GitHub - eddmpython/dartlab: One stock code → full company story. Korean DART + US SEC EDGAR filings as structured Python data. 2,700+ KR / 970+ US companies.

DartLab

1 stock code → full company story

Korean DART + US SEC EDGAR filings, structured. 2,700+ KR / 970+ US companies, one line of Python.

종목코드 하나. 기업의 전체 이야기. — DART·EDGAR 공시를 읽고 비교한다.

문서 · 블로그 · 라이브 데모 · Colab에서 열기 · Molab에서 열기 · English · 후원

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.

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.

분석 엔진 — 숫자를 만든다. 마진 추이, 현금흐름 패턴, 부도 확률, 업종 비교, 매크로 사이클. 해석하지 않는다. 숫자와 근거만 제공한다.
review — 엔진 데이터를 블록 단위로 조합하여 보고서를 만든다. 11가지 보고서 타입 × 7가지 기업유형 템플릿. 해석은 제공하지 않는다. 다양한 관점의 근거를 체계적으로 배치한다.
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 → Review → 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()`
L1	Gather	외부 시장 데이터 (주가/수급/매크로/뉴스)	`dartlab.gather()`
L1.5	Scan	전 종목 사전 빌드 (거버넌스/비율/현금흐름 등 parquet)	`dartlab.scan()`
L2	Analysis	재무 심층 분석 (수익성/안정성/현금흐름) + 가치평가 + 전망	`c.analysis("financial", "수익성")`
L2	Quant	가격 기반 정량 신호 (기술/리스크/팩터/백테스트)	`c.quant()`
L2	Credit	독립 신용평가 (dCR 등급, 부도확률, 건전도)	`c.credit("등급")`
L2	Macro	시장 레벨 매크로 (사이클/금리/유동성/심리/자산 + 시나리오 110)	`dartlab.macro("사이클")`
L3	Review	보고서 빌더 — 5엔진 블록 조합, 11 타입 × 7 템플릿 (해석 안 함)	`c.review("수익성")`
L4	AI	적극적 분석가 — 엔진 직접 호출 + 주관적 판단 + 원본 검증 (사람도 L4)	`dartlab.ask()`
L4	Channel	외부 공유 — `dartlab channel` 한 줄로 폰에서 PC dartlab 사용	`dartlab channel`	—
core	Search	공시 시맨틱 검색 (alpha)	`dartlab.search()`
facade	Listing	종목/공시/topic 카탈로그 API	`dartlab.listing()`
viz	Viz	차트/다이어그램 (`emit_chart`)	`emit_chart({...})`	—
guide	Guide	안내 데스크 — readiness/에러/교육	`dartlab.guide.checkReady()`	—

모든 노트북: marimo · colab ·

Company

설계: ops/company.md

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: ops/scan.md

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: ops/gather.md

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: ops/analysis.md

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: ops/credit.md | 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 review 5막에 자동 통합):

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

Macro — 종목코드 없이 경제를 읽다

설계: ops/macro.md

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%.

Review — 분석을 보고서로

설계: ops/review.md

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

c.review()              # 전체 보고서
c.reviewer()            # 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."

샘플 보고서: 삼성전자 · SK하이닉스 · 기아 · 한화오션 · SK텔레콤 · LG화학 · 엔씨소프트 · 아모레퍼시픽

이야기꾼 — 숫자가 아니라 이야기다

설계: ops/review.md · 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.review.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

셀트리온 이야기 보기 · DartLab 30초 데모 · 유튜브 채널

Search — 공시를 의미로 검색 (alpha)

설계: ops/search.md

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 — 적극적 분석가

설계: ops/ai.md

AI가 dartlab의 전체 API로 Python 코드를 작성하고 실행한다. 모든 코드와 결과를 볼 수 있다. 60+ 질문 검증, 1회 성공률 95%+. 검증 범위와 한계는 methodology 참조.

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: ops/channel.md

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

dartlab channel

흐름:

winget으로 devtunnel CLI 자동 설치 (최초 1회)
GitHub OAuth 1회 인증 (브라우저 자동 오픈)
영구 URL + QR 발급 (https://<id>-8400.<region>.devtunnels.ms)
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), review = 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     review/       이야기꾼 — L2 4엔진 + scan 소비, 보고서 조립
                     narrate (문장) + builders (블록) + templates (관점/성격)
L4     ai/ + 사람    소비자 — review 보고서를 해석하고 판단
       vscode/       VSCode 확장 (dartlab chat --stdio)
       ui/web/       Svelte SPA 웹 인터페이스

교차   guide/        안내 데스크 (모든 레이어에서 import 가능)

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["review<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 review의 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. 25개 도구로 dartlab 전체 엔진에 접근.

설치 없이 사용 (원격 MCP)

dartlab을 설치하지 않아도 됩니다. Claude Desktop claude_desktop_config.json:

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

HuggingFace Spaces에서 호스팅. DART API 키도 불필요. → 상세

로컬 설치 (stdio MCP)

# Claude Code — 한 줄 설정
claude mcp add dartlab -- uv run dartlab mcp

# Codex CLI
codex mcp add dartlab -- uv run dartlab mcp

Claude Desktop / Cursor 설정

claude_desktop_config.json 또는 .cursor/mcp.json에 추가:

{
  "mcpServers": {
    "dartlab": {
      "command": "uv",
      "args": ["run", "dartlab", "mcp"]
    }
  }
}

자동 생성: dartlab mcp --config claude-desktop

25개 도구

카테고리	도구
종목 분석	companyInsights, companyAnalysis, companyReview, companyValuation, companyForecast, companyCredit
데이터	companyFinancials, companyRatios, companyShow, companyTopics, companyDiff, companyFilings
기업 정보	companyGovernance, companyAudit, companyProfile, companySections, companyGather, companyQuant
시장/거시	macroAnalysis, marketScan, gatherData, quantAnalysis, topdownScreen
검색	searchCompany, dartlabSearch, dartlabListing

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	규모	용량
DART docs	2,500+ 기업	~8 GB
DART finance	2,700+ 기업	~600 MB
DART report	2,700+ 기업	~320 MB
EDGAR	주문형	SEC API

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

바로 시작하기

라이브 데모 — 설치 없이 브라우저에서 바로

노트북: Company · Scan · Review · Gather · Analysis · Ask (AI)

문서

문서 · 빠른 시작 · API 개요

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 docs/stability.md를 본다.

기여

기여자를 대환영합니다. 버그 리포트, 새 분석 축, 매핑 수정, 문서 개선 — 어떤 기여든 dartlab을 더 좋게 만듭니다.

규칙 하나: 실험 먼저, 엔진은 그 다음. 아이디어는 experiments/에서 검증한 뒤 엔진에 반영한다.

실험 폴더: experiments/XXX_name/ — 각 파일은 독립 실행 가능, docstring에 실제 결과 포함
데이터 기여 (accountMappings.json, sectionMappings.json 등): 실험 증거가 있을 때 수용
한국어/영어 이슈와 PR 모두 환영
어디서 시작할지 모르겠다면 이슈를 열어주세요

라이선스

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

Name		Name	Last commit message	Last commit date
Latest commit History 1,417 Commits
.claude/skills/dartlab		.claude/skills/dartlab
.github		.github
blog		blog
docs		docs
examples/dartlab-plugin-example		examples/dartlab-plugin-example
experiments		experiments
landing		landing
notebooks		notebooks
ops		ops
pyodide		pyodide
scripts		scripts
spaces		spaces
src/dartlab		src/dartlab
tests		tests
ui		ui
.coverage		.coverage
.env.example		.env.example
.gitignore		.gitignore
.mcp.json		.mcp.json
.pre-commit-config.yaml		.pre-commit-config.yaml
.python-version		.python-version
CAPABILITIES.md		CAPABILITIES.md
CHANGELOG.md		CHANGELOG.md
CITATION.cff		CITATION.cff
CODE_OF_CONDUCT.md		CODE_OF_CONDUCT.md
CONTRIBUTING.md		CONTRIBUTING.md
DESIGN.md		DESIGN.md
LICENSE		LICENSE
NOTICE		NOTICE
README.md		README.md
README_EN.md		README_EN.md
SECURITY.md		SECURITY.md
pyproject.toml		pyproject.toml
uv.lock		uv.lock

Uh oh!

Folders and files

Latest commit

History

Repository files navigation

DartLab

회사에는 이야기가 있다

문제

빠른 시작

세 겹의 분석

DartLab은 무엇인가

Company

Scan — 전 종목 횡단 비교

Gather — 외부 시장 데이터

Analysis — 재무 인과 분석

Credit — 독립 신용분석

Macro — 종목코드 없이 경제를 읽다

Review — 분석을 보고서로

이야기꾼 — 숫자가 아니라 이야기다

Search — 공시를 의미로 검색 (alpha)

AI — 적극적 분석가

Channel — 외부에서 내 PC dartlab 접근

아키텍처

레이어 간 소비 흐름

EDGAR (미국)

MCP — AI 어시스턴트 연동

설치 없이 사용 (원격 MCP)

로컬 설치 (stdio MCP)

25개 도구

REST API — 키 없이 공시 조회

OpenAPI — 원본 공공 API

데이터

바로 시작하기

문서

안정성

기여

라이선스

About

Topics

Resources

License

Code of conduct

Contributing

Security policy

Uh oh!

Stars

Watchers

Forks

Releases 74

Sponsor this project

Uh oh!

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

Packages