XYZ 시장에서 어떤 전략이 살아남는가: 부진의 원인과 전략별 고도화 방향

XYZ 시장과 Scalp·Core·ML·Adaptive·Lead-Lag의 상호작용을 분석하고, 연구와 Forward·Actual의 차이 및 전략별 고도화 우선순위를 도출한다.

핵심 질문은 ‘80개 시장 레짐 가운데 어디가 가장 좋으냐’가 아니다.
같은 시장에서 왜 어떤 전략은 수익을 남기고 어떤 전략은 손절되는가? 왜 연구에서 잘 보였던 모델이 실제 매매에서 무너지는가? 그리고 지금 무엇을 바꾸어야 하는가?

이번 분석의 목적은 새로운 레짐을 더 많이 발명하거나 손실 원인을 통계표에 적어 두는 것이 아니다. 수익으로 이어질 가능성이 있는 신호와 실행 방식을 찾아내고, 실패한 전략에서 버려야 할 요소와 살려야 할 요소를 구별하는 것이다.

XYZ는 시장이 앞으로 오를지 내릴지를 예측하는 모델이 아니다. 지금까지 시장이 어떻게 흘러왔고 현재 15분(L1) 상태가 무엇인지를 과거 및 판단 시점의 관측값으로 분류하는 시장 상태 분류기다. 목적은 관측된 상태에 따라 어떤 전략은 유효하고 어떤 전략은 부적합한지를 Forward·Actual 성과로 검증해 전략별 진입을 허용·보류·제한하는 것이다.

미래의 거래 결과를 분석하는 이유도 시장의 미래 방향을 예측하기 위해서가 아니라, 현재 상태에서 실행했던 전략의 수익성과 위험을 검증하기 위해서다. XYZ 상태 분류, 전략 고유의 매수·매도 신호, 전략 유효성 판정은 서로 역할이 다르다.

대상은 등록·관측·연구 전용 버전을 포함한 1,077개 전략·모델 ID다. 새로운 Forward 증거가 있는 ID는 764개, Actual이 있는 ID는 12개이며, 증거가 없는 ID를 실패로 판정하지 않는다.

분석 기준은 2026년 10월 12일 11:15 KST까지 확인된 거래·전략·시장 레짐 기록이다. 수치는 거래당 수수료 반영 순수익률(%), WR은 순수익이 양수인 거래의 비율, PF는 총이익/총손실 절댓값 비율이다. Forward는 새 가상거래, Actual은 거래소 체결 대조 거래를 뜻한다. 두 증거는 언제나 분리한다.

1. 먼저 결론: 시스템 전체가 좋은 것은 아니지만, 살릴 가치가 있는 전략은 분명히 있다

이번 결과를 보고 ‘전략이 모두 틀렸다’고 판단하는 것도, ‘승률 높은 전략 몇 개를 곧장 Live로 보내자’고 판단하는 것도 성급하다.

XYZ는 현재 시장 상태에 적합한 전략만 통과시키는 공통 게이트로 유지한다. 그 게이트 내부에서 개선할 후보로는 예측 모델과 적절한 출구를 결합한 실행 전략이 상대적으로 유망하다. 특히 Adaptive Predictive Model 계열의 출구 B·C, 일부 Core의 Smart Entry에서 개선 가능성이 보인다. 반면 많은 Scalp 변형은 서로 다른 전략 이름으로 동일한 코인·동일 분봉의 손실을 반복하고 있다.

먼저 새로운 Forward 증거가 30건 이상, 5개 거래일 이상인 전략만 보면 다음과 같다.

전략군	비교 가능한 전략 ID	그중 거래당 평균 순익이 양수인 ID	현재 해석
Scalp	284	0	진입 선택 자체를 재설계해야 함
Core	40	3	일부 진입 필터와 돌파형은 개선 후보
ML	2	0	연구 점수와 실행 목표의 연결 부족
Adaptive	37	5	Predictive Model 계열에 기회 집중
Lead-Lag	0	0	날짜가 부족하여 판정 보류

‘양수’는 확인할 후보라는 뜻이지 실거래 승인이라는 뜻이 아니다. 대부분의 후보는 6~11거래일만 관측됐고, 같은 시장 사건에 함께 반응하는 거래도 있다. 그러나 어디에 연구 자원을 집중할지 결정하기에는 유용한 첫 번째 필터다.

현재 가장 먼저 검증할 여덟 전략

전략·구성	Forward N	WR	평균 순익	PF	다음 행동
Adaptive Predictive Model · Smart Exit B	62	74.2%	+0.626%	3.47	동일 신호에서 기본형·C와 청산 비교
Adaptive Predictive Model · c0005	73	53.4%	+0.585%	1.53	최근 성과 상승이 유지되는지 신규 기간 검증
Adaptive Predictive Model · Smart Exit C	68	70.6%	+0.484%	2.42	B보다 이익을 더 오래 보전하는지 비교
Adaptive Predictive Model · 기본형	53	50.9%	+0.323%	1.20	최근 급격한 악화를 설명한 뒤 판단
Ignition Breakout 1H	88	48.9%	+0.257%	1.38	Actual 손실 격차 해결이 우선
Adaptive Predictive Model · Smart Exit A	35	45.7%	+0.189%	1.13	B·C 대비 추가 가치 확인
Fibonacci Retracement Core · Smart Entry	43	44.2%	+0.139%	1.10	Smart Entry가 배제한 신호 분석
Runner Elevated Liquidity · Smart Entry	93	43.0%	+0.075%	1.06	유동성 조건·체결가격을 강화

쉽게 해석하면: 지금 필요한 것은 승률 80%를 만드는 새로운 이름의 전략 100개가 아니다. 이미 순익을 보인 진입·청산 구조가 왜 다른 가족에서는 통하지 않았는지 분석하고, 그 차이를 예측할 수 있는 조건을 만드는 것이다.

2. 실패 원인의 큰 그림: ‘시장을 못 맞힌 것’과 ‘맞히고도 돈을 못 번 것’을 구분해야 한다

전수 Forward는 110,776건, 거래당 평균 순익 −0.385%, PF 0.360이다. Actual은 70건, 거래당 평균 순익 −0.838%, PF 0.348이다. 이 두 평균의 차이를 전부 ‘실체결 슬리피지’라고 해석하면 안 된다. 기간도, 전략 구성도, 체결 출처도 서로 다르다.

전략군	Forward N	Forward 평균 순익	Actual N	Actual 평균 순익	먼저 의심할 손실 경로
Scalp	102,162	−0.379%	0	—	과잉 진입·신호 중복·진입 후 빠른 실패
Core	3,908	−0.322%	58	−0.978%	돌파 지속성·실체결 격차·손익 비대칭
ML	360	−0.272%	12	−0.161%	연구 목표와 주문·청산 규칙 불일치
Adaptive	4,310	−0.603%	0	—	부모 신호와 출구 정책의 조합 실패
Lead-Lag	36	+0.184%	0	—	과거 상관관계 재현성과 기간 부족

이 결과가 뜻하는 바는 전략군 전체의 원인을 한 가지로 통일할 수 없다는 것이다. 손실을 개선하려면 다음 다섯 경로를 따로 진단해야 한다.

기회 선택: 처음부터 기대수익이 낮은 코인·가격·시점에 진입했는가?
시장의 상대적 위치: L1 XYZ는 같아도 1H 추세, 종목 유동성, 상승 종목 참여도는 달랐는가?
실행 가격: 신호가 좋았어도 실제 매수는 더 비싸고 매도는 더 싸게 체결됐는가?
보유·청산 정책: 상승 흐름을 충분히 수익으로 바꾸었는가, 실패가 확정된 뒤 늦게 손절했는가?
측정의 진실성: 모델이 결정 당시 알 수 없었던 피처 또는 실제 없는 거래 가격으로 평가됐는가?

실행 품질은 마지막 단계만의 문제가 아니다. 잘못된 5분봉 피처가 첫 단계에서 후보를 바꾸면, 이후 청산 전략을 아무리 교정해도 과거 연구를 재현할 수 없다. 반대로 좋은 예측 결과라도 매도가가 달라지면 실현 성적이 바뀐다.

왜 승률 순위만으로는 문제가 풀리지 않는가?

실제 MA20 Reclaim Micro는 Actual 21건 중 61.9% 승리했지만 평균 순익은 −0.289%, PF는 0.545였다. 이익을 얻은 횟수가 더 많아도 손실 거래 한 번이 여러 성공 거래를 지울 수 있다는 뜻이다.

Adaptive Liquidity/Inflow의 Smart Exit B 역시 Forward 237건·승률 55.7%였지만 거래당 평균 순익은 −0.315%다. 높은 승률을 만드는 것만으로는 ‘고성과 전략’이 만들어지지 않는다. 이길 때 얼마나 남기고, 질 때 얼마나 잃고, 매수·매도 비용이 얼마인지가 함께 개선되어야 한다.

3. XYZ와 전략 사이의 중요한 상호작용: 같은 ‘상승’ 상태에서도 결과가 다른 이유

XYZ는 시장을 세 가지 질문으로 분리한다.

X — Capital Inflow: 돈이 유입되고 있는가?
Y — Market Breadth: 여러 코인이 함께 오르는가, 일부만 오르는가?
Z — MA5/MA20 Trend: 최근 가격 추세는 어떤 방향과 강도인가?

따라서 Z=STRONG_UP이라고 모두 같은 시장은 아니다. 강한 유입과 넓은 상승참여 속에 형성된 추세와, 자금이 한두 코인에 몰려 만들어진 마지막 급등은 매매 위험이 완전히 다를 수 있다. 이 구별은 전략 신호에 따라 다른 방식으로 작용한다.

현재 80개 L1 상태 중 유효 Forward가 존재하는 상태는 41개, 실제로 관측된 XY 이름은 16개 중 9개다. Actual 70건 중 진입시각의 L1 레짐이 연결된 거래는 32건에 불과하다. 관측하지 않은 39개 상태나 나머지 Actual 38건까지 포함하는 보편적인 시장 규칙을 추정할 수는 없다.

더 중요한 사실은 거래가 많이 발생한 XY 상태별 평균 Forward 순익이 모두 음수였다는 점이다. 예를 들어 THIN_INFLOW는 −0.147%, DEAD_CAT_BOUNCE는 −0.412%, BROAD_RISK_ON도 −0.353%였다. 이 수치는 어떤 레짐이 절대적으로 우수하다는 증거가 아니다. 같은 레짐에서 실행한 전략의 종류와 거래 빈도가 다르기 때문이다.

결론: XYZ는 종목 매수 신호가 아니라 현재 상태별 전략 유효성 판별 기준이다. 전략마다 XYZ80 상태별 조건부 수익·위험을 구분하고, 그 결과를 진입 허용·제한 정책에 반영해야 한다.

같은 전략을 실제로 두 시장에 놓아 보면

전략	상대적으로 나았던 XYZ 상태	상대적으로 부진했던 XYZ 상태	무엇을 의심해야 하나
RSI Momentum 5M · Macro	DEAD_CAT_BOUNCE · STRONG_UP: 19건, +0.343%	BROAD_RISK_ON · FLAT: 15건, −0.920%	단순 강세장보다 실제 상승의 가속도가 중요한가?
Runner Elevated Liquidity	SELECTIVE_INFLOW · UP: 11건, +1.434%	MIXED_REBOUND · UP: 8건, −2.036%	Z가 같아도 X·Y의 자금 집중·시장 참여구조가 수익을 갈랐는가?
Relative Strength/Rotation · 기본형	SELECTIVE_INFLOW · STRONG_UP: 10건, +1.341%	DEAD_CAT_BOUNCE · DOWN: 11건, −1.638%	상대강도가 시장 전체의 압력에 눌리는가?
Predictive Model · c0005	SELECTIVE_INFLOW · UP: 11건, +1.869%	PANIC_LIQUIDATION · DOWN: 6건, −2.065%	모델 점수가 유동성 위축·급락 위험을 충분히 반영했는가?

위 비교는 전략×레짐의 관측상 차이다. 특히 6~19건 수준에서는 한두 건이 평균을 크게 움직인다. 즉시 게이트를 변경할 만큼 충분하지는 않지만 어느 전략·시장 조합부터 유효성을 확인해야 하는지 보여준다. 독립 기간의 Forward·Actual 증거가 쌓이면 실제로 전략별 허용·제한 구역을 구성해야 한다.

여기서 얻어야 할 진짜 인사이트 세 가지

첫째, 추세의 방향보다 ‘추세가 만들어진 방식’이 중요할 수 있다. Runner Elevated Liquidity의 두 상태는 모두 Z=UP이지만 손익 방향이 반대였다. 자금 유입(X)·상승참여도(Y)를 무시하고 Z 하나로 거래를 허용하면 서로 다른 시장을 같은 것으로 취급하게 된다.

둘째, 상승 레짐에서도 늦은 진입은 위험하다. Adaptive Volatility Expansion의 기본형은 SELECTIVE_INFLOW · UP에서 8건 평균 −3.194%였다. 그럴듯한 상승 라벨이 있어도 이미 변동성이 폭발한 뒤에 진입했다면 기대수익보다 되돌림 위험이 더 클 수 있다. 이 부분은 고점 추격/진입 지연 가설로 검증해야 한다.

셋째, X의 시장 유입강도와 개별 코인으로의 실제 유입은 다르다. Adaptive Liquidity/Inflow 기본형은 SELECTIVE_INFLOW · FLAT에서 27건 평균 −1.661%였다. 시장 전체의 유입 표시만으로 해당 코인 호가의 매수 압력, 체결 가능성, 매도 유동성을 설명할 수 없다.

따라서 X·Y·Z를 각 전략의 ‘합격한 시장 이름’으로만 사용할 것이 아니라 후보 코인과 시장 전체 사이의 불일치 정도, 그리고 진입 당시 추세가 확장 중인지 소진 중인지까지 파생 특성으로 연결해야 한다.

4. Primary Sliding 15 Vote의 평가 기준: 시장의 현재 상태를 얼마나 충실하게 표현하는가

Sliding15는 다음 15분의 시장 방향을 맞히려는 장치가 아니다. 현재 시장의 X(자금 유입), Y(상승 종목 참여), Z(최근 가격 추세)를 어떻게 안정적·인과적으로 분류하느냐가 목적이다. 따라서 미래 시장 상승·하락 AUC를 Sliding15의 중심 성적표로 제시한 기존 설명은 평가 목적 자체가 잘못됐다.

현재 분류 방법은 세 가지를 분리해 비교해야 한다.

Primary Sliding15: 최근 15개의 1분 기반 XYZ 상태를 투표로 종합해 현재 15분 대표 상태를 정한다.
Fixed 15M: 해당 시점까지 확정된 15분 정보를 사용하는 기준이다. 나중에 완료된 15분봉을 과거 의사결정에 사용하지 않는다.
Rolling Preview: 진행 중인 시장 유입·Breadth·가격 변화를 더 빠르게 반영하는 참고 상태다.

이전 기록에서 Rolling은 하루 약 526회, Sliding15는 약 132회 레짐이 바뀌었다. Sliding15와 Fixed의 일치율은 58.9%, Sliding15와 Rolling의 일치율은 49.0%였다. 하지만 일치율 58.9%는 정확도 58.9%라는 뜻이 아니다. 서로 다른 시간 요약 방식에 합의된 절대 정답 레이블은 없기 때문이다.

평가해야 할 세 가지 질문

첫째, 현재 상태를 정확히 기록하는가? 결정 시점까지 실제로 관측된 X·Y·Z 값만 사용하는가? 누락·시점 오류는 없는가? 시장이 바뀌었는데 레짐 갱신이 지나치게 늦거나 과도하게 흔들리지 않는가? 기존 정의와 계산이 일치하는가?

둘째, 전략별로 유효한 레짐과 실패 레짐을 분리하는가? 동일 전략의 XYZ 상태별 Forward·Actual N, WR, 평균 순익, PF, 손실 꼬리, 청산 사유를 분리한다. Sliding15, Fixed, Rolling을 동일 전략·신호에 적용했을 때 어느 방식의 시장 구분이 그 전략의 성패 차이를 가장 일관되게 설명하는가를 검증한다. 시장 전체의 미래 상승/하락은 맞힐 필요가 없다.

셋째, 그 분류로 전략을 걸러내면 실제 성과가 개선되는가? 같은 부모 전략 신호를 사용해 (A) 레짐 제한 없이 거래, (B) Sliding15에서 검증된 적합 구역만 거래, (C) Fixed 또는 Rolling의 적합 구역만 거래하는 세 정책을 비교한다. 회피한 손실, 놓친 이익, 거래 수, 순익, PF, MDD, 자본 사용 효율을 비교해야 한다.

최종 운영 결과는 전략별 XYZ80 적합성 매트릭스다.

해당 전략 × XYZ 상태의 증거	분류	운영 해석
충분한 독립 시장일의 비용 차감 Forward 성과가 유리하고 실제 체결 위험도 관리 가능	유효	해당 전략의 진입 허용 후보
표본이 적거나 현재 Actual 맥락이 없거나 연구·Forward 결과가 충돌	근거 부족	Potential 또는 가상 검증 계속; 승률 0으로 처리하지 않음
충분한 별도 기간에서 그 상태의 손실 위험이 반복 검증됨	부적합	해당 전략의 그 XYZ 상태 신규 진입 제한 후보

같은 레짐이라도 Breakout은 부적합하고 Mean Reversion은 적합할 수 있다. 일부 상태가 나쁘다는 이유로 전체 전략을 Archived 처리하지 않는다. 모든 상태에서 충분한 실패 근거가 축적된 경우에만 전체 전략의 생애주기를 재검토한다.

미래 시장 방향의 AUC는 이 운영 목적을 평가하지 못한다. 과거 단 2거래일의 승패 예측 Brier 비교도 전략별 레짐 게이트로 실제 돈을 얼마나 더 벌고 덜 잃었는지의 검증을 대신할 수 없다.

5. L2 이상의 레짐: 더 많이 조합할수록 좋은 것이 아니라, 의미 있는 충돌을 찾아야 한다

현재 실제 운영 게이트는 L1=15M이다. 1H·4H·1D·7D는 진입 지문에 개별 기록이 있지만 L2 이상이 공식 실행 게이트인 것은 아니다.

전략×레짐 셀에 30건 이상·서로 다른 거래일 5일 이상이라는 최소 기술적 기준을 적용하면, 1H 단독으로는 505개 조합이 존재한다. 그러나 L1 XYZ × 1H XYZ를 결합한 상태는 단 4개, 전체 Forward 거래의 0.128%만 해당된다. L1×1H×4H에서는 이 기준을 만족하는 조합이 없다.

흥미롭게도 적격인 네 개 모두 L1 SELECTIVE_INFLOW · STRONG_UP과 1H FRAGILE_BREAKOUT · UP이 동시에 나타난 Scalp 조합이었다.

해당 1분 Scalp 전략	관측 N	거래당 평균 순익
Bullish Candle Impulse · Macro	40	−0.481%
Bullish Candle Impulse · Micro	37	−0.460%
MACD Impulse · Macro	35	−0.541%
EMA Trend · Macro	30	−0.482%

이 표가 훨씬 중요한 질문을 준다. 15분 기준으로는 강한 상승으로 보이지만 1시간 시장은 아직 취약한 돌파라는 경고를 보내고 있다. 빠른 추세추종 전략은 이런 시간축 충돌 상태에서 상승 지속을 과신하는 것일까?

네 전략은 독립적 사건이 아니라 같은 코인·시간의 신호를 공유할 수 있다. 따라서 곧바로 거래를 금지하기보다는, 상위시간축 충돌을 감지하면 신규 진입을 지연하거나 진입 가격의 허용 한도를 엄격히 하는 A/B를 먼저 시험해야 한다.

권장 순서는 1H의 X·Y·Z 현재 상태 정의 검증 → 동일 전략의 L1 대비 조건부 성과 분리력 측정 → L1×1H 게이트가 진입 제한을 통해 순익·위험을 개선하는지 검증 → 유용한 전략에만 L2 추가다. 7D의 기록이 많아도 같은 주간 레짐이 며칠 반복된 자료라면 ‘다양한 시장을 겪은 독립 검증’이 아니다.

6. 왜 일부 전략은 살아 있는가? Adaptive Predictive Model에서 얻은 교훈

현재 가장 먼저 해부해야 할 가족은 Adaptive Predictive Model이다.

기본형: 53건, 평균 +0.323%, PF 1.20
Smart Exit A: 35건, +0.189%, PF 1.13
Smart Exit B: 62건, +0.626%, PF 3.47
Smart Exit C: 68건, +0.484%, PF 2.42
c0005: 73건, +0.585%, PF 1.53

Smart Exit B는 62건 중 57건을 PROFIT_LOCK으로 종료했고, STOP_LOSS는 3건, TIME_STOP은 2건이었다. C도 68건 중 57건이 PROFIT_LOCK이었다. 이 패턴은 후속 상승이 사라지기 전에 이익을 확정하는 방식이 Predictive 신호의 수익구조와 잘 맞았을 가능성을 제기한다.

하지만 동일한 부모 신호를 동일한 날·코인에 실행했는지 확인하지 않은 채 B가 기본형보다 +0.303%p 더 낫다고 인과적으로 주장할 수는 없다. 표본 수와 진입 신호의 모집단이 다르기 때문이다.

개선 실험: 부모 신호를 고정하고 매수가·수수료를 통일한 뒤 기본형/A/B/C를 동일 가격경로에서 가상 병렬 청산한다. 그리고 다음 네 질문에 답해야 한다.

B가 진입 직후의 초기 최대 순행폭(MFE)을 더 많이 실현했는가?
C가 이익을 오래 끌고 가다가 되돌려 주는 거래가 더 많았는가?
B의 PROFIT_LOCK 뒤 가격이 더 크게 상승했다면, 짧은 이익 확정은 기회비용을 만들지 않았는가?
L1·1H·종목 유동성에 따라 B와 C 중 어떤 출구가 더 적합한가?

핵심은 ‘Smart Exit B가 좋은 알고리즘’이라는 결론이 아니다. ‘예측한 방향이 유효한 시간 동안 수익을 보존할 방법’이 수익성과 결합했다는 점이다.

같은 Smart Exit B가 다른 가족에서는 왜 실패하는가?

부모 전략	Smart Exit B의 N	WR	평균 순익
Predictive Model	62	74.2%	+0.626%
Momentum	197	49.7%	−0.313%
Liquidity/Inflow	237	55.7%	−0.315%
Relative Strength/Rotation	217	54.4%	−0.332%
Breakout	55	58.2%	−0.812%
Volatility Expansion	95	49.5%	−0.953%
6% Upside Prediction	66	66.7%	−1.064%

이 대조가 시스템 고도화의 핵심이다. 출구 B는 나쁜 진입을 좋은 진입으로 바꾸지 못한다. 일부 전략은 작은 이익을 여러 번 확보해 승률만 올리고 큰 손절이 전체 손익을 훼손했을 가능성이 있다.

따라서 모든 가족에 B·C를 복사하기보다, 부모 신호의 예상 최대 순행폭, 초기 역행폭, 실패까지 걸린 시간, 종목 유동성, 레짐 전환 강도로 출구를 선택하는 조건부 정책이 필요하다.

7. Core: ‘진입을 더 잘 골라야 하는가’와 ‘청산을 잘해야 하는가’를 분리한다

7.1 Ignition Breakout 1H — 가장 조심해서 다뤄야 할 희망 후보

기본 Ignition Breakout 1H는 Forward 88건·평균 +0.257%·PF 1.38이다. 과거 연구의 기본 참조도 70건·평균 +0.165%였고, 새 Forward에서도 방향은 양수였다. 적어도 가상 실행에서는 단순 우연의 한 거래만으로 만들어진 양의 평균은 아니다.

하지만 Actual은 10건·평균 −1.684%·승률 10%였다. 이때 바로 ‘실제 주문 슬리피지가 1.94%p를 없앴다’고 말하면 오류다. 같은 기간 동일한 Forward와 매칭된 거래가 0건이기 때문이다.

별도 계열 Ignition Breakout 1H Persistent는 Forward 114건에서 −0.518%, Smart Entry B를 넣어도 91건 −0.168%였다. 더 오래 지속되는 상승을 쫓아가는 버전이 기본형보다 약했다는 사실은 초기 점화 순간에 기회가 집중되고 반복 진입 시점에서는 이미 가격이 확장됐을 수 있다는 가설과 부합한다.

처방: 최초 점화부터 진입까지 걸린 분·시간, 진입 당시 가격 확장(ATR 대비), 이전 최고가와의 거리, 첫 점화 이후 재진입 횟수를 기록한다. 기본형과 Persistent가 공통으로 본 신호를 고정해 최초 진입과 재진입을 비교한다. Actual의 매수·매도 가격과 청산 사유부터 별도 대조한다. 현재는 신규 실거래 확대보다 거래쌍 복원이 우선이다.

7.2 Fibonacci Retracement — Smart Entry가 실제로 유의미한 힌트

기본 Fibonacci Retracement Core는 46건·평균 −0.621%였다. Smart Entry를 붙인 버전은 43건·+0.139%였다. 겉으로는 +0.760%p 개선이다. 그러나 서로 다른 거래를 선택했을 수 있으므로 단순 차이는 정책의 인과효과가 아니다.

오히려 분석 가치는 Smart Entry가 버린 거래에 있다. 버린 거래들이 하락 추세의 되돌림을 추세 복귀로 오인했거나, 기준 피보나치 레벨 이전에 변동성이 과도했거나, 1H 시장과 충돌했을 가능성을 시험해야 한다.

한편 Smart Entry+Smart Exit A는 전체 평균 −0.062%에 불과하지만, 시간상 앞 26건 평균 −1.313% → 뒤 27건 +1.142%로 바뀌었다. 이 변화 가운데 관측 레짐 비중 변화의 설명 몫은 약 +0.137%p, 레짐 내부 및 새로운 상태의 성과 변화는 약 +2.103%p였다.

이것은 시장 이름만 좋은 곳으로 바뀌어서 회복된 것이 아닐 수 있다는 단서다. TRAILING_STOP 종료 비중이 약 19%에서 52%로 증가했는데, 그 배경이 유리한 가격경로인지 청산 정책과의 적합성인지 동일신호 재생으로 분리해야 한다.

처방: 피보나치 레벨의 진입 시점 정확도, 실패한 최초 반등과 실제 2차 상승을 구분할 확인 변수, 신호 이후 MFE/MAE에 기반한 청산정책 선택을 테스트한다. 단순히 전체 손절폭을 늘리는 방식은 마지막에 검토한다.

7.3 Runner Elevated Liquidity — 유동성 자체보다 유동성에 맞는 진입이 중요

기본형은 109건·−0.359%였고 Smart Entry는 93건·+0.075%였다. 15분 SELECTIVE_INFLOW · UP에서 기본형은 11건 평균 +1.434%, Smart Entry는 같은 시장 이름의 8건에서 +2.397%였다. 선택된 거래가 달라 직접 비교는 불가능하지만 특정 유입·상승 문맥에서 초기 진입의 차이가 크다는 후보 신호다.

이 전략 가족에는 이번 Actual과 Forward가 실제로 같은 신호로 매칭된 체결도 있다. CPOOL·APT 사례는 이후 10절에서 다룬다.

처방: 호가 스프레드, 체결 가능한 잔량, 매도 호가 소멸, 진입 전 거래량 확장 대비 가격 상승, 원하는 수량이 실제 호가를 얼마나 밀어 올리는지를 검증한다. 유동성이 높은 종목을 사는 전략이 아니라 높은 유동성이 실제 체결에 유리한 순간을 선택하는 전략으로 바꿔야 한다.

7.4 Elliott Wave 3, Persistent Expansion, Bottom Impulse

Elliott Wave 3 Core: 기본형 57건 −0.827%, Smart Entry 48건 −0.313%. ‘3파 시작’이라고 판단한 시점이 추세의 첫 확장인지, 이미 소진된 가짜 상승인지 판별하는 파동 구조 신뢰도·상위 추세 동조·변동성 과열 연구가 우선이다. Smart Entry는 손실을 완화했지만 아직 플러스 전략이 아니다.
Persistent Expansion Runner: 기본형 98건 −0.651%, Smart Entry 85건 −0.040%. 진입 필터가 개선 가능성을 보였으나 청산까지 통합하면 아직 경계선이다. 최초 확장과 뒤늦은 추격을 별도의 신호로 나눌 필요가 있다.
Bottom Impulse / First Rebreak: 최초 반등 이후 재돌파 모델은 54건 평균 −0.297%, 빠른 실패 종료도 빈번하다. 확인 없이 반등을 추격하는 대신 첫 실패 이후 회복한 거래대금·가격 수용 여부를 독립 신호로 만들어야 한다.
MA20 Reclaim Micro: 실제 승률보다 손실의 크기를 먼저 줄여야 한다. Actual에는 TAKE_PROFIT 이벤트임에도 순손익이 음수인 TAKE_PROFIT_NET_LOSS 2건, 최소주문 잔량 수동 대조 1건이 있다. 이들은 ‘시장 예측 실패’와 별도로 실행 정의·비용·잔량 처리를 감사해야 할 거래다.

8. Adaptive 여덟 가족에 대한 개선 처방: 같은 출구를 붙여도 반응이 다르다

Predictive Model은 확대 검증, 나머지는 진입 조건 수선이 우선이라는 것이 현재 자료로부터 가장 실용적인 결론이다.

전략 가족	기본형 N / 평균 순익	Smart Exit B 평균 순익	손실의 주요 구조	개선 방향
Predictive Model	53 / +0.323%	+0.626%	최근 성과가 급변	B/C 조건부 청산, 점수 안정성 연구
Momentum	210 / −0.715%	−0.313%	기본형 STOP_LOSS 124건	진입 시점 과열·추세 이탈 예측
Breakout	64 / −1.862%	−0.812%	STOP_LOSS 41건	돌파 이후 유지·되돌림 수용 검증
Pullback/Reclaim	129 / −0.715%	−0.436%	손절 62건·시간종료 43건	반등의 재확인·최초 반응속도
Mean Reversion	44 / −0.367%	−0.469%	반전 신호가 추세에 압도	극단값보다 소진·유동성 복귀 확인
Volatility Expansion	108 / −2.237%	−0.953%	STOP_LOSS 73건	변동성 폭발 ‘직후’ 추격 금지
Liquidity/Inflow	233 / −0.998%	−0.315%	STOP_LOSS 132건	시장 유입과 개별 코인 매수압력 분리
Relative Strength/Rotation	180 / −0.801%	−0.332%	STOP_LOSS 102건	상대강도 지속성·리더 교체 감지

Momentum: 1H 또는 4H가 상승하더라도 초단기 가격이 이미 과열된 상태에서 진입하면 바로 되돌림을 맞을 수 있다. 절대 RSI나 MA 기울기 한 값보다 최근 상승폭/ATR, 이전 N분 최대가격으로부터의 거리, 거래대금 가속도가 둔화되는 순간을 추적해야 한다.

Breakout: 방향을 ‘맞히는’ 것과 가격이 돌파 수준 위에 ‘머무는’ 것은 다른 일이다. 진입 시 종가 확정, 돌파선 위의 실제 체결량 유지, 상위시간축의 취약돌파(FRAGILE_BREAKOUT) 충돌을 조건으로 비교해야 한다. 출구 B로 평균 손실이 줄었다는 관찰은 있지만, 기본 진입을 그대로 확대할 이유는 없다.

Pullback/Reclaim: 첫 상승에 반사적으로 진입하면 원래 추세가 계속 하락하는 거래와 실제 회복하는 거래가 섞인다. 저점 확인 후 이전 매물대 위 가격 수용, 고점/저점 구조 개선, 시장 Breadth의 동반 회복을 비교해야 한다.

Mean Reversion: Z=DOWN인 시장이 곧 매수 가능한 과매도 시장은 아니다. 반전은 하락이 충분히 길었다보다 추가 매도 압력이 줄고 매수 유동성이 돌아왔는가로 평가해야 한다. 이 전략은 표본이 적으므로 우선 종목 단위의 반등 전환 라벨을 정교화한다.

Volatility Expansion: 가장 먼저 보호해야 할 손실군이다. 기본형 108건 중 손절 73건, 평균 −2.237%는 ‘좋은 청산법만 붙이면 살아날 전략’으로 보기 어렵다. 상승 변동성 폭발을 포착했더라도 호가와 가격 확장 이후 매수한 위험을 줄이는 entry veto, 상승 폭발 이전의 압축 상태 식별, 거래대금/스프레드가 감당 가능한 종목 선택을 먼저 검증해야 한다.

Liquidity/Inflow: 시장 전체가 SELECTIVE_INFLOW여도 기본형의 손실이 나타났다. 코인의 실체결 매수 우위, 유동성 깊이, 상위 거래대금 대비 진입 규모를 직접 측정하지 않으면 ‘유입’이라는 단어만 맞는 신호가 된다.

Relative Strength/Rotation: 현재의 상대강도 상위 코인이 다음 시간에도 선도할 것인지는 별개다. 종목 간 리더 교체속도, 선도 코인의 breadth 동조, 거래대금 분산을 넣고 상대강도 지속 시간을 목표로 학습해야 한다.

‘고정 손절을 느슨하게 하면 된다’는 해결책이 아닌 이유

Volatility Expansion 기본형의 평균은 −2.237%, 출구 B는 −0.953%다. 손실폭 완화는 관측되지만 여전히 음수다. 큰 손실에 도달한 후의 동작을 바꾸는 것보다, 그 거래를 아예 선택하지 않았어야 하는지 먼저 판단해야 한다.

상승 후보를 더 빨리 찾는 기능과 상승이 실패할 위험을 판단하는 기능을 서로 다른 두 모델로 두고, 두 모델이 충돌하면 잠시 진입하지 않는 구조가 우선이다.

9. Scalp: 587개의 전략 이름보다 17,032개의 시장 사건을 먼저 봐야 한다

Scalp는 유효 Forward 약 102,162건에서 평균 −0.379%, PF 0.319다. 30건 이상·5거래일 이상인 284개 전략 가운데 수익 평균이 양수인 전략은 0개였다.

원인을 이해하는 핵심은 거래 수의 착시다. 약 102,000개 결과는 코인×진입 분당 약 17,032개 시장 사건에 겹쳐져 있었고, 단일 코인·단일 분에 최대 124개 전략이 동시에 진입했다. 같은 가격 하락이 124개의 서로 다른 패턴 실패처럼 나타날 수 있다는 뜻이다.

손실 경로도 뚜렷하다. STOP_LOSS 29,884건, FAST_FAIL_BREAKOUT 26,981건으로, 전체 Scalp 청산의 절반 이상이 진입 후 손절 또는 빠른 실패 유형이었다. 반대로 큰 수익을 남긴 거래는 종종 TRAILING_STOP으로 마무리됐다.

구체적인 성공과 실패: 왜 같은 전략이 전혀 다른 결과를 내는가?

Scalp MACD Impulse 1M · Micro는 Forward 1,613건·평균 −0.380%인 중위권 전략이다.

성공 사례: 10월 10일 KRW-GMT 거래 +3.963%, TRAILING_STOP. L1은 DEAD_CAT_BOUNCE · FLAT이었지만 1H는 BROAD_RISK_ON · UP이었다.
실패 사례: 10월 11일 KRW-STX −2.987%, STOP_LOSS. L1은 DEAD_CAT_BOUNCE · UP이었으나 1H는 THIN_INFLOW · FLAT이었다.

L1이 UP인 실패 거래와 L1이 FLAT인 성공 거래가 공존한다. 이것은 ‘Z가 더 강하면 좋은 거래’라는 규칙이 얼마나 부족한지 보여준다. 시장의 시간축 구조와 해당 코인의 진입 후 움직임이 더 중요할 수 있다는 질문으로 이어져야 한다.

특히 10월 11일 KRW-STX의 유사 손실은 EMA, MACD, Bullish Candle 등 여러 전략에 반복 등장했다. 이는 모두가 같은 실패 메커니즘에 노출됐을 가능성을 보여준다. 개별 전략마다 손절폭을 수정하는 것보다 같은 시장 사건에 중복 진입하는 구조를 먼저 바로잡는 편이 효율적이다.

Scalp에서 우선할 개선 실험

1단계 — 부모 신호 기준 중복 제거. 같은 코인·같은 분봉에서 나온 여러 전략을 하나의 시장 사건으로 묶고, 자식 전략이 무엇을 새로 예측했는지 구분한다.

2단계 — 1m/5m 피처 정확도. 이 기간의 짧은 시간축 Quant Feature Mart 불완전 오류 기록 57,334건을 종목·시간축·시장별로 조사한다. 오류 거래를 손실로 취급하는 것도, 오류를 숨겨 좋은 거래만 남기는 것도 피해야 한다.

3단계 — 빠른 실패 예측. 진입 후 1~3개 봉 사이의 거래대금 지속성, 가격이 돌파선 위에 머문 시간, 스프레드·호가소진, 시장 breadth 변화를 이용해 돌파 실패 확률을 별도로 예측한다.

4단계 — 비용과 포지션 중복 반영. 유사 신호 124개를 모두 가상 계좌에서 매수했다고 해서 실제 계좌에서도 124번의 독립 기회가 있는 것은 아니다. 부모 신호별 제한된 자금을 배분하고 주문 회전율·실체결 순수익을 측정한다.

VWAP Reclaim 5M Macro Fast Discovery는 54건 평균 −0.210%, 5M Donchian Macro Smart Exit B는 117건 −0.253%로 Scalp 중 상대적으로 덜 부진했지만, 여전히 양수는 아니다. 가장 덜 나쁜 것을 곧바로 Live로 보낼 근거로 쓰지 않는다.

10. Forward와 Actual은 왜 이렇게 다를까? 원인이 확인된 거래와 아직 확인되지 않은 거래를 나눈다

실거래 문제를 설명할 때 가장 먼저 구분해야 할 두 종류의 격차가 있다.

A. 같은 신호의 실제 체결이 달라진 격차: 직접 관찰하고 수정할 수 있다.
B. 서로 다른 날짜·종목·전략 실행 집단의 평균 격차: 같은 신호를 연결하지 않으면 원인을 특정할 수 없다.

Actual 70건 중 동일 전략·코인·진입 5분 이내의 Paper 기록은 25건뿐이었다. 그 가운데 정말로 신규 FORWARD 단계와 일치하는 거래는 5건이었다. 과거 Validation이나 Pre-reset 거래를 ‘같은 시기의 Forward’처럼 쓰면 차이를 잘못 설명하게 된다.

확인된 동일 신호의 실행 차이

실제와 Forward가 매칭된 거래	Paper 매수 / 실제 매수	Paper 매도 / 실제 매도	실제 순익 − Paper 순익
Runner Liquidity · Exit B / KRW-CPOOL	45.5 / 45.5	45.9 / 45.7	−0.440%p
Runner Liquidity · Exit B / KRW-APT	1,245 / 1,245	1,269 / 1,267	−0.161%p
Runner Liquidity · Exit A / KRW-CKB	2.41 / 2.41	2.50 / 2.50	−0.002%p

첫 두 거래는 매수 가격은 같았지만 실제 매도 가격이 더 낮아 성적이 차이 났다는 것을 보여준다. 이 차이를 만든 마지막 원인이 주문 방식, 시장가 충격, 체결 대기, 호가단위, 청산 신호 시점 중 무엇인지는 주문 이벤트와 호가 이력까지 연결해야 판정할 수 있다.

Actual 전체 70건에서 기록된 결정 매수가 대비 실제 매수가는 평균 +0.176%, 결정 매도가 대비 실제 매도가는 평균 −0.058% 방향이었다. 다만 이 평균을 모든 전략의 확정 슬리피지로 일반화하지 않는다. 동일 신호의 가격 차이부터 합산해야 손실 원인 비중이 나온다.

평균 격차가 커도 바로 원인을 단정하면 안 되는 세 전략

Ignition Breakout 1H: Forward 평균 +0.257%와 Actual −1.684%는 분명히 걱정할 만한 격차다. 그러나 직접 대응되는 Forward 거래가 없어, 집행 비용 때문인지 이전 시장 환경 때문인지 아직 구분되지 않는다. 신규 진입을 확대하지 말고 Actual 거래 10건의 시장·체결·청산 과정을 각각 재구성해야 한다.

MA20 Reclaim Micro: Actual은 21건 중 61.9% 성공해 보이지만 평균 −0.289%다. 이 전략의 문제는 우선 이기는 횟수가 아니라 큰 손실과 비용일 가능성이 높다. 손실 거래의 평균 크기, TAKE_PROFIT_NET_LOSS가 발생한 정확한 조건, 최소주문 잔량 처리가 전략 성과를 얼마나 훼손했는지 대조한다.

Quant Breakout 1H: 이전 연구 참조 217건의 WR은 53.9%, 평균 순익은 +0.183%였다. 신규 Forward 15건은 WR 26.7%, 평균 −0.421%였고, Actual 12건은 WR 41.7%, 평균 −0.161%였다. Forward 15건 중 11건이 TIME_STOP이었다. 이 전략은 모델의 상승 예측과 실제 청산 가능 시간의 목표가 다른지, 모델이 맞혀도 시간 종료 때문에 손실이 나는지부터 확인해야 한다.

원인 진단 우선순위: 동일한 신호 ID → 동일 진입 결정 시각 → 원천 피처 해시 → 계산된 랭킹 → 주문 호가/체결 수량 → 청산 이유 → 거래소 실제 PnL 순서로 따라간다. 여기서 불일치가 처음 나타난 위치가 수정 출발점이다.

11. V8의 91.8%가 왜 사라졌는가: 모델이 나빠졌다는 말보다 ‘같은 게임이 아니었다’가 정확하다

기존 V8 LambdaRank의 역사적 Blind는 134건·WR 91.79%·평균 +4.888%로 보고됐다. 그러나 해당 연구와 이후 실제 운영은 동일한 진입 대상·피처 시점·포지션 충돌·청산 가격 규칙으로 정의되어 있지 않았다.

원래 Blind 기간의 1H Quant Feature Mart에서는 OHLC 행 133,406개 중 44,169개에서 정확히 대응하는 피처 키가 누락됐던 기록이 있다. 수정 이후에는 학습에 사용할 수 있는 완성 구간만 선택하고 피처와 시간축을 다시 연결했다. V8이 사용하는 529개 피처의 존재 여부와 값, 사후에 알 수 있는 데이터의 사용 가능 시점이 달라지면서 모델이 선택하는 코인이 바뀔 수밖에 없다.

정정한 과거 가격경로에서 원래 V8 가중치를 동결하여 재생했을 때, Top-5 점수 문턱을 통과한 원시 후보는 24개, 별도의 동시 제한과 중복 금지 없이 계산하면 WR 62.5%, 평균 +0.791%였다. 그러나 3개 동시 포지션·동일 코인 중복 금지·연속된 시간봉·24시간 보유 규칙을 적용한 거래는 6개, WR 50%, 평균 −0.130%였다.

이 차이는 ‘모델 점수가 나쁜가’라는 질문 하나로 설명되지 않는다. 후보 24개가 실제 실행 가능한 서로 다른 거래 24개가 아니었기 때문이다.

24시간 보유와 3개 슬롯을 없애면 승률이 올라갈까?

앞서 별도로 진행한 같은 여섯 진입에 대한 과거 민감도 비교의 결과는 다음과 같다. 목표 +6%, 손절 −3%, 총 비용 0.2%, 다음 1H Open 매수라는 조건은 고정했다.

같은 6개 진입의 최대 보유시간	WR	평균 순익
12시간	83.3%	+1.296%
24시간	50.0%	−0.130%
48시간	50.0%	+0.460%
72시간	50.0%	+1.300%

이 표는 보유시간의 영향이 단조롭지 않다는 사실을 보여준다. 12시간으로 줄이면 승률이 좋아졌고, 72시간으로 늘리면 승률은 그대로여도 수익규모가 커졌다. 둘은 서로 다른 개선 목표다. 관측된 여섯 거래만으로 어느 보유시간이 우수하다고 결론 내릴 수는 없다.

더 의외인 사실은 이 24개 원시 후보에서 3개 동시 슬롯을 무제한으로 바꾸더라도 동일 코인 중복 진입을 금지하면 결과가 그대로 6건이었다는 점이다. 주요 제약은 ‘슬롯 3개’가 아니라 이미 열려 있는 같은 종목의 중복 신호였다. 슬롯만 늘리는 수정으로 91.8% 승률을 복구할 수 있다는 가설은 이 표본에서 지지되지 않는다.

V8의 개선 방향은 세 단계다.

예측 자체의 정보가 유지되는지 529개 피처와 원모델 점수를 동일 시점에 재현한다.
후보 순위→진입 가능 여부에서 중복 종목, 이전 포지션 종료, 동일 시간의 Top-N 선택이 어떤 승자와 패자를 누락시키는지 설명한다.
매도 타깃을 다시 정의한다. 12·24·48·72시간별 MFE/MAE·손익과 자본 점유시간을 비교하고, 예측 모델의 타깃도 그 정책에 맞게 다시 학습한다.

신규 Forward의 V8 기본형은 7건·승률 42.9%, V8-R5는 8건·승률 62.5%에 불과하다. 과거 역사적 Blind와 섞지 말고 새 시장기간에 고정된 규칙으로 축적해야 한다.

12. V10과 V11: 예측 목적과 거래 속도를 바꾸면 ‘좋은 모델’의 의미도 달라진다

V10 — Utility-Aware LambdaMART는 무엇을 개선해야 하나?

V10 기본형은 Validation 739건·승률 78.62%에서 과거 Holdout 500건·59.00%로 떨어졌다. 고선택적 R2는 Validation 52건·96.15%, Holdout 8건·87.5%였지만 여덟 거래만으로 강건성을 입증할 수 없다. R4는 Validation 64건·95.31%였으나 Holdout 23건·43.48%까지 하락했다.

이 현상은 모델 구조의 우열보다 연구 중 점수 임계값과 후보 선택 규칙을 반복 조정하면서 한 기간에만 맞아진 것일 가능성을 우선 의심하게 한다. V10의 개선은 ‘LambdaRank보다 더 복잡한 모델’이 아니라 비용·손실꼬리·예산·시장기간을 포함한 실제 Utility로 목적함수를 만들고, 한 번 정한 임계값을 새로운 구간에서 유지하는 것이다.

개선 실험: V8과 동일 후보군·동일 매수가·동일 슬롯·동일 청산으로 V10 점수의 증분 순위 성능부터 측정한다. 수익성 차이가 주로 최상위 1종목 선정 때문인지, 위험 회피 때문인지, 과감한 후보 수 축소 때문인지 분리한다. 유효 신규 Forward가 충분히 축적되기 전에는 연구 승률을 실거래 성과로 취급하지 않는다.

V11 — 5분 모델이 1시간 모델보다 더 자주 거래하면 더 좋아지는가?

V11 기본형의 과거 Validation은 61건·승률 52.46%, Holdout은 105건·32.38%였다. 동일하게 통제한 짧은 역사적 비교에서 V11을 1시간 간격으로 결정하면 10건·승률 60%, 평균 순익 +0.200%였지만, 실제 5분 간격으로 더 자주 결정하면 71건·승률 36.62%, 평균 −0.268%였다. 두 실험은 거래 빈도 때문에 선택된 시장사건이 다르므로 직접적인 순수 속도 효과는 아니다.

핵심 가설은 더 빠르게 관찰한다고 더 좋은 거래를 고르는 것은 아니다라는 것이다. 높은 빈도의 후보 생성은 반등 중간에 반복 진입하거나, 미완성 추세를 강하게 확신하거나, 거래비용이 기대 움직임을 넘는 거래를 많이 늘릴 수 있다.

개선 실험: 5분 모델과 1시간 모델을 같은 시간/코인별 시장 사건에 묶고, (a) 신호를 더 일찍 포착한 효과, (b) 새로 추가된 진입의 품질, (c) 반복 거래·수수료 증가, (d) 종료까지 걸린 시간으로 분해한다. 타깃도 5분 실행의 2시간 순수익·최대 역행·체결 가능성에 맞춰 학습한다.

V11의 R 변형은 일부 이전 Holdout에서 개선을 보였지만 현재 신규 Forward와 거래소 Actual이 없는 연구 모델이다. V8·V10·V11 중 무엇이 옳은지는 서로 다른 백테스트 승률표가 아니라 동일한 실행 조건의 이후 가격경로에서 비교해야 한다.

13. 점진적 성과 하락과 상승: 시장 탓인지 전략 자체의 붕괴인지 판정하는 법

전략이 최근 부진해지면 ‘시장 레짐이 바뀌었다’는 설명이 가장 먼저 나온다. 그런데 그 설명은 실제로 두 개의 서로 다른 현상을 섞고 있다.

시장 구성 변화(Mix): 예전에는 A 레짐에서 많이 매수했는데 최근에는 B 레짐에서 많이 매수한다.
동일 레짐 내부의 성과 변화(Within): 예전과 지금 모두 A 레짐인데, 그 안에서 거래 성과가 나빠졌다.

이 둘을 나누면 어떤 종류의 개선이 필요한지 달라진다.

전략	이전 → 이후 평균 순익	시장 구성 변화의 설명 몫	레짐 내부·새 셀 성과의 설명 몫	가장 유용한 질문
Fibonacci Smart Entry + Exit A	−1.313% → +1.142%	+0.137%p	+2.103%p	같은 시장에서 왜 더 잘 청산됐나?
Adaptive Predictive c0005	−0.291% → +1.438%	+0.434%p	+1.438%p	성과가 좋아진 거래 경로가 재현 가능한가?
Adaptive Predictive 기본형	+1.139% → −0.462%	−0.397%p	−1.203%p	시장 변화 외에도 진입·청산이 약화됐는가?
Adaptive Liquidity/Inflow 기본형	−0.565% → −1.427%	+0.778%p	−1.733%p	레짐 구성은 유리했는데 왜 같은 레짐에서 더 잃었나?
Volatility Expansion 기본형	−2.406% → −2.069%	+0.707%p	−0.413%p	겉보기 개선이 좋은 시장 덕분일 뿐인가?

이 숫자는 원인별 관측 변화의 회계 분해이며, 신규 레짐 셀과 잔차를 포함하므로 모든 열을 더해 정확히 총 차이가 되지는 않는다. 인과 검정이 아니라 다음 가설의 우선순위를 정하는 도구다.

여기서 가장 중요한 발견

Liquidity/Inflow의 부진은 단순히 시장이 나빠져서라고 보기 어렵다. 레짐 구성 변화만 보면 오히려 +0.778%p의 유리한 변화가 있었는데, 같은 레짐 내부 및 신규 구역에서의 성과는 −1.733%p 악화됐다. 이 경우 기존 전략의 L1 레짐 허용 구역만 조정해서는 핵심 문제가 남는다. 개별 종목으로 들어가는 매수 흐름·체결 깊이·진입 확장폭을 고쳐야 할 가능성이 더 크다.

반대로 Volatility Expansion의 겉보기 회복은 더 유리한 시장에 거래가 옮겨 갔기 때문일 수 있다. 동일 레짐 안의 성과는 오히려 나빠졌다. 이것은 ‘평균 손익이 조금 개선됐으니 승격해도 된다’는 판단을 경계하게 만든다.

Predictive 기본형의 최근 악화와 c0005의 최근 개선은 서로 다른 데이터 기간과 부모 신호를 공유할 수 있다. 새 모델이 더 학습을 잘했다는 결론보다, 후보 선택과 보유·청산 경로의 차이를 매칭할 가치가 높다는 결론이 먼저다.

14. 중위 전략에서 성공과 실패를 동시에 보는 것이 왜 중요한가?

가장 좋은 전략만 보면 ‘좋아진 이유’를 찾기 쉽다. 그러나 그런 분석은 이미 잘 나온 결과를 골라 확인하는 과정이 될 수 있다. 반대로 성적이 애매한 전략의 승리와 패배를 같은 단위로 비교하면 무엇을 추가로 예측해야 하는지 드러난다.

앞서 본 MACD Impulse의 GMT 성공과 STX 실패에서 L1·1H 상태가 달랐던 것은 후보 요인이다. 여기에 다음 정보를 같은 형식으로 붙이면 실제 모델이 개선될 가능성이 생긴다.

진입 직전 5분/15분 가격 확장률과 ATR 대비 추격 거리
해당 코인의 체결대금, 스프레드, 최우선 호가 깊이, 매수·매도 주문 흐름
시장 X 유입이 소수 코인에 집중됐는지, Y 참여도가 확장 중인지
진입 후 1·3·5개 봉의 MFE(최대 순행) / MAE(최대 역행)
각 청산 조건이 발동한 시점과 그 후 가격의 실제 진행

동일 날짜·종목·레짐이 유사한 두 거래에서 성공과 실패를 비교하고, 무엇이 달랐는지 확인해야 한다. 승리 사례 한 건의 예쁜 패턴을 전체 전략 필터로 만드는 것은 또 다른 과최적화일 뿐이다.

15. 운영 모델: 현재 XYZ 상태 × 전략별 유효성

XYZ는 시장 방향 예측기가 아니라 현재의 시장 상태를 설명하는 분류 기준이자 그 상태에서 적합한 전략을 고르는 게이트다. 종목·매수·매도 신호는 각 전략의 고유 로직이 만든다. XYZ는 전략의 성패를 과거 및 Forward·Actual의 상태별 거래 결과로 평가한 뒤 현재 같은 시장 상태에 그 전략을 투입할지를 결정한다.

15.1 80개 시장 상태는 공통, 적격 구역은 전략마다 다르다

각 Strategy ID와 L1 XYZ80의 조합마다 Forward N·WR·수수료 차감 순익·PF·하방 위험·거래일 수·독립 사건 수를 집계한다. Actual은 별도 집계로 두고 동일 신호 체결 성과와 Forward 차이를 확인한다. 연구 데이터는 Forward로 둔갑시키지 않는다.

상태별 결과를 유효 / 부적합 / 근거 부족으로 관리한다. 근거가 부족한 셀은 전략 실패도, 자동 Live 승인도 아니다. 레짐 일부에만 실패 근거가 있으면 해당 레짐에서 진입을 제한한다. 모든 레짐에 걸친 심각한 실패 근거가 있을 때에만 전략 전체 Archived를 고려한다.

15.2 Sliding15·Fixed·Rolling은 현재 상태의 어떤 분류가 전략 게이트에 유용한지로 비교한다

측정 기준은 인과적 데이터 정합성, 상태 표시의 안정성과 변경 지연, 동일 전략의 상태별 성과 차이, 새로운 거래일의 조건부 성과 재현성, 부적합 구역 배제 시 순익·위험 개선 및 놓친 수익이다. 특정 방법이 시장 전체의 다음 방향을 더 잘 맞히는가는 필수 조건이 아니다.

15.3 L2 이상은 전략별 추가 분류가 입증된 경우에만 사용한다

운영 기준은 15분 L1이다. 1H·4H·1D·7D는 시장이 그동안 어떤 구조로 움직였는지 보충하는 현재까지의 맥락이다. 특정 전략에서 L1만으로는 구분되지 않는 성공·실패를 추가로 분리한다는 반복된 증거가 있을 때에만 전략별로 게이트를 확장한다.

15.4 전략 예측기·실행 로직은 상태 분류와 역할이 다르다

Breakout, Momentum, Reversion, Liquidity, ML 전략은 독자적인 진입 근거를 만든다. Smart Entry/Exit은 주문 가격·청산 시점·손실을 조정한다. XYZ는 그 전략이 현재 시장에서 유효한가를 판정한다. 이렇게 분리해야 손실 원인을 시장 상태 판정 오류 / 전략-레짐 부적합 / 신호 자체의 실패 / 실제 체결·청산으로 분해할 수 있다.

16. V8·V10·V11 R 시리즈에 적용할 서로 다른 개선 실험

R 시리즈도 단순한 버전 나열이 아니라 왜 만들었고, 어떤 손실을 해결해야 하는가로 평가한다. 동일 모델에 여러 필터를 한꺼번에 붙이면 성과 변화의 원인을 잃기 때문에, 같은 진입 후보를 고정한 한 가지 변경 실험부터 수행해야 한다.

연구 버전	개선해야 할 구체적 문제	다음 실험
V8-R1 · Capacity	우수 신호가 기존 포지션 때문에 제외됨	슬롯 부족과 동일 종목 중복 제한을 분리
V8-R2 · Concentrated Rank	Top-5에 낮은 품질의 후보가 섞임	Top-1·3·5의 비용·기회손실·MDD 비교
V8-R3 · Failure Veto	순위가 높아도 실패 위험이 큼	거절된 동일 부모 신호의 후속 손익 평가
V8-R4 · Risk-Aware	드문 큰 손실이 이익을 훼손	순위 목표에 하방위험과 비용 포함
V8-R5 · Smart Exit	상승을 예측해도 이익 실현 실패	동일 진입의 출구 A/B/C·기본형 비교
V8-R6 · Cash Rotation	자금 점유로 새 기회를 놓침	교체이익에서 재거래비용·조기청산 손실 차감
V8-R7 · Robust Ensemble	기간이 바뀌면 순위 흔들림	모델 간 순위 일치와 신규 거래일 안정성
V8-R8 · Meta-Label	좋은 후보 안에 실패 신호 존재	과거 Holdout 8건·7승 대신 신규 Forward 검증
V8-R9 · Market Fertility	특정 XYZ 상태에서 V8이 반복적으로 실패	V8×현재 XYZ 상태별 손익과 위험을 검증해 허용·제한 구역 도출
V8-R10 · Correlation	같은 자산·방향으로 위험 집중	상관 상한 1.0의 실질 제약 여부 확인
V10-R1~R3	Capacity·위험보정·Failure Veto	동일 Utility 타깃에서 추가수익과 거절 비용 측정
V10-R4~R7	Regime·집중·현금·Smart Exit	R4의 연구 95.3%→Holdout 43.5% 일반화 격차 분석
V11-R1~R3	Net Utility·Early Failure·1H Context	5분 진입의 실패 거절 및 상위 시간축 충돌을 따로 시험
V11-R4~R7	유동성·Rank Gap·Top-1·Trail	동일 코인·동일 5분 신호에서 비용과 MFE 포착률 비교

과거 V8-R7 Holdout은 28건·71.4%, R9는 21건·81.0%, R10은 26건·69.2%였다. 연구 기간에서 이긴 버전과 새 시장에서 실행 가능한 버전을 구별하는 것이 먼저다.

Lead-Lag는 왜 별도 접근이 필요한가?

Lead-Lag 전체 Forward 36건은 평균 +0.184%였지만 관측일이 3일뿐이다. 개별 Adaptive Lead-Lag V1은 9건에서 평균 −0.203%였다. XYZ 레짐을 추가하기 전에 선행 코인의 충격이 후행 종목에 전달되는 유효 시차, 거래 비용 이후 남은 수익, 시장기간이 바뀌면 관계가 붕괴하는 정도를 검증해야 한다. 관계가 입증되지 않으면 Live 대상이 아니다.

17. 개선 순서: 무엇을 먼저 실행하고, 무엇은 당분간 하지 말아야 하나?

P0 — 측정 불일치를 먼저 없앤다

① 원천 Feature Mart 신뢰성. V8의 원래 1H 피처 결측과 Scalp 1m·5m 불완전 기록을 서로 다른 문제로 조사한다. 1m/5m/15m/1H/4H/1D/7D 각각에서 캔들 확정시각, 피처 생성시각, 결측 사유, 가격 일치, 모델 입력시각을 확인한다.

② 진짜 Actual×Forward 매칭. 같은 signal ID를 가진 거래의 결정 가격·주문 가격·실체결·수량·청산 사유·수수료를 나란히 기록한다. CPOOL·APT처럼 같은 진입인데 다른 매도가 얼마나 자주 발생하는지 먼저 수량화한다.

③ 레짐 지문 완전성. Actual 70건 중 38건의 L1 누락을 원천 거래와 시장 시각을 보존하면서 복원할 수 있는지 확인한다. 사후에 현재 레짐을 끼워 넣는 방식은 사용하지 않는다. 전략별 레짐 집계와 원거래 N의 미세한 차이도 거래 ID 기준으로 재대조한다.

통과 기준: 거래 하나를 신호부터 실제 KRW PnL까지 연결할 수 있고, 존재하지 않는 피처·가격·레짐을 모델이 진실로 취급하지 않는다.

P1 — 돈을 벌 가능성이 있는 후보에 연구 역량을 집중한다

④ Adaptive Predictive Model B/C/c0005의 짝지은 실행 비교. 동일 부모 신호·동일 매수호가에서 B와 C의 실현수익·MFE 포착률·되돌림·수수료를 비교한다. 최종 후보는 새로운 기간에 고정한다.

⑤ Ignition Breakout 1H의 Actual 격차 해결. 10건의 Actual과 그 시기의 시장·진입시각·청산과정을 복원하고, Persistent 진입의 시점 지연·재진입 중복을 분리한다. 격차가 해결되기 전에는 Forward 평균이 양수라는 이유만으로 자금을 늘리지 않는다.

⑥ Fibonacci·Liquidity Runner Smart Entry의 부모 대비 추가 가치. 같은 시장 사건을 대상으로 어떤 나쁜 거래를 버렸는지 비교한다. ‘동일한 부모 기회에서 얼마나 잃을 거래를 걸렀는가’를 측정한다.

⑦ V8·V10·V11의 공통 실행 실험. 같은 피처 시점·후보·매수가·비용·보유시간·포지션 한도를 고정한다. V8의 12/24/72시간 차이, V10의 Utility 순위, V11의 5분 거래 빈도 문제를 원인별로 독립 검증한다.

P2 — 시장과 전략 상호작용을 새 기간에서 검증한다

⑧ Scalp 부모 신호 단위 재편. 587개 자식 전략의 수익을 덧셈하지 않고 종목×분 시장사건 단위로 묶어 평가한다. 공통시장 충격과 개별 전략의 추가예측 성능을 분리한다.

⑨ ‘상위시간축 충돌’의 선택적 A/B. L1 SELECTIVE_INFLOW · STRONG_UP과 1H FRAGILE_BREAKOUT · UP의 불일치처럼 실제로 반복된 실패 패턴에서 신규 진입 대기·가격 개선·규모 축소를 같은 기회에 비교한다.

⑩ 레짐은 현재 상태 분류 검증 → 전략별 유효성 분리 → 운영 게이트 순으로. 최소 30개 이상의 서로 다른 거래일에서 Sliding·Fixed·Rolling과 1H가 전략별 순익·손실 위험을 얼마나 잘 분리하는지 비교하고, 그 구역을 차단해 피한 손실과 놓친 수익을 함께 평가한다. 표본 부족은 판단 보류한다.

당분간 하지 않을 것

과거 Holdout의 높은 승률을 새 Forward의 실적으로 옮기지 않는다.
레짐 80개 중 2~3번 성공한 칸을 바로 Live 게이트로 고정하지 않는다.
손절이 많다는 이유만으로 모든 전략의 손절을 제거하거나 보유시간을 무기한 늘리지 않는다.
Smart Exit B가 Predictive에서 성공했다고 모든 전략에 동일하게 적용하지 않는다.
3개 슬롯을 무제한으로 늘리면 V8 성과가 회복될 것이라고 가정하지 않는다.
서로 다른 가상 전략의 원화 손익 합계를 하나의 실제 투자계좌 성과로 부르지 않는다.

18. 최종 판단: 우리가 찾고 있는 것은 ‘좋은 레짐’이 아니라 ‘좋은 레짐에서 작동하는 좋은 이유’다

이번 전수 분석의 가장 중요한 성과는 무엇을 연구하지 말아야 할지가 명확해졌다는 것이다.

Scalp의 절대적인 전략 개수와 거래 건수는 지금 필요한 근거가 아니다. 다수는 같은 시장사건의 복제이며, 전체 비용 차감 성과는 부진하다. 그렇다고 모든 전략을 없애야 한다는 뜻도 아니다. 기본 신호가 무엇이고 각 변형이 추가로 무엇을 맞혔는지부터 다시 정의해야 한다.

Core에서는 점화 순간, 피보나치 반등, 유동성 있는 Runner의 좋은 진입이 생존 가능성을 보였다. Adaptive에서는 Predictive 신호와 수익을 보호하는 출구의 조합이 유력하다. 반면 Breakout·Volatility Expansion·Liquidity/Inflow의 손실은 출구만 바꿔서는 해결되지 않았다. 이들은 들어가면 안 되는 기회를 걸러내는 능력부터 강화해야 한다.

XYZ 시장 레짐은 시장이 지금까지 어떻게 움직였고 현재(15분) 어떤 상태인지를 분류하며, 그 상태에서 유효성이 검증된 전략만 선택하는 공통 기준이다. 시장 방향 예측력은 이 목적의 평가 대상이 아니다. 앞으로는 전략×현재 L1 XYZ 상태별 Forward·Actual 순익과 증거 수준을 중심으로 허용·제한·근거 부족을 관리한다. 시간축 충돌·자금 확산·실제 유동성·진입 지연은 특정 전략이 특정 레짐에서 실패하는 이유를 검증하는 변수다.

앞으로의 가장 가치 있는 질문은 다음과 같다.

“이 전략의 성공 거래가 실패 거래와 달랐던, 매수 결정 이전에 이미 알 수 있었던 정보는 무엇인가?”

그 정보가 반복적으로 존재하고, 새로운 날짜에서도 실제 주문가격과 비용을 반영해 순익을 남긴다면 그때 비로소 개선된 전략이다.

우선 연구할 대상은 분명하다. Adaptive Predictive B/C/c0005, Ignition Breakout 1H의 실제 매매 격차, Fibonacci 및 Liquidity Runner의 Smart Entry, 그리고 Scalp의 부모 신호별 빠른 실패 예측이다. 이 순서가 현재 시스템을 고성과로 바꿀 가능성을 가장 효율적으로 검증하는 길이다.