Intro – O3의 VWAP-ADX 전략 시작

여러분, OpenAI O3가 이제 트레이딩 봇과 전략을 24시간 365일 자동으로 백테스팅하고 개선한다고 생각해보세요. 놀랍지 않나요? 지금 O3가 VWAP와 ADX를 활용한 트레이딩 전략을 만들어내고 있습니다. 오늘 이 영상에서는 모든 과정을 보여드릴 예정이며, 심지어 O3를 무제한으로 사용하는 방법까지 알려드리겠습니다. 이 영상을 끝까지 보시면 여러분은 트레이더로서 두 배 더 나은 실력을 갖추게 될 겁니다. 왜냐하면 OpenAI O3라는 혁신적인 모델을 활용해 트레이딩 전략을 만들고, 봇을 구축하는 방법을 배우게 될 것이기 때문이죠.

저는 또한 O3를 에이전트 시스템에 통합해 연구하고, 백테스팅하고, 봇에 구현하는 전체 RBI(Research, Backtest, Implement) 시스템을 보여드릴 겁니다. 이 영상은 정말 가치 있는 시간이 될 것이라 확신합니다. 저는 유튜브에서 1,700시간 이상의 트레이딩 봇 튜토리얼을 제공해왔으며, 코딩이야말로 모든 것을 평등하게 만드는 도구라고 믿습니다. 오늘은 O3를 활용하는 과정을 단계별로 보여드릴 테니, 좋아요 버튼을 살짝 눌러주시고 함께 시작해봅시다.

여기 보시는 것은 Yahoo Finance에서 일일 시가, 고가, 저가, 종가, 거래량 데이터를 가져와 20일 롤링 VWAP를 계산하고, ADX를 활용해 트레이딩하는 플러그 앤 플레이 스크립트입니다. 조건은 종가가 VWAP를 상회하고, 트렌드가 강할 때(ADX가 25 이상), 그리고 DI가 음의 DI를 상회할 때 롱 포지션을 취하는 것입니다. 과연 이 전략이 바로 작동할지 확인해보죠. 코드 편집기로 넘어가서 테스트해봅시다.

Live Coding & First Back-test Failures

자, 코드 편집기에서 ‘O3_ADX.py’라는 이름으로 파일을 만들었으니 바로 테스트해보겠습니다. 아, 데이터 다운로드에 실패했네요. Yahoo Finance 데이터에 문제가 있는 것 같습니다. 솔직히 요즘 Yahoo 데이터에 자주 문제가 생기더라고요. 다행히 저는 데이터 도그(Data Dog)로서 자체 데이터를 보유하고 있으니, 잠시 후에 그 데이터를 활용해보겠습니다. 하지만 먼저 O3가 저 없이도 데이터를 처리할 수 있는지 확인하고 싶습니다. 만약 O3가 저 없이도 해낸다면, 그건 AGI(인공지능 일반) 수준에 가까운 일이겠죠.

Yahoo Finance의 새로운 속도 제한(rate limit) 때문에 문제가 생겼네요. 간단한 한 줄 수정으로 해결해보겠습니다. 그래도 안 된다면 제가 데이터를 제공하며 도와줄 예정입니다. 이미 데이터를 실행하는 방법을 알고 있으니, 이제 O3를 Cursor라는 IDE에서 사용해보겠습니다. Cursor 설정에서 O3 모델이 있는지 확인하고, 1시간 단위 데이터를 활용해 테스트를 진행하겠습니다. 데이터 경로를 새로 지정한 코드를 받아보니, 이제 제대로 작동하는 데이터로 테스트할 수 있을 것 같습니다.

저는 개인적으로 RBI 시스템을 통해 트레이딩을 자동화합니다. 이 과정은 트레이딩 전략을 연구하고, 과거 데이터로 백테스팅하며, 효과가 입증되면 봇에 구현하는 것입니다. 과거에 효과가 있었다고 미래에도 성공이 보장되는 것은 아니지만, 가능성은 훨씬 높아지죠. 백테스팅은 마치 치트 코드 같은 역할을 합니다. 이제 O3가 제공한 코드를 실행해보니, 아쉽게도 모든 자금을 잃었네요. 첫 시도는 실패했지만, 저는 쉬운 개선점을 찾아 전략을 더 나은 방향으로 수정해볼 겁니다. 통계 자료를 보면 노출 시간(Exposure Time)은 마음에 들지만, 기대값(Expectancy)이 0.3 이상이어야 하고, 수익률(Return)도 훨씬 높아져야 합니다. O3에게 더 높은 ROI와 낮은 드로다운(Drawdown)을 가진 전략으로 코드를 업데이트해달라고 요청하겠습니다.

AI-Agent Loop: Fixing Bugs and Iterating Strategies

코드에 버그가 발견되었습니다. O3에게 버그를 수정해달라고 요청하며, 동시에 AI 에이전트 시스템을 소개해드리겠습니다. 저는 RBI 시스템을 자동화하기 위해 에이전트를 활용합니다. 현재 연구 에이전트는 DeepSeek를 사용 중이며, 백테스팅과 디버깅 과정을 거치고 있습니다. O3를 이 에이전트 흐름에 추가해 백테스팅 성능이 더 나아질지 확인해보겠습니다. 아직 완벽하지는 않지만, 시간이 지나면 더 나은 결과가 나올 것이라 믿습니다.

O3와 DeepSeek Reasoner를 비교 테스트 중인데, O3는 속도가 훨씬 빠르지만 결과물의 품질은 아직 DeepSeek에 뒤지는 것 같습니다. DeepSeek는 거의 무료에 가까운 비용으로 운영되며, 하루 1달러 정도만 지출됩니다. 반면 O3는 요청당 30센트로 비용이 더 높죠. 모델 이름을 업데이트하며 O3, GPT-4.1 같은 최신 모델을 에이전트에 통합하는 중입니다. 모델 이름이 워낙 혼란스러워서 설정 과정에서 실수가 생기기도 하지만, 계속해서 테스트하며 최적의 조합을 찾아가고 있습니다.

O3 vs DeepSeek Showdown & Model Upgrades

O3와 DeepSeek Reasoner의 대결 결과를 보니, 놀랍게도 DeepSeek가 더 나은 성능을 보여주고 있습니다. O3는 속도가 빠르지만, 백테스팅 결과의 정확성과 품질 면에서는 DeepSeek가 앞서는 것 같습니다. 이 테스트는 저에게도 큰 충격이었죠. 여러분도 이 결과에 대해 어떻게 생각하시나요? O3를 잘못 사용하고 있는 것일 수도 있지만, 현재로서는 DeepSeek Reasoner가 더 효과적이라는 결론을 내렸습니다.

또한, 저는 최신 모델들을 AI Discord에 추가해 멤버들이 무제한으로 사용할 수 있도록 했습니다. O3, GPT-4.1, 4.1 Mini, O4 Mini 등 다양한 모델을 업데이트했으며, Claude 3.7도 추가했습니다. 멤버들은 이 모든 모델에 접근할 수 있으니, 다양한 AI를 활용해 트레이딩 전략을 테스트해보세요.