v3.1 과매수 방지, 앙상블 학습, KRX 캘린더 기반 장중 전용 운영 구현

[잔고 관리]
- _today_buy_total 인스턴스 변수로 당일 누적 매수 추적 (KIS T+2 미차감 보완)
- MAX_BUY_PER_CYCLE, MAX_DAILY_BUY_RATIO 설정 추가
- available_deposit = max_daily_buy - effective_today_buy 계산

[앙상블 & 포지션 사이징]
- AdaptiveEnsemble 실제 연동 (하드코딩 가중치 제거)
- Kelly Criterion Half-Kelly 포지션 비중 계산
- SignalWeights.normalize() Water-Filling 알고리즘으로 경계 위반 해결
- _accuracy_weighted() 크기 가중 정확도로 통일
- ensemble_weights.json → ensemble_history.json 통합

[LLM 클라이언트]
- GeminiLLMClient 추가 (Gemini → Ollama 폴백 체인)
- _class_last_call_ts 클래스 변수로 워커 재시작 후에도 스로틀 유지
- Ollama 미실행 조기 감지 및 명확한 오류 메시지

[KIS API]
- 모든 requests.get/post에 timeout=Config.HTTP_TIMEOUT 적용
- get_balance()에 today_buy_amt 필드 추가

[장중 전용 운영]
- KRXCalendar: exchange_calendars 기반, 2024~2026 공휴일 하드코딩 폴백
- EOD 셧다운: 15:35에 전체 상태 저장 후 서버 자동 종료
- Watchdog: .eod_date 마커로 EOD 후 재시작 차단
- daily_launcher.py: 매일 08:30 실행, 휴장일 감지 후 봇 미시작
- Windows 작업 스케줄러 WebAI_DailyLauncher 등록

[텔레그램 스킬 수정]
- PYTHONIOENCODING=utf-8 서브프로세스 환경 설정 (cp949 이모지 오류 해결)
- /regime: IPC macro_indices 파싱 구현, --json 모드 input() 블로킹 제거
- /weights: ensemble_history.json 형식 파싱 업데이트
- /model_health: glob 패턴 *_v3.pt 수정
- /postmortem: 거래 없을 때 빈 JSON 출력으로 Telegram 오류 해결
- /macro: price=0 시 prev_close 폴백 표시

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>

modules/analysis/deep_learning.py

@@ -4,6 +4,7 @@ import pickle
 import torch
 import torch.nn as nn
 import numpy as np
+import pandas as pd
 from collections import OrderedDict
 from sklearn.preprocessing import MinMaxScaler
 
@@ -164,15 +165,21 @@ def _build_feature_matrix(ohlcv_data):
     volume = np.array(ohlcv_data.get('volume', []), dtype=np.float64)
 
     n = len(close)
-    if len(open_) != n: open_ = close.copy()
-    if len(high) != n: high = close.copy()
-    if len(low) != n: low = close.copy()
+    _degraded = []
+    if len(open_) != n: open_ = close.copy(); _degraded.append('open')
+    if len(high) != n: high = close.copy(); _degraded.append('high')
+    if len(low) != n: low = close.copy(); _degraded.append('low')
+    if _degraded:
+        print(f"[LSTM] ⚠️ OHLCV 피처 불완전 ({', '.join(_degraded)} → close 대체). 예측 신뢰도 저하 가능")
 
-    # 거래량 정규화 (최대값 기준, 0이면 0)
+    # 거래량 정규화 (20일 이동평균 대비 비율, max 기준보다 정보량이 높음)
     if len(volume) == n and volume.max() > 0:
-        volume_norm = volume / (volume.max() + 1e-9)
+        vol_series = pd.Series(volume)
+        vol_ma20 = vol_series.rolling(20, min_periods=1).mean().values
+        volume_norm = volume / (vol_ma20 + 1e-9)
+        volume_norm = np.clip(volume_norm, 0.0, 5.0) / 5.0  # 0~5배 → 0~1 정규화
     else:
-        volume_norm = np.zeros(n)
+        volume_norm = np.full(n, 0.2)  # 데이터 없으면 중립값
 
     rsi = _compute_rsi(close, period=14)
     rsi_norm = rsi / 100.0  # 0~1 정규화
@@ -375,8 +382,10 @@ class PricePredictor:
             change_rate = ((predicted_price - current_price) / current_price) * 100
 
             cached_loss = self.training_status.get("loss", 0.5)
+            # 캐시 신뢰도: 마지막 학습 loss 기반 동적 계산 (고정값 제거)
+            cached_conf = min(0.70, 1.0 / (1.0 + (cached_loss * 200)))
             print(f"[AI] {ticker or '?'}: 쿨다운 중 → 캐시 예측 사용 "
-                  f"({predicted_price:.0f} / {change_rate:+.2f}%)")
+                  f"({predicted_price:.0f} / {change_rate:+.2f}% / conf={cached_conf:.2f})")
             return {
                 "current": current_price,
                 "predicted": float(predicted_price),
@@ -384,7 +393,7 @@ class PricePredictor:
                 "trend": trend,
                 "loss": cached_loss,
                 "val_loss": cached_loss,
-                "confidence": 0.62,
+                "confidence": round(cached_conf, 2),
                 "epochs": 0,
                 "device": str(self.device),
                 "lr": self.optimizer.param_groups[0]['lr'],
@@ -578,24 +587,28 @@ class PricePredictor:
         trend = "UP" if predicted_price > current_price else "DOWN"
         change_rate = ((predicted_price - current_price) / current_price) * 100
 
-        # 신뢰도 계산
-        loss_confidence = 1.0 / (1.0 + (best_val_loss * 50))
+        # ── 신뢰도 계산 (보수적 버전) ──────────────────────────────
+        # val_loss 기반: 0.001→0.74, 0.003→0.62, 0.01→0.50 (이전보다 보수적)
+        loss_confidence = 1.0 / (1.0 + (best_val_loss * 200))
 
+        # 오버피팅 페널티
         overfit_ratio = final_loss / (best_val_loss + 1e-9)
         if overfit_ratio < 0.5:
-            overfit_penalty = 0.7
-        elif overfit_ratio > 2.0:
-            overfit_penalty = 0.8
+            overfit_penalty = 0.65   # 심각한 언더피팅
+        elif overfit_ratio > 2.5:
+            overfit_penalty = 0.75   # 오버피팅
         else:
             overfit_penalty = 1.0
 
+        # 에포크 수 기반 수렴 판단
         epoch_factor = 1.0
         if actual_epochs < 10:
-            epoch_factor = 0.6
+            epoch_factor = 0.55      # 너무 이른 수렴 → 불신뢰
         elif actual_epochs >= max_epochs:
-            epoch_factor = 0.8
+            epoch_factor = 0.80      # 미수렴 → 부분 신뢰
 
-        confidence = min(0.95, loss_confidence * overfit_penalty * epoch_factor)
+        # 최종 상한: 0.80 (이전 0.95보다 보수적 — LSTM 70% 가중치 남발 방지)
+        confidence = min(0.80, loss_confidence * overfit_penalty * epoch_factor)
 
         return {
             "current": current_price,