한 줄로
매크로 → 섹터 → 종목 순으로 좁혀 가는 Top-down 리서치로 투자 공부와 실전 의사결정을 함께 하고 싶었는데, LLM이 실시간 금융 데이터를 구조화된 형태로 조회·조합할 수 있는 도구 세트가 없었습니다. 그래서 MCP 서버를 직접 설계했습니다.
구조 — 두 축으로 역할 분리
- MCP 서버 (리서치 엔진) — Python FastMCP, 57개 tool + 1개 resource. 종목 재무·밸류에이션, 거시경제 지표, 섹터·테마 모멘텀, SEC 공시, DCF, 옵션 체인(감마 익스포저) 분석. 데이터 소스는 yfinance · Alpha Vantage · FRED · Tradier · SEC EDGAR · Damodaran dataset. Oracle Cloud Always Free VM 위 Docker + Nginx/HTTPS로 Streamable HTTP 엔드포인트를 노출합니다.
- Web (계정 · 키 발급) — Next.js + Vercel, Supabase Auth. MCP 연결에 필요한 키 발급과 연결 가이드만 담당하고, OAuth 인가 서버 역할도 겸합니다.
주요 판단
- 리서치 도구 먼저, 개인화는 나중에 — 처음엔 둘을 한 번에 만들려다 범위가 커지는 걸 보고, 리서치 도구(Phase 1)를 먼저 완성하고 개인화(Phase 2)는 선택 계층으로 분리했습니다.
- 확장을 가정하지 않는 인프라 — 무료 티어로 시작해 실사용을 검증한 뒤 유료 전환을 검토합니다.
- 인증 모드는 환경변수 하나로 — 배포 규모가 바뀌어도 코드 변경 없이 정책만 바꾸면 되도록 처음부터 분리했습니다.
- 도메인 검증은 현업에게 — 현업 주식 트레이더의 피드백으로 DCF · 펀더멘탈 분석 로직을 보정했습니다.
효과 — 같은 질문, 다른 결론
같은 종목에 대해 도구 없이 물었을 때 LLM은 애널리스트 컨센서스만 보고 “Strong Buy”를 냈지만, trade-bridge를 연결하면 펀더멘탈 점수 · 일봉/주봉 타이밍 · 옵션 감마 구간(콜월 저항, max pain)을 함께 조합해 “관망 — 특정 가격 돌파 또는 지지 확인 후 진입” 이라는 조건부 결론을 냈습니다. 단편적인 검색이 아니라 구조화된 데이터를 조합하게 만드는 것이 도구 설계의 핵심이라는 걸 확인한 사례입니다.
써보기 — MCP 커넥터로 연결
trade-bridge는 웹앱이 아니라 MCP 서버라서, 쓰는 AI 클라이언트(예: Claude)에 커스텀 커넥터로 추가해야 합니다.
- 클라이언트의 커넥터 설정에서 커스텀 커넥터 추가를 누릅니다.
- 이름에
trade-bridge, URL에http://mcp.trade-bridge.cloud/mcp를 입력하고 계속을 누릅니다. - 자세한 연결 방법은 이용 가이드에 있습니다.
한계
사용자는 본인과 지인 소수입니다. 이 프로젝트의 핵심은 사용자 수가 아니라 MCP 서버 아키텍처와 LLM용 도구 설계 경험에 있습니다. 투자 자문이 아닌 데이터 기반 참고 도구입니다.