AI는 언제 매수하고 매도할지 어떻게 결정할까? ChatGPT·Claude 트레이딩 에이전트의 내부 과정

모델은 행동을 제안하고, 애플리케이션은 가능한 행동을 정합니다

ChatGPT 트레이딩 봇이나 Claude 트레이딩 봇은 모델을 중심으로 조립한 시스템입니다. 애플리케이션이 과제, 관측값, 지시, 이용 가능한 도구를 선택합니다. 모델은 이 맥락에서 답변, 구조화된 제안 또는 도구 요청을 만듭니다. 이후 트레이딩 애플리케이션이 허용할 요청, 약정할 수 있는 자본, 체결 기록 방식을 결정합니다. 제품 이름이 그 규칙을 정해주지는 않습니다.

이 인터페이스에 보편적인 지표 조합은 없습니다. 한 애플리케이션은 실적 발표 해석을 요청하고, 다른 애플리케이션은 모멘텀 특성을 제공해 BUY, SELL, HOLD를 요청할 수 있습니다. 세 번째는 전통적인 수치 전략을 실행하면서 AI를 코드 작성에만 사용할 수 있습니다. 결정을 이해하려면 모델의 역할을 식별하고 실제로 받은 정보를 살펴봐야 합니다.

OpenAI와 Anthropic은 모델이 이름과 인수를 지정해 함수를 요청하고 애플리케이션이 해당 구현을 호출하는 클라이언트 도구 흐름을 문서화합니다. 그 요청은 중간 메시지입니다. 시장 데이터 도구가 필요한 관측값을 제공해야 하고, 승인된 요청이 실주문이 되려면 브로커 어댑터와 계좌 권한이 있어야 합니다. 소비자용 채팅 제품과 개발자용 모델 애플리케이션은 연결 기능과 권한이 다릅니다. [1] [2]

앞선 AI 트레이딩 에이전트 안내는 아키텍처를 설명합니다. 이번 분석에서는 구성한 제안을 평가하고 수량을 정한 뒤 자금을 예약하고 부분 체결·대사하는 통제 경계를 따라갑니다. 정보나 계좌 상태가 검사에 실패하면 같은 제안 행동이 어떻게 달라지는지도 보여줍니다.

하나의 완전한 의사결정 예제부터 살펴보세요

같은 매매 임무를 기준으로 의도적으로 구성한 16개 통제 사례를 생각해 보겠습니다. 기본 BUY는 20.86 단위로 승인됩니다. 모형상 손절 손실은 계획 예산 $50에 대해 $49.98061318입니다. 이후 가정한 가격 갭을 적용하면 모의 손실은 $60.38976622가 됩니다. 승인이 올바르다고 수익성 있는 거래가 되거나 예산 안에서 손실이 끝나는 것은 아닙니다.

상품, 가격, 근거, 제안과 이후 결과는 모두 인위적으로 구성했습니다. 모델 API는 호출하지 않았으며 어떤 제안도 ChatGPT나 Claude의 출력으로 제시하지 않습니다. 목적은 모델 출력, API 소요 시간, 매매 실적을 지어내지 않고 결정부터 장부까지의 과정을 살펴보는 것입니다.

이 글은 결정 입력, 제안, 수량 계산식, 16개 사례의 전체 결과와 현금·포지션 변화를 보여줍니다. 예제 계좌의 최종 잔액은 $9,939.61023378이고 자산 수량은 0입니다. 구성한 16개 사례는 시장 관측 16개도 아니고 모델 정확도 추정치도 아닙니다.

결정을 요청하기 전에 알 수 있는 정보를 고정하세요

구성한 입력 묶음은 가상 상품 TP-USD를 사용합니다. 2026년 10월 22일 12:00:00 UTC에 계좌에는 현금 $10,000가 있고 포지션과 미체결 주문은 없습니다. 기준 중간가격은 100, 매수호가는 99.95, 매도호가는 100.05입니다. 별도로 완료된 특성 기록에는 인위적으로 만든 3개 봉 수익률 +1%가 있습니다. 이 특성은 BUY 요청의 예시 전제이며, 예측력이 입증된 신호가 아닙니다.

결정 입력은 출처 ID, 관측 시각, 이용 가능 시각과 계좌 버전을 기록합니다. 기록이 과거 사건을 설명하더라도 나중에야 이용 가능해질 수 있습니다. 통제기는 두 시각을 자체 수신 시각과 제안 기준시각에 대조합니다. 어시스턴트가 as_of를 앞선 시각으로 붙인다고 미래 기록을 사용할 수 있게 되지는 않습니다.

나중의 97.50 결과는 시뮬레이터에만 속하며, 제안자 입력과 위험 통제기의 정책 설정에서는 제외합니다. 앞선 승인과 수량은 진입 시점에 이용 가능한 정보에 따라 결정되고, 이후 결과가 후속 손익을 결정합니다. 이 구분이 다루는 것은 애플리케이션의 정보 경계입니다. 사전학습 모델이 알아볼 수 있는 과거 사건에 대해 이미 무엇을 알고 있었는지 입증하지는 않습니다.

최신 가격만큼 최신 계좌 상태도 중요합니다. 입력은 시장 스냅샷을 account-v001에 연결하고, 계좌의 관측·이용 가능 시각을 따로 검사합니다. 올바른 호가만으로 캐시된 잔액이 다른 주문을 여전히 반영하는지 확인할 수는 없습니다. 실제 구현에는 승인 시점에 신뢰할 수 있는 상태 대사와 조정된 자금 예약이 필요합니다.

수량의 권한은 코드에 두고, 제한된 제안을 요청하세요

아래 예시는 인위적으로 구성한 제안이며 어느 업체의 응답 기록도 아닙니다. 지정한 스냅샷에 대해 BUY를 요청하고 두 기록 ID를 인용하며 기준 손절 가격 98을 제안합니다. 주문 수량을 지정하거나, 계좌를 바꾸거나, 임의의 체결 목적지를 선택하거나, 위험 예산을 늘릴 수 없습니다. 그 권한은 애플리케이션에 남습니다.

{
  "proposal_id": "proposal-001",
  "action": "BUY",
  "instrument": "TP-USD",
  "snapshot_id": "tp-snapshot-001",
  "as_of": "2026-10-22T12:00:00Z",
  "valid_until": "2026-10-22T12:00:30Z",
  "evidence_ids": [
    "quote-Q001",
    "feature-F001"
  ],
  "observed_reference_price": 100,
  "stop_reference_price": 98,
  "rationale": "Constructed example only: the positive feature motivates a hypothetical BUY request; no forecasting evidence is supplied.",
  "confidence_label": "MEDIUM"
}

구조화 출력이나 엄격한 도구 인터페이스는 필드와 허용값을 강제하기 쉽게 만듭니다. 경제적 해석이 옳다고 입증하지는 않습니다. 제공업체 API에는 거절, 불완전 응답, 도구 오류 같은 예외도 있으므로 애플리케이션은 완료 상태를 확인하고 수신 내용을 검증해야 합니다. 형식 검증과 아래 금융 검사는 서로 다른 질문에 답합니다. [3] [4]

위험 통제기는 구조화된 관측가격을 기준 호가와, 인용 ID를 이용 가능한 기록과 대조합니다. 자유 형식의 근거 문장이 그 기록에서 도출되는지는 판단하지 않습니다. 표현만 바꾼 사례에서 이 차이가 드러납니다. 구조화된 가격은 100인데 근거 문장은 가격이 120이라고 잘못 주장합니다. 승인 수량은 바뀌지 않고, 그 문장은 여전히 근거 없는 상태로 남습니다.

승인된 BUY의 계산을 따라가 보세요

위험 통제기는 활성 주문 의도 또는 포지션 하나, 평가 순자산의 0.5%인 계획 손실 예산, 순자산의 25% 이하인 기준 중간가격 명목금액을 허용합니다. 수량 단위는 0.01, 가정한 수수료 전 최소 주문금액은 $10입니다. 공개된 실습 정책이지 권장 한도나 현재 거래소 규격이 아닙니다.

진입 관례는 매도호가 × 1.0005에 체결하고 체결금액의 0.1%를 USD 수수료로 부과합니다. 계획 계산에서는 중간가격 98 기준의 손절을 0.05% 반스프레드로 모형 매수호가에 바꾼 뒤, 추가 0.05% 불리한 체결 조정과 같은 수수료를 적용합니다. 단위당 정확한 계획 손실은 진입 지급현금에서 모형 손절 순수취액을 뺀 값입니다.

진입 체결가는 100.100025, 수수료 포함 단위당 진입 현금은 100.200125025입니다. 모형 손절 체결가는 97.90202450, 모형 손절 순수취액은 97.80412247550입니다. 차이는 단위당 2.39600254950입니다. $50 예산은 내림 전에 약 20.86809132 단위를 허용합니다. 25% 기준 명목금액 상한은 25 단위를, 가용 현금은 그보다 더 많은 수량을 허용합니다. 위험 상한이 구속하므로 승인 수량은 20.86입니다.

entry_cash_per_unit = ask × (1 + adverse_fraction) × (1 + fee_fraction)
modeled_stop_net_per_unit = stop_mid × (1 - half_spread_fraction) × (1 - adverse_fraction) × (1 - fee_fraction)
planned_loss_per_unit = entry_cash_per_unit - modeled_stop_net_per_unit
risk_quantity = marked_equity × risk_budget_fraction / planned_loss_per_unit
cap_quantity = marked_equity × reference_notional_cap_fraction / reference_mid
cash_quantity = authorized_available_cash / entry_cash_per_unit
quantity = floor(min(risk_quantity, cap_quantity, cash_quantity) / quantity_increment) × quantity_increment

이 수량의 기준 중간가격 명목금액은 $2,086.00, 계획 손절 손실은 $49.98061318, 예약한 진입 현금은 $2,090.17460802입니다. 진입 체결과 수수료를 후자에 포함하므로 기준 명목금액과 현금 약정은 다릅니다. HIGH 확신도 표시는 수량 계산 어디에도 들어가지 않습니다.

같은 BUY도 더 작은 주문, 건너뛰기, 차단이 될 수 있습니다

표는 구성한 16개 사례를 모두 다룹니다. 대부분 기본 BUY에서 개념적 조건 하나를 바꿉니다. 보유 포지션 SELL은 별도로 표시한 양성 대조군이며, 두 ID 재요청 사례는 앞선 의도 상태를 명시합니다. 각 사례는 서술한 계좌 조건에서 시작합니다. 하나의 포트폴리오에서 발생한 거래처럼 합쳐서는 안 됩니다.

양성 대조군이 중요합니다. 모든 요청을 거부하면 허용 가능한 BUY, 보유 자산 SELL, 더 엄격한 한도 사례도 거부하게 됩니다. HOLD, 무포지션 계좌의 SELL, 최소값 미달 건너뛰기, 불명 상태 차단, 중복 억제는 의미가 서로 다릅니다. 이를 모두 AI가 기다리기로 선택했다고 바꿔 표현해서는 안 됩니다.

상한 5% 사례는 5.00 단위를 승인합니다. 사용 승인 현금 $5 사례에서 평가 순자산은 $10,000 그대로지만 후보 수량은 0.04로 줄어 최소금액에 미달합니다. 올림하지 않고 건너뜁니다. UNKNOWN 사례는 앞선 주문이 실패했다고 가정하지 않고, 상태를 대사할 때까지 대체 주문을 차단합니다.

이들은 바꾼 조건과 그에 따른 처분을 나란히 제시한 애플리케이션 행동의 통제 예시입니다. 모델 오류율, 시장 적중률, 공격 성공률, 운영 신뢰성 추정치를 제공하지 않습니다. 중요한 질문은 승인·축소·건너뛰기·차단된 각 요청을 어떤 규칙으로 설명할 수 있는가입니다.

예약, 주문, 체결은 서로 다른 기록을 바꿉니다

승인은 intent-proposal-001을 만들고 $2,090.17460802를 예약합니다. 이때 현금은 여전히 $10,000이며 예약은 다른 곳에 약정할 수 있는 금액을 제한합니다. 이후 모의 실행은 12:00:01 UTC에 12.00 단위, 12:00:02에 나머지 8.86 단위를 보고합니다. 두 체결의 가상 매도호가는 일정하게 유지합니다. 안정된 가격을 부여한 체결 테스트 데이터이며, 이후 관측한 시장 호가가 아닙니다.

첫 체결 뒤 현금은 $8,797.59849970, 보유 수량은 12.00, 남은 예약액은 $887.77310772입니다. 중간가격 100의 평가 순자산은 $9,997.59849970입니다. 예약액을 다시 빼면 NAV를 과소평가합니다. 예약은 현금에 대한 내부 약정이지 추가 경제적 손실이 아닙니다. 가용 현금과 계좌 순자산은 다른 질문에 답합니다.

같은 첫 체결 ID를 다시 처리해도 계좌는 바뀌지 않습니다. 최신 계좌 버전이 있는 새 제안도 첫 의도가 부분 체결 상태이면 차단됩니다. 두 번째 체결 뒤 계좌는 20.86 단위와 현금 $7,909.82539198를 보유합니다. 남은 예약액은 0이 됩니다. 이 추적은 단일 프로세스 모의 상태 머신의 내부 체결 수신과 약정을 검증합니다.

주문 의도 지문은 구조화된 필드와 정확한 십진수 정규화를 사용하고 표현 문장에는 권한을 주지 않습니다. 같은 ID의 동일 구조화 요청은 두 번째 내부 의도를 만들지 않으며, 같은 ID에서 구조화 요청을 바꾸면 충돌합니다. 외부 브로커의 정확히 한 번 체결까지 보장하지는 않습니다. 실제 복구는 주문·체결 조회, 대사한 상태의 영속 저장, 변경 보고, 부분 취소, 네트워크 불확실성 처리가 필요합니다.

승인한 거래가 계획 손실 예산보다 더 잃었습니다

12:05:00 UTC에 시뮬레이터는 별도로 고정한 중간가격 97.50을 받습니다. 저장한 손절 기준 98보다 낮습니다. 독립적인 손절 처리기가 전체 포지션의 paper-stop-exit-001을 만듭니다. 청산 체결가는 97.50 × 0.9995 × 0.9995 = 97.402524375이고, 수수료 0.1%를 다시 부과합니다. 이 청산은 시뮬레이터의 저장 규칙이 발동한 것이며 새로운 모델 예측이 아닙니다.

기준 중간가격의 움직임은 20.86 × (97.50 − 100) = $52.15를 잃습니다. 매수·매도호가와 불리한 체결은 $4.11986304의 추가 가격 손실을 만듭니다. 진입·청산 수수료 합계는 $4.11990318입니다. 결과 순손실은 $60.38976622, 최초 계좌 순자산의 0.60389766%이며, $9,939.61023378가 남고 자산 포지션은 없습니다. 각 비용은 한 번씩만 차감합니다.

계획 손절 손실 $49.98061318는 중간가격 98 근처에서 갭 없이 청산한다는 가정을 사용했습니다. 부여한 갭이 그 체결 가정을 깨뜨립니다. 따라서 위험 검사 통과가 실현 손실을 $50로 제한하지는 않습니다. 원래 결정 기록을 보존하면서 계획 가정과 갭 노출을 살펴보는 것이 적절한 대응입니다.

현금, 포지션과 비용 잔액은 대사됩니다. 초기 순자산에 순손익을 더하면 청산 후 현금 잔액과 일치합니다. 이자를 제외한 이 예제에서 현금을 그대로 보유한 수익은 0입니다. 가정한 경로 하나로 투자 순위, 기대수익 또는 미래 손실 확률을 정할 수는 없습니다.

제시한 이유는 살펴볼 자료이지 인과적 증명이 아닙니다

표현만 바꾼 사례는 한 질문에 정확히 답합니다. 더 강한 표현이 이 통제기의 수량을 늘리지 않습니다. 동시에 한계도 드러냅니다. 프로그램은 구조화된 BUY를 승인하면서 거짓 서술 가격은 검사하지 않습니다. 근거 ID 일치는 참조의 일관성을 확인할 뿐, 근거 문장의 진실성, 인용 기록이 결론을 뒷받침하는지, 거래의 우위를 입증하지는 않습니다.

Chen 등의 연구는 통제된 객관식 문제에서 모델이 작성한 추론이 영향을 준 힌트를 공개하는지 검사했습니다. 영향력 있는 힌트가 항상 언급되지는 않았습니다. 설명을 완전한 인과 감사로 삼지 말아야 한다는 근거이며, 이 거래 구성의 측정이나 모든 설명이 거짓이라는 증명은 아닙니다. 간결한 이유와 함께 실제 입력, 도구 호출, 출력, 통제 결과를 보존하세요. [5]

HIGH 표시, 응답 토큰의 가능도, 비용 차감 후 승리의 경험적으로 보정된 확률은 서로 다른 양입니다. Kadavath 등은 이전 언어모델에서 과제와 도출 방식에 따라 달라지는 자기평가를 연구했습니다. 그 결과가 거래 확신도 필드를 검증된 확률로 바꾸지는 않습니다. 금융 확률 보정 주장에는 정의된 상품, 기간, 거래 규칙, 비용 모형, 이후 결과가 필요합니다. 시장 예측 프로토콜은 이를 별도 조사로 다룹니다. [6]

텍스트 기반 신호에는 확인 가능한 주장을 요구하세요. 무엇이 보도됐고, 언제 이용 가능해졌으며, 어떤 기록이 해석을 뒷받침하는지입니다. 사실 추출과 의미적 근거를 주문 유효성과 따로 감사합니다. 시장이 이미 뉴스를 반영했거나 관련 움직임이 체결 전에 발생했다면, 문서를 올바르게 읽고도 손실 거래가 될 수 있습니다.

외부에서 가져온 텍스트는 거래 권한을 부여할 수 없습니다

공시, 뉴스 페이지, 도구 결과에는 모델을 겨냥한 지시가 담길 수 있습니다. 애플리케이션은 이를 계좌 변경, 레버리지 증가, 제한 해제 명령이 아니라 평가할 근거로 취급해야 합니다. Anthropic 지침은 이 간접 주입 경계를 설명합니다. 허용 도구와 금융 한도는 모델이 생성한 텍스트 밖에서 강제하세요. [7]

AgentDojo의 원래 에이전트 보안 벤치마크는 모의 애플리케이션 환경에서 정상 과제와 공격을 연구합니다. 모델이 모든 요청을 거부하는지만 볼 것이 아니라, 유용한 과제 완료와 유해한 방향 전환을 함께 시험해야 하는 근거입니다. 결과는 트레이딩 봇의 보안 인증이 아닙니다. [9]

잘못된 수량 필드 사례는 이 명세에서 제안이 권한 없는 크기 필드를 추가할 수 없음을 보여줍니다. 서술 사례는 문장이 위험 통제기를 무시할 수 없음을 보여줍니다. 여기서는 어떤 모델도 공격을 읽지 않았으므로 어느 것도 ChatGPT나 Claude를 상대로 한 프롬프트 주입 테스트는 아닙니다. 실제 모델 대상 보안 평가에서는 적대적 자료를 실제 모델과 도구 구성에 통과시키고 최종 상태를 확인해야 합니다.

스키마를 지키는 악성 제안도 모든 금융 한도 안에 들어갈 수 있습니다. 독립 통제는 허용 행동을 제한할 뿐, 타당한 의도나 투자 가치를 만들어내지 못합니다. 권한 제한과 신호 유용성 검증은 서로 보완하는 작업입니다.

시스템에서 언어모델의 역할이 필요한 지점

전략이 수치 임계값만으로 완전히 정의된다면 그 임계값을 직접 계산하세요. Python 트레이딩 봇이나 Pine Script 전략은 매 봉마다 LLM을 호출하지 않고 고정 규칙을 평가할 수 있습니다. AI는 전략 구현, 장부 검토, 오류 진단에 여전히 도움을 줄 수 있습니다. 온라인으로 거래를 고르는 역할과는 다릅니다.

트레이딩 알고리즘을 만드는 방법을 배우고 있다면 거래 위임 범위와 측정 가능한 수용 조건부터 작성하세요. Codex나 Claude Code는 입력 생성기, 십진수 크기 산정, 테스트, 어댑터 구현을 도울 수 있습니다. 신호만큼 그 구성요소의 버전도 꼼꼼히 보관합니다. TradingView 트레이딩 봇 연결부도 알림을 체결로 취급하지 말고 알림 시각, 주문 정책, 대사를 유지해야 합니다.

온라인 LLM은 정해진 분류 체계에 따라 공시를 분류하는 것처럼, 단순한 수치 규칙이 제공하지 못하는 해석이 필요할 때 더 설득력 있는 역할을 갖습니다. 추출한 주장, 출처, 그에 따른 행동을 기록하세요. 이후 지연, 데이터 비용, 추론 비용을 감안하고도 해석이 가치를 더하는지 검증합니다. 이 글의 예제 분석은 그 추가 이익을 입증하지 않습니다.

유용한 제안 지시문은 근거 참조, 간결한 이유, 필수 전제가 없을 때의 HOLD를 요청합니다. 이는 인터페이스 요구사항이지 수익성 있는 거래를 만든다고 입증된 프롬프트가 아닙니다. 타당한 첫 목표는 승인·차단·건너뛰기·미해결 요청을 기록에서 모두 설명할 수 있는 모의 파이프라인입니다.

통제기의 정확성, 모델 행동, 매매 우위를 분리하세요

세 층을 따로 평가합니다. 통제기에는 독립적인 수치 항등식, 통제한 잘못된 입력, 양성 대조군, 상태 대사를 사용합니다. 모델에는 고정 입력으로 실제 요청을 보내고 정확한 업체·모델 버전, 프롬프트, 도구 결과, 샘플링 설정, 거부, 재시도, 비용을 기록합니다. 전략에는 시장 결과 전에 결정을 봉인하고, 합리적 대안 대비 비용 차감 후 증분 가치를 평가합니다.

Anthropic의 에이전트 평가 지침은 실행 기록과 최종 결과를 구분합니다. 여기서도 중요합니다. 모델의 ‘주문 체결됨’은 진술이고, 체결 장부와 결과 포지션이 환경 상태를 확인합니다. 실제 업체 비교에서는 같은 하네스 아래 사용 가능한 제안 비율, 근거 정확성, 행동 안정성, 지연시간, 비용을 측정하세요. 한 입력의 반복 호출은 그 입력에 대한 반복 시도이지 독립적인 시장 기회가 아닙니다. [8]

거래 전략의 과적합을 피하려면 시도한 모든 모델, 프롬프트, 임계값 변형을 보관합니다. 특정 역사적 기간에 우연히 맞는 프롬프트 선택도 전략 최적화에 포함됩니다. 표본 외 테스트와 워크포워드 분석은 각 결정 때 무엇을 알 수 있었고 어떤 앞선 결과로 다음 버전을 골랐는지 지켜야 합니다. 알아볼 수 있는 역사적 사건은 애플리케이션 시각이 정확해도 학습 데이터의 사후 지식을 유입시킬 수 있습니다.

LLM과 비LLM 기준선에 같은 위험·체결 장치를 사용하세요. 그렇지 않으면 비용이나 수량 차이가 더 뛰어난 추론처럼 보일 수 있습니다. 몬테카를로 거래 시뮬레이션은 입력 조건 아래의 결과를 살펴볼 수 있지만, 없는 예측 우위를 공급하거나 비공식 확신도 표시를 보정하지 않습니다. 실행한 ML 백테스트와 알고리즘 구현 연구는 전략 성과에 필요한 별도의 증거를 조사합니다.

이 조사가 확인한 것

매매 결정은 모델 인터페이스, 애플리케이션 임무, 위험 통제기, 체결 기록에 걸쳐 이루어집니다. 예제에서 같은 BUY 요청은 문구의 확신이 강해져도 같은 크기를 유지하고, 한도가 엄격해지면 줄어들며, 승인된 현금으로 유효 주문을 만들 수 없으면 건너뛰고, 이전 주문 상태가 불명확하면 차단됩니다.

승인된 주문은 계획 예산 $50 검사를 통과하고도 인위적으로 만든 갭 경로에서 $60.38976622를 잃습니다. 장부는 진입 설명을 다시 쓰는 대신 그 결과를 보존합니다. 계산은 손실을 설명하지만, 통제 사례의 결과가 ChatGPT나 Claude의 시장 예측력을 입증하지는 않습니다.

AI 트레이딩 시스템을 평가할 때 입력, 구조화된 제안, 이를 승인한 정확한 권한, 주문·체결 기록, 대사한 계좌 결과를 요구하세요. 그 기록이 시스템이 실제로 한 일을 설명합니다. 설득력 있는 BUY 문단은 그 연결고리의 일부일 뿐입니다.