기술 아카이브
AI/ML 시스템 구축부터 데이터 파이프라인까지의 실무 기록
RAG 시스템 구현
LangGraph 에이전트
TimesFM 시계열
XGBoost 예측 모델
임베딩·벡터 DB
파이프라인 설계
AI 리서치 스택 2026: 퀀트 개발자가 실제로 쓰는 LLM 도구들
클라우드·로컬 LLM, RAG, 에이전트, GPU 인프라를 하나의 시스템으로 보고 데이터 민감도와 작업 특성에 따라 배치하는 방법을 정리합니다.
RunPod vs Vast.ai: 로컬 LLM·백테스트 GPU 임대 실전 비교
로컬 LLM 개발과 백테스트 인프라에 GPU 클라우드를 쓸 때 RunPod와 Vast.ai 중 어느 쪽이 맞는지 실제 사용 경험으로 비교합니다.
Claude API로 퀀트 리서치 자동화하기: GPT-4와 실전 비교
퀀트 리서치 워크플로에 LLM을 붙일 때 Claude API와 GPT-4 중 어느 쪽이 더 맞는지, 실제 사용 사례와 비용 계산으로 비교합니다.
퀀트 개발 환경: RTX 4090부터 DGX Spark까지
로컬 LLM, 백테스트, 데이터 파이프라인을 돌리는 환경을 예산별로 정리합니다. GPU 카드, Mac, AI 슈퍼컴, 클라우드까지 실제 사용 기준으로 비교합니다.
크립토 거래소 API로 시장 데이터 파이프라인 구축하기
Binance, Bybit API에서 OHLCV, 펀딩레이트, 오더북 데이터를 수집하고 자동화하는 파이프라인을 만드는 방법입니다. 퀀트 리서치의 첫 단계는 데이터입니다.
로컬 LLM과 클라우드 모델, 퀀트 리서치 환경에서는 무엇이 더 유리한가
보안, 비용, 추론 속도, 워크플로 자동화 관점에서 리서치·개발 환경에 맞는 모델 운용 방식을 비교합니다. 상황에 따라 답이 다릅니다.