AI와 트레이딩의 결합: 2026년 머신러닝으로 암호화폐 자동매매하는 법

규칙 기반 (Rule-Based):
IF RSI < 30 → 매수
IF RSI > 70 → 매도

장점: 단순, 해석 가능, 예측 가능
단점: 시장 변화에 적응 불가, 단순한 패턴만 포착

데이터 기반 (Data-Driven):
INPUT: 가격, 거래량, 기술적 지표, 뉴스 감성, 온체인 데이터
MODEL: 수십~수천 개의 변수에서 숨겨진 패턴 학습
OUTPUT: 매수/매도/보유 확률과 예상 수익률

장점: 복잡한 패턴 포착, 시장 변화에 일부 적응 가능
단점: 블랙박스, 과적합 위험, 많은 데이터 필요

pip install pandas numpy scikit-learn xgboost ta ccxt matplotlib

import pandas as pd
import numpy as np
from ta import add_all_ta_features

def create_features(df: pd.DataFrame) -> pd.DataFrame:
    """OHLCV 데이터에서 ML 피처 생성"""

# 기본 기술적 지표 (ta 라이브러리 활용)
    df = add_all_ta_features(
        df, open="open", high="high", low="low",
        close="close", volume="volume", fillna=True
    )

# 가격 변화율 피처
    for period in [1, 3, 7, 14, 30]:
        df[f'return_{period}d'] = df['close'].pct_change(period)

# 변동성 피처
    df['volatility_7d'] = df['close'].pct_change().rolling(7).std()
    df['volatility_30d'] = df['close'].pct_change().rolling(30).std()

# 거래량 이상 감지
    df['volume_ratio'] = df['volume'] / df['volume'].rolling(20).mean()

# 타겟 변수: 다음 4시간 후 가격이 1% 이상 오르면 1, 아니면 0
    df['target'] = (df['close'].shift(-4) > df['close'] * 1.01).astype(int)

    return df.dropna()

from xgboost import XGBClassifier
from sklearn.model_selection import TimeSeriesSplit
from sklearn.metrics import classification_report

def train_model(df: pd.DataFrame):

# 피처와 타겟 분리
    exclude_cols = ['open', 'high', 'low', 'close', 'volume', 'target']
    feature_cols = [c for c in df.columns if c not in exclude_cols]

    X = df[feature_cols]
    y = df['target']

# 시계열 교차 검증 (미래 데이터 누수 방지)
    tscv = TimeSeriesSplit(n_splits=5)

    model = XGBClassifier(
        n_estimators=200,
        max_depth=5,
        learning_rate=0.05,
        subsample=0.8,
        colsample_bytree=0.8,
        random_state=42
    )

# 마지막 20%를 테스트 세트로 사용
    split = int(len(X) * 0.8)
    X_train, X_test = X[:split], X[split:]
    y_train, y_test = y[:split], y[split:]

    model.fit(X_train, y_train)

# 성능 평가
    y_pred = model.predict(X_test)
    print(classification_report(y_test, y_pred))

    return model

# 사용 예시

# model = train_model(df_with_features)

def ml_trading_signal(model, current_features: pd.DataFrame) -> str:
    """ML 모델로 매매 신호 생성"""

    proba = model.predict_proba(current_features)[0]
    buy_prob = proba[1]

# 상승 확률

# 확률 기반 신호 (불확실할 때는 관망)
    if buy_prob > 0.65:
        return 'BUY'
    elif buy_prob < 0.35:
        return 'SELL'
    else:
        return 'HOLD'

import ccxt
import pandas as pd
from datetime import datetime, timedelta

def fetch_historical_data(symbol: str, timeframe: str, days: int) -> pd.DataFrame:
    """빗썸에서 과거 데이터 수집"""

    exchange = ccxt.bithumb()
    since = exchange.parse8601(
        (datetime.now() - timedelta(days=days)).strftime('%Y-%m-%dT%H:%M:%S')
    )

    all_candles = []
    while since < exchange.milliseconds():
        candles = exchange.fetch_ohlcv(symbol, timeframe, since=since, limit=200)
        if not candles:
            break
        all_candles.extend(candles)
        since = candles[-1][0] + 1

    df = pd.DataFrame(all_candles, columns=['timestamp', 'open', 'high', 'low', 'close', 'volume'])
    df['timestamp'] = pd.to_datetime(df['timestamp'], unit='ms')
    df.set_index('timestamp', inplace=True)

    return df