트레이딩 봇과 매수 후 보유: 같은 위험을 비교하고 있는가?

이 계좌가 어떤 대안을 이겨야 하는지 먼저 묻는다

봇은 30.74%, 매수 후 보유는 96.28%를 벌었다. 봇의 연율화 일별 변동성과 최대 낙폭은 보유 전략의 약 절반이다. 유용한 정보지만 봇이 가치를 더했는지를 결정하지는 못한다. Bitcoin 위험을 줄이려는 투자자는 예측 모델을 운영하지 않고 현금을 더 보유할 수도 있었다.

벤치마크는 명확한 질문에 답해야 한다. 단순 보유는 높은 투자 비중을 유지하지 않은 기회비용을 측정한다. 현금 혼합은 단순한 소규모 배분의 결과를 묻는다. 변동성 목표는 미리 정한 적응적 위험 예산의 결과를 묻는다. 서로 다른 대안이지 보편적인 합격 기준이 아니다. SEC 투자자 교육 역시 성과 비교에서 적절한 벤치마크와 비용 반영을 강조한다. [1]

공정성은 정책을 선택할 수 있었던 시점의 정보와 제약에서 시작한다. 평가기간 전체를 본 뒤 최종 실현 위험을 맞추는 작업은 기술적 설명에는 쓸 수 있지만, 그 이전 날짜에 실행 가능한 의사결정 규칙은 아니다. 따라서 과거 관측으로 벤치마크를 구성하고 실제로 나타난 위험 차이를 그대로 제시한다.

기존 봇을 유지하고 이미 알고 있던 사실을 공개한다

재학습 비교의 동결 로지스틱 모델을 그대로 사용한다. 연속성을 위해 이 경로를 채택할 때 기존 순위는 이미 알려져 있었다. 보지 않은 자료로 새 전략을 독립적으로 선택하지 않았으며 이 글은 알파 검정이 아니다. 2024–25년 Bitcoin 관측은 이전 TensorParadigm 연구에 사용됐다.

모델의 스케일러와 계수는 2024년 1월 1일의 완료된 일봉 종가 시점에, 이전 730일 구간의 결과가 확정된 725개 행으로 한 번 학습한다. 여섯 특성은 완료된 수익률, 변동성, 가격 범위와 거래량을 요약한다. 포지션이 없을 때 확률이 0.55 이상이면 다음 시가 매수와 그로부터 시가 간 5일 뒤 매도를 예약한다. 진입 수수료를 포함해 가용 현금의 90%를 사용하고 레버리지나 겹치는 포지션은 없으며, 청산이 보고 종료일을 넘는 진입은 막는다. 전체 모델 정의는 연결된 연구에 있다.

humblefool06의 CC BY 4.0 아카이브에서 보관한 일별 BTCUSDT 자료를 재사용한다. 2020년 2월 20일부터 2025년 12월 31일까지 2,142개 봉이다. 정규화된 SHA-256은 43655a51e6cb41c2ee087bd947f4cefb7dd4151617a29d7f75a3cda471ae5cbb다. 10월 18일의 기존 검사는 평가기간 731개 봉, 즉 OHLCV 값 3,655개를 Binance 일별 엔드포인트와 대조했다. 이 외부 검사는 반복하지 않았다. 더 이른 학습 자료는 외부 검증이 없고 아카이브의 원래 거래소도 명확히 확인되지 않았다. 날짜는 UTC 세션의 시작 날짜다. [4] [5]

미래 봇 위험을 쓰지 않고 세 대안을 정의한다

새 벤치마크 계좌를 실행하기 전에 아래 규칙을 고정했다. 모든 계좌는 2024년 1월 1일 시작에 10,000 USDT를 보유하며 2025년 12월 31일 종가로 평가한다. 현금 수익은 0으로 가정한다. 이는 수익률 가정이지 USDT나 보관기관에 위험이 없다는 뜻은 아니다. 차입이나 공매도는 없다.

고정 혼합에 사용하는 사전 Bitcoin 연율화 변동성은 2022년 1월 1일부터 2023년 12월 30일까지의 단순 일별 종가 수익률 표본표준편차에 √365를 곱한 값이다. 수익률 729개에서 55.007239%가 나온다. 선언한 10% 위험 예산을 이 추정치로 나누면 고정 BTC 목표는 18.179425%로, 90% 상한보다 작다. 매월 첫 UTC 시가에 같은 비중으로 재조정한다. 봇의 미래 평균 노출에서 역산한 비중이 아니다.

적응형 벤치마크는 같은 10% 예산을 최근의 적격 일별 수익률 60개로 추정한 변동성으로 나누고 90%로 제한한다. 매월 첫 시가 실행 시 입력으로 허용되는 가장 최근 봉 날짜는 실행일 이틀 전이다. 따라서 첫 구간은 2023년 11월 1일–12월 30일이며, 마지막 종가는 12월 31일 00:00 UTC에 알려져 1월 1일 실행보다 온전한 24시간 앞선다. 이번 실행의 월별 목표 비중은 15.53%–34.47%였다. 목표 상한은 재조정 때 적용되며 그 사이 비중은 움직일 수 있다. 다만 차입이 없어 노출은 100% 아래에 머문다.

벤치마크도 재조정 비용을 부담하게 한다

모든 거래는 소수 단위 BTC를 사용하며 편도 수수료 10베이시스포인트와 기준 시가 대비 불리한 5베이시스포인트 체결을 가정한다. 스프레드나 같은 슬리피지를 다시 빼지 않는다. 월별 혼합 계좌는 비용 반영 후 순자산에서 기준 시가로 평가한 BTC가 목표 비중이 되도록 매수·매도 수량을 푼다. 현금은 음수가 될 수 없다. 단순 보유는 기존 연구대로 진입 수수료를 포함한 시작 현금의 90%를 쓰며, 상승 후에도 지속적으로 90%로 제한하는 정책은 아니다.

고정 혼합의 첫 매수는 목표 비중과 대략적인 현금 배분의 차이를 보여 준다. 기준 시가 42,283.58에서 모델 매수가격은 42,304.721790이다. 0.042982329393 BTC를 매수하면 명목금액 1,818.355487 USDT와 수수료 1.818355를 지불하고 현금 8,179.826158이 남는다. 기준 가격의 BTC 가치는 1,817.446763, 비용 후 순자산은 9,997.272921이므로 의도한 18.179425% 비중이 된다. 2월 1일에는 같은 목표를 유지하기 위해 BTC 10.422243 USDT어치를 팔고 수수료 0.010422를 낸다. 작은 거래에도 비용은 든다.

일별 종가 순자산 관측 731개는 모두 현금과 열린 보유량을 포함한다. 봇은 포지션 없이 끝나지만 세 대안은 BTC를 보유한 채 가상의 최종 매도 없이 평가한다. 고정 혼합의 최종 순손익 1,809.983898 USDT는 실현 1,225.864569와 미실현 584.119329로 나뉜다. 적응형 순손익 1,734.388210은 각각 1,663.694161과 70.694048이다. 강제 청산은 추가 체결과 비용을 수반하는 다른 보고 정책이다. 입출금은 없다.

같은 자본이 네 가지 다른 위험 경로를 만들었다

단순 보유는 19,627.85 USDT, 봇은 13,073.92, 고정 혼합은 11,809.98, 변동성 목표는 11,734.39로 끝난다. 단순 보유가 수익률과 일별 종가 낙폭 모두 가장 크다. 봇의 낙폭은 더 작지만, 위험을 줄인 두 벤치마크는 봇보다 낙폭도 작고 실현 변동성도 훨씬 낮다.

여기서 연율화 변동성은 순수익률 731개의 표본표준편차에 √365를 곱한 값이다. 이 관측 경로의 보고 관행이지 예측, 장기 독립성 주장 또는 최대 손실 척도가 아니다. 최대 낙폭은 일별 종가 기준이므로 장중 손실을 놓칠 수 있다. 각 정책의 최악 하루는 또 다른 관점이다. 봇의 최악 일별 손실 7.53%는 2024년 3월 19일, 단순 보유의 8.13%는 2025년 3월 3일에 발생했다. 봇의 평균 노출이 훨씬 작아도 서로 다른 날짜의 표본 극단값이다.

10% 목표 정책은 10.87%, 고정 혼합은 8.88% 변동성을 실현한다. 과거 추정치, 월별 의사결정 시차와 시장 변화는 요청한 실현 수준을 보장하지 않는다. 이는 사전에 정한 위험 예산 규칙이지, 사후에 위험이 정확히 같아지도록 설계한 포트폴리오가 아니다.

평균 노출이 비슷해도 위험이 나타나는 방식은 다르다

봇의 평균 BTC 노출은 20.33%, 고정 혼합은 18.56%지만 실현 변동성은 22.33%와 8.88%다. 봇은 종가 관측 731개 중 165개에서 BTC를 보유하며 그 보유기간에는 대부분의 자금을 투자한다. 고정 혼합은 작은 비중을 계속 유지한다. 더 적은 날에 노출을 집중하면 손실 규모와 시점이 달라진다. 평균 노출만으로는 이 형태를 설명할 수 없다.

봇은 고정 혼합보다 수익률이 12.64%포인트 높지만 측정 변동성도 두 배 이상이다. 수익률을 낙폭으로 나눈다고 두 정책이 같은 위험을 갖게 되지는 않는다. 최대 낙폭은 한 번 관측한 극단값이고 변동성은 다른 성질을 요약한다. 어느 것도 수익의 얼마가 예측 능력에서, 얼마가 노출·유리한 타이밍·거래 마찰·선택된 표본에서 왔는지 식별하지 않는다.

연도별 결과는 독립 반복 실험을 만들어 내지 않고 경로 차이를 보여 준다. 2025년에 봇은 8.49%를 벌지만 단순 보유는 6.03%, 고정 혼합은 0.27%, 적응형은 3.41% 잃는다. 그 구간에서는 봇이 상대적으로 유리했다. 2025년만 고르면 2024년의 훨씬 큰 기회비용을 숨긴다. 각 계좌가 이어진 구간이지 매년 다시 시작한 계좌가 아니다.

각 노출 경로를 만드는 데 필요한 거래를 계산한다

봇은 체결 66건, 단순 보유는 한 건, 월별 벤치마크는 각각 24건을 기록한다. 아래 회전율은 매수·매도 체결 명목금액 합계를 10,000 USDT로 나눈 값으로 양쪽 모두 센다. 봇의 구현 부담이 드러난다. 비용 전 수익률은 같은 모델 또는 벤치마크 규칙으로 수수료와 슬리피지를 0으로 두고 별도 실행한 계좌다. 순수익률과의 차이는 달러 수수료 합계뿐 아니라 수량과 복리에도 영향을 받는다.

편도 수수료를 10베이시스포인트로 유지하고 불리한 슬리피지를 5에서 20베이시스포인트로 높이면 봇 수익률은 +30.74%에서 +19.59%로 줄어든다. 단순 보유는 +96.28%에서 +96.00%, 고정 혼합은 +18.10%에서 +18.00%, 변동성 목표는 +17.34%에서 +17.14%로 바뀐다. 낮은 회전율 때문에 벤치마크는 이 비용 변화에 덜 민감하다. 계산·감시 비용, 세금, 보관·부도 위험, 주문 수량 필터, 지연과 시장 충격은 여전히 모델 밖이다.

변동성 관리 벤치마크도 전략이지 중립적인 환산이 아니다

적응형 벤치마크는 이전 변동성을 본 뒤 노출을 바꾼다. 방향을 예측하지 않더라도 규칙에 따른 타이밍 결정이다. 기존 위험 통제 방법론은 변동성 추정, 시차, 노출 상한, 재조정 비용이나 완충 장치를 따로 정의한다. 여기의 월별 비레버리지 Bitcoin 규칙은 맞춤 예시이지 MSCI 지수 복제가 아니다. [2]

Moreira와 Muir의 변동성 관리 연구는 이전 분산의 역수를 사용한다. 우리 목표는 분산이 아니라 변동성으로 나눈다. 그들의 팩터 연구를 복제하거나 알파 결과를 Bitcoin에 옮기지 않는다. 관련성은 방법론에 있다. 위험 조정을 공짜로 취급하지 말고 과거에 실제 선택 가능했던 완전한 배분 규칙을 비교해야 한다. [3]

평가기간 전체의 봇 실현 변동성, 평균 노출이나 최대 낙폭으로 벤치마크 비중을 고르면 시작 시점에 없던 정보를 쓰게 된다. 그런 비교를 회고적 기여도 분석으로 표시할 수는 있지만 당시 선택 가능한 배분으로 제시해서는 안 된다. 고정 비중은 사전 수익률만, 적응형은 명시한 시차만 사용한다. 어느 것도 봇의 미래 위험과 정확히 일치한다고 광고하지 않는다.

불확실성을 볼 때 공통 시장 날짜를 함께 유지한다

조건부 민감도 진단으로 관측한 네 계좌의 일별 수익률을 원형 20일 블록으로 함께 재표집해, 시드 6142026으로 731일 표본 5,000개를 만든다. 각 추출은 모든 정책에 같은 날짜 인덱스를 사용해 블록 내부 순서와 정책 간 의존성을 보존한다. 공식 시계열 부트스트랩 문서는 고정 길이 및 다변량 블록 재표집을 설명하며, 우리 구현은 Python에서 실행한다. [6]

통계량은 봇에서 벤치마크를 뺀 일별 순수익률 평균에 365를 곱해 연간 %포인트로 나타낸 값이다. 연율화한 산술 일평균 차이이며, 복리 최종수익률 차이·CAGR 격차·알파가 아니다. 아래 5번째–95번째 백분위 범위는 모든 비교에서 0을 가로지른다. 조건부 재표집 범위이지 선택 후 보정한 유의성 검정이나 보장된 신뢰구간 포함 확률이 아니다.

이 계좌 수익률을 재표집해도 모델을 재학습하거나, 변동성 비중을 다시 계산하거나, 새 시장 역사에서 거래 상태를 재실행하지 않는다. 선택한 블록이 관심 변동을 설명한다는 전제를 두며, 긴 시장 국면 변화나 미관측 충격은 그 전제를 깨뜨릴 수 있다. 더 많은 표본 생성은 새 시장 증거를 만들거나 알려진 전략 선택을 지우지 않는다.

승자라는 이름 대신 다음 질문을 고르는 데 비교를 쓴다

계좌는 비용 후 모델 수익이 양수였고 높은 비중의 보유 계좌보다 낙폭이 작았다. 동시에 위험을 낮춘 두 대안보다 실현 변동성과 거래 비용이 훨씬 컸다. 모두 참일 수 있다. 현재 기록은 인과적인 타이밍 프리미엄을 분리하지 않으며 미래 위험조정 우월성을 입증하지 않는다.

유용한 다음 평가는 새 관측 전에 위험 예산, 적격 벤치마크와 선택 규칙을 고정한 뒤 전체 계좌 결과와 운용 요건을 비교하는 것이다. 실거래 테스트 절차는 그 전향적 단계를 다룬다. 이번 회고 비교에서는 입력 해시, 독립 십진수 벤치마크 회계, 비용 후 정확한 목표와 미래 가격 교란 검사가 통과했고 봇은 보관 경로를 정확히 재현했다. 이는 구현 충실성을 뒷받침하지 관측 모델 밖 수익성을 입증하지 않는다.

ChatGPT나 Claude는 모호한 “매수 후 보유를 이겼다”는 주장을 명확한 비교 규칙으로 바꾸는 데 도움을 줄 수 있다. Codex나 Claude Code는 계좌와 정보 시점을 감사할 수 있다. 이 분석은 AI 도움과 Python 계산을 사용했으며 제품을 거래 에이전트로 비교하지 않았다. 벤치마크 집합을 보존하고 보고 위험 통계와 자본 배분 당시 이용 가능했던 정보를 구분하도록 요구해야 한다.

계좌가 무엇을 능가해야 하는지 정의하라. 결과를 보기 전에 벤치마크 배분, 위험 입력, 시차, 자본, 현금 수익, 수수료와 재조정을 고정하라. 평가기간 실현 변동성을 배분 규칙에 넣지 마라. 동일한 시점에서 현금과 열린 보유량을 대조하고 거래 비용은 한 번만 반영하라. 수익률, 노출 경로, 변동성, 낙폭, 회전율, 손실 구간과 대응 불확실성을 보고하라. 기술적 기여도 분석을 실제 투자 가능한 전략 및 알파 증거와 구분하라. 불리한 비교를 포함해 선언한 모든 벤치마크를 유지하라.