invesco QQQ...\n/n Source: etf.com · via Yahoo Finance\n/n Ticker: HYG\n/n Link: https://finance.yahoo.com/news/qqq-leads-inflows-vgit-hyg-005429051.html?fr=sycsrp_catchall", "sentiment_score": { "positive": 0.03415600210428238, "negative": 0.04247178137302399, "neutral": 0.9233722686767578 }, "article_embedding": [ 0.025981411337852478, 0.03783617168664932, 0.01893029175698757, 0.019744139164686203, -0.009678225964307785, 0.0296250581741333, -0.06560207903385162, -0.03349149599671364, 0.005457616411149502, -0.004056802950799465, -0.07076755166053772, -0.04305347055196762, ...] }
Time Series 데이터 예시(바이낸스 암호화 자산):
{ "timestamp": { "$date": "2025-07-17T23:59:00.000Z" }, "symbol": "BTC", "low": 119170.52, "date_load_iso_utc": "20250718051014", "close": 119177.56, "volume": 7.0706, "open": 119200.02, "_id": { "$oid": "6879d7367395e04c9d26e122" }, "high": 119200.03 }
구조화된 데이터 예시(거시 경제 지표):
{ "_id": { "$oid": "6863b79181f5695f447d426a" }, "title": "Gross Domestic Product", "series_id": "GDP", "frequency": "Quarterly", "frequency_short": "Q", "units": "Billions of Dollars", "units_short": "Bil. of $", "date": { "$date": "2025-06-26T00:00:00.000Z" }, "value": 29962.047 }
이 microservices 복제하려면 해당 Github 리포지토리 참조하세요. Loaders Service
2. 에이전트 서비스
그림 3. 에이전트 서비스 아키텍처
데이터가 MongoDB 에 저장되는 동안에도 처리해야 합니다. 다음 섹션에서 설명하는 에이전트는 데이터를 프로세스 포트폴리오별 인사이트를 생성합니다.
분석 에이전트
이 에이전트는 시장 및 암호화 데이터와 관련된 관련 MongoDB 컬렉션을 검색 하고 각 컬렉션 의 자산 추세와 거시 경제 지표를 분석 . 그런 다음 일련의 계산을 수행하여 포트폴리오 인사이트와 추천을 생성합니다.
이러한 계산은 데이터 기반 의사 결정을 위한 분석 백본을 형성합니다. 기존 자산에 대한 경제 지표와 변동성 측정을 평가하여 거시 경제적 영향을 포착하는 동시에 암호화 자산의 가격 추세, 거래 활동 및 모멘텀 지표를 추적합니다. 이를 활성화 AI 에이전트는 시장을 지속적으로 모니터 , 위험의 균형을 맞추며, 실시간 포트폴리오 성과를 최적화할 수 있습니다.
시장 자산 계산:
VIX 민감도 분석
GDP 분석
이자율 분석
고용률 분석
암호화 자산 계산:
이동 평균 분석
볼륨 분석
RSI 분석
VWAP 분석
그런 다음 계산된 결과를 Amazon Web Services 베드락(Bedlock) 또는 앤트로픽(Atronic)과 같은 LLM 기반 추론과 결합하여 맞춤형 포트폴리오 추천을 생성합니다.
뉴스 에이전트
이러한 에이전트는 MongoDB Atlas Vector Search를 사용하여 기존 자산과 암호화폐 자산에 대한 의미론적으로 관련된 금융 뉴스를 조회 . 그런 다음 LLM 기반 감정 분석 및 요약을 수행하여 주요 신호를 강조 표시합니다.
소셜 미디어 에이전트
뉴스 에이전트와 마찬가지로 소셜 미디어 에이전트는 MongoDB Atlas Vector Search를 사용하여 의미적으로 관련된 소셜 미디어 게시물을 조회 . 마지막으로 LLM 기반 감정 분석 및 요약을 해당 reports 컬렉션 으로 집계합니다.
이 microservices 복제하려면 해당 Github 리포지토리 참조하세요. 예약된 에이전트 서비스
3. 마켓 및 암호화 어시스턴트 에이전트 서비스
그림 4. Market / Crypto 어시스턴트 에이전트 서비스 아키텍처
보고서가 생성되어 MongoDB Atlas 컬렉션에 저장되면 Market 도우미 에이전트는 LangGraph를 통해 구현된 React 추론 패턴 사용하여 사용자 쿼리를 자동으로 해석하고, 관련 연장 액세스 , 실행 가능한 재무 인사이트를 생성합니다.
이러한 에이전트는 단계별 추론, 조치 실행 및 메모리 보존이 가능한 구조화된 LLM 기반 재무 자문 역할을 합니다. LangGraph의 React 에이전트 프레임워크 로 구축되었으며, 다음과 같은 주기를 따릅니다.
쿼리 이유
도구 사용 등의 행위
결과 관찰
최종 응답에 도달할 때까지 반복적으로 계속
에이전트 동작은 MongoDB 에 저장된 사용자 지정 가능한 에이전트 프로필을 통해 정의되며, 장기 메모리와 상태 지속성은 상호 작용 단계를 추적하여 checkpoints_aio 및 checkpoint_writes_aio 컬렉션에 저장하는 MongoDB 체크포인터를 사용하여 managed 됩니다.
이 microservices 복제하려면 해당 Github 리포지토리를 참조하세요: Market 어시스턴트 React 에이전트 챗봇 서비스 및/또는 암호화 어시스턴트 React 에이전트 챗봇 서비스
이전 다이어그램에 표시된 대로 에이전트는 LLM 기반의 도구 보강 워크플로이며 LangGraph를 사용하여 조정됩니다. 각각은 도구가 고정된 순서로 호출되는 구조적이고 결정론적인 프로세스 따르므로 안정적이고 설명 가능한 실행이 보장됩니다.
에이전트 도구
확장을 통해 에이전트는 데이터를 조회 하거나, API를 호출하거나, 코드를 실행 , 데이터베이스를 쿼리 , 비즈니스 로직을 트리거하다 기능 있어 수동적인 응답자에서 능동적인 문제 해결자로 거듭날 수 있습니다. 이 솔루션에서는 다음과 같이 분류됩니다.
check_portfolio_allocation_tool: MongoDB 컬렉션에서 포트폴리오 할당 데이터를 검색합니다.
assess_macro_indicators_tool: FRED API 데이터에서 거시 경제 지표를 검색합니다.
assess_vix_tool: 금융 데이터 세트에서 VIX 시장 변동성 데이터를 검색합니다.
fetch_market_news_tool: 임베딩을 사용하여 금융 뉴스 기사에서 벡터 검색 수행합니다.
fetch_social_media_submissions_tool: 임베딩을 사용하여 Reddit 제출에 대한 벡터 검색 수행합니다.
calculate_crypto_trends_tool: 암호화 가격 데이터를 집계하여 이동 평균과 추세를 계산합니다.
calculate_asset_trends_tool: 추세 분석을 위해 기존 자산 가격 데이터를 집계합니다.
calculate_crypto_momentum_indicators_tool: 암호화 데이터를 애그리게이션하여 RSI, 볼륨 패턴 및 VWAP를 계산합니다.
calculate_news_sentiment_tool: 뉴스 기사의 감정 점수를 자산 별로 집계합니다.
calculate_social_media_sentiment_tool: 소셜 미디어 제출의 감상 점수를 자산 별로 집계합니다.
generate_news_sentiment_summary_tool: 뉴스 감정 데이터를 집계하고 LLM 기반 요약을 생성합니다.
generate_social_media_sentiment_summary_tool: 소셜 미디어 감정 데이터를 집계하고 LLM 기반 요약을 생성합니다.
generate_overall_diagnosis_tool: 최종 포트폴리오 진단을 위해 모든 분석 결과를 위험 프로필과 애그리게이션합니다.
generate_overall_diagnosis_tool (crypto version): 포괄적인 포트폴리오 진단을 위해 암호화 분석 결과를 집계합니다.
4. MCP 서버와 MongoDB 상호 작용
이 솔루션의 마지막 기능 MongoDB MCP 서버와 AI 기반 React Agent를 결합하여 MongoDB Atlas 에 저장된 금융 데이터에 대한 실시간 언어 쿼리를 가능하게 합니다.
MCP 서버와 MongoDB 결합하면 언어 통해 데이터를 탐색하고, 데이터베이스 관리 작업을 수행하고, 컨텍스트 인식 코드를 생성할 수 있습니다.
그림 5. MongoDB MCP 서버 상호 작용 아키텍처
다이어그램에 표시된 대로 이 솔루션은 금융 Time Series 데이터 에 연결됩니다.
Cryptocurrencies: BTC, ETH, XRP, SOL, DOGE, ADA
Stocks/ETFs: HYG, LQD, TLT, GLD, USO, EEM, QQQ, SPY, XLE, VNQ
컬렉션: binanceCryptoData(crypto), yfinanceMarketData(기존)
이 데모에서 MongoDB MCP 서버는 클라이언트 와 MongoDB Atlas 컬렉션 간의 상호 작용을 가능하게 하는 Next.js 앱 을 통해 개발자 도구가 다음 작업을 수행할 수 있도록 합니다.
데이터베이스 탐색: 데이터베이스의 컬렉션을 나열합니다.
최신 가격 및 가격 추세: 지원되는 자산의 현재 가격을 가져오거나 일정 기간 동안의 일일 가격 평균을 표시합니다.
거래량 분석: 평균 거래 을 계산합니다.
가격 비교: 서로 다른 자산 간의 가격을 비교합니다.
이 microservices 복제하려면 해당 Github 리포지토리 참조하세요: 투자 포트폴리오 관리 - MCP 상호 작용
MongoDB MCP 서버에 대해 자세히 학습 MongoDB MCP 서버에 대해 자세히 알아보려면 MongoDB MCP 서버 발표하기를 참조하세요.
참고
이 데모는 보안상의 이유로 읽기 전용 모드 로 작동합니다. MCP는 create, update 및 delete 작업을 지원하지만 의도적으로 list, find 및 aggregate 작업에 대한 액세스 만 제한했습니다. 이렇게 하면 데이터베이스 의 의도하지 않은 변경을 방지하고 안전한 데모 환경을 보장할 수 있습니다.
MongoDB를 선택하는 이유
Agentic- AI 투자 포트폴리오 관리자에게는 실시간 의사 결정, 적응형 추론 및 영구 메모리를 지원하는 데이터 플랫폼이 필요합니다. 다음 섹션에서는 MongoDB 지능적이고 규정을 준수하며 자율적인 금융 에이전트를 강화하는 데 필요한 통합 아키텍처와 네이티브 AI 통합을 제공하는 방법을 보여줍니다.
AI 기반 금융 애플리케이션을 위한 현대적 데이터 기반
MongoDB는 금융 서비스의 복잡성을 처리하기 위해 설계된 통합 고성능 데이터 플랫폼입니다. 분산된 점 솔루션을 단일 시스템으로 대체하여 구조화된 데이터, time-series 데이터, 비구조화 데이터, 벡터화된 데이터를 처리할 수 있는 기능을 제공하며, 이는 자본 시장, 자산 관리 및 그 외 다양한 분야에서 지능적이고 적응적인 애플리케이션을 구동하는 데 이상적입니다.
스키마 유연성 및 Document Model
MongoDB의 JSON과 유사한 BSON 모델은 에이전트 상태 및 객체 지향 설계와 자연스럽게 일치하여 계정, 포트폴리오, 트랜잭션 및 AI 메타데이터의 데이터 모델링을 간소화합니다. 개발자는 다음을 수행할 수 있습니다.
동적 스키마 덕분에 중단 없는 마이그레이션 없이 데이터 모델을 발전시킬 수 있습니다.
사용자 프로필 및 거래 내역과 같은 관련 데이터를 함께 저장하여 더 빠르고 효율적인 쿼리를 수행합니다.
배열, 내장된 문서 등 다양한 데이터 유형을 통합된 구조로 처리하세요.
시장 및 암호화 데이터에 대한 Time Series 컬렉션
Time Series 컬렉션은 대량의 시장 데이터를 효율적으로 수집하고 분석 . 기능은 다음과 같습니다.
주식, 채권, 암호화폐 및 원자재에 대한 높은 처리량 수집입니다.
성능 및 비용 제어를 위해 자동 압축, 인덱싱 및 데이터 만료를 수행합니다.
이동 평균 및 변동성 추적과 같은 창 분석에 대한 네이티브 지원.
시맨틱 이해를 위한 Atlas Vector Search
MongoDB Atlas Vector Search는 벡터 임베딩을 사용하여 금융 콘텐츠 전반에 걸쳐 의미론적 이해를 지원합니다. 이 솔루션은 voyage-finance-2을 활용합니다. 이 모델은 다음과 같은 기능을 제공합니다.
대화형 프롬프트와 유사성 기반 매칭을 사용하여 금융 뉴스 및 소셜 미디어 게시물을 상황에 맞게 검색합니다.
메타데이터 필터링을 적용하여 시맨틱 유사성 검색 결과의 정밀도가 개선되었습니다.
에이전트 메모리를 위한 MongoDB 체크포인터
Checkpointer AI 패턴은 AI 에이전트가 상호작용 간에 내부 상태를 지속할 수 있도록 하며, 다음을 지원합니다.
컨텍스트 유지 및 장기 추론.
과거 AI 결정에 대한 완전한 가시성을 제공하여 감사 및 컴플라이언스를 쉽게 지원합니다.
인사이트 생성을 위한 집계 파이프라인 및 Atlas Charts
MongoDB의 집계 프레임워크는 트렌드 분석에서 거시경제적 상관관계에 이르기까지 실시간 인사이트를 제공합니다. Atlas Charts와 결합하여 팀은 Atlas Charts 대시보드를 빌드할 수 있습니다.
AI 기반 포트폴리오 시그널
시장 이상 징후
실시간 성능 지표
MongoDB MCP 서버
MCP 통합을 통해 AI 에이전트와 도구는 자연어 언어 사용하여 MongoDB 의 금융 데이터와 직접 상호 작용 수 있습니다. MCP 서버는 이러한 상호 작용을 간소화하여 쉬운 데이터 탐색, 투자 포트폴리오를 위한 간소화된 데이터베이스 관리 , 금융 애플리케이션을 위한 상황 인식 코드 생성을 가능하게 합니다. 이를 통해 AI 의 사용을 가속화하여 더 스마트하고, 더 빠르며, 더 많은 정보에 입각한 투자 결정을 내릴 수 있습니다.
이러한 기능을 통해 MongoDB 현대 금융의 요구 사항을 지원 AI 기반 금융 솔루션을 위한 강력한 데이터 계층이 됩니다.
주요 학습 사항
AI 기반 투자 포트폴리오 솔루션은 전례 없는 수준의 인사이트를 제공합니다: 이제 포트폴리오 관리자는 시장 데이터, 시장 뉴스, 시장 이벤트를 분석 실시간 포트폴리오 자산 및 위험에 대한 통찰력 있고 실행 가능한 권장 사항을 제안할 수 있는 AI Agent의 기능을 갖추게 되었습니다.
MongoDB 투자 포트폴리오 관리 위한 Agentic AI 솔루션을 지원합니다. MongoDB의 유연한 문서 모델 기본적으로 뉴스, 이벤트, 소셜 미디어 데이터 등 구조화되지 않은 동적 시장 데이터를 저장합니다. MongoDB Vector Search는 임베딩 및 생성형 AI 모델과 원활하게 통합되는 동시에 상황에 맞는 시장 유사성 및 상관 관계를 검색합니다.
Agentic AI 의사 결정을 주도하기 위해 빠르게 진화하는 패러다임입니다. AI Agent는 실시간 시장 상황과 시장 변동에 따라 지속적으로 조치와 전략을 조정합니다. AI 에이전트는 과거 경험을 통해 학습 시간이 지남에 따라 성과를 개선합니다.
작성자
Peyman Parsi
Ainhoa Múgica
Julian Boronat
Andrea Alaman Calderon