암호화폐 트레이딩 봇의 90%가 손실을 보는 이유: 7가지 실패 모드의 법의학적 해부

"트레이더의 90%가 손실을 본다"는 통계는 리테일 금융에서 가장 많이 인용되는 숫자 중 하나이며, 가장 적게 이해되는 숫자 중 하나입니다. 그것은 암호화폐 트레이딩 봇에 대한 연구에서 나온 것이 아닙니다. 그것은 브로커 공시와 주로 버튼을 클릭하는 인간을 측정하는 리테일 트레이딩 데이터셋에서 나옵니다. 그러나 리테일 봇 성과를 인간의 재량적 트레이딩과 분리해도, 실패율은 대략 같은 범위에 떨어집니다. 원인은 예측 가능합니다.

이것은 그 원인들의 법의학적 분해입니다. "감정을 통제하라"식의 진부한 격언 목록이 아닙니다. 각 섹션은 실패 모드의 이름을 짓고, 그것이 봇의 라이프사이클(백테스트, 라이브 실행, 배포 후 decay) 어디에서 발생하는지 보여주며, 다음 전략이 가동되기 전에 구현할 수 있는 구체적인 수정으로 끝납니다.

전략이 백테스트에서는 깨끗한 에쿼티 커브를 인쇄하고 프로덕션에서는 PnL을 출혈하는 것을 본 적이 있다면, 당신은 이미 아래 7가지 실패 중 최소 2개를 만났습니다.

"90%가 손실을 본다"는 숫자는 실제로 어디에서 오는가

"트레이더의 90%가 손실을 본다"는 헤드라인은 단일 정전 연구로 추적 가능하지 않습니다. 그것은 세 가지 독립적인 증거 흐름을 쌓을 때 떠오르는 방향성 합의입니다: 규제 당국이 의무화한 브로커 공시, 피어 리뷰된 학술 연구, 그리고 인접한 온체인 데이터. 리테일 암호화폐 봇 성과를 구체적으로 분리하는 발표된 연구는 없습니다. 그러나 범위는 잘 확립되어 있습니다.

규제 당국이 의무화한 브로커 공시부터 시작합시다. 2018년 이후로, ESMA는 EU 규제 CFD 브로커에게 손실을 보는 리테일 계정의 비율을 보여주는 표준화된 경고를 게시하도록 요구합니다. 산업 전체에서, 이러한 공시는 일관되게 74–89% 범위에 위치합니다. FCA 규제하의 eToro UK 부문은 현재 리테일 손실 77%를 공시합니다; 다른 UK 브로커들은 더 높습니다. 이 숫자들은 법적으로 감사 가능하고 분기별로 업데이트됩니다.

학술 기록도 동의합니다. 리테일 데이 트레이더 수익성에 관한 가장 엄밀한 연구는 Chague, De-Losso and Giovannetti (2019), "Day Trading for a Living?" 으로, 2013년에서 2015년 사이에 브라질 주식 선물 데이 트레이딩을 시작하여 최소 300일을 지속한 모든 개인을 조사했습니다. 결과: 97%가 손실, 단 1.1%만이 브라질 최저임금 이상을 벌었고, 단 0.5%만이 은행 창구 직원의 초봉 이상을 벌었습니다. 논문은 "경험을 통한 학습"의 통계적 증거를 찾지 못했습니다. Barber, Lee, Liu and Odean의 대만 선물 시장(1992–2006)에 대한 이전 연구도 비슷한 결론에 도달했습니다: 무거운 데이 트레이더 중 약 19%만이 수수료 차감 후 양의 비정상 수익률을 얻었으며, 이는 기회비용을 고려하기도 전에 약 80%가 손실을 보았다는 것을 의미합니다.

세 번째 흐름은 인접한 자동화 트레이딩 데이터입니다. 공개 봇 마켓플레이스 성과 페이지(3Commas, Bitsgap, Cryptohopper)는 상위 전략의 집계 PnL을 자체 보고하지만, 관련 벤치마크는 중앙값 사용자이지 상위 전략이 아닙니다. 중앙값 성과 페이지는, 존재하는 경우, 일관되게 전체 사이클에서 음의 수익률을 보입니다. 자동화 월렛 행동의 온체인 분석은 다른 각도에서 같은 결론에 도달합니다: 수익성은 운영자의 상위 5–10%에 집중되며, 롱 테일이 그들에게 유동성을 제공합니다.

이를 종합하면, 전체 시장 사이클에 걸친 리테일 암호화폐 봇 운영자의 손실률은 아래로는 ESMA 스타일의 리테일 브로커 공시, 위로는 리테일 데이 트레이더 학술 연구에 의해 경계 지어진 75–90% 범위에 있을 가능성이 가장 높습니다.

Retail loss-rate evidence · % of accounts losing money

정확한 백분율은 그 뒤의 패턴보다 덜 중요합니다: 동일한 7가지 엔지니어링 오류가 수천 개의 전략에 걸쳐 반복되며, 리테일 봇이 부진한 이유의 거의 모든 것을 설명합니다.

실패 모드 #1 — 백테스트에서의 생존 편향

생존 편향은 오늘날에도 여전히 존재하는 자산에서만 전략을 테스트하는 오류입니다. 상장 폐지되거나, depeg되거나, 러그된 코인은 역사적 유니버스에서 조용히 제외되며, 이는 전략이 실제로 했을 최악의 트레이드를 제거하여 백테스트 수익을 부풀립니다.

이것은 깨끗한 백테스트가 프로덕션에서 죽는 단일 가장 흔한 이유입니다.

대부분의 리테일 백테스트 프레임워크는 CoinGecko, Binance, 또는 CCXT에서 역사적 OHLCV를 가져옵니다. 이 소스들 모두 기본적으로 생존자 큐레이션 된 유니버스를 제공합니다. 오늘의 상위 50을 사용하여 "시가총액 상위 50 코인"에 대해 모멘텀 전략을 백테스트하면, Terra/LUNA가 붕괴하지 않았고, FTT가 0이 되지 않았으며, 백 개의 2021 사이클 알트가 상장 폐지 전에 가치의 99%를 잃지 않은 세계에서 전략을 테스트하는 것입니다.

2022년 AQR의 주식 시장 백테스트 검토는 생존 편향이 롱 온리 모멘텀 백테스트에 연간 1–3%를 추가한다고 추정했습니다. 암호화폐에서는 상장 폐지와 총 손실률이 주식보다 한 자릿수 더 높기 때문에, 효과가 더 심각합니다. 생존자 유니버스에서 테스트된 long/short 암호화폐 전략은 학술적 walk-forward에서 연 10–20%의 수익률 부풀림을 보였습니다.

Backtest equity curves · indexed to 100

Survivor universePoint-in-time

수정은 point-in-time 유니버스입니다. 백테스트의 각 타임스탬프에서, 사용 가능한 트레이딩 유니버스는 그 순간에 실제로 상장되어 거래되던 코인이어야 하며, 이후에 사망한 것들도 포함합니다. 상장 폐지 로그를 유지하세요. 데이터 공급자가 이를 노출하지 않는다면, Binance/Coinbase 상장을 월별로 스냅샷하고 지속시켜 재구성할 수 있습니다. 지루합니다. 그것은 또한 라이브 성과를 예측하는 백테스트와 이야기를 만들어내는 백테스트 사이의 차이이기도 합니다.

실패 모드 #2 — 필터링되지 않은 시그널(ML 또는 통계적 게이트 없음)

순수한 인디케이터-트리거 전략은 그 규칙이 true로 해결될 때마다 발사됩니다. RSI가 30을 교차, MACD가 뒤집힘, 다이버전스가 인쇄됨, 봇이 포지션을 엽니다. 문제: 그 트리거들의 대부분은 인디케이터의 엣지가 통계적으로 0 또는 음인 시장 레짐에서 발사됩니다.

수정은 시그널 게이트, 원시 시그널과 주문 사이에 위치한 가벼운 모델 또는 규칙 레이어입니다. 그 일은 인디케이터의 역사적 손실 풀처럼 보이는 시그널을 거부하는 것입니다.

여기가 머신러닝이 트레이딩에서 실제로 유용한 곳입니다, "AI 트레이딩" 마케팅 카피의 95%에서 오용되고 있지만요. 가격을 예측하는 데 ML이 필요하지 않습니다. 훨씬 더 작은 일을 하는 데 그것이 필요합니다: 각 후보 시그널을 "역사적으로 수익성 있는 셋업처럼 보임" 또는 "역사적으로 손실 셋업처럼 보임"으로 분류하는 것, 인디케이터 단독으로는 볼 수 없는 특징을 사용해서요. 오더북 임밸런스, BTC 테이프 상태, 최근 변동성 레짐, 시간대, funding rate, 사전 시그널 밀도.

잘 튜닝된 시그널 게이트는 통상적으로 시그널 수를 40–70% 줄이면서 승률을 5–15 퍼센티지 포인트, Sharpe를 0.3–0.7 개선합니다. 이는 공개된 리테일 퀀트 연구의 보수적 범위이며, 게이트 건강 대시보드를 유지하는 모든 프로덕션 시스템에서 관찰 가능합니다.

구현 패턴은 화려하지 않습니다. 레이블된 역사적 시그널에 대해 gradient-boosted 분류기(XGBoost 또는 LightGBM)를 훈련합니다. 레이블은 "이 시그널이 스톱로스 전에 테이크프로핏에 도달했는가"입니다. 50–150개의 특징을 사용하고, 공격적으로 정규화하며, 롤링 3개월 윈도우에서 walk-forward 검증합니다. 게이트 임계값을 튜닝 가능한 하이퍼파라미터로 취급합니다. 임계값 0.5에서는 너무 많이 받아들입니다. 0.7에서는 전략을 굶깁니다. 그 사이 어딘가가 당신의 운영 포인트입니다.

리테일 빌더가 저지르는 실수: 게이트를 완전히 건너뛰거나(시그널 범람, 엣지 희석) 전체 전략을 모델로 대체합니다(과적합 붕괴). 게이트는 가산적이어야 합니다. 시그널 먼저, 그다음 게이트, 그다음 트레이드.

실패 모드 #3 — 시장 레짐 무시(BTC 테이프 효과)

암호화폐 알트코인은 독립적인 자산이 아닙니다. 그것들은 비트코인 센티먼트에 대한 레버리지 베팅이며 그 위에 고유한 노이즈가 얹어져 있습니다. BTC가 15분 만에 4% 덤프하면, 상관 행렬은 전체 알트 시장에서 ~1로 붕괴되고, 그 윈도우에서 발사되는 어떤 알트코인 시그널이든 거의 확실히 나쁜 체결입니다.

레짐 게이트는 더 넓은 시장의 상태, 가장 흔하게는 BTC "테이프"의 상태에 기반하여 전략 동작을 비활성화하거나 수정하는 최상위 필터입니다. 패턴은 간단합니다. BTC가 지난 N분 동안 X% 이상 움직였다면(또는 단기 실현 변동성이 임계값을 위반하면), 알트 전략 진입을 억제합니다.

이것은 모든 long/short 알트 전략에 대해 협상 불가입니다. 그것 없이는, 당신의 전략은 BTC 청산이 모든 알트를 8–12% 끌어내리려는 바로 그 순간에 체계적으로 포지션을 열 것입니다.

순진한 반박은 "하지만 내 전략은 이미 ATR / 포지션 사이징을 통해 변동성을 고려한다"입니다. 그렇지 않습니다. ATR은 후행 측정값입니다. 청산 캐스케이드는 ATR이 적응할 수 있는 것보다 빠른 시간 척도에서 발생하는 선행 이벤트입니다. 당신의 스톱이 넓혀질 때쯤이면, 캐스케이드는 이미 당신의 에쿼티를 먹고 있습니다.

구체적으로, 롤링 BTC "테이프 상태" 특징을 계산합니다. 예를 들어 지난 5분의 절대 수익률에서 롤링 베이스라인을 뺀 것. 이 특징이 임계값을 교차하면, 상관된 전략의 새로운 진입을 차단하는 전역 플래그를 설정합니다. 플래그로 기존 포지션을 닫지 마세요(그것은 당신의 포트폴리오 자체에 매도 캐스케이드를 만듭니다). 단지 새로운 것을 여는 것을 멈추세요.

임계값 자체는 경험적입니다. 합리적인 시작점: BTC의 5분 절대 수익률이 1.5%를 초과할 때 알트 진입을 차단하고, 트리거가 사라진 후 30–60분 동안 차단을 유지하고, 거기서 조정합니다.

숏 사이드 전략에 유용한 변형은 단지 억제하는 것이 아니라 진입 조건으로 BTC 테이프 시그널을 요구하는 것입니다. "BTC도 약화되지 않는 한 알트를 숏하지 마라." 이것은 레짐 필터를 레짐 확인으로 변환하고, 트레이드 수를 60–80% 떨어뜨리면서 승률을 실질적으로 개선하는 경향이 있습니다.

실패 모드 #4 — 역사적 sweep을 통한 과적합

백테스트에서의 과적합은 역사적 에쿼티 커브가 멋져 보일 때까지 전략 파라미터를 튜닝하는 관행으로, 새로운 데이터에 대해 0의 예측력을 가진 전략을 생산합니다. 다른 어떤 실패 모드보다도 더 안정적으로 리테일 봇을 죽입니다. 왜냐하면 이를 가능하게 하는 도구들(파라미터 sweep, 최적화 그리드, "자동 튜닝")이 모든 프레임워크가 기능으로 마케팅하는 것과 같은 도구이기 때문입니다.

메커니즘: K개의 자유 파라미터를 가진 모든 전략은 K가 커질수록 점진적으로 더 많은 cherry-picking으로 역사적 데이터에 맞출 수 있습니다. RSI 임계값을 1 단위로 20에서 40까지, 테이크프로핏을 1%에서 5%까지, 스톱로스를 0.5%에서 3%까지 sweep하면 21 × 41 × 26 = 22,386개의 전략 변형의 탐색 공간을 만든 것입니다. 그 중 최고는 완전히 무작위 데이터에서도 순수한 우연만으로 놀라운 Sharpe를 가질 것입니다.

Bailey, Borwein, López de Prado and Zhu의 2014년 논문 "The Probability of Backtest Overfitting" 이 이를 형식화했습니다. 그들은 테스트된 전략 변형의 수가 증가함에 따라, 현실적인 모든 샘플 크기에 대해 최고 in-sample 변형의 예상 out-of-sample Sharpe가 0 아래로 떨어진다는 것을 보였습니다. 더 많이 튜닝할수록, 라이브 PnL이 더 나빠집니다.

수정은 "튜닝하지 마라"가 아닙니다. 규율입니다:

1. 단일 백테스트가 아닌 walk-forward 교차 검증. 역사를 12개 이상의 롤링 윈도우로 분할합니다. 각 훈련 폴드에서 튜닝하고, 해당 테스트 폴드에서 평가하고, 모든 테스트 폴드에 걸쳐 성과를 평균합니다. 각 훈련 폴드에서 선택된 "최고" 파라미터는 안정적인 테스트 폴드 성과를 생산해야 합니다. 그렇지 않다면, 당신의 전략은 견고하지 않습니다.
2. 파라미터 수에 페널티를 부과합니다. 각 자유 파라미터는 in-sample이 아닌 out-of-sample 지표에서의 의미 있는 개선으로 자신을 정당화해야 합니다. Akaike Information Criterion 또는 단순한 held-out 검증 둘 다 작동합니다.
3. IR 하락의 현실 확인. 일반적인 휴리스틱: 배포 후 라이브 정보 비율이 in-sample IR의 대략 1/3이 될 것으로 예상하세요. in-sample Sharpe가 3이라면, 아마 Sharpe 1로 살게 될 것이고, 그것은 괜찮습니다. in-sample Sharpe가 0.9라면, 0.3으로 살게 될 것이고, 수수료와 slippage 후에는 동전 던지기입니다. 많은 리테일 전략이 실패하는 것은 in-sample 엣지가 IR 축소를 견뎌낼 만큼 크지 않았기 때문입니다.

실패 모드 #5 — 잘못 수행된 risk-reward 게이팅

대부분의 리테일 전략은 단일 전역 risk-reward(RR) 요구사항을 설정합니다. "나는 최소 2:1 reward-to-risk의 트레이드만 취한다." 이것은 엄격하게 들리지만, 특정 전략 패밀리의 승자 인구 전체를 조용히 필터링합니다.

오류: RR은 단독으로 전략의 속성이 아닙니다. 그것은 전략의 히트율의 속성입니다. 70% 히트율과 1.2:1 RR을 가진 전략은 35% 히트율과 2:1 RR을 가진 전략보다 더 높은 기댓값을 가집니다. 고히트율 전략에 2:1 셋업을 찾도록 강요하는 것은 그 고유한 패턴에 존재하지 않는 셋업을 기다리는 것을 의미하며, 결국 한 달에 세 트레이드를 취하고 통계적 유의성이 없는 완벽하게 게이트된 전략으로 끝납니다.

수정은 경험적으로 보정된 전략별 RR 임계값입니다. 시스템의 각 전략에 대해, 역사적 히트율을 측정하고 break-even RR(break_even_RR = (1 - hit_rate) / hit_rate)을 계산합니다. 교과서 2:1을 복사하는 대신 프로덕션 RR 임계값을 break-even 위의 방어 가능한 마진, 일반적으로 1.2배에서 1.5배로 설정합니다.

Break-even RR vs hit rate

(1 − hit_rate) / hit_rate

다이버전스 기반 평균 회귀 전략은 히트율이 65%이기 때문에 min_RR = 1.2에서 수익성 있게 작동할 수 있습니다. 추세 추종 브레이크아웃 전략은 히트율이 30%이기 때문에 min_RR = 2.5+가 필요합니다. 둘 다 같은 RR 규칙으로 강요하면 하나가 죽습니다.

두 번째 관련 오류는 진입 시점의 실제 시장 구조에서 RR을 계산하는 대신 정적 스톱과 정적 타겟을 사용하여 RR을 계산하는 것입니다. 구조적 지지 수준에 대해 계산된 2:1 RR은 고정 1% 스톱에 대해 계산된 2:1 RR과 다른 베팅입니다. 구조 기반 스톱을 무시하는 전략은 가격 기하학이 아닌 노이즈에 대해 자신을 게이팅하는 것입니다.

실패 모드 #6 — Slippage와 레이턴시 사각지대

백테스트는 종가에 체결됩니다. 라이브 트레이딩은 오더북이 제공하는 것에 체결됩니다. 그 둘 사이의 갭이 종이상 수익성 있는 전략과 실제 돈 손실 기계 사이의 차이입니다.

세 가지 slippage 소스가 리테일 봇을 죽입니다, 과소평가된 심각도 순으로. (주문 티켓에 나타나지 않는 모든 비용 라인 — funding, mark spread, 동적 결제, ADL — 의 거래소별 분석을 위해서는 Binance, Bybit, OKX의 숨겨진 비용을 참조하세요.)

첫 번째는 스프레드 교차입니다. 당신의 백테스트는 $42,150에 샀다고 가정합니다. 당신의 라이브 주문은 $42,158의 오퍼에 닿는 시장가 주문입니다. $42K BTC 포지션에서 8달러는 대략 2 베이시스 포인트의 slippage이며, 모든 트레이드마다 그렇습니다. 한 달에 200 트레이드를 취하는 전략에서, 그것은 연 4%의 drag이며, 6% 명목 알파를 지우기에 충분합니다.

두 번째는 시장 충격입니다. 대형 페어의 리테일 규모에서는 작지만, 중형 알트에서는 $5K 시장가 주문조차도 저유동성 시간 동안 오더북을 눈에 띄게 움직일 수 있습니다. 백테스트가 종가를 사용하고 라이브 실행이 북의 세 레벨을 쓸어버린다면, 체결당 수십 베이시스 포인트를 지불하는 것입니다.

세 번째, 그리고 미묘한 것은 결정 시점의 마이크로스트럭처입니다. 당신의 전략은 캔들 종가에 진입하기로 결정했습니다. 결정과 주문 도착 사이에, 스프레드가 움직였고, 큐가 이동했으며, 체결되는 가격은 더 이상 결정을 트리거한 조건에 해당하지 않습니다. 효과는 빠른 시장에서 복리화되며, 그것은 정확히 리테일 봇이 가장 많은 포지션을 취하는 시장입니다.

수정은 결정 순간의 오더북 상태의 섀도우 캡처로, 트레이드와 함께 지속됩니다. top-of-book bid/ask, 베이시스 포인트의 스프레드, ±0.1% / ±0.5% / ±1%에서의 깊이, 그리고 이전 10초의 테이커 볼륨을 캡처합니다. 트레이드가 닫힌 후 이것들을 실제 체결 품질과 비교합니다. 예상 체결 품질과 실현된 체결 품질 사이의 갭이 당신의 진짜 slippage 예산이며, 이를 명시적으로 추적하는 것이 보이지 않는 drag를 보이고 수정 가능한 것으로 변환합니다.

구체적으로: 결정 시점의 마이크로스트럭처를 무시하는 봇은 그것을 명시적으로 모델링하는 봇보다 라운드트립당 통상적으로 15–40 베이시스 포인트 더 지불합니다. 트레이드당 50bp의 그로스 엣지를 가진 전략에서, 그것이 수익성 있는 것과 그렇지 않은 것의 차이입니다.

실패 모드 #7 — 조용한 전략 decay(라이브 모니터링 없음)

전략은 decay합니다. 암호화폐 시장이 독특하게 잔인해서가 아니라(모든 시장의 모든 전략은 decay합니다), 리테일 봇이 활용하는 알파 엣지가 월, 때로는 주 단위로 측정되는 반감기를 가지기 때문입니다. 퀀트 산업에는 이를 위한 용어가 있습니다: alpha decay.

실패 모드는 decay 자체가 아닙니다. 그것은 리테일 빌더가 전략을 배포하고, 2주 동안 그것을 관찰하고, 녹색 PnL을 보고, 관찰을 멈춘다는 것입니다. 6개월 후 그들은 계정을 보고, 에쿼티가 배포 베이스라인 아래에 있고, 전략이 그 윈도우의 대부분 동안 조용히 수익성이 없었다는 것을 봅니다.

세 가지 모니터링 아티팩트가 에쿼티가 출혈하기 전에 이를 잡아냅니다.

첫째, 히트율 드리프트 감지. 30일 롤링 히트율을 그 보정 기간으로부터의 전략의 예상 히트율에 대해 추적합니다. 롤링 수치가 베이스라인보다 1.5 표준편차 이상 떨어져 2주 연속 지속되면, 전략은 decay 중입니다. 일시 중지하고 재배포 전에 게이트 보정을 다시 실행합니다.

둘째, 게이트 합의 모니터링. 당신의 전략이 ML 또는 통계적 게이트를 사용한다면, 게이트의 예측과 실제 트레이드 결과 사이의 합의를 추적합니다. 합의가 떨어지면, 게이트는 더 이상 정보를 제공하지 않습니다. 시장 레짐이 게이트의 훈련 분포 밖으로 이동한 것입니다. 이것은 보통 히트율 드리프트보다 1–2주 앞서 발생하며, 조기 경고를 제공합니다.

셋째, slippage 드리프트. 실패 모드 #6의 결정 시점 마이크로스트럭처 캡처도 시간이 지남에 따라 모니터링되어야 합니다. 상승하는 스프레드, 떨어지는 북 깊이, 그리고 상승하는 실현 slippage는 모두 전략의 선호 실행 윈도우가 더 비싸지고 있음을 나타내며, 종종 더 많은 봇이 같은 트레이드에 도착했기 때문입니다.

실용적 규칙: 이 세 가지 아티팩트를 추적하는 모니터링 대시보드 없이 90일 이상 라이브 상태인 모든 전략은 모르고 출혈하고 있습니다. 수정은 이론적이지 않습니다. 일일 보고서, 평문 이메일이라도 좋으니, 각 지표를 베이스라인에 대해 보여주는 것을 설정하세요. 비용은 엔지니어링 하루입니다. 절감은 감지와 다음 폭발 사이에 당신이 잃었을 모든 것입니다.

실제로 작동하는 10% — 12포인트 사전 비행 체크리스트

전체 시장 사이클(강세장, 약세장, chop)을 살아남는 전략은 작은 구조적 속성 집합을 공유합니다. 새로운 봇을 프로덕션에 배포하기 전에 이 체크리스트를 사용하세요.

12개 모두를 만족하는 전략이 수익성을 보장하는 것은 아닙니다. 시장은 시장으로 남습니다. 그러나 이 중 셋 이상에서 실패하는 전략은 통계적으로 손실을 보는 90%에 합류할 운명이며, 보통 배포 후 6–12개월 이내입니다.

자주 묻는 질문

암호화폐 트레이딩 봇은 수익성이 있는가?

소수는 그렇습니다. ESMA 브로커 공시(리테일 손실률 74–89%), 피어 리뷰된 리테일 데이 트레이더 연구(Chague et al. 2019: 브라질 선물에서 97%가 손실; Barber et al.: 대만에서 약 80%), 그리고 온체인 봇 월렛 분석을 삼각측량하면, 전체 시장 사이클에 걸친 리테일 암호화폐 봇의 수익성은 운영자의 상위 10–25%에 집중될 가능성이 가장 높습니다. 암호화폐 봇 숫자를 더 정확히 분리하는 피어 리뷰 연구는 없습니다.

암호화폐 트레이딩 봇의 몇 퍼센트가 손실을 보는가?

전체 시장 사이클에 걸쳐 대략 75–90%로, 같은 증거 스택에 기반합니다: 규제 당국이 의무화한 CFD 브로커 손실률 공시, 리테일 데이 트레이더 수익성에 관한 학술 연구(Chague, De-Losso and Giovannetti 2019; Barber, Lee, Liu and Odean), 그리고 공개된 봇 마켓플레이스 데이터. 암호화폐 봇을 구체적으로 분리하는 연구는 없지만, 이 숫자를 생산하는 실패 모드(과적합, 생존 편향, 레짐 맹점, slippage drag)는 개별 전략에서 관찰 가능하고 정량화 가능합니다.

백테스트는 좋아 보이는데 왜 내 암호화폐 트레이딩 봇은 손실을 보는가?

가장 흔한 원인은 백테스트의 생존 편향과 라이브 실행에서 모델링되지 않은 slippage의 조합입니다. 기본 데이터 소스에서 가져온 백테스트는 생존한 코인만 포함하고 종가에서의 체결을 가정하며, 이 두 가지 모두 백테스트 리턴을 연 5–20% 부풀립니다. 과적합과 레짐 게이트의 부재를 추가하면, 30% Sharpe 3 백테스트가 Sharpe 0.2의 라이브 PnL이 될 수 있습니다.

암호화폐 트레이딩 봇은 2026년에 실제로 작동하는가?

네, 그러나 7가지 실패 모드에 대한 명시적 방어와 함께 구축된 경우에만 그렇습니다. point-in-time 유니버스, 시그널 게이팅, 레짐 필터링, 보정된 RR 임계값, 결정 시점의 slippage 캡처, 라이브 모니터링을 결합한 봇은 2026년에도 위험조정 수익률을 양수로 계속 생산하고 있습니다. 이 중 어느 두 가지를 건너뛰는 봇은 통상적으로 수수료 차감 후 BTC의 단순 buy-and-hold를 하회합니다.

암호화폐 트레이딩 봇이 작동하기 시작하기까지 얼마나 걸리는가?

올바르게 구축된 봇은 라이브 배포 후 처음 60–90일 이내에 순 양수가 되어야 합니다. 그렇지 않다면, in-sample 백테스트가 과적합되었을 가능성이 큽니다. 진정한 엣지를 가진 전략은 히트율에 따라 100–300 트레이드 이내에 통계적으로 유의한 out-of-sample 성과를 보이는 경향이 있습니다. 그 범위를 넘어 "수렴에 더 많은 시간이 필요하다"는 주장은 보통 진짜 엣지가 없는 전략을 나타냅니다.

암호화폐 트레이딩 봇을 만드는 것이 좋은가 사는 것이 좋은가?

만드는 것이 시간상 더 비싸지만 실패 비용에서는 더 저렴합니다. 마켓플레이스의 기성 봇은 거의 보편적으로 같은 과적합과 레짐 맹점 문제를 겪습니다. 왜냐하면 마켓플레이스 인센티브가 역사적으로 좋아 보이는 전략을 게시하는 것이고, 그것이 정확히 가장 과적합되기 쉬운 종류의 전략이기 때문입니다. 12포인트 체크리스트를 적용한 커스텀 봇은 최고 등급 마켓플레이스 봇보다 측정 가능하게 더 나은 확률을 갖습니다.

결론

90% 수치는 수천 개의 리테일 트레이딩 시스템에 걸쳐 반복되는 7가지 구체적 엔지니어링 오류의 누적 결과입니다. 각 오류에는 수정이 있습니다. 수정의 대부분은 기술적으로 어렵지 않습니다; 지루하고, 모든 "AI 트레이딩 플랫폼"의 마케팅 카피가 적극적으로 반대하는 규율을 요구합니다.

봇을 구축하고 있다면, 당신의 엣지는 더 나은 인디케이터를 찾는 데 있지 않습니다. 인디케이터 유니버스는 고갈되었습니다; Twitter 스레드에 맞는 모든 리테일 엣지는 이미 차익거래되고 있습니다. 당신의 엣지는 위의 7가지 오류를 저지르지 않는 것에서 나옵니다. 그것은 대부분의 리테일 암호화폐 콘텐츠가 하는 주장보다 작고 더 정직한 주장이며, 데이터와 일관된 유일한 주장입니다.

전략 코드 한 줄을 쓰기 전에 12포인트 체크리스트로 시작하세요. point-in-time 유니버스 구축, 시그널 게이트, 레짐 필터링, 라이브 모니터링에 보내는 시간은 인디케이터 튜닝의 도파민에 비해 느리게 느껴질 것입니다. 그것들은 또한 10%를 90%와 분리하는 작업의 일부입니다.

출처 및 추가 읽기

• Chague, F., De-Losso, R., Giovannetti, B. (2019). Day Trading for a Living? University of São Paulo / FGV-EESP Working Paper. SSRN: 3423101. 결과: 300일 이상 지속된 브라질 선물 데이 트레이더의 97%가 손실; 경험을 통한 학습의 증거 없음.
• Barber, B., Lee, Y.-T., Liu, Y.-J., Odean, T. (2014). The Cross-Section of Speculator Skill: Evidence from Day Trading. Journal of Financial Markets. 결과: 무거운 대만 데이 트레이더의 약 19%가 수수료 차감 후 양의 비정상 수익률을 얻음.
• Bailey, D., Borwein, J., López de Prado, M., Zhu, Q. J. (2015). The Probability of Backtest Overfitting. Journal of Computational Finance. SSRN: 2326253. 전략 탐색이 out-of-sample 성과를 희생하여 in-sample Sharpe를 부풀린다는 형식적 증명.
• ESMA, Product Intervention Measures on CFDs(2018년 이후 갱신). 리테일 CFD 손실률 공시 의무. 산업 전반 범위: 74–89%.
• eToro, General Risk Disclosure 및 FCA 의무 UK 손실률 공시(현재 UK 77%; 글로벌 51%). etoro.com/customer-service/general-risk-disclosure.
• Glassnode / Kaiko, MEV 및 차익거래 봇 월렛 수익성의 공개 온체인 분석(2023–2024). 수익성은 운영자의 상위 5–10%에 집중.