# 암호화폐 기본 분석을 위한 AI 에이전트의 추론 + 행동 패턴
기존 자동 시장 분석 저장소들은 지표와 뉴스 처리에서 근본적인 결함을 보입니다. TauricResearch/TradingAgents를 예로 들면, 이 파이프라인은 Reddit, X, Bloomberg, Reuters, Yahoo Finance에서 데이터를 끌어옵니다. 두 에이전트가 논쟁합니다—하나는 강세, 하나는 약세—일정 라운드 수만큼. 더 강한 논리를 가진 쪽이 승리합니다.
하지만 내부적으로 RSI나 Stoch RSI 같은 원시 지표를 LLM에 평문으로 입력합니다. 모델들은 우선순위화에 어려움을 겪습니다: 추론 체인이 혼란스럽습니다. 예시:
- RSI가 과매도 신호—강세 가설.
- 가설을 백테스트할 도구 없음.
- Stoch RSI가 과매수 신호—결론 고정.
하드코딩된 우선순위 가중치는 적응성을 죽이고 손실을 초래합니다. 동적 우선순위화는 백테스트에 20만 토큰이 필요—Haiku $1.20에서 Opus $6.00까지. 지표 없이 시스템은 소셜 미디어 노이즈에 눈멀어: 가짜 계정 인플루언서 하나나 비싼 API(X $200/월).
node-ccxt-backtest는 주제별 8개 에이전트를 배치:
- 밸런스: 온체인 준비금, 거래소 유출, LTH 공급, HODL 웨이브.
- 자금 흐름: ETF 유입, 마이너 압력, 스테이블코인, OTC.
- 기본 지표: 해시레이트, MVRV, NVT, Stock-to-Flow.
- 네트워크 수익: 수수료, Lightning, DeFi TVL.
- 인사이더: MicroStrategy, BlackRock ETF, Grayscale GBTC.
- 자산 뉴스: 규제, 해킹, 기관.
- 글로벌 매크로: Fed, CPI, DXY, 공포 & 탐욕, M2.
- 가격 히스토리: 이상 거래량, 브레이크아웃.
문제? 포트폴리오 지표(최대 낙폭, 샤프 비율)를 무시하고 현실 세계 반전(대통령 트윗 한 방으로 모든 게 뒤집힘)을 놓칩니다.
정적 접근법이 실패하는 이유
두 예시 모두 소스에 대한 고정 쿼리에 의존합니다. 시장은 매일 변합니다: 적응은 필수입니다. "추론 + 행동" 패턴이 이를 해결합니다: LLM이 분석과 뉴스 탐색을 번갈아 합니다. 에이전트들은 핵심 트리거에 집중하며 노이즈를 무시합니다.
에이전트 구현: 2026년 4월 신호 예시
2026년 4월 기본 분석은 SELL을 외쳤습니다: 부정적 신호가 쌓였음—Fed 금리 고수, 강한 DXY, BlackRock ETF 유출, 낮은 해시레이트, 15% 펀딩 레이트, 공포 지수 28.
{
"reasoning": "모든 보고서가 약세 신호 강조: 1) 매크로—Fed 금리 고수, 강한 달러, 견고한 고용 데이터 → 리스크 오프 분위기...",
"signal": "SELL"
}4월 5일—지정학(이란 최후통첩): WAIT. 가격 MA 아래, RSI 44, 공포 12, 하지만 촉매 없음.
4월 8일—트럼프 휴전 트윗: BUY. $72k 랠리, $425M 숏 청산, 거래량 >2M BTC/시간. 스탑로스 $70k.
4월 9일—혼합 신호($71k 브레이크아웃 vs. 마이너 매도, 17% 풋 옵션): WAIT.
에이전트 소스 코드
웹 검색 에이전트
import { addAgent } from "agent-swarm-kit";
...
import { str } from "functools-kit";
addAgent({
agentName: AgentName.WebSearchAgent,
completion: CompletionName.OllamaTextCompletion,
keepMessages: Infinity,
prompt: str.newline(
"You are a web search agent in a trading system swarm.",
"",
"Your task is to compile an objective report..."
),
tools: [
ToolName.WebSearchTool,
],
});신호 생성기
import {
addOutline,
commitAssistantMessage,
commitUserMessage,
dumpOutlineResult,
execute,
fork,
IOutlineHistory,
IOutlineResult,
} from "agent-swarm-kit";
...
const DISPLAY_NAME_MAP = {
BTCUSDT: "Bitcoin",
// ...
};
const SEARCH_PROMPT = str.newline(
"You hunt for triggers on breaking events...",
"Level 1—Breaking events..."
);이 코드는 agent-swarm-kit을 활용해 에이전트 스웜을 구현합니다. 검색은 신선한 트리거를 타겟: 속보, 해킹, 트럼프 트윗, 매크로 서프라이즈. 출력은 추론과 신호(BUY/SELL/WAIT)를 담은 JSON입니다.
주요 요점
- "추론 + 행동" 패턴은 적응성을 제공: 에이전트가 분석 중 뉴스를 가져옵니다.
- 속보 이벤트(트윗, 지정학)에 집중이 정적 지표를 압도합니다.
- 성공 지표: 최대 낙폭, 샤프 비율—백테스트 필수.
- 비용: Ollama 최적화, 비싼 API 생략.
- 객관성: 약세 신호 우선, 다중 쿼리 실행.
— Editorial Team
아직 댓글이 없습니다.