“다들 AI로 매매한다는데, 실제로는 어떻게 하는 거야?”
점수제 신호 + 텔레그램 알림 + 수동 체결로 돌아가는 당신의 시스템(autoSamNix)은 그중 첫 번째 게임 — 규칙 기반 기술적 시스템 — 에 속합니다. 이 페이지는 나머지 다섯 가지가 실제로 무엇을 하는지, 규제기관·거래소·학술 연구가 말하는 성과의 실상, 그리고 오래 살아남는 소수가 공통으로 지키는 원칙을 출처와 함께 정리한 지도입니다.
“AI 트레이딩”이라는 한 단어 뒤에는 규칙 기반부터 초고빈도 매매, LLM 에이전트까지 데이터도, 보유 기간도, 경쟁자도 전혀 다른 게임들이 섞여 있습니다.
인도 규제기관 SEBI 조사에서 개인 선물·옵션 트레이더의 93%가 손실을 봤습니다(FY22–FY24). 화려한 수익 인증이 아니라 이 숫자가 기본값입니다.
실무에서 돈이 되는 쪽은 예측 모델이 아니라 검증·리스크·포지션 크기·비용·기록입니다. 살아남는 소수와 실패하는 다수를 가르는 것도 이 부분입니다.
지도 1 · 여섯 가지 방식
아래 여섯 가지는 서로 경쟁 관계가 아닙니다. 초고빈도 매매(3번)는 마이크로초 단위의 게임이라 개인이 진입할 수 없고, LLM 에이전트(5번)는 아직 연구 단계입니다. 각 방식이 “무엇을 하고, 어떤 데이터를 쓰고, 얼마나 들고 있는지”를 먼저 구분하는 게 출발점입니다.
사람이 쓴 고정 규칙(if-then)으로 점수를 매겨 신호를 냅니다. 데이터에서 스스로 학습하지는 않습니다.
대량의 사례로 학습한 모델이 “다음에 무슨 일이 일어날지”를 추정하거나 종목 순위를 매깁니다. 핵심은 하나의 예측이 아니라 약한 신호 수십~수백 개를 합치는 것입니다.
계속해서 살 가격과 팔 가격을 동시에 제시하고 그 사이의 작은 차이(스프레드)를 법니다. 거래당 이익은 극히 작고, 속도와 물량이 사업 그 자체입니다.
뉴스·실적 발표·중앙은행 성명·SNS 글을 읽어 종목별로 좋다/나쁘다/중립 점수를 냅니다. 단, 이 점수는 대개 매매 규칙의 입력값 하나일 뿐, 규칙 자체는 아닙니다.
LLM 여러 개에 역할을 나눠줍니다 — 펀더멘털 분석가, 감성 분석가, 기술 분석가, 강세·약세 연구원, 리스크 관리자, 트레이더 — 서로 토론한 뒤 매수/보유/매도 제안을 냅니다.
시뮬레이션 안에서 시행착오로 배우는 에이전트. 상태 = 시장+포지션, 행동 = 매수/매도/보유와 크기, 보상 = 비용·위험을 뺀 이익. 알고리즘 이름은 PPO, DQN, A2C 등.
점수제 지표 + 텔레그램 알림 + 수동 체결은 카테고리 1이며, 사람이 리스크 관리자와 집행자 역할을 겸하는 구조입니다. 흔하고 정당한 설계입니다 — Freqtrade나 한국투자증권이 2026년에 내놓은 전략 빌더 예시(이동평균·모멘텀)도 같은 발상 위에 자동 체결만 얹은 것입니다. 이 구조의 자연스러운 업그레이드는 “점수를 ChatGPT로 교체”가 아니라 검증 방식(§5), 비용 계산(§3), 매매일지(§6)입니다. LLM을 붙인다면 가장 방어 가능한 위치는 가장자리 — 코딩 보조, 뉴스 요약, 일지 리뷰 — 이고, 그 출력은 결정이 아니라 “신뢰하지 않는 입력값”으로 취급해야 합니다.
HFT 비중: “미국 주식 거래량의 몇 %가 HFT인가”는 정의에 따라 추정치가 크게 갈립니다. Bookmap이 인용한 학술·업계 추정으로는 HFT가 직접 개시한 거래량 기준 약 10–40%, 넓은 의미의 알고리즘 매매까지 포함하면 60% 이상이라는 수치도 있습니다. 하나의 숫자로 단정하지 마세요. 출처: Bookmap, 시장 미세구조 정리
ChatGPT 뉴스 예측 연구: Lopez-Lira & Tang 논문(arXiv:2304.07619, 이후 Journal of Financial Economics 게재)은 뉴스 헤드라인에 대한 ChatGPT의 좋고/나쁨 판정이 다음 날 수익률을 유의하게 예측했고, 전통적 감성 분석보다 나았으며, 소형주와 부정적 뉴스에서 더 강했고, GPT-4급 모델만 해냈다고 보고합니다. 진짜 결과입니다. 다만 주의가 더 중요합니다 — ① 뉴스의 첫 가격 반응은 당신이 거래할 수 있기 전에 이미 일어나 있는 경우가 많고, ② 후속 연구들은 LLM 사용이 늘수록 전략 수익이 줄어드는(가격이 더 효율적으로 변하는) 양상을 보고하며, ③ LLM 백테스트에는 “모델이 훈련 데이터에서 그 뉴스와 그 이후를 이미 외웠을 수 있다”는 미래참조 문제가 따라붙습니다. 출처: arXiv:2304.07619 · 미래참조 검증 논문 arXiv:2309.17322
지도 2 · 일의 흐름
여섯 가지 방식 모두 아래 다섯 단계를 거칩니다. 방식마다 달라지는 건 사실상 2번(신호)뿐이고, 나머지 네 칸 — 데이터, 리스크, 집행, 측정 — 이 실무 노력의 대부분을 차지합니다.
| 단계 | 규칙 기반 (1) | ML·통계 (2) | HFT (3) | LLM 감성·에이전트 (4–5) | 강화학습 (6) |
|---|---|---|---|---|---|
| 1. 데이터 | OHLCV 봉, 분할 조정, 빠진 봉 확인 | 최초 공표 시점 기준 재무(나중에 수정된 값 아님), 상장폐지 종목까지 포함한 유니버스 | 틱·호가 원본 피드, 시계 동기화 | 뉴스의 발표 시각 기준 타임스탬프(사건 시각 아님), 중복 기사 제거 | 2번과 동일 + 비용·지연을 모형화한 시뮬레이터 |
| 2. 신호 | 지표 점수가 기준선 돌파 | 모델이 순위·예측 출력, 여러 신호를 결합 | 공정가치 ± 스프레드, 재고 쏠림 조정 | LLM 점수 / 에이전트 토론 → 제안 | 학습된 정책이 상태 → 행동으로 변환 |
| 3. 리스크·크기 | 거래당 고정 % 리스크, 손절, 일일 손실 한도, 최대 동시 포지션 | 변동성 타게팅, 팩터·섹터 한도, “메타 라벨링”(두 번째 모델이 첫 신호를 따를지와 크기를 결정) | 재고 한도, 자동 헤지, 마이크로초 킬스위치 | TradingAgents는 별도 리스크 팀 + 포트폴리오 매니저가 트레이더 제안을 승인/거부 (논문 초록에서 확인) | 보상함수에 낙폭·비용 페널티가 없으면 에이전트는 무모한 크기를 학습함 |
| 4. 집행 | 알림 보고 수동 주문, 또는 증권사 API. 지정가/시장가 선택 | VWAP/TWAP — 큰 주문을 시간으로 쪼개 시장 충격 줄이기 | 코로케이션, 거래소 간 스마트 라우팅 | 연구 코드는 대개 모의 거래소나 페이퍼 브로커 (§4 참조) | 대개 시뮬레이션만. 실전은 별도 브로커 연결을 직접 구현 |
| 5. 측정 | 거래별 일지: 셋업 태그, 진입·청산, 알림가 대비 슬리피지 | 표본 외 샤프, 회전율, 비용 귀속, 신호 감쇠 모니터링 | 체결률, 역선택, 종목별·시간별 손익 | 프롬프트·모델 버전·결정을 전부 로그 — LLM은 모델이 바뀌면 답이 달라 기본적으로 재현 불가 | 훈련 vs 테스트 격차가 핵심 지표. 실전은 별개의 테스트 |
TradingAgents 승인 구조 출처: Xiao et al., arXiv:2412.20138 (직접 열람 확인)
감사(audit)된 단일 비율을 제시하는 신뢰할 만한 출처는 없습니다. 이 페이지는 그런 숫자를 지어내지 않습니다. 대신 방향이 같은 독립적인 증거 셋이 있습니다. ① 마이크로소프트 Qlib은 스스로를 “알파 탐색, 리스크 모델링, 포트폴리오 최적화, 주문 집행까지 퀀트 투자의 전 과정”으로 설명합니다 — 모델은 최소 다섯 모듈 중 하나입니다. ② 로페스 데 프라도의 『금융 머신러닝의 진보』(2018)는 분량의 대부분을 예측기가 아니라 검증(퍼지·엠바고 교차검증, 메타 라벨링, 디플레이티드 샤프)에 할애합니다 — 즉 “스스로를 속이지 않는 법”입니다. ③ 개인 트레이더의 실패 복기에서는 낡은 데이터, 놓친 신호, 주문 크기 제약, 모형화 안 된 수수료·슬리피지, 사람의 망설임 같은 “지루한 원인”이 반복됩니다. 경험칙(측정된 통계가 아닌 조언): 프로젝트 시간의 절반 이상이 “더 좋은 신호 찾기”에 가고 있다면, 프로젝트가 거꾸로 서 있는 겁니다. 출처: Qlib GitHub
R은 “그 거래에서 걸기로 계획한 위험 금액”의 단위입니다(예: 손절까지의 거리 × 수량). 아래 두 예시를 직접 바꿔 보면서 확인하세요. 45% 승률이어도 이길 때 2R을 벌면 돈을 벌고, 60% 승률이어도 이길 때 0.5R밖에 못 벌면 돈을 잃습니다.
포지션 크기의 고전 공식인 켈리 기준 — f = p − (1−p)/b (p = 승률, b = 평균 이익 ÷ 평균 손실) — 은 추정이 정확할 때만 최적입니다. 추정은 절대 정확하지 않으므로, 실무에서 켈리를 쓰는 사람도 절반 이하를 “상한”으로만 씁니다. 많은 개인 시스템 트레이더는 더 단순한 고정 비율(계좌의 0.5–2%를 거래당 위험으로) 규칙을 씁니다. 켈리 값이 0 이하로 나오면, 측정한 우위 자체가 없다는 뜻이고 크기로는 해결이 안 됩니다.
비용은 의견이 아니라 산수입니다. 왕복 비용 × 연간 거래 횟수만큼 수익률이 매년 깎입니다.
공식·슬리피지 정의 출처: QuantInsti, How Transaction Costs Affect Automated Trading — 권고: 모든 수수료를 모형화하고, 시장가에는 편도 스프레드의 절반을 더하고, 빠른 신호에는 슬리피지를 얹고, 비용을 올려서 스트레스 테스트하라. “실제로 낼 비용보다 낮아야만 돌아가는 전략은 돌아가는 게 아니다.”
지도 3 · 성과의 실상
아래는 각국 규제기관·거래소의 전수(全數) 데이터와 학술 연구입니다. 시장과 상품이 서로 다르므로 숫자를 서로 평균 내면 안 됩니다. 다만 방향은 어디서든 같습니다.
출처: Hedgeweek
출처: Amundi 디지북 요약 및 AI Trading Book 집계 (2차 요약 경유)
“90%가 90일 안에 자금의 90%를 잃는다”는 유명한 문구는, 위 요약 중 하나가 추적해 봐도 뒤에 있는 연구가 없습니다. 위에 있는, 출처를 댈 수 있는 숫자들이 이미 충분히 나쁩니다.
지도 4 · 백테스트가 실전에서 죽는 이유
백테스트란 규칙을 과거 데이터에 돌려 보는 검증입니다. 문제는, 충분히 많이 시도하면 운만으로도 과거가 완벽해 보인다는 것이 연구로 증명돼 있다는 점입니다.
Harvey, Liu & Zhu (2016, Review of Financial Studies)는 발표된 팩터 수백 개를 검토한 뒤, 기존 유의성 기준으로는 금융경제학의 “발견” 대부분이 거짓일 가능성이 높다고 주장했습니다. 새 팩터는 통상의 2.0이 아니라 t-통계량 3.0 이상을 넘어야 합니다. 모두가 이미 수없이 시험해 본 시장에서는, 다음 발견을 믿는 문턱이 그만큼 높아진 겁니다. 내 백테스트가 샤프 3 초과, 최대낙폭 5% 미만, 추세 시스템에서 승률 80% 초과를 보여준다면 — 축하할 일이 아니라 의심할 일입니다.
LLM은 인터넷으로 훈련됐습니다. 학습 컷오프 이전 헤드라인으로 돌린 백테스트는 일반적인 의미의 “표본 외”가 아닙니다 — 모델이 그 기사, 그 뒤의 주가 반응, 후일담 해설을 훈련 때 봤을 수 있으니까요. Lopez-Lira & Tang은 거래 가능한 부분을 컷오프 이후 헤드라인 중심으로 다뤄 이 문제를 피하려 했지만, SNS의 “GPT가 시장을 이겼다” 백테스트 대부분은 이 처리를 하지 않습니다. 컷오프 처리 방식을 명시하지 않은 LLM 백테스트는 미검증으로 취급하세요.
종합 출처: FinRL 난제 정리 논문 (Liu et al., arXiv:2304.13174) — 낮은 신호대잡음비, 생존 편향, 과최적화(“기존 연구는 주로 백테스트 결과만 보고한다”), 지연, 시뮬레이션과 현실의 간극을 RL 기준으로 열거 — arxiv.org/pdf/2304.13174
지도 5 · 실제로 쓰는 도구들
성숙한 도구는 자기가 하지 않는 것을 문서에 명시합니다. 미성숙한 도구는 할 수 있을 것으로 마케팅합니다. 그 어조의 차이 자체가 증거입니다.
| 도구 | 정체 | 시장 / 사용자 | 성숙도 평가 |
|---|---|---|---|
| Freqtrade | 무료 오픈소스 파이썬 암호화폐 매매 봇. 데이터 다운로드, 전략 작성, 백테스트, 하이퍼파라미터 최적화, 모의 실행(dry-run), 거래소 API 실전, 텔레그램·웹 UI 제어 | 암호화폐 현물·일부 선물 (바이낸스·크라켄·바이비트·OKX 등) | 자기 영역에서는 성숙. 수년간의 릴리스와 큰 커뮤니티, 정직한 문서(“시뮬레이션은 미래를 예측하지 않는다”). 단, 주식 봇이 아닙니다 — 한국 주식에 쓰려면 데이터·브로커 층을 직접 짜야 하고, 그 시점부터는 사실상 Freqtrade를 쓰는 게 아닙니다. |
| QuantConnect / LEAN | LEAN은 오픈소스 이벤트 기반 알고리즘 트레이딩 엔진(코어 C#, 알고리즘은 Python/C#). QuantConnect는 그 위의 클라우드 플랫폼 — 데이터, 수수료·슬리피지·결제를 모형화한 백테스트, 지원 브로커 실전 배포 | 다자산: 주식·옵션·선물·외환·암호화폐, 주로 미국·글로벌 브로커 (IB, Alpaca 등) | 개인이 빌릴 수 있는 가장 기관급 옵션. 학습 곡선과 클라우드 비용이 있고, 한국 시장·브로커가 본거지는 아님 — 착수 전에 현재 브로커·데이터 지원 범위를 확인할 것. 공식 문서 |
| Alpaca | 깔끔한 REST/WebSocket API를 주는 미국 증권사. 미국 주식·ETF(및 암호화폐·옵션) 무수수료, 모의자금 페이퍼 트레이딩 환경이 널리 쓰임. 리서치 플랫폼이 아니라 브로커 — 신호·리스크·스케줄링·로깅은 전부 본인 몫 | 미국 주식·ETF API 트레이더 | 브로커 API로서는 성숙. 책임 분담이 핵심: 집행 말고는 전부 당신 것입니다. 한국 상장 주식으로 가는 길은 아닙니다. |
| Backtrader / vectorbt / Backtesting.py 등 | 파이썬 백테스트 라이브러리. 데이터와 규칙을 넣으면 체결을 시뮬레이션해 샤프·낙폭·거래 통계를 냄 | 데이터를 구할 수 있는 모든 시장 (KRX 데이터만 구하면 가능) | 테스트 하네스로서는 유용하고 정직. 실전 브로커 연결·리스크 층·모니터링은 상자 안에 없습니다. 흔하고 합리적인 개인 패턴: 여기서 프로토타입 → 집행부만 브로커 API로 다시 구현. |
| Microsoft Qlib | 오픈소스 “AI 지향 퀀트 투자 플랫폼”: 데이터 처리, ML 모델 모음(지도학습·시장 동역학·RL), 백테스트, 포트폴리오 최적화 | 연구자. 예시 데이터·흐름은 미국·중국 주식 중심 | 진지한 연구 인프라이지 개인용 봇이 아님. 학습 곡선이 가파르고 한국 개인 계좌용 실전 기능은 없음. “완전한 워크플로가 어떻게 구성되는가”의 모범으로 가치가 있음 (§2). GitHub |
| 한국투자증권(KIS) Open API | 공식 증권사 API: 시세·주문·잔고는 REST, 실시간은 WebSocket. 국내·해외 주식, 선물·옵션, 채권. 앱키/시크릿 → 토큰 방식. 기본 한도는 보도 기준 초당 20회(TPS), 2026년 캠페인으로 활성 API 트레이더는 40–100 TPS까지 확대. 2026년에는 전략 빌더(이동평균·모멘텀 등으로 매수·매도 기준 설정)와 백테스트(수익률·손실 구간·자산 변화 검토)를 담은 무료 GitHub 샘플 코드, AI 코딩 연동(자연어 조건 → 코드·데이터·테스트), MCP 도구까지 공개 | 코드를 짜는 한국 개인 트레이더 (주로 Python) | 현재 한국에서 가장 개인 친화적인 공식 경로. 2026년 전략·백테스트 공개는 규칙 기반 장중 흐름과 직접 맞닿아 있습니다. 그래도 증권사 API일 뿐 전략이 아님 — 검증·리스크 한도·모니터링은 본인 몫. 출처: 서울경제 (직접 열람 확인) · 매일경제 (TPS·MCP) |
| 키움증권 OpenAPI+ | 한국 개인 자동매매의 오랜 incumbent. HTS의 조건검색식을 자동 매수·매도 프로그램으로 연결하는 생태계(블로그·외주·유료 제작)가 큼. 기술적으로는 Windows 전용, ActiveX/COM 기반 (Python에서는 PyQt5/win32com 또는 pykiwoom 같은 래퍼로 접근), 본인 PC에 HTS/OpenAPI+를 설치·로그인해 둬야 함 | 한국 개인, 국내 주식. 한국어 커뮤니티 지식이 방대함 | 검증됐고 널리 쓰이지만 레거시 기술. PC를 켜고 로그인 상태를 유지해야 하고, COM 이벤트 처리·호출 한도·화면번호 관리가 커뮤니티에서 반복되는 고충. KIS 같은 REST형 API가 나온 배경이기도 합니다. 이 항목의 근거는 공식 문서가 아닌 커뮤니티·블로그 층이므로, 구체적 동작은 KOA Studio·현행 키움 문서에서 확인할 것. |
| TradingAgents (Tauric Research) | 트레이딩 회사를 흉내 낸 멀티에이전트 LLM 프레임워크: 펀더멘털·감성·뉴스·기술 분석가 에이전트, 강세 vs 약세 연구원 토론, 트레이더 제안, 리스크 팀·포트폴리오 매니저 승인. 논문(Xiao et al., arXiv:2412.20138)은 그 실험 안에서 누적수익·샤프·최대낙폭이 기준선보다 좋았다고 보고 | 연구자·파이썬 가능한 취미 개발자, 일 단위 주식 결정 | 연구 데모이지 매매 상품이 아님. GitHub README 요약 기준 승인된 주문은 모의 거래소로 가고(브로커 없음), 용도는 연구 목적이며, 실행할 때마다 LLM 요금이 청구됩니다. 강점: 읽기 좋고 구조화된 종목 논거 + 전체 추론 로그. 약점: 짧은 백테스트 구간, 제거되지 않은 LLM 미래참조, 종목당 느리고 비싼 결정, 모델이 바뀌면 재현 불가, 독립 감사된 실전 기록 없음. arXiv (직접 열람 확인) |
| FinGPT (AI4Finance) | 오픈소스 금융 LLM 계열: 금융 텍스트로 오픈 모델(Llama 등)을 LoRA 어댑터로 가볍게 미세조정 — 감성, 예측, 로보어드바이징, 질의응답. 감성 모델 하나를 약 17달러로 학습했다는 프로젝트 요약이 있을 만큼 미세조정 비용이 낮고, 모델·데이터를 공개 | 금융 텍스트 부품을 만드는 연구자 | 시스템이 아니라 부품. 합리적 사용처는 감성 점수를 “범위가 정해진 입력값 하나”로 쓰는 것. 데이터 품질 보장도, 리스크 층도, 집행도 없고, 대표 벤치마크는 실전 손익이 아니라 텍스트 분류 데이터셋(Financial PhraseBank 등) 성적입니다. |
| FinRobot (AI4Finance) | 금융 분석용 오픈소스 AI 에이전트 플랫폼: 데이터 API를 부르고 코드를 짜서 주식 리서치 스타일 보고서·밸류에이션·문서 분석을 생성 | 애널리스트형 리서치 자동화 | 리서치·분석 플랫폼이지 트레이더가 아님. 프로젝트 자체의 자리매김도 금융 응용·주식 리서치입니다. 이번 조사에서 검증된 실전 매매 성과 증거는 찾지 못했습니다. arXiv:2405.14767 |
| FinRL / FinRL-Meta (AI4Finance) | 주식·암호화폐·포트폴리오 과제를 위한 RL 라이브러리 + 시뮬레이션 환경. 예제 에이전트는 PPO·A2C·DQN (Stable-Baselines3/ElegantRL 기반) | 금융 RL을 배우는 학생·연구자 | 훌륭한 교실, 완성형 봇은 아님. 프로젝트 요약 스스로 명시: 올인원 실전 봇은 기본 제공되지 않고, 실전에는 실시간 데이터·수수료·슬리피지·지연을 직접 구현해야 하며, 학습된 에이전트는 과거 데이터에 과최적화됩니다. |
Freqtrade·LEAN·Backtrader 설명 출처: Trading Strategy 문서 · QuantConnect LEAN 문서 · Alpaca 언급: TradersPost 정리. 그 밖의 국내 증권사(미래에셋 등) API는 세부 확인이 되지 않았습니다 — 설계 전에 각 증권사 개발자 포털에서 직접 확인하세요.
지도 6 · 살아남는 소수의 공통점
아래 열 가지는 어느 한 구루의 주장이 아니라, 앞에서 본 실패 모드 하나하나에 대한 직접적인 대응책입니다. 당신의 시스템에 이미 들어간 것(핵심패턴 필수화, 셋업 쿨다운, 이벤트 블랙아웃, 슬리피지 기록)도 이 목록과 같은 방향입니다.
한 문장: 어떤 시장 행동을 이용하는가, 왜 지속돼야 하는가, 반대편 거래자는 누구인가. 못 쓰겠으면 그건 데이터 마이닝하러 가는 길입니다. (대응: 데이터 스누핑)
실패한 변형까지 전부 로그로 남깁니다. 45개 변형이면 샤프 1.0이 운으로 나온다는 연구 때문에, 세지 않은 탐색은 자기 최고의 결과를 스스로 무효화합니다. 파라미터는 적게.
표본 내 개발 → 안 건드린 표본 외 테스트 → 워크포워드(창을 굴리며 매번 “안 본 구간”만 이어붙여 판정) → 마지막 10–20% 홀드아웃은 맨 끝에 한 번만. ML이면 퍼지·엠바고 분리. 시계열을 무작위로 섞는 분리는 절대 금지.
수수료·세금·편도 스프레드 절반·거래당 슬리피지를 넣고, 비용 2배로 다시 돌려서도 기대값이 양수일 때만 유지. 실전 슬리피지(체결가 vs 신호가)를 거래마다 기록 — 그 시계열이 지표 하나보다 값집니다.
실시간 데이터·모의 체결로, 사전에 약속한 기간 동안 규칙 무변경. 거래가 충분히 쌓이고 나쁜 국면도 한 번은 포함될 때까지. 중간에 규칙을 바꾸고 싶은 충동은 일지에 적고, 시계는 리셋됩니다.
거래당 고정 비율 리스크(손절까지 거리 기준), 동시 포지션 수 상한, 포트폴리오 전체 캡. 켈리는 상한으로만, 그 절반 이하로. 음의 기대값은 어떤 크기로도 못 구합니다 — §2 계산기부터 확인.
형태의 예(수치는 본인 계좌에 맞게): 일일 손실 한도에 닿으면 그날은 알림을 무시, 주간 한도에 닿으면 크기 절반, 최대낙폭에 닿으면 페이퍼로 복귀해 복기. 침착할 때 적어 두는 이유 — 한도의 일은 가장 지키기 싫은 날에 결정하는 것이기 때문입니다.
거래마다: 일시, 종목, 셋업/방법 태그(어떤 신호, 어떤 점수 구간), 계획한 R, 진입, 청산, 청산 사유, 수수료, 신호가 대비 슬리피지, 규칙을 지켰는지 한 줄. 그리고 태그별로 기대값·평균 이익/손실·최대낙폭·거래 수를 복기합니다. 한 셋업 +0.3R, 다른 셋업 −0.4R이면 “본전”이 아니라 좋은 시스템이 나쁜 시스템을 먹여 살리는 중이고, 태그 없이는 절대 안 보입니다. 복기는 나쁜 하루 뒤가 아니라 일정(50거래마다, 또는 월 1회)으로.
첫 실전 크기는 실제 체결과 실제 감정이 생기는 최소 단위. 사전에 정한 실전 거래 수가 쌓이고 기대값·슬리피지가 페이퍼 기간과 일치할 때만 확대. 연승 뒤에 키우는 건 가장 약한 증거로 키우는 겁니다 (대만·브라질 데이터 참조).
발표된 예측 지표는 발표 후 수익이 58% 줄었습니다. 셋업별 롤링 기대값을 감시하고, 나빠지면 집행·비용·국면부터 확인 → 크기 축소 → 은퇴 순으로. 시드는 신호에 지표 하나를 더 얹는 건 대개 2번 단계(과최적화)를 다시 시작하는 일입니다.
“어떤 방법으로 매매했고, 성과가 어땠는지”가 자동으로 쌓이려면 거래마다 아래가 필요합니다. 당신의 시스템에는 이미 신호 기록(box_signals.json), /entry 슬리피지, /exit 실전 청산 기록(trades.json), 통합 /stats가 들어가 있으니, 핵심은 셋업 태그별로 기대값을 보는 것입니다. 아래 CSV 양식은 텔레그램 기록과 별개로 스프레드시트에서 복기할 때 쓰는 용도입니다.
★ 표시 셋이 핵심입니다 — 태그가 있어야 “방법별 성과”가 되고, 슬리피지가 있어야 백테스트와 실전의 간극이 보이고, R 단위 손익이 있어야 서로 다른 거래를 같은 저울로 비교할 수 있습니다.
이 사업의 프로 버전 — 르네상스·투시그마급 시스템 펀드와, SEBI FY24 데이터에서 자기매매·외국인 이익의 96–97%를 가져간 알고리즘 데스크 — 은 수년에 걸쳐 쌓은 인프라와 연구 인력의 사업이고, 거기서도 펀드는 매년 문을 닫습니다. 증거가 남겨 주는 개인 버전은 더 좁고 소박합니다: 잘 이해한 셋업 한두 개, 작고 통제된 위험, 표본 외 검증, 정직한 비용 계산, 방법별로 기록하는 일지, 희망이 아니라 규칙으로 멈추는 것. 이미 점수제 장중 신호와 수동 체결을 굴리고 있는 사람에게 이건 격하가 아닙니다. 한 사람의 규율로 실제로 경쟁할 수 있는 영역이 정확히 여기 — 속도가 아니라 과정이 우위인 곳 — 이기 때문입니다.
확인하지 못한 것
없는 숫자는 만들지 않았습니다. 아래는 “모른다”고 적어 두는 편이 정직한 항목들입니다.