좋은 결과만 골라내지 않고 가상자산 거래 봇의 거래쌍을 선택하는 방법

먼저 적격 거래쌍의 조건을 정하세요

오늘 캔들 데이터를 내려받을 수 있다는 이유만으로 과거에도 적격 거래쌍이었던 것은 아닙니다. 최적화 전에 거래소, 현물 또는 무기한 선물, 기준 통화, 최소 데이터 이력, 최소 거래 수량, 유동성 기준을 명시하세요. 각 선택 시점에 이용 가능했던 정보만 사용해야 합니다.

예를 들어 지정 거래소의 USDT 거래쌍 중 이미 90일 이상 거래되었고 미리 정한 최근 거래대금 기준을 충족하는 종목을 대상으로 삼을 수 있습니다. 이 숫자는 설명용 조건이며 보편적인 안전 기준이 아닙니다. 각 검토일에 어떤 거래쌍이 조건을 통과했는지, 언제부터 거래 가능했는지 정확히 기록하세요.

나중에 가장 좋은 백테스트만 고르는 함정

30개 거래쌍으로 봇을 테스트하고 가장 좋은 3개만 공개했다고 가정해 보겠습니다. 질문은 어느새 '목표 거래쌍 전체에서 규칙이 작동하는가'에서 '유리한 이력 3개를 찾을 수 있는가'로 바뀝니다. 살펴보는 설정 조합과 거래쌍이 많아질수록 우연히 매력적인 결과를 찾기가 쉬워집니다.

30개 거래쌍을 대상으로 한 가상의 보고서라면 중앙값, 가장 약한 거래쌍, 순수익이 양수인 거래쌍 수, 거래 횟수, 낙폭, 포지션 유지 시간, 공통 테스트 기간 등 전체 분포를 보여 줘야 합니다. 각기 계좌 전체 자금을 쓰는 독립 백테스트의 수익률을 평균 내어 포트폴리오 성과라고 부르면 안 됩니다.

• 처음 정한 30개 거래쌍과 선택 규칙을 모두 공개하세요.
• 거래쌍별로 시도한 설정 수를 명시하세요.
• 실패하거나 데이터가 없거나 상장 폐지된 시장도 검증 기록에 남기세요.
• 선택 기간의 성과와 미사용 기간 검증을 구분하세요.

사라진 종목까지 고려하세요

현재 거래되는 종목만 과거 테스트에 사용하면 사라졌거나 유동성을 잃었거나 상장 폐지된 종목이 제외될 수 있습니다. 이것이 생존 편향입니다. 가상자산 연구 논문은 이런 자산을 빼면 과거 성과 지표가 상당히 왜곡될 수 있다고 설명합니다. 다만 추정 수치는 표본과 포트폴리오 구성에 따라 달라지므로 개별 봇의 보정 계수로 적용해서는 안 됩니다.

과거 상장·상장 폐지 데이터가 불완전하다면 이를 명시하세요. 가능한 범위에서 당시의 적격 조건을 재구성하고 과거 거래쌍 목록을 보관하며 누락 범위를 공개해야 합니다. 현재 살아남은 거래쌍만 테스트해도 조건부 실험으로서 의미는 있지만, 과거부터 동일한 선택 규칙을 적용했을 때의 결과를 입증하지는 못합니다.

30개 계좌가 아니라 하나의 계좌를 시뮬레이션하세요

두 개의 독립 테스트에서 각각 10% 수익이 났다고 해서 한 계좌가 두 수익을 모두 얻을 수 있었던 것은 아닙니다. 신호가 동시에 발생하거나 자금이 이미 투입되어 있을 수 있고, 거래소 위험 한도나 최대 포지션 수 때문에 신규 주문이 막힐 수도 있습니다. 포트폴리오 백테스트는 실거래에 사용할 자금, 주문 규모, 우선순위 규칙을 그대로 적용해 모든 적격 거래쌍의 신호를 시간순으로 재현해야 합니다.

여러 알트코인 포지션이 함께 움직이면 개별 거래쌍의 위험이 괜찮아 보여도 포트폴리오 낙폭은 더 깊어질 수 있습니다. 미실현 손익을 반영한 자산, 최대 동시 노출, 동시 포지션 수, 가장 긴 자금 묶임을 추적하세요. DCA 시스템은 후속 진입에 필요한 자금도 남겨 두어야 하며, 모든 거래쌍이 계좌 전체를 동시에 사용할 수 있다고 가정해서는 안 됩니다.

최종 테스트 전에 선택 규칙을 고정하세요

실용적인 절차는 세 단계입니다. 먼저 개발 기간에서 전략과 거래쌍 적격 규칙을 설계하고, 그 기간만 사용해 설정을 선택합니다. 마지막으로 규칙을 고정한 뒤 선택에 영향을 주지 않은 이후 데이터에서 모든 적격 거래쌍을 평가합니다. 검증 기간을 반복해서 보며 규칙을 바꾸면 그 기간도 개발 데이터가 됩니다.

유동성 기준, 비용 가정, 검토일을 조금 바꾸었을 때의 민감도도 테스트하세요. 결과가 새로 상장된 한 종목이나 특별한 시장 국면 하나에 의존하는지 확인해야 합니다. 이후 포워드 모의 거래로 운영 경로를 검증할 수 있지만, 검증이 올바르게 이루어져도 미래 수익이 보장되지는 않습니다.

간단한 보고 예시

최적화 전에 작성한 규칙을 30개 거래쌍이 통과했다고 가정해 보겠습니다. 순전히 가상의 검증에서 8개는 순수익이 양수이고 22개는 그렇지 않으며, 수익을 낸 거래쌍 중 3개가 유독 높았다고 합시다. 이 3개만 공개하면 전체적으로 성과가 약했다는 사실이 가려집니다. 30개를 모두 공개해도 공통 자금과 겹치는 노출을 반영해 신호를 재현하기 전에는 포트폴리오 수익률을 알 수 없습니다.

유용한 보고서에는 원래 적격 목록, 거래쌍별 가용 이력, 테스트한 설정, 순수익, 최대 낙폭, 거래 횟수와 단일 계좌의 자산 곡선이 포함됩니다. 규칙과 파라미터를 고정한 날짜도 표시하세요. 이 예시는 교육용이며 TensorParadigm의 성과가 아닙니다.

• 사전에 정한 하나의 적격 규칙으로 30개 거래쌍을 테스트합니다.
• 가상의 거래쌍별 결과는 양수 8개, 0 이하 22개입니다.
• 독립적인 거래쌍 성과를 더해 한 계좌의 수익률을 추정할 수 없습니다.
• 포트폴리오 자산과 미결제 포지션은 하나의 시간순 시뮬레이션으로 계산해야 합니다.

AI 거래 봇에는 어떤 의미가 있을까요?

여러 종목으로 학습한 모델도 지속적인 신호 대신 자산의 정체성, 상장 시기, 시장 국면을 학습할 수 있습니다. 특징과 파라미터를 학습하기 전에 데이터를 시간 기준으로 나누고, 모델 선택에 쓰지 않은 거래쌍과 날짜의 결과를 확인하세요. 이력이 짧은 신생 종목에 과거의 가상 실적을 만들어 붙여서는 안 됩니다.

기존 가이드에서는 거래 횟수 확인, 미래 데이터 누출 탐지, 낙폭 측정을 설명합니다. 거래쌍 선택에는 '결과를 알기 전에도 이 시장이 조건을 충족했을까?'라는 질문이 추가됩니다. 이 질문에 명확히 답할 수 있어야 최고의 차트만 모아 놓은 것보다 봇의 근거가 더 유용해집니다.