Dartlab

회사에는 이야기가 있다

숫자를 나열하면 대시보드가 되지만, 숫자의 인과를 연결하면 스토리가 된다. DartLab은 그 스토리를 읽는 두 가지 방법을 제공한다.

사람이 직접 읽는다 — 종목코드 하나로 재무제표, 공시, 비율을 꺼내고, 6막 인과 구조로 "왜 이 회사의 마진이 이 수준인가"를 추적한다. 코드 한 줄이면 데이터가 나오고, 그 데이터가 이야기를 만든다.

AI가 읽어준다 — 같은 도구를 AI가 조합해서 질문에 맞는 분석 흐름을 스스로 설계하고, 코드와 결과를 투명하게 보여준다. 사용자는 답만 얻는 게 아니라 분석 방법을 배운다.

두 경로 모두 같은 엔진 위에서 동작한다. 엔진이 다리다 — 사람이 만든 엔진·블로그가 자동으로 AI 의 skill 이 되고, AI 가 실행 중 발견한 개선이 엔진 docstring·블로그로 사람 자산에 환류한다 (operation.philosophy).

투톱 진입점:

• dartlab.ask("...") — AI 의 입구. 자연어 한 줄.
• dartlab.Company(code) — 사람의 입구. 종목 파사드 하나로 c.story() · c.analysis(...) · c.credit() · c.quant() 등 전 엔진 접근.

문제

삼성전자의 "매출액"을 5년간 비교하려고 한 적 있는가?

DART에서 사업보고서를 열면 같은 숫자가 ifrs-full_Revenue, dart_Revenue, 매출액, 영업수익 네 가지 이름으로 나온다. 작년과 올해의 목차 구조가 다르다. SK하이닉스와 비교하려면 같은 작업을 처음부터 다시 해야 한다.

진짜 문제는 데이터가 없는 게 아니다. 같은 데이터가 너무 많은 이름으로 존재하는 것이다.

DartLab은 하나의 전제 위에 서 있다: 모든 기간은 비교 가능해야 하고, 모든 회사는 비교 가능해야 한다. 공시 섹션을 토픽-기간 그리드로 정규화하고(~95% 매핑율), XBRL 계정을 표준 이름으로 통일한다(~97% 매핑율) — 양식이 아니라 기업을 비교한다.

빠른 시작

uv add dartlab

import dartlab

c = dartlab.Company("005930")       # 삼성전자

c.sections                          # 모든 topic, 모든 기간, 나란히
# shape: (41, 12) — 41개 토픽 × 12개 기간
#                     2025Q4  2024Q4  2024Q3  2023Q4  ...
# companyOverview       v       v       v       v
# businessOverview      v       v       v       v
# riskManagement        v       v       v       v

텍스트와 숫자의 시계열 수평화 — 전 기간 비교 가능성의 핵심

c.show("IS")                        # 손익계산서 — 분기가 기본

분기별 재무제표가 기본 — snakeId + 한글 항목명 동시 제공

c.show("IS", freq="Y")             # freq="Y"로 연간 합산

같은 데이터, 연간으로 — 4분기 합산 자동 처리

c.show("businessOverview")          # 이 회사가 실제로 뭘 하는지
c.diff("businessOverview")          # 작년 대비 뭐가 바뀌었는지
c.show("ratios")                    # 재무비율, 이미 계산됨

c.filings()                         # 모든 보고서 — DART 뷰어로 바로 연결

사업보고서부터 분기보고서까지, dartUrl로 원문 즉시 확인

# 같은 인터페이스, 다른 나라
us = dartlab.Company("AAPL")
us.show("business")
us.show("ratios")

# 자연어로 질문
dartlab.ask("삼성전자 재무건전성 분석해줘")
# → AI가 코드를 실행하며 분석: "영업이익률이 8.6%→21.4%로 반등..."

API 키 불필요. HuggingFace에서 자동 다운로드, 로컬 캐시로 즉시 로드.

세 겹의 분석

Company가 종목코드 하나로 데이터를 준비하면, 세 겹이 분석한다.

1. 분석 엔진 — 숫자를 만든다. 마진 추이, 현금흐름 패턴, 부도 확률, 업종 비교, 매크로 사이클. 해석하지 않는다. 숫자와 근거만 제공한다.
2. story — 엔진 데이터를 블록 단위로 조합하여 보고서를 만든다. 11가지 보고서 타입 × 7가지 기업유형 템플릿. 해석은 제공하지 않는다. 다양한 관점의 근거를 체계적으로 배치한다.
3. AI — 엔진을 직접 쓰고 판단한다. 결과를 의심하고, 원본으로 검증하고, 이상하면 가정을 바꿔서 재계산한다. dartlab을 대표하는 적극적 분석가.

DartLab은 무엇인가

하나의 호출 계약. dartlab.엔진() 으로 가이드 보고 dartlab.엔진("축") 으로 실행.

처음이라면? Company → Story → Ask 순서로. 종목코드로 데이터를 보고, 보고서를 만들고, AI에게 물어본다.

레이어	엔진	하는 일	진입점	노트북
Data	Data	HuggingFace 사전 구축, 자동 다운로드	Company("005930")	—
L0/L1	Company	공시 + 재무제표 + 정형 데이터를 종목코드 하나로 통합	c.show(), c.select()	Colab · marimo
L1	Gather	외부 시장 데이터 (주가/수급/매크로/뉴스)	dartlab.gather()	Colab · marimo
L1.5	Scan	전 종목 사전 빌드 (거버넌스/비율/현금흐름 등 parquet)	dartlab.scan()	Colab · marimo
L2	Analysis	재무 심층 분석 (수익성/안정성/현금흐름) + 가치평가 + 전망	c.analysis("financial", "수익성")	Colab · marimo
L2	Quant	가격 기반 정량 신호 (기술/리스크/팩터/백테스트)	c.quant()	Colab · marimo
L2	Credit	독립 신용평가 (dCR 등급, 부도확률, 건전도)	c.credit("등급")	Colab · marimo
L2	Macro	시장 레벨 매크로 (사이클/금리/유동성/심리/자산 + 시나리오 110)	dartlab.macro("사이클")	Colab · marimo
L2	Industry	산업 매퍼 — 전 상장사 × 공정·역할·스트림 + 공급망 엣지 (산업지도 /map)	c.industry(), dartlab.industry("semiconductor")	—
L3	Story	보고서 빌더 — 6엔진 블록 조합 (analysis/quant/credit/macro/scan/industry), 11 타입 × 7 템플릿 (해석 안 함)	c.story("수익성")	Colab · marimo
L4	AI/Skills	skills 검색 + DartLab 실행 + ref 검산을 쓰는 분석 작업대 (사람도 L4)	dartlab.ask()	Colab · marimo
L4	Channel	외부 공유 — dartlab channel 한 줄로 폰에서 PC dartlab 사용	dartlab channel	—
core	Search	공시 시맨틱 검색 (beta — 인덱스 신선도 부족)	dartlab.search()	Colab · marimo
facade	Listing	종목/공시/topic 카탈로그 API	dartlab.listing()	Colab · marimo
viz	Viz	차트/다이어그램 (emit_chart)	emit_chart({...})	—

모든 노트북: marimo · colab ·

Company

설계: engines.company

세 가지 데이터 소스 — docs(전문 공시), finance(XBRL 재무제표), report(DART API 정형 데이터) — 를 하나의 객체로 통합. HuggingFace에서 자동 다운로드, 설정 불필요.

c = dartlab.Company("005930")

c.index                         # 뭐가 있는지 -- topic 목록 + 가용 기간
c.show("BS")                    # 데이터를 보려면 -- topic별 DataFrame
c.select("IS", ["매출액"])       # 데이터를 뽑으려면 -- finance든 docs든 같은 패턴
c.trace("BS")                   # 어디서 왔는지 -- source provenance
c.diff()                        # 뭐가 바뀌었는지 -- 기간 간 텍스트 변화

주석(Notes) — BS/IS 총액 이면의 항목별 분해. c.show("topic")으로 재무제표와 같은 패턴으로 접근. DART(K-IFRS HTML 파싱)와 EDGAR(US-GAAP XBRL 태그) 동일 인터페이스.

c.show(...)	내용	DART	EDGAR
"inventory"	원재료/재공품/제품 분해	✅	✅
"borrowings"	단기/장기 차입금 분해	✅	✅
"tangibleAsset"	유형자산 취득원가/감가상각/장부가	✅	✅
"intangibleAsset"	영업권/개발비 등	✅	✅
"receivables"	매출채권 + 대손충당금	✅	✅
"provisions"	보증/소송/구조조정 충당부채	✅	✅
"eps"	기본/희석 주당이익	✅	✅
"segments"	부문별 매출/이익	✅	✅
"costByNature"	원재료/급여/감가상각 성격별 비용	✅	✅
"lease"	사용권자산/리스부채	✅	✅
"affiliates"	관계기업 지분법 투자	✅	✅
"investmentProperty"	투자부동산 공정가치/장부가	✅	✅

Scan — 전 종목 횡단 비교

설계: engines.scan

전 종목 대상 횡단 분석. 거버넌스, 인력, 주주환원, 부채, 현금흐름, 감사, 내부자, 이익의 질, 유동성, 네트워크, 계정/비율 비교 등.

dartlab.scan("governance")            # 전종목 지배구조
dartlab.scan("ratio", "roe")          # 전종목 ROE
dartlab.scan("account", "매출액")      # 전종목 매출액 시계열

2,500+ 종목의 매출액을 한 번에 — 분기별 시계열로 즉시 비교

Gather — 외부 시장 데이터

설계: engines.gather

주가, 수급, 거시지표, 뉴스 — Polars DataFrame으로.

dartlab.gather("price", "005930")             # KR OHLCV
dartlab.gather("price", "AAPL", market="US")  # US 주가
dartlab.gather("macro", "FEDFUNDS")           # 자동 US 감지
dartlab.gather("news", "삼성전자")             # Google News RSS

Analysis — 재무 인과 분석

설계: engines.analysis

수익구조 → 수익성 → 성장성 → 안정성 → 현금흐름 → 자본배분 → 가치평가 → 전망. 원본 재무제표를 인과 서사로 가공한다.

c.analysis("financial", "수익성")       # 수익성 분석
c.analysis("수익성")                     # 단축형 (financial 자동)

print(c.credit())                            # 사용 가능한 축 가이드 DataFrame (self-discovery)
c.credit("등급")                             # dCR-AA, 건전도 93/100
c.credit("등급", detail=True)                # 등급 + 서사 + 지표 시계열

Credit — 독립 신용분석

설계: engines.credit | 보고서: dartlab.pages.dev/blog/credit-reports

3-Track 모델(일반/금융/지주) + Notch Adjustment + CHS 시장 보정 + 별도재무 블렌딩.

79개사 검증: 대기업 87% (26/30), 중대형 82% (41/50), 전체 70% (55/79, v5.0 과대평가 수정 후 재측정 예정). 삼성전자 AA+ 정확 일치. 검증 방법론은 methodology 참조.

print(c.credit())            # self-discovery — 사용 가능한 축 + 종합 등급

cr = c.credit("등급")        # 종합 등급
print(cr["grade"])          # dCR-AA+
print(cr["healthScore"])    # 96 (0-100, 높을수록 건전)
print(cr["pdEstimate"])     # 0.01% 부도확률

cr = c.credit("등급", detail=True)  # 등급 + 서사 + 지표 + 괴리 설명
print(cr["divergenceExplanation"])  # 신평사와 왜 다른지

신용분석 보고서 발간 (credit 서사 + 신평사 대조가 story 5막에 자동 통합):

from dartlab.story.publisher import publishReport
publishReport("005930")               # 6막 보고서 (credit narrative + audit 포함)

Macro — 종목코드 없이 경제를 읽다

설계: engines.macro

Company 없이 경제 환경을 분석한다. import dartlab 하나로.

dartlab.macro("사이클")          # 경기 4국면 판별
dartlab.macro("금리")            # 금리 + Nelson-Siegel 수익률곡선
dartlab.macro("예측")            # LEI + 침체확률 + Hamilton RS + GDP Nowcast
dartlab.macro("종합")            # 매크로 종합 + 투자전략 + 포트폴리오 매핑

시장 사이클·금리·유동성·심리·자산 신호와 글로벌 거시 분석 방법론(Hamilton EM, Kalman DFM, Nelson-Siegel, Cleveland Fed 프로빗, Sahm Rule, BIS Credit-to-GDP)을 numpy만으로 직접 구현.

백테스트 실증 (2000-2024, FRED): Cleveland Fed 프로빗이 미국 3/3 침체를 2-16개월 전에 사전 감지, recall 90%.

Story — 분석을 보고서로

설계: engines.story

analysis를 구조화 보고서로 조립. 4개 출력 형식: rich(터미널), html, markdown, json.

c.story()              # 전체 보고서
dartlab.ask()            # 보고서 + AI 종합의견

삼성전자 보고서 미리보기: "매출 +23.8% 성장, 영업이익률 8.6%→21.4% 반등. FCF 양수 전환, ROIC > WACC — 재투자가 가치를 창출하는 구간."

이야기꾼 — 숫자가 아니라 이야기다

설계: engines.story · 시리즈: 기업이야기

기업분석은 비율 나열이 아니다. DartLab은 5개 엔진(analysis, credit, scan, quant, macro)의 결과를 6막 스토리텔링 구조로 조합해 블로그에 발간 가능한 기업이야기를 자동 생성한다.

from dartlab.story.publisher import publishReport
publishReport("068270")    # 셀트리온 — 6막 기업이야기 자동 발간

발간된 기업이야기:

기업	이야기
SK하이닉스	한국 반도체 30년의 미스터리, 영업이익률 58%
삼양식품	라면 빅3 꼴등이 매출 2.3조 글로벌 식품 거인이 되기까지
두산에너빌리티	부채비율 305%에서 129%까지, 9년 다이어트의 진짜 모습
알테오젠	9년 적자 바이오텍이 한 건의 라이선스로 영업이익 +1,069억
HMM	시장이 아니라 사이클이 주가를 결정하는 회사
셀트리온	IMF로 직장 잃은 41세, 5천만원으로 시작해 25년 후 무형자산 13.78조
한화에어로스페이스	삼성이 8,400억에 버린 무기가 수주잔고 37조가 됐다
HD현대일렉트릭	7년 전 적자 1,006억이 올해 1조가 됐다, 변압기 하나로
고려아연	50년 만에 첫 순손실 2,457억, 그런데 영업이익은 사상 최대
에이피알	화장품 회사가 가전을 4,070억 팔았다, 그게 시작이었다

Search — 공시를 의미로 검색 (beta — 인덱스 신선도 한계)

설계: engines.search

⚠ 현재 인덱스가 일정 시점까지만 빌드됨 (매일 증분 자동화 미완성). 단일 종목 공시 조회는 Company.disclosure / Company.liveFilings 권장. 인프라(CI cron + HF push) 구축 후 stable 승격 예정.

모델 없음, GPU 없음, cold start 없음. 400만 문서 95% 정밀도 — 임베딩보다 정확, 1/100 비용. 벤치마크 상세는 methodology 참조.

dartlab.search("유상증자 결정")                     # 유상증자 공시 찾기
dartlab.search("대표이사 변경", corp="005930")       # 종목 필터
dartlab.search("회사가 돈을 빌렸다")                 # 자연어도 동작

AI — skills 기반 분석 작업대

설계: operation.opsAsSkills

AI가 skills와 capabilities를 검색하고, DartLab API를 실행한 결과 ref로 답변을 검산한다. 품질 결론은 서버 경유 직접 audit로 판정한다.

dartlab.ask("삼성전자 재무건전성 분석해줘")
dartlab.ask("삼성전자 분석", provider="gemini")  # 무료 provider 사용 가능

Provider: gemini(무료), groq(무료), cerebras(무료), oauth-codex(ChatGPT 구독), openai, ollama(로컬) 등. Rate limit 시 자동 대체.

Channel — 외부에서 내 PC dartlab 접근

설계: runtime.channel

PC에서 한 줄이면 폰에서 dartlab UI 그대로 사용. Microsoft DevTunnels 자동 셋업.

dartlab channel

흐름:

1. winget으로 devtunnel CLI 자동 설치 (최초 1회)
2. GitHub OAuth 1회 인증 (브라우저 자동 오픈)
3. 영구 URL + QR 발급 (https://<id>-8400.<region>.devtunnels.ms)
4. 폰 Chrome에 URL/QR 입력 → dartlab UI 그대로 동작

도메인 0개, 토큰 트릭 0개. VS Code Remote Tunnels와 동일 인프라라 모바일 호환성 검증됨. 메시징 봇 옵션 (--telegram/slack/discord) 도 지원.

아키텍처

"엔진 = 도구 (숫자만), story = 이야기꾼, AI/사람 = 소비자" — 1.0.0 전 근본 구조.

L0     core/         SSOT 인프라 (protocols, finance, memory, docs, search)
                     공용 헬퍼: toDictBySnakeId, memoized_calc, parseNumStr, safeDiv, fmtBig
L1     providers/    국가별 공시 데이터 (DART, EDGAR, EDINET)
       gather/       외부 시장 데이터 (Naver, Yahoo, FRED, ECOS)
L1.5   scan/         전종목 사전 빌드 (parquet) — 데이터 빌더, 분석 아님
L2     analysis/     재무 심층 (14축 + forecast + valuation)
       quant/        가격 기반 정량 신호 (기술/리스크/팩터/백테스트)
       credit/       독립 신용등급 (dCR 20단계, 7축)
       macro/        거시 지표 (11축 + scenarios 110 + historicalContext)
                     — 4개 엔진 동등, 상호 import 금지. dict/숫자만 반환.
L3     story/        이야기꾼 — L2 4엔진 + scan 소비, 보고서 조립
                     narrate (문장) + builders (블록) + templates (관점/성격)
L4     ai/ + 사람    소비자 — story 보고서를 해석하고 판단
       vscode/       VSCode 확장 (dartlab chat --stdio)
       ui/web/       Svelte SPA 웹 인터페이스

import 방향: L0 ← L1 ← L1.5 ← L2 ← L3 ← L4 (CI 강제, 역방향 0건).

레이어 간 소비 흐름

flowchart TB
    subgraph L4["L4 · 소비자 (해석과 판단)"]
        direction LR
        HUMAN["🧑 사람<br/>투자자/분석가"]
        AI["ai<br/>dartlab.ask()"]
        UI["vscode / CLI / web"]
    end
    subgraph L3["L3 · 이야기꾼"]
        REV["story<br/>narrate + builders + templates<br/>보고서 조립 (6막 서사)"]
    end
    subgraph L2["L2 · 분석 엔진 (dict만 반환, 상호 독립)"]
        ANA["analysis<br/>재무 14축 + forecast + valuation"]
        QNT["quant<br/>기술/리스크/팩터/백테스트"]
        CRD["credit<br/>dCR 20단계 · 7축"]
        MAC["macro<br/>11축 + scenarios 110"]
    end
    subgraph L15["L1.5 · 데이터 빌더"]
        SCN["scan<br/>전종목 parquet 사전 빌드"]
    end
    subgraph L1["L1 · 데이터 수집"]
        PRV["providers<br/>DART / EDGAR / EDINET"]
        GAT["gather<br/>FRED / ECOS / Naver / Yahoo"]
    end
    subgraph L0["L0 · 인프라 (SSOT)"]
        CORE["core<br/>finance.helpers · memory · docs · search"]
    end

    HUMAN --> UI
    UI --> AI
    UI --> REV
    AI --> REV
    AI --> ANA
    AI --> QNT
    AI --> MAC
    REV --> ANA
    REV --> QNT
    REV --> CRD
    REV --> MAC
    REV --> SCN
    ANA --> SCN
    ANA --> PRV
    ANA --> GAT
    QNT --> SCN
    QNT --> GAT
    CRD --> SCN
    CRD --> PRV
    MAC --> GAT
    SCN --> PRV
    SCN --> CORE
    PRV --> CORE
    GAT --> CORE
    ANA --> CORE
    QNT --> CORE
    CRD --> CORE
    MAC --> CORE

    classDef l0 fill:#f5f5f5,stroke:#999
    classDef l1 fill:#e8f4ff,stroke:#4a90e2
    classDef l15 fill:#dbeafe,stroke:#3b82f6
    classDef l2 fill:#fff4e6,stroke:#e67e22
    classDef l3 fill:#f0e6ff,stroke:#8e44ad
    classDef l4 fill:#e6ffe6,stroke:#27ae60
    class CORE l0
    class PRV,GAT l1
    class SCN l15
    class ANA,QNT,CRD,MAC l2
    class REV l3
    class AI,UI,HUMAN l4

핵심 규칙:

• L2 엔진 상호 import 금지 — analysis↛quant, macro↛credit 등 (0건 유지, CI 검증)
• L2 → L3 역방향 금지 — 엔진은 dict만, 해석/블록/보고서 생성은 story의 책임 (0건 유지)
• L2 → L1.5(scan) 하향 참조 허용 — scan은 순수 데이터 빌더
• 새 국가 추가 = providers/ 패키지 하나, core 수정 0줄

EDGAR (미국)

같은 인터페이스, 다른 데이터 소스. SEC API에서 자동 수집, 사전 다운로드 불필요.

# Korea (DART)                          # US (EDGAR)
c = dartlab.Company("005930")           c = dartlab.Company("AAPL")
c.sections                              c.sections
c.show("businessOverview")              c.show("business")
c.show("BS")                            c.show("BS")
c.show("ratios")                        c.show("ratios")
c.diff("businessOverview")              c.diff("10-K::item7Mdna")

MCP — AI 어시스턴트 연동

MCP 서버 내장. canonical 6 도구 + ask 메타로 외부 LLM 이 dartlab 라이브러리를 RunPython 안에서 직접 호출하는 패턴 (도구 표면을 좁혀 토큰 비용 ↓, 도구 선택 정확도 ↑).

Claude Desktop / Claude Code / Cursor (stdio, 권장)

uvx dartlab mcp 의 cold start 가 Claude Desktop attach timeout 안에 들어가지 못하므로 사전 설치 + entry point 직접 호출 이 정본입니다. command: "python" 은 Microsoft Store Python 환경에서 spawn ENOENT 로 실패할 수 있어 (이슈 #28), command: "dartlab" 으로 entry point 를 직접 호출하는 게 가장 견고합니다.

# 1. 사전 설치 (한 번만) — .local/bin/dartlab(.exe) entry point 생성
uv tool install dartlab        # 또는: pipx install dartlab

// 2-A. Claude Desktop — %APPDATA%\Claude\claude_desktop_config.json
{
  "mcpServers": {
    "dartlab": {
      "command": "dartlab",
      "args": ["mcp"],
      "env": { "PYTHONUNBUFFERED": "1", "PYTHONUTF8": "1" }
    }
  }
}

# 2-B. Claude Code 한 줄 설정
claude mcp add dartlab -- dartlab mcp

# 2-C. Codex CLI
codex mcp add dartlab -- dartlab mcp

dartlab 명령이 PATH 에 잡히지 않는 환경 (한정적) 이라면 절대 경로로 적어주세요:

{
  "mcpServers": {
    "dartlab": {
      "command": "C:\\Users\\<user>\\.local\\bin\\dartlab.exe",   // Windows
      // "command": "/Users/<user>/.local/bin/dartlab",              // macOS / Linux
      "args": ["mcp"],
      "env": { "PYTHONUNBUFFERED": "1", "PYTHONUTF8": "1" }
    }
  }
}

같은 출력은 dartlab mcp --config claude-desktop / dartlab mcp --config claude-code 로도 받을 수 있습니다. 프로젝트 .mcp.json 자동 생성: dartlab mcp --install.

원격 MCP (Claude Code · Cursor 등 SSE 지원 클라이언트만)

{
  "mcpServers": {
    "dartlab": {
      "url": "https://eddmpython-dartlab.hf.space/mcp/sse"
    }
  }
}

HuggingFace Spaces 호스팅. DART API 키 불필요. Claude Desktop 데스크톱 앱은 stdio 만 받으므로 이 URL 방식을 reject 합니다 — 위 stdio 경로를 사용하세요.

7 도구 표면

도구	역할
ask	DartLab Workbench 5 패스 (BRIEF→WORK→CRITIQUE→COMPOSE→GATE→HARVEST) 일괄
ReadSkill	Skill OS 검색 + frontmatter + 본문
ReadCapability	dartlab 공개 API/docstring 검색
RunPython	dartlab + Polars 코드 실행 → executionRef/valueRef/tableRef
WebSearch	외부 최신 정보 → webRef
SaveArtifact	큰 표·차트 별도 저장 → artifactRef
CompileVisual	차트 spec codegen → visualRef

옛 33 generated 도구 (companyAnalysis/companyStory/marketScan 등) 는 0.10 부터 폐기 — 모두 RunPython 안에서 dartlab.Company / dartlab.scan / dartlab.macro 직접 호출. 마이그레이션은 CHANGELOG 참조.

dartlab-lite — 브라우저·엑셀에서 설치 없이 (Pyodide)

상세: 블로그 — 엑셀·브라우저·노트북에서 설치 없이 dartlab 쓰기 (Pyodide)

Pyodide가 CPython을 WebAssembly로 포팅한 덕에 파이썬이 설치되지 않은 환경에서도 dartlab이 그대로 돈다. 같은 API, 같은 데이터.

지원 환경: xlwings Lite (Excel) · Anaconda Code (Excel) · JupyterLite · Google Colab WASM 런타임 · marimo (pyodide) · 순수 HTML 임베드.

👉 웹 엑셀에서 바로 열어보기 — OneDrive 공유 워크북 — xlwings Lite + dartlab 세팅 완료. 버튼만 누르면 시트에 재무제표가 찍힌다.

두 가지 사용 방식 — script형 vs func형

xlwings Lite는 두 데코레이터를 제공한다. @script는 버튼형(명령형), @func는 수식형(선언형). dartlab은 둘 다 지원하며, 함수형이 dartlab을 엑셀답게 쓰는 방법이다.

1. @script — 사이드바 버튼 → 시트에 채우기

import dartlab
import xlwings as xw
from xlwings import arg, func, script

@script(name="isTest")
def finance(book: xw.Book):
    c = dartlab.Company('000020')
    df = c.show('IS')
    data = [list(df.columns)] + [list(r) for r in df.iter_rows()]
    sheet = book.sheets.active
    sheet["A3"].value = data

2. @func — 엑셀 셀에 수식처럼 =GETFINANCE("005930")

@func
def getFinance(code: str):
    c = dartlab.Company(code)
    df = c.show('IS')
    data = [list(df.columns)] + [list(r) for r in df.iter_rows()]
    return data

<img src=".github/assets/xlwings-lite-func.webp" alt="xlwings Lite — @func 모드, 셀에 =GETFINANCE("005930")만 쳐도 5분기 IS가 자동 스필" width="720">

VLOOKUP과 나란히 =GETFINANCE가 엑셀 네이티브 함수로 동작한다. 종목코드를 바꾸면 셀 재계산으로 전부 갱신된다.

설치 (xlwings Lite · 한 줄)

import micropip
await micropip.install(["diff-match-patch", "openpyxl"])
await micropip.install(
    "https://huggingface.co/eddmpython/dartlab-data/resolve/main/pyodide/dartlab-latest-py3-none-any.whl",
    deps=False,
)

import dartlab
c = dartlab.Company("005930")
c.show("IS")

또는 xlwings Lite 사이드바의 requirements.txt에 dartlab 한 줄 — 그것만으로 끝. 로컬 파이썬 0줄, uv 0줄, venv 0줄.

제약 (브라우저 런타임의 한계)

기능	Pyodide	비고
Company() · c.show() · analysis · story · credit	✅	HF parquet 자동 다운로드
dartlab.ask()	✅	API 키 설정 필요 (gemini·openai CORS OK)
dartlab.scan()	❌	사전 빌드 parquet 271MB (브라우저 비현실적)
dartlab.gather()	❌	Naver·Yahoo·Google News CORS 차단

스레드 없음 · MEMFS 휘발 · CORS 미허용 API 불가 — 이 세 제약이 근본이다. 상세와 빌드 파이프라인은 pyodide/README.md, 설치 5단계 스크린샷은 블로그 글을 본다.

REST API — 키 없이 공시 조회

HuggingFace Spaces에서 DART API 프록시 제공. API 키 없이 실시간 공시 데이터 접근:

# 공시 목록
curl "https://eddmpython-dartlab.hf.space/api/dart/filings?corp=005930&start=20260101"

# 기업 정보
curl "https://eddmpython-dartlab.hf.space/api/dart/company/005930"

# 재무제표
curl "https://eddmpython-dartlab.hf.space/api/dart/finance/005930?year=2024"

# 보고서 (배당, 직원, 임원 등 56개 카테고리)
curl "https://eddmpython-dartlab.hf.space/api/dart/report/005930/배당?year=2023"

OpenAPI — 원본 공공 API

from dartlab import OpenDart, OpenEdgar

# 한국 (opendart.fss.or.kr 무료 API 키 필요)
d = OpenDart()
d.filings("삼성전자", "2024")
d.finstate("삼성전자", 2024)

# 미국 (API 키 불필요)
e = OpenEdgar()
e.filings("AAPL", forms=["10-K", "10-Q"])

데이터

모든 데이터는 HuggingFace에 사전 구축 — 자동 다운로드. EDGAR는 SEC API 직접 수집.

데이터셋	용량
DART docs	~8 GB
DART finance	~600 MB
DART report	~320 MB
EDGAR	SEC API (주문형)

파이프라인: 로컬 캐시(즉시) → HuggingFace(자동 다운로드) → DART API(키 필요). 대부분 처음 두 단계로 충분.

바로 시작하기

노트북 (Colab): Company · Gather · Scan · Quant · Analysis · Macro · Credit · Story · AI

노트북 (marimo): 전체 목록 — import 반복 없는 단일 진입, 셀마다 주석 설명, 마크다운 셀 미사용

문서

문서 · 빠른 시작 · Skills

블로그 (120+ 글): 전체 · 기업이야기 · 신용평가 보고서 · 매크로 보고서

안정성

Tier	범위
Stable	DART Company (sections, show, trace, diff, BS/IS/CF, CIS, index, filings, profile), EDGAR Company core, valuation, forecast, simulation
Beta	EDGAR 파워유저 (SCE, notes, freq, coverage), credit, insights, distress, ratios, timeseries, network, governance, workforce, capital, debt, chart/table/text 도구, ask/chat, OpenDart, OpenEdgar, Server API, MCP
Experimental	AI 도구 호출, export, viz (차트)

자세한 기준은 operation.stability 를 본다.

기여

기여는 무엇이든 환영합니다. 버그 리포트, 기능 제안, 문서 개선, 예제 추가, 데이터 매핑 수정처럼 작은 변경도 dartlab을 더 좋게 만듭니다.

한국어와 영어 이슈·PR 모두 편하게 열어주세요. 어디서 시작할지 모르겠다면 이슈로 먼저 이야기해도 좋습니다.

라이선스

Apache License 2.0 — 자유롭게 사용하되, NOTICE 파일의 출처 표기를 포함해주세요.