거래 봇 백테스트에는 몇 번의 거래가 필요할까? 100회가 보편적인 답이 아닌 이유

하나의 거래 수로 전략을 증명할 수 없는 이유

백테스트는 가능한 결과의 표본이지 전략의 완전한 미래 분포가 아닙니다. 거래가 많아지면 추정치가 대체로 안정되지만, 추가 거래 하나하나의 가치는 그것이 어떻게 만들어졌는지에 달려 있습니다.

같은 조용한 한 달에 나온 500번의 진입은 하나의 시장 환경을 반복할 수 있습니다. 수천 번의 매개변수 실험 후 선택한 100번의 거래는 최적화의 운을 반영할 수 있습니다. 미래 정보로 계산한 1,000번의 거래는 표본 크기와 관계없이 유효하지 않습니다.

따라서 올바른 질문은 단순히 몇 번이면 충분한지가 아닙니다. 얼마나 많은 불확실성이 남았는지, 표본이 어떤 환경을 대표하는지, 최종 평가가 전략 개발에서 얼마나 독립적이었는지를 물어야 합니다.

30회 거래 규칙이 자주 오해되는 이유

표본이 커지면 일부 근사법을 쓰기 편해진다는 이유로 30개의 관측값이 통계적 최소치로 제시되기도 합니다. 그렇다고 30번의 거래가 수익성 있는 거래 우위를 입증한다는 뜻은 아닙니다.

작은 표본에서는 몇 가지 결과만으로도 보고되는 승률이 크게 바뀝니다. 30번 중 18번 이기면 관측 승률은 60%입니다. 단 3개의 결과가 승리에서 패배로 바뀌면 승률은 50%로 떨어집니다.

거래 수익에는 승패보다 더 많은 정보가 담겨 있습니다. 이익 크기, 손실 크기, 왜도, 극단적 사건, 시계열 의존성, 비용이 수익성에 영향을 줍니다. 비율을 설명하는 데 겨우 충분한 표본도 낙폭이나 꼬리 위험을 추정하기에는 부족할 수 있습니다.

표본 크기가 승률 불확실성에 미치는 영향

신뢰구간은 같은 관측 승률이라도 표본 크기에 따라 의미가 달라지는 이유를 보여 줍니다. 아래 도표는 관측 승률을 60%로 가정하고 실제 확률에 대한 근사 95% 윌슨 구간을 계산합니다.

30회 거래 후 구간은 약 42.3%~75.4%입니다. 100회 후에도 약 50.2%~69.1%입니다. 1,000회에서는 약 56.9%~63.0%로 좁아집니다.

이 계산은 설명을 위한 것입니다. 각 거래를 같은 확률을 가진 독립적인 이진 결과로 취급합니다. 실제 거래는 두 가정을 모두 위반할 수 있으므로 이 도표는 정확성의 보장보다는 표본 추출의 불확실성을 보여 주는 예시로 이해하는 편이 적절합니다.

백테스트에 100회 거래면 충분할까?

100번의 거래는 명백한 문제를 드러낼 수 있습니다. 비용이 비용 차감 전 성과를 없애는지, 손실이 몰리는지, 한 거래가 대부분의 수익을 만드는지, 기본 기대값이 양수인지를 보여 줄 수 있습니다.

그러나 보편적인 합격선은 아닙니다. 우위가 작고 수익 변동이 큰 전략은 효과가 크고 안정적인 전략보다 훨씬 많은 증거가 필요할 수 있습니다. 고빈도 시스템은 좁은 시장 국면 안에서 100번을 거래할 수 있지만, 느린 시스템은 같은 횟수에 도달하는 데 수년이 걸릴 수 있습니다.

100회는 중간 검토 지점으로 다루면 유용합니다. 결과가 약하거나 불안정하거나 소수의 이상치에 의존한다면 신뢰할 이유가 거의 없습니다. 여전히 유망하다면 다음 단계는 즉각적인 확신이 아니라 더 강한 검증입니다.

1,000회 거래에도 예상보다 적은 정보가 담길 수 있다

통계 계산은 흔히 관측값이 독립적이라고 가정합니다. 거래 결과는 그렇지 않을 수 있습니다. 같은 시장 충격 중에 열린 10개의 진입은 보고서에서는 서로 다른 거래지만, 근본적으로는 같은 사건에 대한 하나의 베팅일 수 있습니다.

피라미딩, 상관관계가 있는 자산, 반복되는 신호도 비슷한 의존성을 만들 수 있습니다. 비트코인, 이더리움, 여러 알트코인에서 신호가 동시에 발생하면 그 거래들은 하나의 광범위한 시장 노출을 공유할 수 있습니다. 각각을 완전히 독립적으로 세면 유효 표본 크기를 과장하게 됩니다.

개별 거래뿐 아니라 일자, 시장 사건, 포지션 묶음, 시장 국면별로도 결과를 검토하세요. 집중된 거래를 묶었을 때 수익이 사라진다면, 겉으로 보인 증거는 단순 거래 수가 암시한 것보다 약했던 것입니다.

백테스트 기간과 시장 국면이 중요하다

거래 수는 규칙이 얼마나 자주 작동했는지 알려 줍니다. 시간 범위는 규칙이 어떤 환경을 겪었는지 알려 줍니다. 완전한 평가에는 둘 다 필요합니다.

전략과 관련된 범위에서 표본에는 상승장, 하락장, 횡보장, 안정적인 시기, 변동성이 큰 시기가 포함되어야 합니다. 유동성과 거래 비용의 변화도 포함해야 합니다. 한 번의 광범위한 상승장만으로 테스트한 봇은 시장 구조가 바뀔 때의 동작을 보여 주지 못했습니다.

시장의 사건 발생 빈도는 서로 다르므로 보편적인 개월 수나 연수는 없습니다. 중요한 검증은 진입, 청산, 비용, 위험을 실질적으로 바꿀 수 있는 환경이 표본에 포함되어 있는지입니다.

실험이 많을수록 더 강한 증거가 필요하다

거래 수는 테스트한 아이디어 수와 분리할 수 없습니다. 하나의 전략을 한 번 평가했을 때 매력적인 결과가 갖는 의미와, 100만 개의 변형을 테스트한 뒤 최고만 남겼을 때의 의미는 다릅니다. 후자에서는 강한 결과가 우연히 나타날 수 있습니다.

지표 선택, 매개변수 범위, 특성 집합, 시장 선택은 모두 잡음에 맞출 기회를 추가합니다. 백테스트 과적합 연구는 많은 시도 중에서 선택하면 일반적인 성과 통계의 설득력이 떨어진다는 점을 보여 줍니다.

실험 기록을 남기고 최종 평가를 위해 전혀 사용하지 않은 데이터를 보존하세요. 인접한 설정에서도 합리적으로 동작해야 하고 비용이 악화되어도 결과가 유용해야 합니다. 큰 표본은 도움이 되지만 통제되지 않은 탐색의 영향을 없애지는 못합니다.

지표마다 필요한 데이터 양이 다르다

승률은 평균 수익률, 수익 팩터, 최대 낙폭과 다른 방식으로 안정됩니다. 드물게 발생하는 큰 이익이 평균 수익률과 수익 팩터를 지배할 수 있습니다. 심각한 낙폭은 수년에 한 번만 나타날 수도 있습니다.

따라서 전략 전체에 적용되는 단일 표본 기준은 없습니다. 운영자는 승률의 신뢰도, 이익과 손실의 분포, 거래 간 의존성, 이상치의 기여도, 불리한 흐름의 지속 길이를 살펴야 합니다.

몬테카를로 재표본 추출은 순서 변화가 낙폭과 최종 수익률을 어떻게 바꾸는지 보여 줄 수 있지만 원래 데이터에 없는 시장 국면을 만들어낼 수는 없습니다. 통계 도구는 표본을 설명합니다. 대표성 있는 데이터를 대신하지는 못합니다.

• 승률과 그 신뢰구간
• 평균 이익, 평균 손실, 기대값
• 가장 큰 거래를 포함하거나 제외한 수익 팩터
• 최대 낙폭과 최장 회복 기간
• 최장 연속 손실
• 월별, 시장 국면별, 시장별 결과

실용적인 검증 절차

첫 표본은 아이디어를 개발하는 데 사용하고 증명하는 데 사용하지 마세요. 미사용 데이터를 평가하기 전에 규칙을 고정하세요. 현실적인 수수료, 스프레드, 슬리피지, 펀딩 비용을 포함한 뒤 시장 국면과 인접한 매개변수에 걸쳐 결과를 비교하세요.

포워드 관찰은 개발 중에는 선택할 수 없었던 새로운 거래를 추가합니다. 이후 제한적 실거래 실행으로 실제 체결, 지연, 운영상 차이를 드러냅니다. 각 단계에는 미리 정한 승인 기준과 일시 중지 기준이 있어야 합니다.

목표는 마법 같은 횟수에 도달하는 것이 아닙니다. 테스트 과정의 정보가 전략 선택으로 다시 유출되지 않게 하면서 불확실성을 줄이는 것입니다.

TensorParadigm 시뮬레이션의 1,373회 거래가 알려 주는 것

2026년 1월 1일에 시작한 TensorParadigm 과거 시뮬레이션은 완료 거래 1,373회와 그중 수익 거래 907회를 보고했습니다. 이 표본은 수십 개의 결과를 바탕으로 한 보고서보다 더 많은 정보를 제공합니다.

그래도 거래 수가 미래 성과를 증명하지는 않습니다. 표본은 정해진 기간을 다루며, 시뮬레이션은 모든 진입과 청산에 실거래와 같은 0.12% 수수료와 0.03% 슬리피지를 적용했습니다. 진입 간 의존성과 시장 국면의 포함 범위도 고려해야 합니다.

이 때문에 TensorParadigm은 거래 수를 수익률, 최대 낙폭, 승률, 수익 팩터, 시뮬레이션 기간과 함께 제시합니다. 다음 증거 단계는 새 데이터, 통제된 실거래 실행, 지속적인 모니터링입니다.

정직한 기준

30회 거래는 초기 관찰이 될 수 있습니다. 100회는 유용한 점검 지점이 될 수 있습니다. 활발한 전략에서는 수백 회의 거래가 불확실성을 크게 줄일 수 있습니다. 어느 숫자도 거래 봇을 자동으로 검증해 주지는 않습니다.

신뢰할 만한 백테스트는 충분한 거래 수, 다양한 환경, 현실적인 비용, 제한된 의존성, 미사용 평가 데이터, 시도한 실험 수에 대한 정직한 기록을 결합합니다. 가장 좋은 표본은 단지 큰 표본이 아닙니다. 전략 개발자 자신도 속이기 어려운 표본입니다.