왜 대부분의 크립토 트레이딩 전략은 결국 작동을 멈추는가

90초 만에 전략을 하나 산다. 깔끔한 수익 곡선, 자신감 넘치는 Sharpe ratio, 우상향하는 트랙 레코드. 그런데 실제 자금을 연결하는 순간 — 피가 난다. 처음엔 격렬하지 않다. 그냥 조용히, 일관되게 틀린다. 운이 나쁜 거라고 생각한다. 시장이 고장났다고 생각한다. 실제 이유는 훨씬 불편하다: 그건 처음부터 엣지가 아니었다. 복권이었고, 당신에게 당첨된 면만 보여준 것이다.

이것은 대부분의 리테일 트레이딩 전략을 침몰시키는 네 가지 잘 알려진 통계적 메커니즘에 대한 설명이다 — 전략 마켓플레이스, 카피 트레이딩 리더보드, 사전 튜닝된 그리드 봇 판매자들이 거의 공개하지 않는 메커니즘들. 이것을 이해한다고 하룻밤 사이에 더 나은 트레이더가 되진 않는다. 하지만 실제 돈이 걸리기 전에, 감사 가능한 엣지와 잘 차려입은 동전 던지기를 구별하는 눈을 갖게 된다.

이것은 교육적 분석이지, 투자 조언이나 예측이 아니다 — 여기서 어떤 것도 미래 가격을 예측하지 않으며, 크립토 트레이딩에는 실제 손실 위험이 따른다 (전문 공시는 하단 참조).

백테스트는 복권이다. 당신에게는 당첨 티켓만 보여준다

모든 전략 마켓플레이스는 동일한 숨겨진 메커니즘으로 작동한다: 누군가 (혹은 어떤 알고리즘이) 수십, 수백, 때로는 수천 가지 파라미터 조합 — 진입 조건, 청산 조건, 지표 기간, 포지션 크기 — 을 테스트하고, 그중 가장 좋은 과거 수익률을 만들어낸 설정을 노출시킨다.

그게 리서치처럼 들린다. 하지만 실제로는 선택이다.

2014년 Notices of the American Mathematical Society에 발표된 논문에서 Bailey, Borwein, Lopez de Prado, Zhu는 이 문제를 Pseudo-Mathematics and Financial Charlatanism이라는 이름으로 형식화했다. 핵심 결론: 많은 전략 변형을 탐색하고 가장 좋은 백테스트 결과를 보고할 때, 당신은 노이즈가 많은 결과들의 최댓값을 추출하는 것이다 — 그리고 노이즈가 많은 결과들의 최댓값은 구조적으로, 기계적으로 상방 편향된다. 실질적인 엣지가 전혀 없는 전략도 충분히 많은 변형을 시도하면 높은 Sharpe의 백테스트를 만들어낸다.

> "천 가지 파라미터 세트를 시도하고 그중 최선을 보고하는 백테스트는 전략이 아니다. 복권의 생존자다."

Bailey와 Lopez de Prado는 Probability of Backtest Overfitting — 선택된 설정이 순전히 우연에 의해 샘플 내에서 성과를 낸 확률을 측정하는 공식적인 지표 — 도 소개한다. 불편한 발견: 적당한 수의 시도만으로도 이 확률은 빠르게 올라간다. 과적합하기 위해 부주의할 필요도 없다. 그냥 탐색하면 된다.

감사할 수 없는 Sharpe Ratio는 숫자가 아니다

학술 금융에서 사용하는 표준 유의성 기준 (t-통계량 2.0 이상)은 단일하고 사전에 명시된 가설을 위해 보정된 것이다 — 전략 리서치의 집합적 테스트 환경을 위한 것이 아니다.

Harvey, Liu, Zhu (2016)는 수익률의 횡단면에서 이 다중 검정 문제를 정면으로 다룬다. 핵심은 새로운 마법의 숫자가 아니라 논리의 교정이다: t-통계량 2는 단일하고 사전에 명시된 가설에 대해 방어 가능한 기준이지만, 일단 어떤 결과가 동일한 데이터로 테스트된 많은 전략들 중 최선이 된다면, 동일한 t-통계량 2는 더 이상 그것이 의미하는 바를 의미하지 않는다. 탐색을 반영해 유의성 기준을 높여야 하며 — 더 많은 전략을 시도할수록, 그 기준은 더 높아진다. 다중 전략 환경에서 조정되지 않은 t-통계량 2는 훨씬 너무 관대하다.

Bailey와 Lopez de Prado의 Deflated Sharpe Ratio (2014)는 이것을 확장한다: 시도된 변형의 수, 테스트 기간의 길이, 그리고 크립토가 특수하게 생성하는 두꺼운 꼬리 수익률 분포를 반영해 보고된 Sharpe ratio를 수학적으로 할인한다.

모든 마켓플레이스 리스팅에 대한 구조적 문제가 여기 있다: Deflated Sharpe를 계산하려면 시도된 변형의 수가 필요하다. 판매자들은 거의 이것을 공개하지 않는다. 수백 번의 파라미터 스윕으로 만들어진 6개월 트랙 레코드는, Bailey-Lopez de Prado 프레임워크에 따르면, 통계적으로 공허하다.

Minimum Backtest Length 개념도 같은 논리를 따른다: 더 많은 변형을 테스트할수록, 높은 Sharpe가 어떤 무게를 갖기 전에 더 많은 연도의 깨끗한 샘플 외 히스토리가 필요하다. 6개월은 너그러운 가정 하에서도 이 기준을 거의 통과하지 못한다.

시장은 움직인다. 얼어붙은 전략은 움직이지 않는다.

과적합은 백테스트가 왜 거짓말을 하는지 설명한다. 하지만 한 기간에 진짜 엣지를 가졌던 전략도 기저의 시장 레짐이 바뀌면 작동을 멈출 수 있다 — 그리고 크립토는 레짐 전환으로 정의되는 시장이다.

이 자산은 상승 추세 강세장, 지루한 약세장, 낮은 변동성 횡보 구간, 격렬한 디레버리징 쇼크 사이를 오간다. 이것들은 구조적 단절이다 — 가격의 자기상관 구조, 변동성 레짐, 상관관계 행동이 서로 진정으로 다른 기간들이다. 한 레짐에 맞춰진 전략은 다른 레짐에서 일반적으로 틀린다.

교과서적 사례는 그리드 봇이다. 제한된 범위 안에서 그리드 봇은 기계적으로 변동성을 수확한다 — 거기서는 진정으로 효과적이다. 강한 방향성 추세나 디레버리징 충격에서는 동일한 메커니즘이 역으로 작동한다: 가격이 달아나면서 그리드의 지는 쪽이 계속 체결되고, 손실이 빠르게 복리로 쌓인다. 봇 자체는 자신이 어떤 환경에 있는지 모른다.

이것은 그리드 봇 논리의 실패가 아니다. 레짐 필터 — 전략이 언제 행동해야 하고 언제 물러서야 하는지를 정의하는 명시적 조건 — 의 부재다.

> "레짐 필터가 없는 전략은 내일의 시장이 자신이 맞춰진 역사의 한 조각과 정확히 같아 보일 것이라고 조용히 베팅하는 것이다. 크립토에서는 절대 그렇지 않다."

더 나은 지표들은 여전히 과적합할 파라미터일 뿐이다. 해결책은 전략에게 이것이 당신이 설계된 환경이다 — 혹은 이것은 아니다 — 라고 말해주는 명시적이고 별도로 검증된 신호다.

리더보드는 생략을 통해 거짓말한다

카피 트레이딩 리더보드는 과적합과 레짐 무감각 위에 두 가지 복합적 실패 모드를 추가한다.

첫 번째는 생존자 편향이다. 리더보드에서 보이는 계정들은 리스팅될 때까지 살아남은 것들이다. 날아간 계정들은 상장 폐지됐거나, 버려졌거나, 조용히 재시작됐다. 당신은 분포의 오른쪽 꼬리를 보고 있는데, 중앙값인 것처럼 제시된다.

두 번째는 혼잡화와 데이터 마이닝을 통한 알파 붕괴다. 여기서 가장 엄밀한 증거는 주식 시장에서 나온다: McLean과 Pontiff는 2016년 Journal of Finance에서, 발표된 이상 현상의 수익률 중 상당 부분 — 대략 절반 정도 — 이 발표 후 사라진다는 것을 발견했다. 그들은 이 하락을 부분적으로는 최초 발견의 통계적 편향(데이터 마이닝)에, 부분적으로는 자본이 몰려들면서 발생하는 실제 차익거래에 귀속시킨다. 이 메커니즘은 크립토에만 특정되지 않지만, 크립토에서는 오히려 더 날카롭다: 복사 가능한 전략 신호는 가장 혼잡한 거래이고, 그 혼잡화는 남아 있는 실제 엣지의 압축을 가속화한다.

세 가지 역풍이 복합된다: 원래 엣지에는 과적합 위험이 있고; 그것이 맞춰진 시장 레짐은 이미 끝났을 가능성이 높으며; 그것을 대규모로 복사하는 것은 남아 있는 신호가 무엇이든 그 붕괴를 가속화한다. 이 중 어떤 것도 리더보드에 공개되지 않는다.

신뢰할 수 있다는 것이 실제로 어떻게 생겼는지

합법적인 기준은 수익을 약속하지 않는다. 당신이 심문할 수 있는 증거를 제공한다.

그 증거에는 세 가지 구성 요소가 있다.

Walk-forward validation (Pardo, 2008): 한 역사적 윈도우에서 전략을 최적화하고, 그 다음 보이지 않은 윈도우에서 테스트하고, 그런 다음 앞으로 롤링하고 반복한다. 여러 보이지 않은 기간에 걸쳐 유지되는 walk-forward 결과는 더 신뢰할 수 있다 — 확실하진 않지만, 더 신뢰할 수 있다.

완전한 공개: 수익률, 최대 낙폭, 승률, 거래 횟수, 그리고 시장 레짐에 따라 행동이 어떻게 변하는지. 수익 곡선은 보여주면서 낙폭 깊이와 약세장 행동을 숨기는 리스팅은 하이라이트 릴을 보여주는 것이지, 감사 추적이 아니다.

명시적 레짐 필터: 전략이 의도된 환경에서 작동하는 시점을 정의하는 별도로 구성된 신호. 이것 없이는 walk-forward로 검증된 전략조차 설계되지 않은 레짐에 대한 자동 방어 수단이 없다.

기준 적용: Anny의 무료 Labs가 작동하는 방식

이것이 Anny의 전략 labs가 구축된 기준이다. 모든 전략 아이디어는 전체 백테스트와 함께 표면화된다: 수익률, Sharpe, 승률, 최대 낙폭, 거래 횟수. 샘플 외 검증은 최적화 도구가 절대 건드리지 않은 홀드아웃 데이터에서 실행된다 — 선택적 추가 사항이 아니라 기본값으로.

결정적으로, 모든 전략은 CFO Anny Line 레짐 별로 분석된다 — Anny가 시장 상태를 세 가지 상태로 분류하는 데 사용하는 신호: Accumulate, Wait, Distribute. 이것이 전형적인 마켓플레이스가 갖추지 못한 레짐 필터다: 당신이 어떤 유형의 시장에 있는지에 대한 단일 판독값, 그래서 전략을 모든 레짐에 걸쳐 평균화하는 것이 아니라 설계된 환경에서 판단할 수 있다. 수년간의 Bitcoin 역사에 걸쳐 라인이 호출한 모든 레짐 변화는 공개 기록에 있다 — 직접 히스토리를 스크롤하고 전환점들을 확인할 수 있으며, 신호가 어떻게 구성되고 샘플 외 데이터에서 검증되었는지는 방법론에 문서화되어 있다.

백테스트 전략 라이브러리를 탐색할 때, 단순히 과거에 작동했는지 여부만 보는 것이 아니다 — 언제 작동했는지, 어떤 레짐 조건에서, 그리고 조건이 불리하게 바뀌었을 때 어떤 모습이었는지를 볼 수 있다. 손실도 데이터에 있다. 그것이 핵심이다.

Anny를 특정 도구와 비교하고 싶은가? 나란히 비교에서 이 기준을 Cryptohopper, 3Commas, Coinrule 및 다른 봇 플랫폼들과 함께 확인할 수 있다.

무료 포트폴리오 스캔 실행으로 현재 보유 자산이 CFO Anny Line 레짐 상태에 어떻게 매핑되는지 확인하라.

명확히 말해두겠다: 샘플 외 검증과 레짐 필터는 과적합 위험을 줄이고 과거 분석의 신뢰성을 높인다. 낙폭을 없애지는 않는다. 알파 붕괴를 막지도 않는다. 미래 성과에 대한 약속이 아니다. 이것들이 제공하는 것은 투명성이다 — 실패 모드를 포함한 증거를 볼 수 있고, 스스로 평가할 수 있다.

방법론 보기 — CFO Anny Line이 어떻게 검증되고 샘플 외 결과가 어떻게 보고되는지를 포함해서.

실제 돈을 걸기 전에 중요한 세 가지 질문

당신이 보여지는 모든 전략은 누군가가 그것을 찾아서 만들어졌다. 문제는 그 탐색이 정직했는지, 결과가 보이지 않는 데이터에서 테스트되었는지, 그리고 전략이 시장이 바뀔 때 무엇을 해야 하는지 알고 있는지다.

API 키를 연결하기 전에 이것들을 물어라:

1. 이것을 찾기 위해 몇 가지 변형이 테스트되었는가? 숫자를 얻을 수 없다면, 과적합하기에 충분했다고 가정하라.
2. 최적화 도구가 절대 보지 못한 데이터에서 검증되었는가? 선택에 사용된 동일한 데이터의 백테스트는 증거가 아니다.
3. 명시적 레짐 필터 — 정의된 "언제 물러설지" 조건 — 가 있는가? 없다면, 다음 구조적 단절에 맹목적으로 달려드는 것이다.

판매자가 세 가지 모두 답할 수 없다면, 답은 이미 나온 것이다.

감사할 수 없는 전략은 다른 사람의 복권 티켓에 베팅하는 것이다. 몇 장의 티켓이 찍혔는지 알 수 없고, 당첨 번호가 이미 발표된 후에 사는 것이다.

---

참고문헌

• Bailey, D.H., Borwein, J., Lopez de Prado, M., & Zhu, Q. (2014). "Pseudo-Mathematics and Financial Charlatanism: The Effects of Backtest Overfitting on Out-of-Sample Performance." Notices of the American Mathematical Society, 61(5).
• Bailey, D.H., & Lopez de Prado, M. (2014). "The Deflated Sharpe Ratio: Correcting for Selection Bias, Backtest Overfitting, and Non-Normality." Journal of Portfolio Management, 40(5).
• Bailey, D.H., & Lopez de Prado, M. "The Probability of Backtest Overfitting." Journal of Computational Finance (published 2016).
• Harvey, C.R., & Liu, Y. (2015). "Backtesting." Working paper.
• Harvey, C.R., Liu, Y., & Zhu, H. (2016). "… and the Cross-Section of Expected Returns." Review of Financial Studies, 29(1).
• McLean, R.D., & Pontiff, J. (2016). "Does Academic Research Destroy Stock Return Predictability?" Journal of Finance, 71(1).
• Pardo, R. (2008). The Evaluation and Optimization of Trading Strategies (2nd ed.). Wiley.

---

이 분석은 교육 목적만을 위한 것이며 — 투자 조언이 아니다. 과거 성과는 미래 결과를 나타내지 않는다. 인용된 통계는 주식 및 일반 금융 시장에 관한 참조된 학술 연구에서 가져온 것이며; 메커니즘은 크립토와의 개념적 관련성을 위해 논의되었으며 정량적으로는 이전되지 않을 수 있다. Anny는 AI 기반 분석 플랫폼이며, 등록된 투자 고문이 아니다. 이 기사는 AI 지원으로 작성되었으며 정확성을 위해 검토되었다. 크립토 자산은 변동성이 크고 전체 투자금을 잃을 수 있다.