AI에게 계산을 맡기지 않는 포트폴리오 분석 도구를 만들었습니다 — Asterisk

AI 요약

말레이시아의 컴퓨터과학(Computer Science)·사이버보안(Cybersecurity) 전공 졸업반 학생이 2011년형 MacBook Pro와 대부분 무료 티어(Free Tier) 인프라만으로 Asterisk를 만들었습니다. 목표는 Bloomberg 터미널처럼 고가의 기관용 시스템에 접근하지 않고도 개인 투자자가 기관 수준의 포트폴리오 위험 분석을 이용할 수 있게 하는 것입니다. Asterisk는 사용자가 포트폴리오를 구성하면 실제 퀀트(quantitative) 모델을 실행하고, 그 결과를 AI가 이해하기 쉬운 주간 브리프(weekly brief)로 설명합니다.

■ AI는 설명만 하고 계산하지 않습니다

Asterisk의 핵심 설계 원칙은 “AI는 설명하지만 계산하지 않습니다(AI narrates, it never computes)”입니다. 포트폴리오에 표시되는 모든 수치는 대규모 언어 모델(LLM)이 추정하거나 생성하는 값이 아니라 결정론적 수학(deterministic math)으로 산출됩니다. AI 계층은 계산 결과를 새로 만들거나 수정하는 대신, 이미 계산된 결과가 무엇을 의미하는지 일반적인 언어로 전달하는 역할만 맡습니다.

이 구조에서는 금융 수치의 산출 과정과 자연어 설명 과정을 분리합니다. 따라서 모델이 포트폴리오 숫자를 임의로 계산하거나 잘못 만들어내는 문제를 피하면서, 사용자는 정량 분석 결과를 설명 형태로 받아볼 수 있습니다. 댓글에서도 이 분리가 금융 도구에 적합한 설계라는 반응이 나왔습니다. AI는 데이터를 해석하거나 패턴을 설명하는 데 활용하고, 예측 가능하고 검증 가능한 계산은 별도의 수학 계층에 맡기는 방식입니다.

■ 적용한 퀀트 모델

Asterisk는 포트폴리오에 대해 Value at Risk(VaR), 포트폴리오 최적화(portfolio optimization), 팩터 모델 분석(factor model analysis)을 실행합니다. VaR에는 파라메트릭 방식(parametric), 과거 데이터 기반 방식(historical), 팻테일(fat-tailed) 특성을 반영한 몬테카를로 시뮬레이션(Monte Carlo)이 포함됩니다. 작성자는 이 분석 결과를 개인 투자자에게 그대로 노출하는 대신, AI가 주간 브리프 형식의 평이한 설명으로 변환하도록 구성했습니다.

댓글에서는 이 기능을 어디까지 사용자에게 보여줄지에 대한 질문도 제기됐습니다. “fat-tailed Monte Carlo”처럼 전문적인 표현과 모델을 그대로 제시하면 개인 투자자가 부담을 느낄 수 있으므로, 정량 모델은 내부에서 유지하고 사용자에게는 결과를 이해할 수 있는 수준으로 보여주는 방법을 어떻게 결정하고 있는지 묻는 내용입니다. 작성자는 해당 질문에 대한 구체적인 표시 정책이나 모델 추가 계획을 본문에서 제시하지 않았습니다.

■ 소규모 인프라로 구성한 기술 스택

백엔드는 FastAPI와 Python으로 만들었고, 프론트엔드는 Next.js와 TypeScript를 사용했습니다. 데이터베이스는 Supabase Postgres이며, 배포에는 Render와 Vercel을 사용했습니다. 개발자는 2011년형 MacBook Pro와 무료 티어 중심의 인프라라는 제약 속에서 제품을 구현했다고 설명합니다. 이 제약은 기관용 분석 도구를 개인 투자자에게 제공한다는 목표와 함께, 초기 범위를 빠르게 정하고 핵심 계산 파이프라인에 집중하게 한 배경으로 제시됩니다.

서비스는 asteriskai.vercel.app에서 이용할 수 있습니다. 게시 시점에는 아직 사용자가 없으며, 개발자는 실제 포트폴리오 또는 모의 포트폴리오를 넣어 사용해 보고 어디에서 문제가 발생하는지, 어떤 수치가 이해되지 않는지 알려줄 사람을 찾고 있습니다. 추천이나 높은 점수보다 제품이 깨지는 지점과 숫자가 납득되지 않는 지점에 대한 솔직한 피드백을 더 원한다고 밝혔습니다.

■ 개인 투자자 시장으로 범위를 좁히는 접근

한 댓글은 Asterisk를 BlackRock Aladdin, Bloomberg PORT, MSCI BarraOne, FactSet, SimCorp Axioma 같은 대형 기관용 플랫폼과 직접 비교하기보다, 개인 투자자용 무료 포트폴리오 위험 분석 도구라는 틈새에 맞추는 편이 더 적절하다고 제안합니다. “free portfolio risk analysis tool for retail investors”나 “VaR calculator for retail investors”처럼 검색 의도를 좁히면 경쟁 구도가 달라질 수 있다는 의견입니다. 이는 Asterisk가 기관 플랫폼과 동일한 범주의 제품이라는 점보다, 그동안 기관용 시스템에 갇혀 있던 분석을 개인 투자자에게 접근 가능하게 만든다는 포지셔닝에 초점을 맞추자는 제안입니다.

또 다른 댓글은 금융 도구에서 실제 숫자를 추측하게 하는 순간 신뢰성을 잃는다는 경험을 공유했습니다. Asterisk의 계산과 설명 분리는 금융 계산을 LLM의 책임에서 분리하면서, AI가 잘하는 설명 기능에 집중하게 한다는 평가를 받았습니다. 반면 다음에 추가하고 싶은 퀀트 모델이 무엇인지, 초기 사용자를 확보한 뒤 프리미엄(freemium)이나 다른 수익화 방식을 고려하고 있는지는 추가 질문으로 남았습니다.

■ Indie Hackers 반응

• @BlackLabelTec — 2011년형 MacBook과 무료 티어 인프라로 기관 수준의 퀀트 분석을 구축하는 졸업반 컴퓨터과학 학생이라는 점이야말로 인디 해커 정신입니다. “AI는 설명하지만 계산하지 않습니다”라는 원칙은 핀테크 도구에 정말 올바른 아키텍처입니다. 개인 투자자가 기관용 분석을 이용할 수 있게 하는 것은 큰 격차입니다. 계속 진행하시기 바랍니다 🔥

• @SpirosGagr — Asterisk 게시물을 보고 “AI는 설명하지만 계산하지 않습니다”라는 원칙이 정말 마음에 들었습니다. 빠르게 AI 가시성 점검을 해보고 ChatGPT에 “2026년 최고의 AI 포트폴리오 위험 분석 도구는 무엇인가요?”라고 물었더니 BlackRock Aladdin, Bloomberg PORT, MSCI BarraOne, FactSet, SimCorp Axioma 등이 나왔습니다. Asterisk가 나타나지 않은 것은 놀랍지 않습니다. 이들은 막대한 마케팅 예산을 가진 대형 기관 플랫폼이기 때문입니다. Asterisk에 더 흥미로운 방향은 개인 투자자용이라는 더 좁은 영역이라고 생각합니다. “개인 투자자를 위한 무료 포트폴리오 위험 분석 도구”나 “개인 투자자를 위한 VaR 계산기” 같은 검색어가 실제 포지셔닝과 더 가깝습니다. 그렇게 검색하면 경쟁자 구성이 꽤 다르고, 훨씬 덜 붐비는 시장이 나타날 수도 있습니다. 최근 틈새 인보이싱 도구를 확인했을 때도 비슷한 일을 봤습니다. 넓은 카테고리는 붐비는 것처럼 보였지만 실제 틈새로 좁히자 분명한 공백이 보였습니다. 도움이 된다면 개인 투자자용 도구들이 어디에서 가시성을 얻는지 확인해 보겠습니다.

• @smartpathavatar — AI를 해석에 사용하고 결정론적 시스템을 계산에 사용하는 분리가 정말 마음에 듭니다. AI는 데이터를 설명하고, 패턴을 찾고, 사용자가 정보를 탐색하도록 돕는 데 매우 유용하지만 금융 계산은 예측 가능한 결과를 원하는 영역입니다. 모델이 숫자를 만들어내거나 계산하는 책임을 지지 않기 때문에 이 아키텍처는 신뢰하기도 더 쉬워 보입니다. 수학 계층은 검증 가능한 상태로 두고, AI는 실제로 잘하는 부분에 집중할 수 있습니다. 앞으로 더 많은 AI 제품이 모델에게 모든 작업을 맡기는 대신 이런 하이브리드 접근으로 이동할 것이라고 생각합니다.

• @Tombal83 — 좋은 원칙입니다. 모든 금융 도구에 같은 원칙을 적용할 수 있습니다. 저도 개인 금융 추적기를 만들면서 비슷한 일을 겪었습니다. 훨씬 덜 복잡한 수학이지만 같은 생각입니다. 실제 숫자를 설명하는 대신 추측하게 하는 순간 금융 도구가 신뢰를 얻는 데 필요한 유일한 요소를 잃게 됩니다. 퀀트 분석 중 어느 정도를 실제로 보여주고 어느 정도를 내부에 숨길지 어떻게 결정하고 있나요? 숫자 자체가 탄탄하더라도 대부분의 개인 사용자는 “팻테일 몬테카를로”라는 말을 보면 눈이 흐려질 것 같습니다. 그 부분을 어떻게 처리하고 있는지 궁금합니다.

• @AmandaBrown — “AI는 설명하지만 계산하지 않습니다”는 실제로 현명한 설계 원칙이며, 대부분의 AI 금융 도구보다 더 엄격합니다. 관심사의 분리는 올바른 선택입니다. LLM이 포트폴리오 숫자를 환각하는 일은 단순히 당황스러운 문제가 아니라 정말 위험할 수 있습니다. 2011년형 MacBook과 무료 티어 인프라로 구축했다는 점도 범위를 빠르게 다듬게 하는 제약입니다. VaR와 몬테카를로 다음에는 어떤 모델을 추가하고 싶나요? 초기 사용자를 확보한 뒤 프리미엄 방식이나 다른 수익화를 생각하고 있나요?

원문: Indie Hackers / 번역·요약: Trawling