diff --git a/plans/251016_bayesian_startup_valuation.md b/plans/251016_bayesian_startup_valuation.md
index 4acd85d..9646aaf 100644
--- a/plans/251016_bayesian_startup_valuation.md
+++ b/plans/251016_bayesian_startup_valuation.md
@@ -246,6 +246,229 @@ CREATE TABLE premium_state (
 - 자동 시장 반영
 - 투자 뉴스 → 자동 업데이트
 
+### 4.8 포괄적 동적 학습 시스템
+
+**현재 문제점**:
+- Stage, Industry, K=3, IQR multiplier, Burn-in 10% 등 **하드코딩**
+- 임의 경계: seed/pre-A/series A 구분, 공통 태그 3개
+- 새 데이터 → 수동 재학습 필요
+
+**해결: 모든 파라미터를 학습 가능하게**
+
+#### 4.8.1 Feature Engineering
+
+**Stage → Continuous/Embedding**:
+```python
+# 현재: categorical split (정보 손실)
+if stage == 'seed':
+    μ = 2.08
+elif stage == 'series A':
+    μ = 5.0
+
+# 개선: learnable encoding
+stage_encoding = {
+    'seed': 0.0,
+    'pre-A': 0.2,
+    'series A': 0.4,
+    'series B': 0.6
+}
+# 또는 embedding: stage → R^d
+stage_embedding = learn_embedding(stage, dim=8)
+```
+
+**Industry → Embedding**:
+```python
+# 현재: 키워드 매칭 (중복 처리 어려움)
+keywords = ['협업툴', 'SaaS', '그룹웨어']
+
+# 개선: 태그 embedding
+industry_vector = TF-IDF(tags) or Word2Vec(tags)
+# 차원: R^d (d=16~64)
+```
+
+**연속 변수 추가**:
+```python
+features = [
+    N,                    # 직원 수
+    stage_embedding,      # Stage (학습됨)
+    industry_embedding,   # Industry (학습됨)
+    founding_year,        # 설립 연도
+    total_funding,        # 총 투자액
+    round_count,          # 라운드 수
+    location_encoding     # 지역 (서울/지방/글로벌)
+]
+```
+
+#### 4.8.2 Hyperparameter Learning
+
+**자동 최적화 대상**:
+```python
+learnable_params = {
+    'K_min_tags': [2, 3, 4, 5],           # 현재 3 고정
+    'IQR_multiplier': [2.0, 2.5, 3.0, 5.0],  # 현재 3.0 고정
+    'burn_in_ratio': [0.05, 0.1, 0.15, 0.2], # 현재 0.1 고정
+    'n_iter': [10000, 50000, 100000],        # 현재 50000 고정
+    'top_k': [3, 5, 10]                      # 유사 기업 개수
+}
+```
+
+**최적화 방법**:
+- Cross-validation: 훈련/검증 분리
+- Metric: 실제 투자액 vs 예측 MAPE (Mean Absolute Percentage Error)
+- 자동 재최적화: 데이터 100개 추가마다
+
+#### 4.8.3 Hierarchical Bayesian Model
+
+**현재 접근** (데이터 분할):
+```
+seed 데이터 115개 → μ_seed = 2.08
+series A 데이터 87개 → μ_A = 5.0
+```
+
+**개선 접근** (Hierarchical):
+```python
+# Level 1: Global
+μ_base ~ N(3.0, 5.0)  # 전체 평균
+
+# Level 2: Stage effect
+stage_effect['seed'] ~ N(0, 1.0)
+stage_effect['series A'] ~ N(0, 1.0)
+
+# Level 3: Industry effect
+industry_effect[i] ~ N(0, 0.5)
+
+# Final model
+value = N × (μ_base + stage_effect[stage] + industry_effect[industry])
+```
+
+**장점**:
+- 모든 데이터 (442개) 함께 사용
+- Stage 간 관계 학습 (series A는 seed보다 평균적으로 높다)
+- 데이터 적은 stage도 추정 가능 (shrinkage)
+
+#### 4.8.4 PostgreSQL 스키마
+
+```sql
+-- 학습된 파라미터 저장
+CREATE TABLE learned_parameters (
+  param_name VARCHAR(50),      -- stage_effect, industry_effect, K_min_tags 등
+  param_value FLOAT,
+  category VARCHAR(50),         -- seed, series A, 협업툴 등
+  n_samples INT,
+  mape FLOAT,                   -- 검증 오차
+  updated_at TIMESTAMP,
+  PRIMARY KEY (param_name, category)
+);
+
+-- 예시 데이터
+INSERT INTO learned_parameters VALUES
+  ('μ_base', 3.2, NULL, 442, 0.35, NOW()),
+  ('stage_effect', -0.45, 'seed', 115, 0.42, NOW()),
+  ('stage_effect', 0.28, 'series A', 87, 0.31, NOW()),
+  ('industry_effect', 0.15, '협업툴', 95, 0.38, NOW()),
+  ('K_min_tags', 3.2, NULL, 442, 0.35, NOW()),
+  ('IQR_multiplier', 2.8, NULL, 442, 0.35, NOW());
+
+-- 투자 데이터 (학습 소스)
+CREATE TABLE investment_data (
+  company_id VARCHAR,
+  company_name VARCHAR,
+  stage VARCHAR,
+  industry VARCHAR,
+  employees INT,
+  investment_amount FLOAT,
+  founding_year INT,
+  created_at TIMESTAMP
+);
+```
+
+#### 4.8.5 자동 재학습 트리거
+
+**트리거 조건**:
+```sql
+CREATE OR REPLACE FUNCTION check_retraining()
+RETURNS TRIGGER AS $$
+BEGIN
+  -- 데이터 10개 추가마다
+  IF (SELECT COUNT(*) FROM investment_data) % 10 = 0 THEN
+    PERFORM pg_notify('retrain_model', 'trigger');
+  END IF;
+  RETURN NEW;
+END;
+$$ LANGUAGE plpgsql;
+
+CREATE TRIGGER investment_insert
+  AFTER INSERT ON investment_data
+  FOR EACH ROW
+  EXECUTE FUNCTION check_retraining();
+```
+
+**재학습 플로우**:
+```
+새 투자 데이터 입력
+  ↓
+PostgreSQL Trigger
+  ↓
+pg_notify('retrain_model')
+  ↓
+Python Listener (asyncpg LISTEN)
+  ↓
+Async Task:
+  1. 데이터 로드 (investment_data)
+  2. Feature engineering
+  3. Hyperparameter optimization (CV)
+  4. Hierarchical Bayesian Update
+  5. learned_parameters UPDATE
+  ↓
+다음 가치평가에 자동 적용
+```
+
+#### 4.8.6 동적 평가 예시
+
+**API 호출**:
+```python
+valuation = evaluate_startup(
+    name="NewCo",
+    N=15,
+    stage="pre-A",  # 경계 모호해도 OK
+    industry=["AI", "SaaS"],
+    founding_year=2023
+)
+```
+
+**내부 동작**:
+```python
+# 1. PostgreSQL에서 최신 파라미터 로드
+μ_base = get_param('μ_base')  # 3.2
+stage_effect = get_param('stage_effect', 'pre-A')  # 0.1
+industry_embedding = get_embedding(['AI', 'SaaS'])
+
+# 2. 예측
+predicted_value_per_emp = (
+    μ_base +
+    stage_effect +
+    np.dot(industry_embedding, learned_weights)
+)
+
+# 3. 프리미엄 적용
+premium = get_param('μ_premium', stage='pre-A', industry='AI')
+final = N × predicted_value_per_emp × premium
+
+return {
+    'valuation': final,
+    'base': N × predicted_value_per_emp,
+    'premium': premium,
+    'params_updated_at': last_update_time,
+    'n_samples': total_samples
+}
+```
+
+**장점**:
+- 하드코딩 0개
+- 새 stage/industry 자동 지원
+- 데이터 쌓일수록 정확도 ↑
+- 파라미터 근거 명확 (n_samples, mape)
+
 ---
 
 ## 5. 시각화
@@ -374,6 +597,12 @@ Robeing: "동적 학습 결과 {μ_premium:.2f}배입니다.
 - 투자 뉴스 크롤링 → 자동 프리미엄 업데이트
 - 교훈: 정적 모델보다 동적 학습이 시장 반영
 
+### 7.7 임의 경계의 문제
+
+- Stage/Industry 범주 분할 → 정보 손실
+- K=3, IQR 3배, Burn-in 10% → 근거 없는 하드코딩
+- 교훈: Categorical → Feature/Embedding, Hyperparameter → Auto-tuning
+
 ---
 
 ## 8. 참고 자료