“시장은 왜 특정한 지점에서 반등하는가?”
투자를 하다 보면 많은 사람이 단순히 보조 지표의 과매수/과매도 구간만을 보고 매매합니다. 하지만 대규모 자금을 운용하는 소위 ‘스마트 머니(Smart Money)’들은 차트의 지표가 아닌, 실제 물량이 집중된 가격 레벨에서 움직입니다. 제가 구축한 자동매매 시스템은 바로 이 ‘시장의 흔적’을 추적하는 데 최적화되어 있습니다.
기술적 핵심 1: 시장의 흔적, 디멘드(Demand)와 서플라이(Supply) 존
저의 시스템은 단순히 가격의 추이를 보는 것을 넘어, 과거의 거래량이 급증하며 가격을 밀어 올렸던 ‘디멘드존’과, 강하게 가격을 눌렀던 ‘서플라이존’을 스스로 기억합니다.
- SMC 분석 로직: 60개 캔들 내에서 발생한 거래량 변화와 가격 움직임을 분석하여, 의미 있는 지지/저항 구간을 식별합니다.
- 필터링 전략: 단순히 구간에 닿았다고 매매하지 않습니다. 특히 선물 시스템의 경우, 5분봉 타점에서 평균 대비 1.0배 이상의 거래량이 터졌을 때만 진입을 허용하여 소위 ‘가짜 움직임’을 걸러냅니다.
기술적 핵심 2: 1시간봉 추세와 프랙탈 패턴의 결합
SMC 로직이 ‘어디서 살 것인가(타점)’를 결정한다면, 큰 흐름을 읽는 것은 시스템의 안정성을 책임집니다.
- 추세 판독기(1H): 1시간봉의 200일 이동평균선을 기준으로 장기 추세를 판단합니다. 추세가 상승(UP)일 때 롱 포지션은 비중을 20%로 높이고, 숏 포지션은 5%로 낮추는 전략을 통해 추세 순응형 매매를 자동화했습니다.
- 프랙탈 구조 활용: 15분봉 및 5분봉 등 하위 타임프레임에서 나타나는 시장의 자기 유사성(Self-similarity)을 포착하여, 과거 패턴이 반복되는 지점에서 정밀한 진입을 수행합니다.
리스크 관리: 수익은 극대화하고 손실은 통제한다
기술적 로직만큼이나 중요한 것은 리스크 관리입니다. 제 시스템은 두 가지 핵심 안전장치를 가집니다.
- 분할 익절 및 트레일링 스탑: 현물 스캘핑의 경우, 수익률 3% 달성 시 절반을 매도하여 수익을 확정합니다. 나머지 물량은 트레일링 스탑을 통해 고점 대비 2% 하락 시 자동으로 청산되도록 설계하여 추세가 터질 때의 수익을 극대화합니다.
- 규율의 강제화: 모든 로직은 ±3%의 손익절 라인 내에서 기계적으로 실행됩니다. 뇌동매매를 방지하기 위해 로직이 정한 매수 사유가 없을 때는 단 한 번의 주문도 내지 않습니다.
코드 예시
def initialize_account(self):
try:
self.exchange.load_markets()
try: self.exchange.set_margin_mode(‘isolated’, self.symbol)
except: pass
선물 매매에서 ‘교차(cross)’가 아닌 ‘격리(isolated)’를 쓰는 것은,
한 번의 매매 실패가 전체 계좌를 청산시키는 ‘블랙 스완’ 상황을 방지하는
필수적인 리스크 관리 규율입니다.
self.exchange.set_leverage(self.leverage, self.symbol)
print(f”[*] 레버리지 {self.leverage}배 / 격리 모드 설정 완료”)
except Exception as e:
print(f”[!] 초기 설정 경고: {e}”)
def get_market_data(self, timeframe):
단순히 API로 받아오는 것을 넘어 pd.DataFrame으로 변환하고, datetime 처리를 거쳐 정렬하는 과정을 넣었습니다.
“””캔들 데이터 조회 및 지표 계산 (5분봉, 1시간봉 공용)”””
ohlcv = self.exchange.fetch_ohlcv(self.symbol, timeframe, limit=300)
df = pd.DataFrame(ohlcv, columns=[‘timestamp’, ‘open’, ‘high’, ‘low’, ‘close’, ‘volume’])
df[‘datetime’] = pd.to_datetime(df[‘timestamp’], unit=’ms’)
df = df.sort_values(‘datetime’, ascending=True)
# RSI 계산
delta = df[‘close’].diff(1)
gain = (delta.where(delta > 0, 0)).rolling(window=14).mean()
loss = (-delta.where(delta < 0, 0)).rolling(window=14).mean()
rs = gain / loss
df[‘rsi’] = 100 – (100 / (1 + rs))
# 이동평균선
df[‘ma20’] = df[‘close’].rolling(window=20).mean()
df[‘ma200’] = df[‘close’].rolling(window=200).mean()
# ★ [추가] 거래량 이동평균 (20개 캔들 평균)
df[‘vol_ma’] = df[‘volume’].rolling(window=20).mean()
단순히 가격만 보는 봇들은 세력의 가짜 돌파에 속기 쉽습니다.
vol_ma를 계산해둔것은 “거래량이 동반되지 않은 돌파는 신뢰하지 않겠다”는 필터링 로직을
구축했으며 시스템의 승률을 높이는 핵심입니다.
return df.sort_values(‘datetime’, ascending=False).reset_index(drop=True)
제가 만든 시스템은 단순히 캔들을 읽는 것이 아니라, 시장의 ‘체력(거래량)’과 ‘방향성(MA200)’을 실시간으로 진단합니다. 특히 격리 마진 모드를 강제하여 단 한 번의 매매 실수가 전체 자산의 위협이 되지 않도록 설계했고, 거래량 이동평균(vol_ma)을 통해 스마트 머니의 진입이 의심되는 순간만을 포착합니다. 이는 감정적인 매매가 절대 따라올 수 없는 ‘데이터 기반의 기계적 규율’입니다.
다음 편 예고
지금까지 저는 왜 스마트 머니의 흔적을 추적해야 하는지, 그리고 그것을 어떻게 코드로 구현했는지 기술적인 뼈대를 설명드렸습니다. 하지만 시스템의 완성은 데이터를 수집하는 환경과 서버의 안정성에 달려 있습니다.
다음 편에서는 “24시간 쉬지 않는 시스템을 위한 AWS Tokyo 인프라 구축과, 예기치 못한 API 오류에 대응하는 에러 핸들링 전략”을 다뤄보겠습니다. 저와 같이 자신만의 매매 철학을 코드로 완성해가는 동료 투자자분들께 실질적인 도움이 되기를 바랍니다.
