군집 지능으로 암호화폐 시장을 더 명확하게 이해하다

설명 가능한 AI로 암호화폐 시장 예측을 개선할 수 있을까?

암호화폐 예측 시스템은 가격이 오를지 내릴지를 안정적으로 예측하지 못하면서도 오차를 줄일 수 있다. 쉽게 간과할 수 있는 이 차이는 유망한 연구 도구와 검증된 거래 전략을 구분한다.

Applied Soft Computing에 게재가 승인된 새 연구는 군집 지능과 해석 가능한 통계 규칙을 결합한 시스템을 통해 이 간극을 살펴본다.¹ 연구진은 암호화폐 시장을 하나의 연속적인 가격 흐름으로 다루는 대신, 모델이 서로 다른 시장 상태를 식별하고 상태 간 전환을 추정하도록 학습시킨다.

연구 결과는 금융 AI가 나아갈 유용한 방향을 보여준다. 바로 사람이 살펴보고 의문을 제기할 수 있는 예측이다. 또한 투명성, 통계적 정확도, 투자 수익성은 각각 따로 평가해야 한다는 점도 드러낸다.

군집 지능은 암호화폐 시장 상태를 어떻게 학습하는가

이 시스템은 입자 군집 최적화(particle swarm optimization, PSO)와 마르코프 예측을 결합한다. 용어는 다소 낯설지만, 기본 원리는 이해하기 쉽다.

먼저 모델은 일일 수익률을 서로 다른 시장 결과를 나타내는 상태로 분류한다. 이 상태는 소폭 손실, 비교적 중립적인 움직임, 상승을 구분할 수 있다. 경계가 어디에 놓이느냐가 중요하다. 적절하지 않게 분류하면 유용한 패턴을 놓치거나 오해를 부르는 패턴을 만들어낼 수 있다.

PSO는 더 나은 경계를 찾는다. 여러 후보 해가 수학적 탐색 공간을 이동하면서 자체적인 이전 결과와 다른 후보들의 결과에서 얻은 정보를 활용해 위치를 조정한다. 이 과정은 유망한 지점을 찾으며 단서를 서로 나누는 집단과 비슷하다.

그런 다음 마르코프 모델이 상태 간 전이 확률을 추정한다. 모든 가격 변동을 설명하려 하기보다, 최근의 비슷한 조건 이후 어떤 일이 일어나는 경향이 있었는지를 살펴본다.

연구진은 변동성과 방향성이 서로 다른 시장 환경을 포함한 시장 국면을 조건으로 삼아 이러한 관계를 추정한다. 조용한 시장에서 관찰된 전이가 변동이 심한 시장에서도 같은 의미를 갖는 것은 아니다.

따라서 핵심적인 혁신은 시스템이 시장을 설명하는 어휘를 학습하는 방식에 있다. 예측을 시작하기 전에 상태를 고정된 범주로 정해두는 대신, 상태의 정의 자체를 예측 문제의 일부로 다룬다.

암호화폐 예측 연구에서 실제로 확인한 결과

비트코인 (BTC ), 이더리움 (ETH ), 라이트코인 (LTC ), XRP를 대상으로 2018년 1월 1일부터 2026년 4월 22일까지 주요 분석을 수행했다. 별도의 롤링 벤치마크에서는 비트코인, 이더리움, BNB를 랜덤 워크, 고전 통계 모델인 ARIMA, 머신러닝 모델인 XGBoost와 비교해 평가한다.

두 분석은 서로 보완적이지만, 다루는 자산은 서로 다르다. 롤링 비교에서 보고한 표본 외 예측은 총 270건이다. 따라서 오랜 기간의 과거 데이터를 수천 건의 독립적으로 평가된 예측과 혼동해서는 안 된다.

RMSE(평균 제곱근 오차)는 큰 예측 오차에 더 큰 페널티를 부여한다. MAE(평균 절대 오차)는 이러한 추가 가중치 없이 평균 오차의 크기를 측정한다. 두 지표 모두 수익률 예측에 관한 것으로, 거래 수익을 나타내지는 않는다.

제안된 시스템은 RMSE가 가장 낮지만, ARIMA와의 차이는 크지 않다. MAE는 ARIMA가 약간 더 우수하며, 정식 통계 검정으로는 두 모델의 예측 손실에 차이가 있다고 입증되지 않았다.

방향 예측 성능은 더 낮다. 제안된 시스템의 방향 예측 정확도는 48.89%로, 50% 기준치와 통계적으로 구별되지 않는다. 시험한 모델 가운데 어느 것도 해당 기준치보다 통계적으로 유의하게 높은 방향 예측 정확도를 보이지 못했다.

확률 보정도 또 다른 한계다. 확률이 잘 보정된 모델이 어떤 결과의 확률을 70%로 예측한다면, 서로 비교 가능한 예측 전반에서 그 결과는 약 70%의 빈도로 실제 발생해야 한다. 보고된 종합 보정 지표에서는 ARIMA와 XGBoost가 더 우수한 성능을 보인다.

예측 오차가 작아도 거래 수익이 보장되지 않는 이유

모델은 실제 수익률과 상당히 가까운 예측을 내놓으면서도 방향을 거듭 틀릴 수 있다. 일일 변동의 상당수가 작을 때는 0 부근에 집중된 예측이 오차를 줄여도 매력적인 거래 기회를 찾아내지 못할 수 있다.

수익을 내려면 추가 요건을 충족해야 한다. 수익은 이익을 내는 포지션과 손실을 내는 포지션의 규모, 체결 가격, 수수료, 스프레드, 전략의 거래 빈도에 따라 달라진다. 방향 적중률이 높아도 손실을 볼 수 있고, 반대로 적중률이 낮더라도 이익이 손실보다 크면 수익을 낼 수 있다.

이 논문은 거래 비용을 반영한 매매 시뮬레이션을 보고하지 않습니다. 연구 결과는 예측과 모니터링을 더 조사할 근거를 제공하지만, 실제로 실행 가능한 투자상의 이점이 있음을 입증하지는 않습니다.

이는 Securities.io가 최근 다룬 암호화폐 선물 거래의 숨겨진 위험과도 관련이 있습니다. 수익률을 추정하는 일과 포지션을 안전하게 거래할 수 있는지 파악하는 일은 서로 연관되어 있지만 별개의 과제입니다.

설명 가능성이 만들어내는 또 다른 가치

제안된 모델은 상태 전이 규칙과 이를 뒷받침하는 과거 관측값을 드러냅니다. 이를 통해 분석가는 겉으로 드러난 패턴이 상당한 근거에 기반하는지, 아니면 이례적인 몇몇 사례에 불과한지 판단할 수 있습니다.

예를 들어, 연구 대시보드에서 근거가 제한적인 상태 전이 규칙을 표시해 수동 검토를 요청할 수 있습니다. 이는 잠재적 활용 사례일 뿐, 연구에서 입증된 결과는 아닙니다.

투명성이 높아지면 실패 원인을 조사하기도 쉬워집니다. 분석가는 상태 구분 기준이 더 이상 적절하지 않게 되었는지, 시장 국면이 바뀌었는지, 한때 흔했던 상태 전이가 더는 나타나지 않는지 살펴볼 수 있습니다. 이러한 진단상의 가치도 예측 성능과 함께 평가할 필요가 있습니다.

시장 여건에 따라 달라지는 암호화폐 시장의 기억

주요 4개 자산 분석에서는 모든 자산이 1차 의존성을 선택합니다. 실무적으로 보면 가장 최근 상태가 선택된 전이 맥락을 제공합니다. 더 긴 시퀀스가 자동으로 더 유용한 예측을 낳는 것은 아닙니다.

그렇다고 과거 정보가 전혀 중요하지 않다는 뜻은 아닙니다. 관계를 추정하려면 과거 관측값이 여전히 필요합니다. 다만 예측 규칙에 연속된 상태를 더 많이 추가하면 활용 가능한 근거가 분산될 수 있다는 의미입니다.

가능한 시퀀스가 많아질수록 각 시퀀스에 해당하는 사례는 줄어들 수 있습니다. 시장 국면이 바뀌면 이 문제는 더 커집니다. 한 가지 여건에서 학습한 관계가 다른 여건에서는 약해질 수 있기 때문입니다.

이러한 시사점은 암호화폐를 넘어 다른 분야에도 적용됩니다. 복잡성을 더할 가치는 검증을 통해 입증해야 합니다. 더 긴 기억이나 복잡한 구조는 추가 정보가 그에 따르는 불확실성보다 클 때에만 유용합니다.

데이터 품질도 중요합니다. Securities.io가 다룬 워시 트레이딩과 시장 변동성은 겉으로 드러난 거래 활동을 면밀히 살펴야 하는 이유를 보여줍니다. 향후 모델에 거래량이나 유동성 지표를 추가하면 새로운 정보를 얻을 수 있지만, 새로운 데이터 검증 요건도 생깁니다.

투자자가 금융 AI에 요구해야 할 것

다음 단계는 더 많은 자산과 시장 여건, 경쟁 방법을 대상으로 검증을 강화하는 것입니다. 저자들은 더 폭넓은 벤치마크, 개선된 보정, 반복적인 최적화 실행, 경제적 평가를 향후 연구 과제로 제시합니다.

비슷한 도구를 평가하는 투자자는 다음 세 가지 질문에 주목할 수 있습니다.

• 성능이 미사용 데이터에서도 신뢰할 만한 더 단순한 대안과 비교해 유지되는가?
• 보고된 확률은 실제 관측 결과와 일치하는가?
• 현실적인 거래 실행 비용을 고려해도 매매상의 이점이 유지되는가?

이 질문들을 구분하면 한 가지 지표에서 나온 우수한 결과를 다른 지표에 대한 근거 없는 주장으로 확대하는 일을 막을 수 있습니다. 또한 개발자에게는 개선을 위한 더 명확한 목표를 제시합니다.

Coinbase, 암호화폐 분석과 시장 인프라를 연결하다

더 고도화된 암호화폐 시장을 뒷받침하는 인프라에 관심 있는 투자자라면 상장사인 Coinbase를 살펴볼 만합니다. Coinbase의 기관용 플랫폼은 Coinbase Prime을 통해 거래 실행, 수탁, 금융 및 기타 서비스를 한데 제공합니다.

이러한 연관성은 이 특정 예측 방법에만 국한되지 않습니다. 기관이 연구 결과를 실제 업무 흐름에 활용하려면 신뢰할 수 있는 데이터, 운영 통제, 거래 실행 인프라가 필요합니다. 후속 검증을 통해 실질적 가치가 입증된다면 설명 가능한 모델은 이러한 시스템을 보완할 수 있습니다.

Coinbase는 시장 분석 자료도 발행합니다. 10월 7일에 공개한 Charting Crypto 전망은 온체인 여건과 가치 평가, 유동성을 살펴보며 과거 수익률의 상태 전이 외에도 더 폭넓은 정보를 활용할 수 있음을 보여줍니다.

이 연구는 Coinbase가 해당 구조를 사용한다거나 이를 도입해 재정적 이익을 얻을 것이라는 점을 입증하지 않습니다. Coinbase 주식에는 사업, 경쟁, 규제 및 암호화폐 시장과 관련된 위험도 따릅니다. 투자에서 핵심적으로 살펴볼 점은 예측 모델 하나의 성공 여부가 아니라 Coinbase의 인프라가 지속적인 고객 수요를 뒷받침할 수 있는지입니다.

Coinbase(COIN) 최신 뉴스와 동향

검증 가능성이 한층 높아지는 암호화폐 예측의 미래

이 연구의 기여는 경쟁력 있는 수익률 오차 성능을 갖춘, 검토 가능한 예측 절차를 제시한 데 있습니다. 한계 역시 중요한 정보를 제공합니다. 방향성 예측은 여전히 우연에 가까운 수준이고, 보정은 개선이 필요하며, 수익성은 아직 검증되지 않았습니다.

금융 AI를 더 쉽게 검증하고 이의를 제기할 수 있게 하는 것이 발전의 계기가 될 수 있습니다. 사용자가 규칙을 살펴보고 근거를 이해하며 통계적 성능과 경제적 가치를 구분할 수 있으면, 투자 업무 흐름에서 모델을 어디에 활용할지 더 나은 근거를 바탕으로 판단할 수 있습니다.

참고 문헌:

¹ do Nascimento, K. K. F. 및 dos Santos, F. S. (2026). 시장 국면에 따라 달라지는 암호화폐 동향을 예측하는 PSO 최적화 지능형 마르코프 예측 시스템. Applied Soft Computing. 온라인 선공개. https://doi.org/10.1016/j.asoc.2026.116666