개요

본 글은 자동매매 프로그램 연구 개발 파이프라인의 각 단계를 상세히 해설하는 문서입니다. 앞서 게시한 연구 보고서에서는 전략의 지식재산 보호를 위해 구체적인 규칙을 공개하지 않았으나, 파이프라인의 흐름과 각 단계에서 어떤 판단·검증이 이루어졌는지를 깊이 있게 설명합니다. 10단계 파이프라인은 "넓은 탐색 → 통계적 필터 → 가설 수립 → 정밀 검증 → 스코어링 → 리스크 튜닝 → OOS 검증 → 실행 엔진 → 배포 → 실전 로그 대조"의 순서로 구성됩니다.

각 단계는 독립적인 연구 모듈이면서도, 이전 단계의 결과가 다음 단계의 입력이 되는 순차적 파이프라인 구조를 갖고 있습니다. 하나의 단계에서 문제가 발견되면 해당 단계 또는 이전 단계로 되돌아가 재검증하는 반복적(iterative) 프로세스를 따릅니다.

1단계 — 전략 공간 탐색 (Top-Down Sweep)

첫 번째 단계에서는 가능한 전략 공간을 최대한 넓게 탐색합니다. 초기 탐색 대상으로는 비트코인(BTC) 1시간봉 데이터를 사용했습니다. 비트코인을 선택한 이유는 가장 오래된 데이터가 존재하고, 유동성이 풍부하여 전략의 기본 골격을 테스트하기에 적합하기 때문입니다.

진입/청산 조건의 다양한 조합을 탑다운 방식으로 생성하여 총 56,250건의 백테스트를 수행했습니다. 이 단계에서는 전략의 세부 파라미터 최적화가 아닌, "어떤 유형의 구조가 시장에서 반복적으로 수익을 만드는가"를 파악하는 것이 핵심 목표였습니다. 거래 비용은 보수적으로 적용했으며, 비용을 차감한 뒤에도 양(+)의 기대값을 보이는 전략만 다음 단계로 넘겼습니다.

2단계 — 생존 전략의 통계적 공통점 추출

56,250건의 백테스트 중 비용 차감 후에도 유의미한 수익을 기록한 전략은 약 1,412건이었습니다. 이 생존 전략들의 진입·청산 조건, 필터, 파라미터를 통계적으로 분석한 결과, 약 65%가 평균회귀(Mean Reversion) 계열의 구조를 공유하고 있었습니다.

평균회귀 전략이 지배적이라는 발견은 이후 연구의 방향을 결정짓는 핵심 전환점이 되었습니다. 단순히 "수익이 나는 전략"을 찾는 것이 아니라, "왜 평균회귀가 암호화폐 시장에서 반복적으로 작동하는가"라는 근본적 질문으로 연구를 전환하게 된 것입니다.

56,250건의 백테스트에서 비용 차감 후 생존한 약 1,412개 전략의 대다수가 공유한 구조적 특성은 무엇이었습니까? ① 추세추종(Trend Following) 전략추세추종 전략도 일부 생존했으나 다수는 아니었습니다. ② 평균회귀(Mean Reversion) 전략정답입니다. 생존 전략의 약 65%가 평균회귀 계열의 구조를 공유하고 있었으며, 이 발견이 이후 연구 방향의 핵심 전환점이 되었습니다. ③ 변동성 매도(Volatility Selling) 전략변동성 매도 전략은 꼬리 리스크에 취약하여 암호화폐 시장에서 생존율이 낮았습니다. ④ 차익거래(Arbitrage) 전략차익거래는 거래소 간 가격 차이를 이용하는 전략으로, 본 연구의 탐색 범위와 다릅니다.

3단계 — 가설 수립: 평균회귀가 작동하는 구조적 원인

평균회귀 전략의 구조적 원인을 파악하기 위해 심층 분석을 수행했습니다. 분석 결과, 크게 두 가지 방향의 평균회귀가 존재했습니다.

하방 평균회귀(하락 후 반등)는 거래소의 레버리지 구조에서 기인합니다. 암호화폐 선물 시장에서는 고배율 레버리지 포지션이 다수 존재하며, 가격이 일정 수준 이상 하락하면 연쇄 청산(Cascading Liquidation)이 발생합니다. 이 과정에서 가격이 펀더멘털 가치 이하로 일시적으로 밀려나고, 이후 자연스럽게 평균으로 회귀하는 패턴이 반복됩니다.

상방 평균회귀(상승 후 하락)는 SNS·밈(Meme) 기반의 과열 역학에서 비롯됩니다. 특정 코인이 SNS에서 화제가 되면 단기간에 과도한 매수세가 유입되고, 이후 관심이 식으면서 가격이 되돌아오는 패턴이 반복됩니다.

특히 주목할 점은 알트코인이 BTC/ETH 대비 훨씬 강한 평균회귀 특성을 보였다는 것입니다. 이는 알트코인의 상대적으로 낮은 유동성과 높은 레버리지 비율, 그리고 SNS 기반 투기 자금의 집중이 더 극단적인 가격 이탈과 회귀를 만들어내기 때문으로 판단됩니다. 이 발견이 최종 포트폴리오에서 BTC/ETH를 제외하고 알트코인 중심으로 구성한 핵심 근거가 되었습니다.

4단계 — 룩어헤드 제거 및 정밀 백테스트

3단계에서 수립한 가설을 기반으로, 룩어헤드(Look-Ahead Bias, 미래 참조)를 철저히 제거한 뒤 정밀 백테스트를 수행했습니다. "완료된 캔들"만 사용하여 신호를 생성하고, 신호 발생 시점과 진입 시점을 명확히 분리했습니다.

이 단계에서 중요한 발견이 있었습니다. 단순한 진입/청산 조건 조합 방식은 근본적인 한계가 있다는 것입니다. 조건이 너무 단순하면 노이즈에 취약하고, 조건이 복잡해지면 과적합(Overfitting)의 위험이 급격히 증가했습니다. 이 문제의 해결책은 5단계의 스코어링 시스템으로 이어집니다.

가설 기반 조합을 수백만 단위로 백테스트하면서, 단순 조건 기반 접근의 한계를 정량적으로 확인한 것이 이 단계의 핵심 성과였습니다.

암호화폐 선물 시장에서 "하방 평균회귀(하락 후 반등)" 패턴이 반복적으로 발생하는 구조적 원인으로 가장 적절한 것은? ① 고배율 레버리지 포지션의 연쇄 청산(Cascading Liquidation)정답입니다. 고배율 레버리지 포지션이 일정 수준 이상 하락하면 연쇄 청산이 발생하여 가격이 펀더멘털 이하로 밀려나고, 이후 자연스럽게 평균으로 회귀합니다. ② 중앙은행의 금리 정책 변화중앙은행 정책은 거시적 영향을 미치지만, 1시간봉 단위의 평균회귀 패턴의 직접적 원인은 아닙니다. ③ SNS·밈 기반의 과열 매수세 유입SNS·밈 기반 과열은 "상방 평균회귀(상승 후 하락)"의 원인입니다. 하방 평균회귀와는 방향이 다릅니다. ④ 거래소 간 가격 차이를 이용한 차익거래차익거래는 가격 수렴을 유발하지만, 연쇄 청산과 같은 극단적 이탈·회귀 패턴의 원인은 아닙니다.

5단계 — 스코어링 시스템 전환

4단계에서 발견한 한계를 극복하기 위해, 이진적(진입/미진입) 조건 방식을 연속적 스코어(Score) 방식으로 전환했습니다. 여러 지표와 조건을 개별 점수로 환산한 뒤, 합산 스코어가 임계치를 넘으면 진입하는 구조입니다.

스코어링 시스템의 핵심 장점은 유연성과 견고성의 균형에 있습니다. 개별 조건이 완벽하지 않더라도 여러 조건의 합산으로 신뢰도를 확보할 수 있으며, 특정 조건 하나가 실패하더라도 전체 시스템이 붕괴되지 않습니다.

이 단계에서의 또 다른 중요한 발견은 높은 승률이 반드시 높은 수익률을 의미하지 않는다는 점이었습니다. 승률이 높더라도 1건의 큰 손실이 다수의 작은 이익을 상쇄할 수 있으며, 반대로 승률이 낮더라도 건당 수익비가 크면 전체 성과가 우수할 수 있습니다. 이 통찰은 6단계의 리스크 파라미터 설계에 직접적으로 반영되었습니다.

스코어링 시스템으로 전환하면서 발견한 중요한 통찰은 무엇이었습니까? ① 스코어가 높을수록 항상 수익도 높다스코어와 수익 사이에는 양의 상관관계가 있지만, 항상 비례하는 것은 아닙니다. ② 단일 조건이 가장 정확한 신호를 생성한다단일 조건은 노이즈에 취약합니다. 여러 조건의 합산이 더 견고한 신호를 생성합니다. ③ 높은 승률이 반드시 높은 수익률을 의미하지 않는다정답입니다. 승률이 높더라도 1건의 큰 손실이 다수의 작은 이익을 상쇄할 수 있으며, 이 통찰이 리스크 파라미터 설계에 직접 반영되었습니다. ④ 스코어링 시스템은 추세추종 전략에만 적용 가능하다스코어링 시스템은 평균회귀를 포함한 다양한 전략 유형에 범용적으로 적용 가능합니다.

6단계 — 리스크 파라미터 검증

통과한 후보 전략에 대해 손절(SL), 트레일링 스탑(Trailing Stop) 등 리스크 파라미터를 다양한 조합으로 재검증했습니다. 비용(슬리피지 + 수수료 + 펀딩비 = 0.3~0.5%)을 모두 포함한 상태에서 테스트를 진행했습니다.

핵심 발견 사항은 다음과 같습니다.

첫째, 승률 개선보다 건당 리스크·리워드 비율 개선이 전체 성과에 더 큰 영향을 미칩니다. 승률을 5%p 올리는 것보다, 평균 손실 대비 평균 이익의 비율을 개선하는 것이 복리 기반 누적 수익에서 훨씬 효과적이었습니다.

둘째, 이익 구간에서의 보유 시간 연장이 성과를 유의미하게 개선합니다. 조기 익절보다 트레일링 스탑을 활용하여 추세가 지속되는 한 포지션을 유지하는 방식이 장기적으로 우수한 결과를 보였습니다.

셋째, 파라미터 변화에도 엣지가 유지되는지 확인했습니다. 특정 파라미터 값에서만 수익이 나는 전략은 과적합의 신호이므로, 파라미터를 일정 범위 내에서 변동시켜도 양의 기대값이 유지되는 견고한(Robust) 전략만 선별했습니다.

6단계 리스크 파라미터 검증에서 전체 성과에 가장 큰 영향을 미친 요인은 무엇이었습니까? ① 승률을 최대한 높이는 것승률을 5%p 올리는 것보다 리스크·리워드 비율 개선이 복리 기반 누적 수익에서 훨씬 효과적이었습니다. ② 건당 리스크·리워드 비율을 개선하는 것정답입니다. 평균 손실 대비 평균 이익의 비율을 개선하고, 이익 구간에서 보유 시간을 연장하는 것이 성과를 유의미하게 개선했습니다. ③ 거래 횟수를 최대한 늘리는 것거래 횟수가 많으면 비용(슬리피지+수수료)이 누적되어 오히려 성과가 악화될 수 있습니다. ④ 손절 없이 포지션을 유지하는 것손절 없는 전략은 극단적 손실(MDD)에 노출되어 계좌 파산 위험이 매우 높습니다.

7단계 — OOS(Out-of-Sample) 검증

개발 기간(2020~2025)의 데이터를 활용하여 3단계 OOS 검증을 수행했습니다. 각 검증 방법은 서로 다른 관점에서 전략의 견고성을 평가합니다.

① Walk-Forward Analysis (WFA): 시간 순서대로 학습 기간과 테스트 기간을 이동시키며 검증합니다. 예를 들어, 20202022년으로 학습한 뒤 2023년으로 테스트하고, 다시 20212023년으로 학습한 뒤 2024년으로 테스트하는 방식입니다. 시장의 시간적 변화에 대한 적응력을 평가합니다.

② K-Fold Cross Validation: 전체 데이터를 K개의 구간으로 나눈 뒤, 각 구간을 한 번씩 테스트셋으로 사용하고 나머지를 학습셋으로 사용합니다. 특정 시기에만 유효한 전략(시기 편향)을 걸러내는 데 효과적입니다.

③ CPCV (Combinatorially Purged Cross-Validation): 가장 엄격한 검증 방법으로, 학습셋과 테스트셋 사이의 데이터 누수(Leakage)를 방지하기 위해 경계 구간을 제거(Purge)하고, 모든 가능한 조합을 테스트합니다. 이를 통해 과적합 위험을 최소화합니다.

세 가지 검증 방법 모두에서 양의 기대값과 수용 가능한 낙폭(MDD)이 유지되는 전략만 최종 후보로 선정했습니다.

OOS 검증에서 사용된 CPCV(Combinatorially Purged Cross-Validation)의 핵심 특징으로 가장 적절한 것은? ① 학습셋과 테스트셋 경계 구간을 제거(Purge)하여 데이터 누수를 방지한다정답입니다. CPCV는 학습셋과 테스트셋 사이의 경계 데이터를 제거(Purge)하고 모든 가능한 조합을 테스트하여 과적합 위험을 최소화하는 가장 엄격한 검증 방법입니다. ② 시간 순서대로만 학습·테스트를 이동시킨다시간 순서대로 이동하는 것은 Walk-Forward Analysis(WFA)의 특징입니다. ③ 전체 데이터의 최근 20%만 테스트셋으로 사용한다이는 단순 학습/테스트 분할 방식이며, CPCV의 특징이 아닙니다. ④ 학습 없이 랜덤한 진입으로 성과를 비교한다이는 랜덤 벤치마크 테스트에 해당하며, 교차 검증 방법론과는 다릅니다.

8단계 — 실전 실행 엔진 구현

검증을 통과한 전략을 실제 거래소에서 실행하기 위한 엔진을 구현했습니다. 코드 작성에는 AI(대형 언어 모델)를 적극 활용했으며, 서로 다른 LLM에게 동일한 로직을 독립적으로 구현하게 한 뒤 교차 검증(Cross-Validation)을 수행하여 구현의 정확성을 확보했습니다.

실행 엔진의 핵심 설계 원칙은 다음과 같습니다.

상태 복구(State Recovery): 봇이 재시작되더라도 거래소의 현재 포지션·주문 상태를 조회하여 정확한 상태로 복구할 수 있도록 설계했습니다. 이를 통해 서버 장애나 업데이트 시에도 포지션 관리의 연속성이 보장됩니다.

멱등성(Idempotency): 동일한 신호가 중복 처리되지 않도록 signal_id 기반의 중복 탐지 메커니즘을 구현했습니다. 네트워크 오류로 인한 재시도 시에도 주문이 이중으로 발생하지 않습니다.

오류 처리: 레이트리밋(429), 타임아웃, 웹소켓 끊김 등을 정상 이벤트로 취급하고, 재시도 전에 반드시 기존 주문/체결 존재 여부를 확인하는 절차를 정립했습니다.

로그 체계: 신호→주문→체결→포지션→청산의 전체 거래 사이클을 구조화된 로그로 추적하며, 이 로그가 10단계의 백테스트 대조에 활용됩니다.

9단계 — AWS 배포 및 실전 운영

구현된 실행 엔진을 AWS EC2 인스턴스에 배포하여 24시간 무중단 운영 환경을 구축했습니다. 클라우드 환경을 선택한 이유는 안정적인 네트워크 연결과 서버 가동 시간 보장, 그리고 지리적으로 거래소 서버에 가까운 리전을 선택할 수 있기 때문입니다.

배포 후에는 실제 자금이 아닌 소액 실전 테스트부터 시작하여, 실행 엔진의 안정성과 전략의 실전 성과를 단계적으로 검증했습니다. 이 과정에서 백테스트에서는 발견되지 않았던 실전 환경 특유의 문제들(네트워크 지연, 거래소 점검, 유동성 급변 등)을 파악하고 대응 로직을 보강했습니다.

10단계 — 실전 로그와 백테스트 대조 (정합성 검증)

운영 중인 봇의 실전 거래 로그와 동일 기간의 백테스트/리플레이 결과를 매일 대조하여 정합성을 점검합니다. 이 단계는 파이프라인의 마지막이자, 전체 시스템의 신뢰성을 지속적으로 담보하는 핵심 과정입니다.

대조 과정에서 발견된 주요 이슈와 해결 사례는 다음과 같습니다.

주문 오류 감지: 백테스트 결과와 실전 로그의 진입/청산 시점이 불일치하는 경우, 원인을 추적하여 수정했습니다. 대부분은 네트워크 지연으로 인한 슬리피지 차이였으나, 일부는 로직 버그로 확인되어 즉시 수정했습니다.

봇 재시작 검증: 서버 재시작이나 배포 후에도 포지션이 정확히 복구되는지, 그리고 복구 후 다음 신호가 올바르게 처리되는지를 로그로 검증했습니다.

이 대조 프로세스는 일회성이 아닌 지속적(Continuous) 모니터링으로 운영되며, 전략의 엣지가 약화되는 조짐이 보이면 파이프라인의 이전 단계로 돌아가 재검증하는 피드백 루프를 구성합니다.

10단계에서 실전 로그와 백테스트 결과를 매일 대조하는 가장 핵심적인 목적은 무엇입니까? ① 수익률을 극대화하기 위한 파라미터 재최적화실전 로그 대조의 목적은 파라미터 재최적화가 아니라, 시스템이 설계대로 작동하는지 검증하는 것입니다. ② 새로운 전략을 개발하기 위한 데이터 수집데이터 수집은 부수적 효과일 뿐, 핵심 목적은 아닙니다. ③ 실행 정합성 검증 및 엣지 약화 조짐의 조기 탐지정답입니다. 백테스트와 실전의 불일치를 통해 로직 버그를 발견하고, 엣지가 약화되는 조짐이 보이면 이전 단계로 돌아가 재검증하는 피드백 루프를 구성합니다. ④ 거래소 수수료를 절감하기 위한 주문 최적화수수료 절감은 비용 관리의 일부이지, 로그 대조의 핵심 목적은 아닙니다.

마무리

이상으로 자동매매 프로그램의 10단계 연구 개발 파이프라인을 상세히 살펴보았습니다. 각 단계는 단순히 순차적으로 진행되는 것이 아니라, 문제가 발견되면 이전 단계로 되돌아가 재검증하는 반복적 피드백 루프 구조를 갖고 있습니다.

핵심은 "넓은 탐색에서 시작하여, 통계적 근거로 좁혀가고, 가설을 세운 뒤, 다중 관점에서 검증하며, 실전에서 지속적으로 대조한다"는 원칙입니다. 어떤 전략이든 이 파이프라인을 통과하지 못하면 실전에 투입하지 않으며, 실전 투입 후에도 지속적인 모니터링으로 엣지의 유효성을 확인합니다.

면책조항

본 문서는 투자 권유가 아닌 개인 연구/학습 기록입니다. 자동매매 시스템의 과거 성과는 미래 수익을 보장하지 않으며, 실제 거래에는 원금 손실 위험이 존재합니다. 모든 투자 판단과 그에 따른 결과는 투자자 본인의 책임입니다.

참고 자료 및 출처

본 블로그 「시장 레짐·리스크·실행 내구성을 고려한 자동매매 시스템 연구 (2020–2025)」 보고서 — 파이프라인 개요 및 성과 요약 원문