AI 암호화폐 트레이딩 봇은 실제로 무엇을 할까?

게시: 12 November 2026 | 업데이트: 12 November 2026

7 November 2026 기준, 암호화폐 자동화 도구 세 가지는 각자의 문서에서 서로 다른 세 가지 기능을 "AI"라고 설명한다.

• Cryptohopper 도움말 센터는 "A.I.는 Algorithmic Intelligence를 뜻한다"고 밝힌다. 사용자가 제공한 전략의 과거 신호가 수익 목표에 얼마나 자주 도달했는지를 기준으로 점수를 매긴다고 설명한다.
• 3Commas는 "투자 조언이나 AI 신호를 제공하지 않는다"고 밝히며, 대신 외부 AI 도구를 자사 봇에 연결한다.
• Freqtrade의 오픈소스 FreqAI 모듈은 LightGBM, XGBoost 같은 모델을 훈련하고 정해진 일정에 따라 재훈련한다.

이 설명 중 어느 것도 그 자체로 봇이 돈을 버는지 알려주지 않는다.

암호화폐 트레이딩 봇에서 'AI'는 무엇을 뜻할 수 있을까?

이런 방식은 하나의 제품 안에 함께 존재하는 경우가 많다. 선택과 최적화는 넓은 의미에서 통계적 학습의 형태다. 예측 모델 대신 점수 산정기라고 부른다고 해서 AI라는 이름에 해당하는지가 결정되는 것은 아니며, 어느 설명도 수익성을 입증하지 않는다.

유용한 질문은 어떤 데이터에서 무엇을 학습하며, 보지 못한 데이터로 어떻게 검증하는가?다.

나는 어시스턴트와 트레이딩 과정도 구분한다. LLM은 시장 신호를 생성하는 모델이 아니면서도 전략 작성을 도울 수 있다. 마찬가지로 전략은 백테스트로 선택한 파라미터를 사용하면서 명시적인 규칙에 따라 실행될 수 있다.

각 플랫폼의 자체 문서는 무엇을 말할까?

아래 표는 문서에 명시된 작동 방식과 그 설명만으로는 답할 수 없는 질문을 정리한다. 순위표가 아니다. 문서는 기능이 무엇을 하도록 설계됐는지 설명할 수 있지만, 서버 측 구현을 공개하거나 성과를 입증하지는 않을 수 있다.

위의 제공업체 인용문은 모두 2026-11-12에 현재 페이지 또는 보관된 페이지와 대조해 다시 확인했다.

공개되지 않은 정보는 답이 나지 않은 질문으로 남는다. 그것이 해당 업체에 머신러닝이 없다는 증거는 아니며, 공개되지 않은 모델이 있을 것이라고 추정할 이유도 아니다.

좋은 백테스트로도 AI 봇의 효과를 입증할 수 없는 이유는?

내 단순화된 실험은 2022-01-01부터 2026-10-31까지의 공개 Binance 현물 BTCUSDT 및 ETHUSDT 시간별 데이터를 사용했다. 이 실험은 특정 업체의 시스템이 아니라 내가 사용한 모델과 시뮬레이터의 평가 문제를 보여준다. 의도적인 미래 참조 버그를 넣자 잘못된 테스트는 84.6%의 정확도를 출력했다. 워크포워드 모델의 AUC는 0.51이었고, 구간에는 우연 수준이 포함됐다. 후자의 테스트는 재훈련 효과를 분리하지 않았다.

예측 과제는 시간별 캔들을 4시간 봉으로 리샘플링하고 이진 목표를 사용했다. 다음 6개 봉에 해당하는 향후 24시간 로그 수익률이 영보다 크면 “상승”, 영이면 “하락”으로 분류했다. 입력은 해당 봉 마감 시점에 이용할 수 있는 정보로 계산한 과거 수익률, 변동성, RSI, 지수이동평균 간 격차, 거래량 z-score였으며, 예측 확률이 0.5보다 높으면 “상승”으로 판단했다.

미래 참조 버그가 어떻게 85% 정확도를 출력하게 만들었을까?

의도적으로 추가한 중심 정렬 13개 봉 이동평균은 미래의 6개 봉을 사용했다. 따라서 훈련·테스트 데이터를 시간순으로 나눴는데도 로지스틱 회귀에 미래 정보가 유입됐다.

그 결과인 정확도 84.6%와 AUC 0.93은 잘못된 테스트가 출력한 값이지, 모델의 예측 능력을 입증하는 근거가 아니다. 해당 특성을 제거했을 때 같은 모델의 정확도는 약 50%였다.

데이터를 섞어 훈련·테스트를 나누면 결과가 부풀려지는 이유

인접한 봉은 24시간 레이블 구간의 대부분을 공유하므로 분할 방식과 무관하게 관측치 사이에 의존성이 있다. 이와 별개로, 데이터를 섞으면 바로 이웃한 관측치가 훈련 데이터에 포함돼 레이블을 통해 중첩된 테스트 결과가 유출되고, 이후 시점의 데이터로 훈련하는 것도 허용된다.

시간 블록 폴드는 각 테스트 블록 앞의 24h를 제거하고 뒤의 48h를 제외한 채 양쪽 데이터를 모두 훈련에 사용한다. 따라서 워크포워드 테스트만이 엄격하게 이전 데이터로만 훈련한다.

같은 표본을 사용한 이 비교는 분할 설계 간 차이를 측정하지만, 그 차이가 중첩 레이블 누출과 이후 관측치로 훈련한 데서 각각 얼마나 비롯됐는지는 분리하지 않는다.

워크포워드 모델은 우연 수준과 구별됐을까?

내 로지스틱 회귀는 이동하는 365일 구간을 사용해 30일마다 다시 적합했고, 총 35개 모델을 생성했다. AUC 구간에는 우연 수준인 0.5가 포함됐으며, 정확도는 “항상 상승”으로 추측하는 것보다 낮았다.

이는 하나의 워크포워드 절차를 평가한 것이며 재훈련의 효과를 분리한 것은 아니다. 이를 분리하려면 같은 날짜에 고정 모델이나 다른 재적합 일정과 비교해야 하지만, 여기서는 그런 결과를 보고하지 않는다.

로그 수익률은 최종 가치를 시작 가치로 나눈 값의 자연로그다. 0은 변화가 없다는 뜻이고, 약 +0.69는 가치가 두 배가 됐다는 뜻이며, 약 −0.69는 절반이 됐다는 뜻이다. 따라서 +0.59는 +59%가 아니고, −0.91은 −91%가 아니다. 모델은 향후 24시간의 방향을 예측하지만 이 예시는 4시간 봉마다 포지션을 다시 결정하므로, 예측 기간 자체가 아니라 예측에 기반한 하나의 매매 정책을 테스트한다.

16개 그리드 설정 중 최고 성과는 다음 주 성과를 얼마나 과장했을까?

내 자체 현물 그리드 시뮬레이터는 가격 범위 폭과 그리드 개수의 16개 조합 중 직전 7일 수익률이 가장 높은 설정을 선택한 뒤, 다음 7일의 수익률을 측정했다. 가격 범위 역시 선택에 사용한 주간 데이터에서 산출했기 때문에 표본 내 수치는 구조적으로 낙관적이다.

아래의 평균 격차는 봉 내부 가격 경로를 다르게 가정해도 유지됐지만, 매주 성과가 미달했다는 뜻은 아니다. 구간은 연속된 12주 묶음을 재표집하는 이동 블록 부트스트랩으로 구했으므로 인접 주간의 의존성을 유지한다.

Anny는 그리드 봇을 지원하지 않는다.

최고 점수를 받은 전략은 계속 최고일까?

내 선택기는 결과 관측이 완료된 직전 90일의 적중률을 기준으로 매주 시간 단위 규칙 다섯 가지 중 하나를 선택했다. 적중은 신호 발생 봉의 종가보다 24시간 이내에 최소 2% 높은 가격에 도달하는 것으로 정의했고, 선택된 규칙의 다음 28일 적중률을 다섯 규칙의 평균과 비교했다.

작은 차이가 관측됐다. BTC는 그 평균보다 조금 낮았고 ETH는 조금 높았다. 하지만 대응 차이에 대한 신뢰구간을 계산하지 않았으며, 평가 구간도 서로 겹친다.

이 결과는 두 성과가 동등하다거나 선택에 가치가 없다는 것을 보여주지 않는다. 적중률은 수익도 아니다. 이 설정에는 손절, 청산, 비용이 없었다.

이 실험은 단순한 특성과 모델, 제한된 자산, 단일 거래소와 기간을 다룬다. 중첩된 레이블은 독립성을 낮추고, 체결 과정은 단순화됐으며, 적중률은 수익을 측정하지 않는다. 이 테스트는 평가 방식의 선택이 결과를 어떻게 바꾸는지 보여준다. 암호화폐에서 머신러닝이 작동할 수 없다는 뜻도 아니고, 특정 업체의 모델에 관해 알려주는 것도 없다.

AI 봇 제공업체에 어떤 근거를 요구해야 할까?

아래의 제공업체 검증 체크리스트를 사용하라. 모델 설명만으로는 성과를 확인할 수 없고, 수익률 차트만으로는 작동 방식과 테스트 절차를 확인할 수 없다.

답이 없는 질문은 미해결 상태로 다뤄라. 시스템이 어떻게 작동하는지 설명을 지어내지 말고, 더 자세한 정보를 요구하라.

재현 가능한 백테스트라도 해당 자산, 날짜, 체결 가정에만 한정될 수 있다. 불확실성 구간은 보고된 지표를 설명할 수 있지만, 그에 앞선 모든 연구상의 선택을 해소하지는 못한다.

Anny Trade는 어디에 해당할까?

나는 Anny Trade에서 어시스턴트인 Ask Anny에 대규모 언어 모델을 사용한다. 공개된 Optimizer 페이지에는 지표, 백테스트, 파라미터 탐색, 검증이 “결정론적 코드이며, 그 과정 어디에도 LLM은 없다”고 명시돼 있다. CFO Anny Line과 Optimizer의 수학적 계산에는 LLM을 사용하지 않는다.

Anny의 봇은 사용자가 연결한 거래소 계정에서 명시적인 규칙 기반 진입·청산 조건을 실행하며, Anny는 그리드 봇을 지원하지 않는다. 이 설명은 언어 모델을 어디에 사용하는지 밝힌다. 수익성을 입증하는 것은 아니다.

Optimizer의 결정론적 백테스트와 파라미터 탐색을 살펴보고 같은 체크리스트를 적용하라.

자주 묻는 질문

AI 트레이딩 봇은 암호화폐 가격을 예측할 수 있을까?

훈련된 모델은 정의된 시장 결과를 추정할 수 있지만, 예측값이 존재한다는 사실만으로 유용한 예측 능력이 입증되지는 않는다. 내 과제는 정확한 미래 가격이 아니라 정해진 기간의 방향을 예측하는 것이었다. 이 글의 어떤 모델도 신뢰할 만한 표본 외 방향 예측 능력을 보여주지 못했다.

적중률로 전략에 점수를 매기는 것은 머신러닝일까?

성과 기반 전략 선택은 과거 결과로 사용 가능한 전략에 점수를 매기므로 넓은 의미에서 통계적 학습에 해당할 수 있다. 그 명칭은 선택이 나중에도 유용할지 알려주지 않는다. 적중률은 수익 지표가 아니다.

LLM을 사용하면 머신러닝으로 거래하는 봇이라는 뜻일까?

LLM은 시장 예측 모델이 아니면서도 전략을 작성하거나 거래 도구를 호출할 수 있다. 무엇을 생성하는지, 어떤 도구에 접근할 수 있는지, 실행은 어떻게 통제되는지 물어라. 그런 다음 생성된 전략을 별도로 평가하라. 언어 모델을 사용한다는 사실만으로 트레이딩 성과가 입증되지는 않는다.

워크포워드 검증이란 무엇일까?

워크포워드 평가는 시간의 흐름에 따라 이동하면서 이전 데이터로 훈련하고 이후 데이터로 테스트한다. 내 절차는 이동 훈련 구간과 반복 재적합을 사용했고, 각 테스트 블록 앞에 퍼지를 적용했다. 테스트 블록의 양쪽 데이터로 훈련하는 블록 폴드와는 다르다.

비공개 소스 봇의 AI를 직접 검증할 수 있을까?

공개 문서는 주장된 작동 방식을 파악하는 데 도움이 될 수 있지만, 서버 측 구현까지 확인해 주지는 않는다. 정보가 공개되지 않았다는 사실은 어느 쪽의 증거도 아니다. 내 단순화된 실험은 비공개 소스 시스템을 조사하지 않았으며, 어떤 업체의 비공개 모델이 무엇을 하는지 입증할 수 없다.

내가 이 테스트를 수행한 방법 (방법론과 한계).

이 글의 모든 결과는 실제 거래가 아니라 과거 데이터의 시뮬레이션과 백테스트에서 나왔다. 가상 및 시뮬레이션 결과에는 본질적인 한계가 있다. 이미 알려진 과거를 바탕으로 구성되고, 실제 체결을 반영하지 않으며, 미래 성과를 예측하지 않는다.

앞서 설명한 데이터셋은 자산별로 42,359개의 시간 봉을 포함하며, 2023-03-24 13:00 UTC에는 거래소 측에서 한 시간의 데이터가 누락돼 있다. 표본으로 확인한 월별 체크섬은 Binance가 공개한 체크섬과 일치했다. 소프트웨어 버전은 numpy 2.5.4, pandas 3.1.1, scikit-learn 1.9.1이었다.

데이터는 2026-10-31 23:00 UTC에 끝나며, 결과 관측이 완료되지 않은 경우는 다음과 같이 처리했다.

• 예측 테스트: 향후 24시간 레이블이 완성되지 않은 봉은 제외했으므로, 마지막으로 레이블이 부여된 4시간 봉은 2026-10-30 20:00 UTC다. 35개 워크포워드 블록 중 마지막 블록은 2026-10-17에 시작한다.
• 그리드: 이후 30일의 데이터가 온전히 존재하는 경우에만 결정을 유지했다. 이에 따라 2023-01-02부터 2026-09-21까지 195회의 주간 결정이 남는다.
• 선택기: 2023-01-02부터 2026-10-19까지 199회의 주간 결정을 내렸다. 2026-10-05부터의 마지막 세 결정은 데이터 종료로 28일 구간이 짧아졌으며, 마지막 24시간의 신호는 미적중으로 처리했다. 이 세 결정을 제외해도 작은 차이의 방향은 유지된다(BTC 0.32 대 0.34, ETH 0.47 대 0.46).

로지스틱 회귀는 표준화된 특성과 정규화 설정 C = 0.1을 사용했다. 분할 비교에는 트리 200개, 최소 리프 크기 5인 랜덤 포레스트를 사용했다. 정보 누출이 없는 입력은 1, 3, 6, 18, 42개 봉의 수익률, 18개 및 42개 봉의 변동성, RSI(14), 20개 봉과 50개 봉 지수이동평균 사이의 격차, 42개 봉 거래량 z-score였다.

워크포워드 AUC 구간은 블록당 연속된 4시간 봉 42개, 500회 재표집, 2.5th–97.5th 백분위수를 사용하는 이동 블록 부트스트랩으로 계산했다. 매매 예시는 지연 없이 신호 봉의 종가부터 다음 4시간의 수익률을 얻는 것으로 설정했다. 15 bps 비용은 포지션 변경당 수수료 10 bps와 슬리피지 5 bps를 가정한 값이다.

예측 목표는 향후 24시간의 방향이지만, 이 매매 정책은 4시간 봉마다 포지션을 재검토한다. 따라서 수익률은 예측 기간을 직접 수익화한 결과가 아니라 그 특정 정책을 평가한다. AUC가 0.5에 가깝거나 정확도가 “항상 상승”보다 낮다는 사실만으로 수익 기회를 배제할 수는 없다. 손익의 크기, 임계값, 조건별 성과도 중요하다.

그리드 후보는 과거 반범위에 0.8×, 1.0×, 1.25×, 1.6×를 적용한 범위 폭과 10, 25, 50, 100개의 레벨을 조합했다. 모든 체결에는 슬리피지 없이 0.05%의 수수료를 적용했다. 매주 새로 시작했고, 팔리지 않은 코인은 청산 수수료 없이 마지막 종가로 평가했다. 격차 구간에는 195개의 주간 격차에 대한 순환 이동 블록 부트스트랩을 사용했다(12주 블록, 10,000회 재표집, 고정 시드). 주간 격차는 시차 1에서 약한 음의 자기상관을 보였으며, 자동 블록 길이 규칙은 약 11주(BTC)와 16주(ETH)를 제안했다. 2–16주 블록의 구간은 일반 부트스트랩의 구간과 비슷하거나 더 좁았다.

선택기의 규칙은 RSI, MACD, 볼린저 밴드, EMA 교차, 직전 48시간 고점 돌파를 사용했다. 규칙이 점수를 받으려면 결과 관측이 완료된 신호가 최소 5개 필요했다. 관측된 작은 차이를 해석할 때는 평가 구간이 중첩된다는 점이 중요하다.

나는 두 번째 내부 연구 검토에서 원본 스크립트 네 개를 모두 다시 실행했고, 바이트 단위로 동일한 출력 파일을 얻었다. 무작위로 선택한 시각 40곳 중 40곳에서 미래 데이터를 바꿔도 정보 누출이 없는 특성은 변하지 않았다. 의도적인 미래 참조 특성은 설계대로 40회의 점검 중 40회에서 실패했다. 테스트 기간으로 레이블이 중첩된 워크포워드 폴드는 0개였으며, 스케일러는 파이프라인 안에서 훈련 데이터에만 적합했다.

이 검토는 재현성과 정보 누출을 배제한 파이프라인에 알려진 누출이 없다는 점을 뒷받침한다. 다른 기간, 다른 자산이나 거래소, 실거래에서도 결과가 유지될 것임을 보여주지는 않으며, 연구 선택 편향을 제거하지도 않는다.

한계는 여전히 중요하다. 자산 2개, 거래소 1곳, 하나의 기간, 단순한 모델이다. 레이블은 중첩되며, 보고된 내용 외에 호가창 기반 슬리피지나 다중 검정 보정은 없다. 그리드 시뮬레이터는 봉 내부의 4개 지점 가격 경로를 사용하며 절대 수익률은 그 경로에 좌우된다. 나는 어떤 업체의 실제 시스템도 테스트하지 않았고, FreqAI를 실행하거나 실거래를 하지도 않았다.

함께 읽기

• 워크포워드 검증이란 무엇일까?
• CFO Anny Line은 시장 국면을 어떻게 읽을까?
• 내 AI를 실시간 암호화폐 시장 데이터에 어떻게 연결할까?
• Freqtrade의 lookahead-analysis 문서

이 글의 모든 결과는 실제 거래가 아니라 과거 데이터의 시뮬레이션과 백테스트에서 나왔다. 가상 및 시뮬레이션 결과에는 본질적인 한계가 있다. 이미 알려진 과거를 바탕으로 구성되고, 실제 체결을 반영하지 않으며, 미래 성과를 예측하지 않는다.

이 글은 교육 목적으로만 제공되며 투자 조언이 아니다. 과거 성과는 미래 결과를 나타내지 않는다. 암호화폐 자산은 변동성이 크며 투자금 전액을 잃을 수 있다. Anny Trade는 분석 플랫폼이며, 등록된 투자자문업자가 아니다.