성적과 학습 시스템

AI에게 과거를 가르치다 — 레퍼런스 트레이드 학습 시스템

2026년 2월 19일 — 2주간의 실전 데이터가 쌓였다. 이제 AI가 자기 과거 거래를 보고 배울 차례다.

2주간의 성적표

EP.07에서 $150(BTC)과 $500(ALT)으로 실전 테스트를 시작한 지 2주가 지났다. 결과부터 보자.

비트인덱스 (BTC) — 바이낸스

솔직히 비트인덱스는 고전 중이다. 2/12~13에 -$12.78의 낙폭을 기록했고, 아직 회복하지 못했다. 승률 45%로는 수수료를 이기기 어렵다.

알트인덱스 (ALT) — 바이비트

알트인덱스는 승률이 52%밖에 안 되지만 수익은 플러스다. 비결은 트레일링 시스템에 있다.

트레일링의 위력

21건의 거래에서 패턴이 명확하게 보인다.

TRAILING 성공 (5건) — 큰 수익:

SL 손절 (8건) — 작은 손실:

승률은 52%인데 수익이 나는 이유: 이길 때 크게 이기고, 질 때 작게 진다. JELLYJELLYUSDT 한 건(+$57)이 SL 3건분의 손실을 상쇄한다.

하지만 문제도 보인다. SL 8건 중 AI가 A+ 또는 A 등급을 준 게 전부다. AI가 높은 점수를 줬는데 손절당한 거래가 너무 많다.

2/11 — 최악의 날

2월 11일은 알트인덱스 역사상 최악의 날이었다.

ASR  LONG  A+(9)  → SL -$13.03
MOCA SHORT A-(8)  → SL -$15.46
4    SHORT A(8)   → SL  -$7.98

하루에 3연속 손절. 잔고가 $500 → $466으로 -$34 급락했다. 다음 날 PUMPBTC까지 손절당하면서 4연패를 기록했다.

그런데 그 다음이 흥미롭다.

VELVET SHORT A+(9)  → TRAILING +$27.37 (+60%)
AAVE   LONG  A+(9)  → TRAILING +$27.25 (+56%)
WAVES  LONG  A+(9)  → TRAILING +$26.50 (+52%)

3연속 트레일링 대성공. $81을 벌어서 4연패의 손실 $50을 완전히 회복하고도 남았다. 잔고가 $462 → $534로 반등.

이게 Kullamagi 전략의 본질이다. 손절은 빠르게, 수익은 끝까지 끌고 간다.

문제 인식: AI는 과거를 모른다

4연패 후 3연승의 패턴을 보면서 깨달은 게 있다.

비트인덱스의 AI는 최근 5일간 자기 예측 이력을 보고 판단을 보정한다. "최근에 SHORT가 계속 틀렸으니 조심하자"는 맥락을 활용하는 것이다.

그런데 알트인덱스의 AI는? 매번 백지 상태에서 판단한다.

성공한 거래에서 어떤 패턴이 있었는지, 실패한 거래에서 어떤 우려가 현실이 됐는지, 아무것도 모른 채 매번 새로운 후보를 평가한다. A+ 점수를 줬는데 손절당한 거래가 쌓여도, 그 경험이 다음 판단에 반영되지 않는다.

사람이라면 자연스럽게 하는 것 — "지난번에 이런 패턴에서 손절당했으니 이번엔 더 신중하자" — 을 AI는 할 수 없었다.

해결: 레퍼런스 트레이드 학습

오늘 만든 것은 간단하다.

1. reference_trades.php — 과거 거래 조회 API

// TRAILING 성공 사례 최근 10건
SELECT symbol, side, ai_score, ai_verdict, ai_strengths, ai_concerns,
close_reason, realized_pnl_percent
FROM alt_positions
WHERE status = 'CLOSED' AND close_reason = 'TRAILING'
ORDER BY exit_time DESC LIMIT 10

// SL 실패 사례 최근 10건
SELECT symbol, side, ai_score, ai_verdict, ai_strengths, ai_concerns,
close_reason, realized_pnl_percent
FROM alt_positions
WHERE status = 'CLOSED' AND close_reason = 'SL'
ORDER BY exit_time DESC LIMIT 10

성공(TRAILING)과 실패(SL) 각 10건씩, AI가 당시 부여한 점수, 강점, 우려사항까지 전부 가져온다.

2. Fetch_Reference 노드 — 워크플로우에 추가

스캐너가 후보를 선별한 뒤, AI에게 보내기 전에 레퍼런스 데이터를 조회해서 첨부한다. API 호출이 실패해도 진행에는 영향 없다.

3. Build_Prompt 수정 — AI 프롬프트에 과거 이력 주입

AI에게 보내는 프롬프트에 이런 섹션이 추가된다:

=== PAST TRADE RESULTS (YOUR TRACK RECORD) ===
These are your REAL past trades. Use them to calibrate your scoring.

--- TRAILING SUCCESSES (TP1 hit → trailed to big profit) ---
[WIN 1] JELLYJELLYUSDT LONG (+113.6% ROI) - AI: A+(9)
Strengths: EMA 강세 정렬 | 10.78% 랠리 | 박스 범위 3.96%
Concerns: 작은 되돌림 가능성

--- STOP LOSS FAILURES (concerns came true → hit SL) ---
[LOSS 1] WETUSDT LONG (-31.1% ROI) - AI: A+(9)
Strengths: EMA 정렬 | 11.14% 상승 | 박스 2.96%
Concerns: EMA 간격 좁음 | 과도한 움직임 가능성

LESSON: Compare each candidate against these results.
If it resembles the TRAILING wins, score HIGHER.
If it resembles the SL losses, score LOWER.

핵심은 마지막 LESSON이다. "성공한 거래와 비슷하면 점수를 올리고, 실패한 거래와 비슷하면 점수를 낮춰라."

SL 거래들의 공통점을 보면 "EMA 간격이 좁다", "추세 판단이 어렵다"는 우려가 반복된다. AI가 이 패턴을 보고, 비슷한 우려가 있는 후보에 대해 더 보수적으로 점수를 매기길 기대한다.

앞으로의 기대

이 변경이 실제로 승률을 올릴지는 아직 모른다. 하지만 논리적으로는 명확하다:

• 성공 패턴 학습: "이런 조건에서 TRAILING까지 갔다"는 실증 데이터
• 실패 패턴 회피: "이런 우려가 있을 때 실제로 손절당했다"는 실증 데이터
• 자기 보정: 거래가 쌓일수록 레퍼런스가 풍부해지고, 판단이 정교해진다

비트인덱스가 이미 하고 있는 "자기 학습"을 알트인덱스에도 적용한 것이다. 다만 방식이 다르다. BTC는 예측 이력을 보지만, ALT는 실제 거래 결과(수익률, 청산 사유)를 본다. 더 직접적이다.

다음 글에서는 이 학습 시스템 적용 전후의 성과를 비교할 수 있을 것이다.

EP.08 | 2026년 2월 19일

Vivid Index 개발기

다음 글에서는 레퍼런스 학습 적용 후 첫 주 성과를 공유하겠습니다.