거래 봇의 좋은 승률은 얼마일까? 숫자만으로는 부족합니다

승률이 실제로 측정하는 것

승률은 완료된 거래 중 수익으로 끝난 거래의 비율입니다. 봇이 100건의 거래를 마쳤고 60건이 수익이라면 승률은 60%입니다. 계산이 간단해서 전략 보고서의 첫 수치로 자주 제시됩니다.

이 숫자는 규모를 말해 주지 않습니다. 평균 수익 거래가 1달러를 벌었는지 100달러를 벌었는지 알 수 없고, 손실 거래 한 건이 앞선 20번의 수익을 지울 수 있는지도 보여 주지 않습니다.

따라서 승률은 수익 거래의 빈도를 설명하는 데 유용하지만 전략의 질을 평가하기에는 불완전합니다. 얻은 금액과 잃은 금액을 함께 봐야 합니다.

손익분기 승률 공식

기대값은 승률과 금액을 연결합니다. p는 수익 거래 확률, W는 평균 이익, L은 평균 손실의 절댓값, C는 완료된 거래당 평균 총비용입니다. 기대 결과는 pW에서 (1 − p)L과 C를 뺀 값입니다.

기대 결과를 0으로 놓으면 손익분기 승률은 (L + C) ÷ (W + L)입니다. 평균 이익과 손실에 이미 모든 비용이 포함돼 있다면 L ÷ (W + L)로 단순해집니다. 같은 가정에서 양의 기대값을 얻으려면 전략의 승률이 이 기준을 넘어야 합니다.

아래 예시는 초기 위험 한 단위를 R로 사용합니다. 평균 이익이 클 때 낮은 승률로도 충분한 이유와 현실적인 비용이 답을 바꾸는 이유를 보여 줍니다.

승률 80%여도 손실이 날 수 있는 이유

10건 중 8건에서 이기는 봇을 생각해 보세요. 이길 때마다 1단위를 벌고 질 때마다 5단위를 잃습니다. 승리로 8단위를 얻지만 두 번의 손실로 10단위를 잃습니다. 승률이 80%여도 비용 차감 전 2단위 손실입니다.

작은 이익은 빨리 확정하면서 손실 포지션은 커지게 두는 시스템에서 이런 패턴이 나타날 수 있습니다. 하락 중인 포지션을 추가 매수해 평균 가격을 낮추는 방식도 작은 승리를 많이 기록하면서 회복하지 못하는 드문 거래에 위험을 집중시킬 수 있습니다.

승률이 높다고 자동으로 의심스러운 것은 아닙니다. 다른 결과와 같은 검토가 필요할 뿐입니다. 안전성의 증거로 받아들이기 전에 최대 손실, 평균 손실, 청산 규칙, 레버리지와 극단적인 시장 움직임에서의 행동을 살펴보세요.

승률 40%로도 수익을 낼 수 있는 원리

이번에는 100건 중 40건에서 각각 2단위를 벌고 60건에서 각각 1단위를 잃는 경우를 보세요. 총이익은 80단위, 총손실은 60단위로 비용 차감 전 20단위가 남습니다. 이기는 것보다 지는 경우가 많지만 손익 구조가 양의 기대값을 만듭니다.

추세 추종 전략은 이런 형태일 수 있습니다. 많은 시도가 작은 손실로 끝나지만 소수의 지속적인 움직임이 큰 이익을 만들기 때문입니다. 계산이 타당해도 체감은 불편할 수 있습니다. 여러 손실이 연속해서 발생할 수 있습니다.

따라서 적합한 전략에는 양의 기대값과 운영자가 견딜 수 있는 손실 패턴이 모두 필요합니다. 정상적인 연속 손실 구간에서 유효한 절차를 포기하면 통계적 우위가 실제 손실로 바뀔 수 있습니다.

거래 비용이 목표를 바꿉니다

수수료, 스프레드, 슬리피지와 펀딩은 홍보 페이지의 백분율이 아니라 실제 돈으로 지불합니다. 자주 거래하거나 작은 가격 움직임을 포착하는 전략일수록 영향이 큽니다.

평균 이익과 평균 손실이 같은 예시에서는 비용 반영 전 손익분기 승률이 50%입니다. 완료된 거래당 평균 비용이 0.1R이면 기준은 55%로 올라갑니다. 보고된 승률 53%는 비용 없는 모델에서는 플러스로 보이지만 더 현실적인 가정에서는 마이너스입니다.

비용도 달라집니다. 변동성 충격 중 낸 시장가 주문은 평소보다 예상 가격에서 더 멀리 체결될 수 있습니다. 신뢰할 수 있는 검증은 현실적인 가정을 사용하고 더 불리한 가정에서도 결과가 유지되는지 확인합니다.

표본 크기와 시장 다양성이 중요합니다

20건에서 나온 승률은 불안정합니다. 몇 건의 결과만 달라도 크게 바뀔 수 있습니다. 거래가 늘면 민감도는 줄지만 횟수만으로 모든 문제가 해결되지는 않습니다. 한 차분한 시장에서 거의 같은 거래 1,000건을 한 표본보다 상승, 하락, 횡보와 변동성 충격을 아우르는 표본이 더 유용한 증거일 수 있습니다.

개발 과정도 중요합니다. 전체 과거 데이터를 본 뒤 설정을 골랐다면 결과는 지속적인 관계가 아니라 우연을 반영할 수 있습니다. 미사용 데이터, 고정된 규칙과 포워드 관찰은 발견과 평가를 분리하는 데 도움이 됩니다.

신뢰성을 보장하는 특정 거래 횟수는 없습니다. 표본이 크고 시장 국면이 다양하며 비용이 현실적이고 개발 기간 밖에서도 비슷한 결과가 나타날수록 신뢰가 높아져야 합니다.

승률과 함께 볼 지표

평균 이익과 평균 손실은 손익비를 보여 줍니다. 기대값은 그 비율과 승리·패배 확률을 결합합니다. 수익계수는 전체 총이익과 총손실을 비교합니다. 최대 낙폭은 이전 자산가치 최고점에서 가장 크게 하락한 정도입니다.

거래 횟수와 검증 기간은 수치를 뒷받침하는 증거의 양을 보여 줍니다. 최대 손실은 평균에 가려진 극단적 손실 위험을 드러낼 수 있습니다. 노출도, 레버리지와 회복 기간은 전략에 필요한 자본과 인내의 정도를 보여 줍니다.

이 지표들을 함께 보면 더 나은 질문에 답할 수 있습니다. 시스템이 감수한 위험과 불확실성에 비해 가치 있는 수익을 냈는가? 승률만으로는 답할 수 없습니다.

• 평균 이익을 평균 손실로 나눈 값
• 비용 차감 후 거래당 기대값
• 수익계수
• 최대 낙폭과 회복 기간
• 최대 손실과 최장 연속 손실
• 거래 횟수, 검증 기간과 시장 국면

TensorParadigm 시뮬레이션을 해석하는 법

2026년 1월 1일에 시작한 TensorParadigm 과거 시뮬레이션은 완료된 1,373건 중 수익 거래 907건, 즉 승률 66.06%를 보고했습니다. 같은 보고서에는 수익계수 3.252, 수익률 79.70%와 최대 낙폭 16.77%도 제시됐습니다.

추가 수치가 함께 보이면 승률에서 얻는 정보가 늘어납니다. 수익계수는 총손실 대비 총이익의 맥락을 제공하고 낙폭은 과정에서 경험한 위험의 일부를 설명합니다.

시뮬레이션은 모든 진입과 청산에 0.12% 수수료와 0.03% 슬리피지를 적용했으며, 실거래와 같은 비율입니다. 그래도 이 수치는 하나의 과거 시뮬레이션을 설명할 뿐, 미래 성과를 약속하지 않습니다.

실거래 기록이 보여 주는 것과 가리는 것

에이전트의 실거래는 승률에 맥락이 필요한 이유를 보여 줍니다. 2026년 10월 26일 스냅샷 기준, 10월 6일 이후 공개 텔레그램 채널에 88건의 거래가 게시됐습니다. 청산된 78건은 수수료 차감 후 모두 수익이었습니다. 청산 거래 기준 승률 100%입니다.

이 숫자만 보면 오해하기 쉽습니다. 나머지 10건은 아직 열려 있었고, 모두 레버리지 전 기준으로 진입가보다 0.7%~11.1% 낮았습니다. 청산 거래의 레버리지 전 수익 중앙값은 +1.19%이므로, 가장 큰 미청산 손실은 일반적인 수익의 약 9배였습니다.

수익 거래는 빨리 청산되고 손실 포지션은 계속 열려 있으면, 청산 거래의 승률은 완벽해 보여도 실제 손실은 여전히 안고 있는 상태일 수 있습니다. 정직한 측정은 열린 포지션을 현재 가격으로 포함하는 것입니다. 실거래 사례에서 모든 열린 거래를 보여 주므로 독자가 시장 가격과 대조할 수 있습니다.

정직한 판단 기준

모든 거래 봇에 적용되는 좋은 승률은 없습니다. 적절한 기준은 평균 이익과 손실의 크기, 총거래 비용에서 나옵니다.

좋은 보고 승률은 충분한 거래와 다양한 환경에서 손익분기 기준을 넘고 낙폭과 연속 손실이 정해진 한도 안에 머무는 승률입니다. 숫자는 증거에 근거한 판단을 뒷받침해야 하며 그 판단을 대신해서는 안 됩니다.