오랫동안 암호화폐 시장의 정량 분석은 단순한 구조를 따랐습니다. 데이터 제공업체가 지표를 제공하면 트레이더가 이를 의사결정으로 바꾸려 했습니다. 하지만 시장이 빠르게 움직이면 이 방식의 한계가 드러납니다. 청산이 집중된 위치를 아는 것만으로는 부족합니다. 주문이 해당 가격대와 어떻게 상호작용하는지, 가용 유동성이 움직임을 흡수할 수 있는지, 겉보기에 매력적인 기회가 언제 위험으로 바뀌는지도 이해해야 합니다.
TheKingfisher는 지난 몇 달간 이러한 질문을 연구했습니다. 이제는 가설을 세우고, 통제된 실험을 수행하고, 결과를 검증하며, 실패한 실험의 교훈을 보존하는 자율 AI 시스템을 활용합니다. 목표는 모든 시장 움직임을 예측한다고 주장하는 단일 AI 모델을 만드는 것이 아닙니다. 복잡한 시장 문제를 작은 메커니즘으로 나누고, 유용성을 측정한 뒤, 가장 탄탄한 구성요소를 결합해 간결한 리스크 모델을 만듭니다.
이 연구 결과를 Premium과 Pro 상품을 통해 제공하기 시작했습니다. 제품 화면, API, MCP(Model Context Protocol) 연동으로 접근할 수 있습니다. 지금까지 얻은 교훈은 다음과 같습니다.
이 글의 내용
- 시장의 직관을 검증 가능한 연구로 바꾸기
- 에이전트가 많다고 발견이 자동으로 늘지 않는 이유
- 하나의 거대한 예측기보다 전문 모델을 선호하는 이유
- 빠른 연구에는 더 엄격한 검증이 필요하다
- 자동매매의 실제 제약: 체결 비용
- 사용자가 직접 만드는 새로운 세대의 트레이딩 도구
- 아직 풀리지 않은 문제
- 시장 데이터에서 정량적 인텔리전스로
시장의 직관을 검증 가능한 연구로 바꾸기
AI 모델에 매매 전략을 생성해 달라고 요청하는 것은 과학적 연구와 다릅니다. 모델은 오해를 부르는 상관관계를 찾거나, 과거의 잡음에 맞춰 매개변수를 최적화하거나, 거래 시점에는 알 수 없던 정보를 사용할 수 있습니다. 이런 오류는 예측력은 낮으면서 인상적인 백테스트를 만들 수 있습니다. 이를 줄이기 위해 네 가지 원칙을 바탕으로 자율 연구 환경을 구축했습니다.
실험 전에 가설 정의하기
각 연구 에이전트는 시험하려는 메커니즘, 예상 결과, 가설이 틀렸다고 판단할 조건을 설명해야 합니다. 유리한 결과를 본 뒤 설명을 만들어 내는 일을 방지합니다.
변경 사항 분리하기
실험이 성과를 개선했다면 원인을 알아야 합니다. 변경을 통제하면 관련 없는 메커니즘이 하나의 실험에 섞이는 일을 막을 수 있습니다.
모든 결과에 반증 시도하기
실험에는 음성 대조군, 시간순 데이터 분리, 개발에 사용하지 않은 데이터에 대한 테스트를 포함합니다. 유망한 신호는 발견 당시와 다른 조건에서도 견뎌야 합니다.
발견과 검증 분리하기
가설을 제안한 에이전트만이 그 유효성을 판단해서는 안 됩니다. 독립 검증은 재현성, 거래 비용, 슬리피지, 펀딩 비용, 시장 제약을 살펴봅니다. 이 틀은 연구에서 AI가 맡는 역할을 바꿉니다.
AI는 과학적 방법을 대체하지 않습니다. 일관된 검증 규칙으로 더 많은 실험에 과학적 방법을 적용하게 해 줍니다.
에이전트가 많다고 발견이 자동으로 늘지 않는 이유
가장 중요한 발견 중 하나는 AI 에이전트 간 협업에 관한 것입니다. 문제에 투입하는 에이전트 수를 늘려도 생산성이 높아진다는 보장은 없습니다. 조율이 없으면 실험을 반복하고, 검증되지 않은 결론을 퍼뜨리며, 비슷한 아이디어로 수렴합니다. 자체 다중 에이전트 연구에서도 이런 한계를 확인했습니다. 그래서 자유로운 대화 중심의 방식에서 구조화된 가설과 검증 가능한 근거를 중심으로 하는 구조로 전환했습니다.
시스템은 연구 질문, 실험, 관찰, 결론 사이의 관계를 보존합니다. 각 발견은 뒷받침하는 근거와 연결되고, 기각된 가설에는 실패 이유가 남습니다. 협업 방식도 달라집니다. 에이전트는 끝난 실험을 반복하는 대신 기존 결과를 활용하고, 미해결 질문을 찾아 다른 방향을 탐색할 수 있습니다. 가설 생성, 비판적 평가, 독립 검증 등 서로 다른 추론 능력을 결합하는 방법도 연구했습니다.
이 접근은 중복 작업을 줄이고 실험 연구의 효율을 높였습니다. 하지만 가장 큰 이점은 더 근본적입니다.
실패한 실험이 재사용할 수 있는 지식이 됩니다.
특정 시장 조건에서 실패하는 전략, 기회를 너무 많이 제외하는 필터, 거래 비용을 반영하면 우위를 잃는 모델도 유용한 정보를 제공합니다. 이런 결과를 보존하면 같은 실수를 다시 발견하는 일을 줄일 수 있습니다. 시간이 지나면서 시스템은 성공한 아이디어뿐 아니라 무엇이 작동하지 않는지에 대한 구조적 이해도 쌓습니다.
하나의 거대한 예측기보다 전문 모델을 선호하는 이유
암호화폐 시장은 서로 다른 속도로 작동하는 여러 과정으로 이루어집니다. 호가창은 가용 유동성을 보여 줍니다. 체결된 거래는 실제 매수·매도 압력을 드러냅니다. 잠재적 청산 가격대는 가격 움직임이 강제 거래를 유발할 수 있는 영역을 나타냅니다. 어떤 단일 지표도 전체 과정을 담지 못합니다. 따라서 수학적 변환이나 간결한 모델로 구체적인 문제를 해결하고, 이를 결합했을 때의 행동을 평가하는 모듈식 접근을 택했습니다.
이 방식은 구성요소를 독립적으로 검증하고 복잡성을 관리하며, 시장 변화로 성능이 떨어진 메커니즘을 교체하기 쉽습니다. 세 가지 분야가 이를 보여 줍니다.
청산 맥락에서 주문 흐름 이해하기
VPIN 같은 주문 흐름 불균형 지표는 잠재적으로 유해한 거래 활동을 측정하려 합니다. 공격적인 거래가 가용 유동성에 이례적인 압력을 가하는 상황을 찾는 데 도움이 됩니다. 하지만 같은 불균형도 시장 환경에 따라 의미가 다릅니다. 깊고 유동적인 시장의 강한 매도 압력은 잠재적 청산이 밀집한 곳에서의 유사한 활동과 다른 결과를 낳을 수 있습니다.
그래서 청산 데이터가 주문 흐름 해석을 어떻게 개선하는지 연구했습니다. 실험 결과, 일부 미시구조 신호는 단독으로 쓸 때보다 청산 맥락을 더했을 때 유용성이 높아질 수 있었습니다. 이는 TheKingfisher의 중요한 원칙을 뒷받침합니다. 청산 맵은 시장 활동을 단순히 시각화한 것이 아닙니다. 다른 시장 데이터와 결합해 리스크 시나리오를 평가할 수 있는 정보를 제공합니다.
좋은 진입·청산 규칙도 함께 쓰면 잘 작동하지 않을 수 있는 이유
유용한 진입 신호와 합리적인 포지션 청산 규칙이 있어도 둘을 결합했을 때 좋은 결과가 나온다는 보장은 없습니다. 이유는 체결에 있습니다. 거래는 이론적 결정에 그치지 않습니다. 유동성, 대기 순서, 스프레드, 역선택이 변하는 실제 호가창에서 실행되어야 합니다. 실험에서는 이런 제약을 고려하지 않고 조합하면 일부 개선이 가치를 잃었습니다.
예를 들어 신호가 매력적인 기회를 찾아도 실제 주문이 체결되는 조건이 기대 결과를 바꿀 수 있습니다. 체결 직후 불리해지는 조건에서 주문이 성사되는 역선택이 발생할 수 있습니다. 결론은 분명합니다.
체결 품질은 신호 품질의 일부입니다.
진입 논리, 청산 논리, 리스크 관리, 주문 제출을 항상 따로 최적화할 수는 없습니다. 완전한 시스템으로도 평가해야 합니다.
우위를 잃어 가는 기회 감지하기
모든 손실 거래가 포지션 반대 방향의 급격한 움직임으로 시작하지는 않습니다. 예상한 움직임이 끝내 나타나지 않아 악화되는 거래도 있습니다. 처음에는 매력적이던 기회도 변동성 축소, 유동성 변화, 횡보 전환으로 가치를 잃을 수 있습니다. 이에 초기 조건이 나타난 뒤 기회가 어떻게 변하는지 평가하는 경량 모델을 연구했습니다.
이 모델들은 모든 미래 가격을 예측하는 대신 포지션의 위험을 더 이상 정당화하기 어려울 수 있는 상황을 식별합니다. 과거 데이터 검증에서 선택적 필터링은 일부 불리한 조건에 대한 노출을 줄이고 연구 대상 전략의 결과를 개선했습니다. 결과는 평가 기간, 시장 환경, 체결 가정에 따라 달라집니다. 그럼에도 여러 전문 모델을 일관된 리스크 체계로 결합할 잠재적 가치를 보여 줍니다.
빠른 연구에는 더 엄격한 검증이 필요하다
자율 연구는 더 많은 가설을 탐색하게 합니다. 동시에 오류가 생길 기회도 늘립니다. 개발 중 과거 시뮬레이션과 전향적 관찰의 차이를 발견하면서 소프트웨어 통제와 검증 절차를 강화했습니다. 데이터 처리, 시스템 통합, 실험 설정의 오류가 모델의 겉보기 성능을 바꿀 수 있다는 교훈을 재확인했습니다. 수학 모델이 정확해도 더 큰 시스템에 통합하면 예상치 못한 행동이 나타날 수 있습니다.
이에 일관성 검사, 재현성 요구, 시뮬레이션과 관찰 결과의 비교를 확대했습니다. 연구 환경은 자체 도구도 개선합니다. 수치 최적화, 계산 성능 분석, 자동 테스트는 새 가설 평가 비용을 낮춥니다. 덕분에 더 많은 실험을 하고 독립 검증에 더 많은 자원을 투입할 수 있습니다. 하지만 실험이 빨라진다고 발견의 질이 자동으로 좋아지는 것은 아닙니다.
연구 속도는 근거의 질도 함께 높아질 때만 의미가 있습니다.
자동매매의 실제 제약: 체결 비용
많은 매매 전략은 주로 과거 가격으로 개발하고 평가합니다. 아이디어 탐색에는 유용하지만 실제 운영에서의 행동을 모두 설명할 수는 없습니다. 신호를 발견한 뒤 거래를 실행하기까지 여러 요인이 결과를 바꿀 수 있습니다.
- 거래 수수료와 매수·매도 스프레드
- 슬리피지와 가용 유동성
- 펀딩 비용
- 체결 지연과 주문 대기 순서
비용을 반영하기 전에는 수익성이 있어 보이던 전략도 현실적 체결 가정 아래에서는 우위를 잃을 수 있습니다. 시뮬레이션은 여러 접근법이 이런 제약에 민감하다는 점을 확인했습니다. 청산 정보, 미시구조 신호, 리스크 통제를 결합할 때의 잠재적 이점도 보여 주었습니다. 어떤 모델이 수익성 있는 체결을 보장한다는 뜻은 아닙니다. 의사결정 시스템은 겉으로 보이는 기회 이상의 것을 평가해야 한다는 뜻입니다.
기회에 따라 행동하는 데 드는 비용과 위험도 고려해야 합니다. 연구에서 실제 실행으로 넘어갈 때 이 구분이 중요해집니다.
사용자가 직접 만드는 새로운 세대의 트레이딩 도구
AI 코딩 도우미와 에이전트 프로토콜은 트레이더의 소프트웨어 개발 방식을 바꾸고 있습니다. 개발자와 독립 트레이더는 더 적은 엔지니어링 자원으로 맞춤 분석을 만들고, 여러 데이터 출처를 연결하고, 연구 흐름을 자동화할 수 있습니다. 이는 직접 구축하는 Do-It-Yourself(DIY) 거래 인프라로의 전환을 가속합니다. 계좌 규모, 위험 한도, 체결 요건에 맞는 도구를 만들 수 있습니다. 하지만 개발이 쉬워져도 정량 트레이딩의 근본적 과제는 사라지지 않습니다.
신뢰할 수 있는 데이터, 검증된 가설, 효과적인 리스크 통제, 체결 제약에 대한 명확한 이해는 여전히 필요합니다. TheKingfisher는 이 부분에서 가치를 제공하고자 합니다. 목표는 또 다른 폐쇄형 플랫폼을 강요하는 것이 아닙니다. 이미 사용하거나 직접 만들 도구에 통합할 수 있는 정량적 인텔리전스 계층을 제공하려 합니다.
리스크 인텔리전스와 거래 실행 분리하기
우리의 접근은 두 가지 책임을 나눕니다.
TheKingfisher는 분석 인텔리전스를 제공합니다. 청산 맵, 시장 미시구조 지표, 전문 리스크 신호, 연구 모델에서 얻은 통찰입니다.
사용자는 실행 통제권을 유지합니다. 거래 결정, 리스크 매개변수, 인프라, 거래소 인증정보입니다.
이렇게 분리하면 특정 거래 엔진이나 주문관리시스템 없이 다양한 환경에 데이터를 통합할 수 있습니다. 민감한 실행 권한을 외부 서비스에 위임할 필요도 줄어듭니다.
API와 MCP로 AI 에이전트에 연구 제공하기
서비스는 TheKingfisher 화면에서 이용하거나 API와 MCP 지원으로 외부 애플리케이션에 통합할 수 있습니다. 개발자는 청산 정보와 리스크 신호를 맞춤 대시보드, 알림 시스템, 연구 환경, 자동 분석 흐름에 활용할 수 있습니다. MCP는 호환 AI 애플리케이션이 외부 도구와 데이터 출처에 접근하는 표준 인터페이스를 제공합니다. 자율 연구와 정량 분석에 새로운 가능성을 엽니다.
모든 구성요소를 새로 만드는 대신 전문 시장 인텔리전스를 기존 시스템에 연결할 수 있습니다.
개방적이고 감사 가능한 인프라
사용자가 통합 구성요소를 점검하고 통제할 수 있는 방식을 선호합니다. 특히 트레이더 자신의 환경에서 실행되는 커넥터와 도구에는 오픈소스 소프트웨어가 중요한 역할을 할 수 있습니다. 투명성은 의존성 검토, 인증정보 처리 확인, 주문 전송 방식 이해를 돕습니다. 사용자는 인증정보, 권한, 실행 시스템의 통제권을 유지해야 한다고 생각합니다.
시장 인텔리전스를 이용하기 위해 트레이더가 그 통제권을 포기해서는 안 됩니다.
아직 풀리지 않은 문제
연구는 유용한 패턴을 찾았지만 성과가 시장 조건에 얼마나 크게 좌우되는지도 보여 주었습니다. 일부 신호는 변동성이 오래 억제되면 정보 가치가 줄어듭니다. 다른 신호는 유동성이 바뀌거나 체결 비용이 늘면 악화됩니다. 이런 전환을 감지하고 리스크 모델을 조정하며 불확실성을 측정하는 일은 여전히 중요한 과제입니다. 다중 에이전트 협업을 개선하고 검증을 강화하며, 개별 장점을 잃지 않고 전문 모델을 결합하는 방법도 계속 연구합니다.
목표는 보편적인 매매 전략의 발견이 아닙니다. 가설을 만들고 시험하며 약한 아이디어를 기각하고 결론의 질을 높이는 연구 과정을 구축하는 것입니다. 실패한 실험을 기억하고 자신의 한계를 인식하며 가정을 계속 재검토하는 과정입니다.
시장 데이터에서 정량적 인텔리전스로
암호화폐 시장에 지표가 부족한 것은 아닙니다. 실제 과제는 어떤 정보가 어떤 조건에서 중요하며, 그에 따라 행동하면 어떤 위험이 생기는지 판단하는 것입니다. TheKingfisher는 이를 구축하고 있습니다. 자율 연구 시스템은 더 많은 시장 메커니즘을 조사하고 실험 근거를 보존하며, 검증된 발견을 전문 분석 도구로 바꾸게 합니다.
이 기능을 Premium과 Pro, 전용 화면, API, MCP 연동으로 제공하기 시작했습니다. 우리의 비전은 명확합니다.
양질의 시장 데이터, 전문 리스크 모델, 완전한 실행 통제권을 바탕으로 트레이더가 자신만의 시스템을 구축할 인텔리전스를 제공합니다.
정량 트레이딩의 미래는 하나의 예측 모델을 계속 키우는 데 달려 있지 않을 수 있습니다. 더 나은 데이터, 더 엄격한 실험, 함께 작동하는 작고 전문적인 모델에 달려 있을지도 모릅니다.
과거 성과, 시뮬레이션, 실험 검증은 미래 결과를 보장하지 않습니다. 여기서 설명한 모델은 시장 분석과 리스크 평가를 위한 것이며 매매 지시가 아닙니다.
