# 🔮 SightRay 리스크 관리 엔진 – 정적 모델 기반 → 동적 모델 확장 계획

---

## ✅ 현재 구조 요약: 정적 모델 기반 리스크 엔진

| 구성 요소 | 방식 | 설명 |
|------------|-------|------|
| VaR        | 히스토리컬 방식 | 수익률 정렬 기반 손실 한계치 계산 |
| SVaR       | 최근 급락 구간 기반 VaR | 보수적 리스크 추정 |
| MCS        | 정규분포 기반 시뮬레이션 | 확률적 미래 손실 분포 예측 |
| ATR        | 기술적 지표 (변동성) | 평균 변동폭 기반 위험도 평가 |
| Risk Score | 역수 + 가중 평균 | 정규화된 0~100 점수 산출 |

> ☑️ 장점: 구현이 쉽고 해석 가능, 규제 친화적, MVP에 적합
> ⚠️ 한계: 시장 변화에 적응 불가, 예외 상황 예측 한계

---

## 🚀 향후 확장 목표: 동적 학습 기반 리스크 엔진

### 🔄 목적
- 고정된 수치가 아니라, **시장 환경/데이터 흐름에 따라 리스크 예측이 변화하도록 설계**

### 🧠 핵심 방향
| 목표 기능 | 설명 |
|-----------|------|
| **리스크 예측 모델** | 미래 손실 확률 자체를 ML 모델로 학습 및 예측 (Regression) |
| **상호작용 학습** | ATR, ROI, VaR 등의 관계를 모델이 자동으로 파악 |
| **시나리오 기반 강화 학습** | 다양한 시장 조건에서 최적의 리스크 대응 전략 학습 |

---

## 🧩 구조적 확장 계획

```plaintext
risk_manage_engine/
├── predictors/                     ← 새로운 하위 디렉토리
│   ├── risk_lstm.py               # 시계열 기반 리스크 예측 모델
│   └── risk_xgboost.py            # 지도학습 기반 예측 모델 (회귀 or 분류)
├── risk_dataset_builder.py        # CDS + 리스크 지표 → 학습용 피처 구성
├── risk_evaluator.py              # 실제 예측 vs 계산 비교 평가
```

---

## 🔬 사용할 모델 후보

| 모델 | 목적 | 특성 |
|------|------|------|
| LSTM | 시계열 리스크 추정 | 과거 변화 추세를 고려한 예측 |
| XGBoost | 리스크 점수 회귀 | 고정 피처 기반 예측, 빠른 학습 |
| Autoencoder | 이상 감지 | 갑작스러운 위험 신호 탐지 |

---

## 📊 출력 구조 (예시)

| symbol | pred_risk_score | actual_risk_score | diff | alert |
|--------|------------------|-------------------|------|--------|
| AAPL   | 75               | 68                | -7   | ⚠️     |
| TSLA   | 62               | 64                | +2   |        |

---

## ✅ 적용 순서 제안

1. **CDS + 기존 risk_score → 학습용 데이터 구성** (`risk_dataset_builder.py`)
2. **단일 모델(XGBoost 등)로 `risk_score` 예측 회귀 모델 구축**
3. **실제 risk_score와 비교하여 예측 정확도 평가** (`risk_evaluator.py`)
4. **LSTM 기반 시계열 예측 추가**
5. **전략 엔진과 연계하여 실시간 대응 체계 구축**

---

## ✅ 요약

- 현재: **정적 모델 기반**으로 안정성과 해석성을 확보
- 미래: **동적·학습 기반**으로 예외 상황 적응성과 예측 정밀도 확보
- SightRay는 이 둘을 유기적으로 결합하여 진화 가능한 구조를 갖추고 있음

> 📘 정적 리스크 모델은 기본 평가 수단으로 유지하되,
> 예측력 향상과 고도화를 위해 동적 모델을 확장 적용해 나갈 계획