stock-lab 오류 수정, lotto-lab 히트맵 기반 추천 기능 추가

backend/app/main.py

@@ -9,7 +9,7 @@ from .db import (
     save_recommendation_dedup, list_recommendations_ex, delete_recommendation,
     update_recommendation,
 )
-from .recommender import recommend_numbers
+from .recommender import recommend_numbers, recommend_with_heatmap
 from .collector import sync_latest, sync_ensure_all
 from .generator import generate_smart_recommendations
 from .generator import generate_smart_recommendations
@@ -223,6 +223,124 @@ def api_recommend(
 		"tries": tries,
     }
 
+# ---------- ✅ heatmap-based recommend ----------
+@app.get("/api/lotto/recommend/heatmap")
+def api_recommend_heatmap(
+    heatmap_window: int = 20,
+    heatmap_weight: float = 1.5,
+    recent_window: int = 200,
+    recent_weight: float = 2.0,
+    avoid_recent_k: int = 5,
+    
+    # ---- optional constraints ----
+    sum_min: Optional[int] = None,
+    sum_max: Optional[int] = None,
+    odd_min: Optional[int] = None,
+    odd_max: Optional[int] = None,
+    range_min: Optional[int] = None,
+    range_max: Optional[int] = None,
+    max_overlap_latest: Optional[int] = None,
+    max_try: int = 200,
+):
+    """
+    히트맵 기반 추천: 과거 추천 번호들의 적중률을 분석하여 가중치 부여
+    """
+    draws = get_all_draw_numbers()
+    if not draws:
+        raise HTTPException(status_code=404, detail="No data yet")
+    
+    # 과거 추천 데이터 가져오기 (적중 결과가 있는 것만)
+    past_recs = list_recommendations_ex(limit=100, sort="id_desc")
+    
+    latest = get_latest_draw()
+    
+    params = {
+        "heatmap_window": heatmap_window,
+        "heatmap_weight": float(heatmap_weight),
+        "recent_window": recent_window,
+        "recent_weight": float(recent_weight),
+        "avoid_recent_k": avoid_recent_k,
+        "sum_min": sum_min,
+        "sum_max": sum_max,
+        "odd_min": odd_min,
+        "odd_max": odd_max,
+        "range_min": range_min,
+        "range_max": range_max,
+        "max_overlap_latest": max_overlap_latest,
+        "max_try": int(max_try),
+    }
+    
+    def _accept(nums: List[int]) -> bool:
+        m = calc_metrics(nums)
+        if sum_min is not None and m["sum"] < sum_min:
+            return False
+        if sum_max is not None and m["sum"] > sum_max:
+            return False
+        if odd_min is not None and m["odd"] < odd_min:
+            return False
+        if odd_max is not None and m["odd"] > odd_max:
+            return False
+        if range_min is not None and m["range"] < range_min:
+            return False
+        if range_max is not None and m["range"] > range_max:
+            return False
+        
+        if max_overlap_latest is not None:
+            ov = calc_recent_overlap(nums, draws, last_k=avoid_recent_k)
+            if ov["repeats"] > max_overlap_latest:
+                return False
+        return True
+    
+    chosen = None
+    explain = None
+    
+    tries = 0
+    while tries < max_try:
+        tries += 1
+        result = recommend_with_heatmap(
+            draws,
+            past_recs,
+            heatmap_window=heatmap_window,
+            heatmap_weight=heatmap_weight,
+            recent_window=recent_window,
+            recent_weight=recent_weight,
+            avoid_recent_k=avoid_recent_k,
+        )
+        nums = result["numbers"]
+        if _accept(nums):
+            chosen = nums
+            explain = result["explain"]
+            break
+    
+    if chosen is None:
+        raise HTTPException(
+            status_code=400,
+            detail=f"Constraints too strict. No valid set found in max_try={max_try}.",
+        )
+    
+    # ✅ dedup save
+    saved = save_recommendation_dedup(
+        latest["drw_no"] if latest else None,
+        chosen,
+        params,
+    )
+    
+    metrics = calc_metrics(chosen)
+    overlap = calc_recent_overlap(chosen, draws, last_k=avoid_recent_k)
+    
+    return {
+        "id": saved["id"],
+        "saved": saved["saved"],
+        "deduped": saved["deduped"],
+        "based_on_latest_draw": latest["drw_no"] if latest else None,
+        "numbers": chosen,
+        "explain": explain,
+        "params": params,
+        "metrics": metrics,
+        "recent_overlap": overlap,
+        "tries": tries,
+    }
+
 # ---------- ✅ history list (filter/paging) ----------
 @app.get("/api/history")
 def api_history(

backend/app/recommender.py

@@ -66,3 +66,98 @@ def recommend_numbers(
 
     return {"numbers": chosen_sorted, "explain": explain}
 
+
+def recommend_with_heatmap(
+    draws: List[Tuple[int, List[int]]],
+    past_recommendations: List[Dict[str, Any]],
+    *,
+    heatmap_window: int = 10,
+    heatmap_weight: float = 1.5,
+    recent_window: int = 200,
+    recent_weight: float = 2.0,
+    avoid_recent_k: int = 5,
+    seed: int | None = None,
+) -> Dict[str, Any]:
+    """
+    히트맵 기반 가중치 추천:
+    - 과거 추천 번호들의 적중률을 분석하여 잘 맞춘 번호에 가중치 부여
+    - 기존 통계 기반 추천과 결합
+    
+    Args:
+        draws: 실제 당첨 번호 리스트 [(회차, [번호들]), ...]
+        past_recommendations: 과거 추천 데이터 [{"numbers": [...], "correct_count": N, "based_on_draw": M}, ...]
+        heatmap_window: 히트맵 분석할 최근 추천 개수
+        heatmap_weight: 히트맵 가중치 (높을수록 과거 적중 번호 선호)
+    """
+    if seed is not None:
+        random.seed(seed)
+    
+    # 1. 기존 통계 기반 가중치 계산
+    all_nums = [n for _, nums in draws for n in nums]
+    freq_all = Counter(all_nums)
+    
+    recent = draws[-recent_window:] if len(draws) >= recent_window else draws
+    recent_nums = [n for _, nums in recent for n in nums]
+    freq_recent = Counter(recent_nums)
+    
+    last_k = draws[-avoid_recent_k:] if len(draws) >= avoid_recent_k else draws
+    last_k_nums = set(n for _, nums in last_k for n in nums)
+    
+    # 2. 히트맵 생성: 과거 추천에서 적중한 번호들의 빈도
+    heatmap = Counter()
+    recent_recs = past_recommendations[-heatmap_window:] if len(past_recommendations) >= heatmap_window else past_recommendations
+    
+    for rec in recent_recs:
+        if rec.get("correct_count", 0) > 0:  # 적중한 추천만
+            # 적중 개수에 비례해서 가중치 부여 (많이 맞춘 추천일수록 높은 가중)
+            weight = rec["correct_count"] ** 1.5  # 제곱으로 강조
+            for num in rec["numbers"]:
+                heatmap[num] += weight
+    
+    # 3. 최종 가중치 = 기존 통계 + 히트맵
+    weights = {}
+    for n in range(1, 46):
+        w = freq_all[n] + recent_weight * freq_recent[n]
+        
+        # 히트맵 가중치 추가
+        if n in heatmap:
+            w += heatmap_weight * heatmap[n]
+        
+        # 최근 출현 번호 패널티
+        if n in last_k_nums:
+            w *= 0.6
+        
+        weights[n] = max(w, 0.1)
+    
+    # 4. 가중 샘플링으로 6개 선택
+    chosen = []
+    pool = list(range(1, 46))
+    for _ in range(6):
+        total = sum(weights[n] for n in pool)
+        r = random.random() * total
+        acc = 0.0
+        for n in pool:
+            acc += weights[n]
+            if acc >= r:
+                chosen.append(n)
+                pool.remove(n)
+                break
+    
+    chosen_sorted = sorted(chosen)
+    
+    # 5. 설명 데이터
+    explain = {
+        "recent_window": recent_window,
+        "recent_weight": recent_weight,
+        "avoid_recent_k": avoid_recent_k,
+        "heatmap_window": heatmap_window,
+        "heatmap_weight": heatmap_weight,
+        "top_all": [n for n, _ in freq_all.most_common(10)],
+        "top_recent": [n for n, _ in freq_recent.most_common(10)],
+        "top_heatmap": [n for n, _ in heatmap.most_common(10)],
+        "last_k_draws": [d for d, _ in last_k],
+        "analyzed_recommendations": len(recent_recs),
+    }
+    
+    return {"numbers": chosen_sorted, "explain": explain}
+

stock-lab/OLLAMA_SETUP.md

@@ -1,100 +0,0 @@
-# 🦙 Windows PC Ollama 연동 가이드
-
-NAS(Docker)에 있는 `stock-lab` 서비스가 고성능 Windows PC의 Ollama를 사용하여 AI 분석을 수행하도록 설정하는 방법입니다.
-
-## 1. Windows PC 설정 (AI 서버)
-
-고성능 PC(9800X3D + 3070 Ti)에서 수행합니다.
-
-### 1-1. Ollama 설치 및 준비
-1.  [Ollama 공식 홈페이지](https://ollama.com/)에서 Windows용 Ollama를 다운로드하여 설치합니다.
-2.  명령 프롬프트(CMD)나 PowerShell을 열고 모델을 다운로드합니다.
-    ```powershell
-    ollama pull llama3.1
-    # 또는 gemma2 (9B)
-    ollama pull gemma2
-    ```
-
-### 1-2. 외부 접속 허용 설정 (중요 ⭐️)
-기본적으로 Ollama는 로컬(localhost)에서만 접속 가능합니다. NAS에서 접속하려면 이를 모든 IP(`0.0.0.0`)에서 접속 가능하게 변경해야 합니다.
-
-1.  **작업 관리자**를 열고 'Ollama' 프로세스가 있다면 **작업 끝내기**로 종료합니다. (트레이 아이콘 우클릭 -> Quit)
-2.  **시스템 환경 변수 편집**을 엽니다. (윈도우 키 누르고 "환경 변수" 검색)
-3.  **시스템 변수(S)** 섹션에서 `새로 만들기(W)...`를 클릭합니다.
-    *   변수 이름: `OLLAMA_HOST`
-    *   변수 값: `0.0.0.0`
-4.  확인을 눌러 저장하고, Ollama를 다시 실행합니다.
-
-### 1-3. 방화벽 포트 개방
-Windows Defender 방화벽이 외부 접속을 막을 수 있습니다.
-
-1.  Powershell을 **관리자 권한**으로 실행합니다.
-2.  아래 명령어를 입력하여 11434 포트를 엽니다.
-    ```powershell
-    New-NetFirewallRule -DisplayName "Ollama API" -Direction Inbound -LocalPort 11434 -Protocol TCP -Action Allow
-    ```
-    (또는 `제어판 > Windows Defender 방화벽 > 고급 설정`에서 인바운드 규칙으로 TCP 11434 포트 허용을 수동으로 추가해도 됩니다.)
-
-### 1-4. IP 주소 확인
-CMD에서 `ipconfig`를 입력하여 Windows PC의 IP 주소를 확인합니다.
-(예: `192.168.0.5`)
-
-### 1-5. Windows AI 서버 실행 (파이썬 중계 서버) ⭐️
-NAS가 Windows의 Ollama를 직접 호출할 수도 있지만, 더 복잡한 로직(뉴스+잔고 결합 분석 등)을 수행하기 위해 작성한 `windows_ai_server.py`를 실행해야 합니다.
-
-1.  **Python 설치**: Windows에 Python이 설치되어 있어야 합니다. (없다면 [python.org](https://www.python.org/)에서 설치)
-2.  **프로젝트 폴더 준비**:
-    *   바탕화면 등에 적당한 폴더(예: `stock-ai`)를 만들고, 앞서 작성한 `windows_ai_server.py` 파일을 넣습니다.
-3.  **라이브러리 설치**:
-    *   해당 폴더에서 Shift+우클릭 -> "PowerShell 창 열기"
-    *   다음 명령어로 필요한 패키지를 설치합니다.
-        ```powershell
-        pip install fastapi uvicorn requests pydantic
-        ```
-4.  **서버 실행**:
-    *   같은 PowerShell 창에서 서버를 실행합니다.
-        ```powershell
-        # NAS의 주소를 환경 변수로 설정 (본인의 NAS IP로 수정하세요)
-        $env:NAS_API_URL="http://192.168.0.2:18500"
-        
-        # 서버 실행 (0.0.0.0은 모든 IP 접속 허용을 의미)
-        python -m uvicorn windows_ai_server:app --host 0.0.0.0 --port 8000 --reload
-        ```
-    *   **성공 시**: `Application startup complete.` 메시지가 뜨며 대기 상태가 됩니다. 창을 닫지 마세요.
-
----
-
-## 2. NAS 설정 (Client)
-
-Synology NAS의 `web-page-backend` 프로젝트에서 설정합니다.
-
-### 2-1. .env 파일 수정
-`.env` 파일에 Windows PC의 주소를 입력합니다.
-
-```bash
-# .env 파일
-# ... 기존 설정들 ...
-
-# 윈도우 PC의 IP로 변경하세요 (http:// 포함, 포트 8000 포함)
-# 주의: Ollama(11434)가 아니라, 방금 띄운 Python 서버(8000)를 바라보게 해도 되고,
-# 단순 Ollama 호출만 필요하다면 11434로 해도 됩니다. 
-# 여기서는 AI 서버(8000)를 통해 분석한다고 가정합니다.
-WINDOWS_AI_SERVER_URL=http://192.168.0.5:8000
-```
-
-### 2-2. 컨테이너 재배포
-변경된 설정을 적용하기 위해 `stock-lab` 컨테이너를 다시 시작합니다.
-
-```bash
-# NAS 터미널 (프로젝트 루트 경로)
-docker-compose up -d --build stock-lab
-```
-
----
-
-## 3. 테스트
-
-브라우저나 API 도구를 사용하여 NAS의 주소로 분석 요청을 보냅니다.
-
-*   **요청**: `POST http://192.168.0.5:8000/analyze/portfolio` (Windows PC에서 직접 테스트)
-*   **결과**: Windows PC의 터미널에 로그가 찍히며 GPU가 작동하고, JSON 응답이 옵니다.

stock-lab/app/main.py

@@ -8,10 +8,6 @@ import requests
 from apscheduler.schedulers.background import BackgroundScheduler
 from pydantic import BaseModel
 
-
-
-
-
 from .db import init_db, save_articles, get_latest_articles
 from .scraper import fetch_market_news, fetch_major_indices, fetch_overseas_news
 
@@ -33,7 +29,6 @@ WINDOWS_AI_SERVER_URL = os.getenv("WINDOWS_AI_SERVER_URL", "http://192.168.0.5:8
 
 @app.on_event("startup")
 def on_startup():
-    print(f"[StockLab] Startup. Windows AI Server URL: {WINDOWS_AI_SERVER_URL}")
     init_db()
     
     # 매일 아침 8시 뉴스 스크랩 (NAS 자체 수행)
@@ -52,9 +47,10 @@ def run_scraping_job():
     articles_kr = fetch_market_news()
     count_kr = save_articles(articles_kr)
     
-    # 2. 해외
+    # 2. 해외 (임시 차단)
-    articles_world = fetch_overseas_news()
+    # articles_world = fetch_overseas_news()
-    count_world = save_articles(articles_world)
+    # count_world = save_articles(articles_world)
+    count_world = 0
     
     print(f"[StockLab] Saved {count_kr} domestic, {count_world} overseas articles.")
 
@@ -127,25 +123,7 @@ def order_stock(req: OrderRequest):
         )
 
 
-@app.get("/api/stock/analyze")
+
-def analyze_market():
-    """Windows PC를 통한 AI 시장 분석"""
-    print(f"[Proxy] Analyzing Market at {WINDOWS_AI_SERVER_URL}...")
-    try:
-        # 빈 JSON Body 전송
-        resp = requests.post(f"{WINDOWS_AI_SERVER_URL}/analyze/portfolio", json={}, timeout=120)
-        
-        if resp.status_code != 200:
-             print(f"[ProxyError] Analyze Error: {resp.status_code} {resp.text}")
-             return JSONResponse(status_code=resp.status_code, content=resp.json())
-        
-        return resp.json()
-    except Exception as e:
-        print(f"[ProxyError] Analyze Connection Failed: {e}")
-        return JSONResponse(
-            status_code=500,
-            content={"error": "Connection Failed", "detail": str(e), "target": WINDOWS_AI_SERVER_URL}
-        )
 
 @app.get("/api/version")
 def version():