이 글에서 가장 인상 깊었던 점은 ‘예측’ 자체를 목표로 하지 않는다는 것이다. Bonereaper, 0xe1D6b514, 0xB27BC932 같은 봇들이 Polymarket BTC Up/Down 시장에서 210만 달러 이상의 수익을 올린 배경에는, ‘시장이 어디로 갈지’를 맞히는 능력보다 ‘내 모델이 언제 가장 신뢰할 수 있는지’를 아는 시스템이 있었다.
핵심은 마르코프 체인을 통해 가격 상태의 지속성을 측정하고, 그 지속성이 87% 이상일 때만 진입하며, 5% 이상의 갭이 있을 때만 딜을 실행한다는 것이다. 이는 매우 보수적이고 인내심 있는 접근법이다. 대부분의 트레이더가 ‘더 많이, 더 자주’ 시도하려는 유혹에 빠지는 반면, 이 시스템은 ‘더 적게, 더 확실할 때만’ 움직인다.
그러나 이 글의 진정한 가치는 ‘자가 학습 루프’에 있다. 봇은 매 거래의 로그를 기록하고, 하루가 끝나면 Claude Opus가 그 로그를 분석하여 Markov 임계값, Kelly 사이징, 진입 가격 범위를 다음 날 전략에 반영한다. 이는 단순한 백테스팅을 넘어, 살아있는 전략의 진화 과정이다.
이런 접근법은 처음 100달러로 시작해 50-100건의 훈련 거래를 쌓으라고 조언한다. 중요한 것은 ‘첫날 얼마를 버느냐’가 아니라, ‘에이전트가 매 거래를 통해 더 나아질 수 있느냐’이다. 이는 마치 AI 모델을 학습시키는 과정과 같다 — 데이터가 쌓일수록 더 정교해진다.
근거
“이 시스템이 진정으로 의존하는 것은 ‘모든 거래에서 이기는 것’이 아니라 확률 필터링, 상태 지속성 필터링, 5% 이상 갭 필터링, Kelly 사이징을 통한 포지션 제어입니다.”
연결된 생각
- 20260605-hermes-markov-trading-agent — 이 시스템의 핵심 개념과 수학적 기반이 정의되어 있음
- 20260605-human-emotion-vs-quantitative-edge — 인간 트레이더의 감정적 의사결정과 이 시스템의 확률 기반 접근법의 근본적 차이를 논의함