{{< resource-info >}}

Moss Trade Bot Factory 2026 리뷰: AI 에이전트 퀀트 워크벤치 — 왜 예쁜 백테스트는 거짓말을 하는가 #

Meta Description: Moss Trade Bot Factory는 MIT-0 라이선스의 자연어 퀀트 agent 빌더로, Hyperliquid 퍼페추얼 전용입니다. 산업급 Decimal 정밀도 백테스트 엔진 — 그러나 Sharpe 버그 한 개와 진화 모드 활성화 시 교과서적 OVERFIT 트랩. 이 리뷰는 감사, 설치, 버그 픽스, 그리고 진짜 중요한 검증인 out-of-sample 다룹니다.

YouTube에서 “AI 트레이딩 봇으로 $50k 벌었어요” 비디오를 본 적 있다면 트릭을 압니다: 예쁜 백테스트 곡선, 진화된 파라미터, Sharpe 3.5, 그리고 브로커 대시보드 스크린샷. 거의 절대 보여주지 않는 것: 같은 파라미터를 봇이 본 적 없는 데이터에서 돌린 결과.

in-sample 환상과 out-of-sample 현실 사이의 간극 — 이게 이 리뷰의 핵심입니다.

Moss Trade Bot Factory(moss-trade-bot-skills v1.0.26, MIT-0)는 자연어 트레이딩 스타일 설명(“Livermore 추세 추종, 보수적 레버리지, 돌파 전략”)을 30+ Hyperliquid 퍼페추얼 파라미터로 변환하고, 패키지된 CSV 데이터로 로컬 백테스트를 실행하며, 옵션으로 LLM 반사 기반 진화를 제공하는 오픈소스 AI 에이전트입니다. 이틀간 집중 테스트 결과 — 보안 감사, Sharpe-연간화 버그 수정, 5 전략 비교, 진화 모드, 엄격한 70/30 train/OOS 검증 — 팬이나 비판자 누구도 말해주지 않는 미묘한 판단을 내립니다.

⚡ 90초 결론 #

본질: 자연어 전략 설명을 30+ Hyperliquid 퍼페추얼 파라미터로 변환하고, 패키지된 CSV에서 Decimal 정밀도 백테스트를 실행하며, LLM 반사 기반 진화 루프를 제공하는 오픈소스 CLI skill.

아닌 것: 라이브 트레이딩 시스템 아님(명시적 --platform-url ai.moss.site bind 없이는). 전통적 의미의 페이퍼 트레이딩 샌드박스 아님 — 백테스트는 과거 데이터 replay이지 실시간 시장 시뮬레이션이 아님.

적합 대상: 산업급 백테스트 엔진 내부(Decimal 산술, 20단계 호가창, 청산 회계)를 보고 싶은 퀀트 학습자. 규칙 기반 템플릿과 자연어 LLM 생성 파라미터를 비교하는 전략 설계자.

부적합 대상: 독립 OOS 검증 없이 진화된 파라미터를 라이브에 배포하려는 누구든. 진화 루프는 화장품 같은 LLM 코멘트를 단 in-sample fitting 머신이지 학습 시스템이 아닙니다. 아래에 증명합니다.

오픈소스 자세: MIT-0 라이선스, eval/exec 없음, HMAC 서명 플랫폼 호출이 secret을 절대 업로드 안함, 지갑 개인키 접근 없음. 펀넬은 moss.site(상업 AI 트레이딩 플랫폼)이지만 로컬 백테스트 파이프라인은 완전 오프라인.

Moss Trade Bot Factory가 무엇인가 (무엇이 아닌가) #

프로젝트 주소 github.com/moss-site/moss-trade-bot-skills, moss-site GitHub 조직(Moss AI, moss.site, 2025-07 설립) 소속. v1.0.26 기준(2026-05-25 릴리스) 98 stars, 14 forks, 101 commits, 3명 contributor(slowfirary 79, fei-moss 14, lokix006 1).

메커닉상 skill은 3단계로 작동:

1. 파싱: 자연어 입력(“BTC 보수적 그리드, 최근 90일”)이 agent에 의해 구조화된 params.json으로 파싱됨. 30+ 전술/성격 파라미터 — 5개 시그널 가중치(추세/모멘텀/평균회귀/거래량/변동성), 레버리지, entry/exit 임계값, ATR 기반 stop/target 배수, regime-switching 파라미터.

2. 리플레이: 백테스트 엔진이 패키지된 Hyperliquid CSV 데이터(15m bar, 43 심볼, 148–304일)를 읽고 다음으로 거래 replay:

   • Decimal 정밀도 회계(Moss 플랫폼 Go shopspring/decimal 백엔드 정렬)
   • 20단계 동결 호가창 템플릿(현실적 슬리피지 모델링)
   • 명시적 청산 회계 — 유지증거금 침범 감지
   • Cross-margin 시뮬레이션(단일 합약, 다자산 포트폴리오 마진 아님)
   • 시간당 funding 정산(고정 비율 0.0000125, 실제 역사적 funding 아님)

3. 반사 & 진화(옵션): 백테스트 윈도우를 segment(기본 4000 bars ≈ 41.7일/segment)로 분할, 각 segment 베이스라인 실행, 그 후 LLM agent를 호출하여 segment 레벨 요약(exit reasons, 평균 손익, 시장 컨텍스트)을 읽고 segment별 파라미터 스케줄 생성, 베이스라인 대비 ±30% drift 제한. 성격 파라미터(시그널 가중치, 레버리지, long_bias) 잠금.

README의 pitch는 실제: vectorbt 같은 장난감보다 더 한 것입니다. Decimal 정밀도와 호가창 모델링이 우리가 리뷰한 대부분의 오픈소스 퀀트 도구를 앞섭니다. 백테스트 내부가 산업급 replay 코드가 어떤 것인지 진정으로 가르쳐줍니다.

그렇게 잘 안 맞는 pitch는 진화 루프. 곧 다룹니다.

백테스트 엔진은 실제로 어떻게 작동하나 #

퀀트 도구를 평가하는 누구에게나 엔진 내부가 마케팅보다 더 중요. scripts/core/backtest.py에서 세 가지가 두드러집니다:

1. Look-Ahead Bias 방어(대부분 양호) #

Replay 메인 루프는 전략에 bar range(last_fed_idx + 1, end_idx)를 공급 — 평가 bar 종가 전에 엄격히 멈춤. 실행용 mark price는 open + (close-open)/15로 합성, 다음 15m bar 첫 분의 가격 모의. 원리상 정확하지만 bar 내 가격 선형 변화 가정으로 고변동성 regime에서 왜곡. 버그 아님, 알려진 근사.

2. 청산 모델링(정확) #

각 replay step에서 bar high(숏)과 bar low(롱)에 대해 유지증거금 침범 검사. 침범 시 청산가에 강제 청산. 결과의 blowup_count는 전략이 얼마나 자주 wipe됐는지 추적 — BTC 304일 × 5 전략 테스트에서 blowup count는 0, 레버리지 cap과 ATR 스톱이 실제 트리거됨을 확인.

3. Sharpe 연간화 상수 버그 #

backtest.py:828 원본:

sharpe = (valid_returns.mean() / valid_returns.std(ddof=0) * np.sqrt(8760)) ...

여기서 8760은 시간 단위 bar 연간화 상수(365 × 24). 그러나 equity는 15분 간격으로 step됨(line 735 equity_points.append 참조). 15m bar의 올바른 상수는 35040 = 365 × 24 × 4. 원래 상수는 Moss 플랫폼 Go 백엔드 verify parity 매칭이지만, 어떤 로컬 백테스트 비교나 절대 Sharpe 해석에서도 모든 기본 Sharpe 값이 약 2배 낮게 편향됩니다.

한 줄 수정:

ANNUALIZATION_FACTOR = 35040  # 15m bars per year
sharpe = (valid_returns.mean() / valid_returns.std(ddof=0) * np.sqrt(ANNUALIZATION_FACTOR)) ...

moss.site에 백테스트 업로드해서 verify할 계획이면 8760 유지. 로컬에서 학습/비교한다면 35040.

설치: 끝까지 10분 #

이건 우리가 단 한 번의 env-var 싸움 없이 설치한 유일한 AI 에이전트 skill입니다. 표준 워크플로우:

git clone --depth 1 --branch v1.0.26 https://github.com/moss-site/moss-trade-bot-skills.git
cd moss-trade-bot-skills/moss-trade-bot-factory/scripts
python3 -m venv .venv
.venv/bin/pip install -r requirements.txt

의존성은 최소: pandas≥2.0, numpy≥1.24, ccxt≥4.0. dataset_catalog.py 처음 실행 시 GitHub Release Asset에서 ~100MB 역사적 CSV 데이터 일회성 다운로드(moss.site 아님 — 그들은 재현성을 위해 태그된 릴리스에 SHA256으로 데이터를 핀합니다). 이후 모든 것은 오프라인.

사용 가능 심볼 리스트:

python3 dataset_catalog.py --list --timeframe 15m

43개 Hyperliquid 심볼 커버: BTC(304일), ETH/SOL/ADA/AAVE 등(148일), 토큰화된 미국 주식(TSLA, NVDA, MSTR), 상품(GOLD, SILVER, BRENTOIL, SP500).

5 전략 비교: 실제로 작동하는 것 #

BTC 전체 304일 윈도우(2025-07-01 ~ 2026-04-30)에서 5개 수공예 전략 실행, $10,000 시작 자본. 같은 데이터, 같은 엔진, 다른 파라미터 철학.

세 가지 멈춰서 생각할 발견:

레버리지와 수익은 엄격히 반비례. 2x 그리드 승. 10x 돌파는 5x 추세 추종보다 살짝 나을 뿐. 자연어 생성 전략을 횡보 시장에서 돌리면 3x 초과는 구조적 과잉자신.

승률은 운명이 아님. Livermore 추세 36.2% 승률은 추세 전략에 정상(추세 전략은 적은 수의 큰 승리로 많은 작은 손실을 덮을 것을 기대). 손실 이유는 승률 아님 — BTC 윈도우가 횡보/혼란 시장이라 추세가 계속 가짜 돌파. 옳은 전략, 잘못된 regime.

5 전략 0 폭락. 레버리지 cap과 ATR 스톱이 광고대로 작동. 10x 레버리지에서도 청산 안 됨. 리스크 관리 프리미티브 견고.

진화의 함정: 예쁜 백테스트, 빈 OOS #

리뷰가 논쟁적이 되는 부분. README는 진화 루프를 “핵심 혁신"으로 판매 — 성격 잠금하면서 전술 파라미터 미세 조정하는 segment별 반사. 규율 있게 들림: ±30% drift 제한, 분리된 segment 품질 신호, walk-forward 반사.

또한 OOS에서 실패하는 예쁜 백테스트를 만들어냅니다.

우리의 방법론 #

1. BTC 304일을 Train(70% = 212일) + OOS(30% = 92일)로 split
2. Train에서 베이스라인(보수적 그리드 파라미터 고정), 5 × ~41일 segment 분할
3. 수동으로 반사 agent 역할: 실패 segment 식별(Seg 4: -6.11%, 42.3% 승률, 시장 -19.6% 하락 중 regime 잘못 라벨됨 SIDEWAYS), 전술 전용 미세 조정으로 5라운드 진화 스케줄 생성(entry_threshold 0.45 → 0.50, sl_atr_mult 3.0 → 2.5, tp_atr_mult 2.0 → 2.5)
4. 진화 스케줄 적용하여 Train에서 베이스라인 재실행
5. 진화된 최종 파라미터 잠금. OOS에서 실행. 아무것도 조정하지 않음.

결과 #

Train 두 열을 먼저 읽으세요. Profit Factor 2배. 최대 Drawdown 반감. 어떤 in-sample 지표 기준이든 진화는 화려하게 성공. 실패한 Seg 4는 -6.11% → +3.20% 회복 — 정확히 타겟된 수정.

이제 OOS 두 열을 읽으세요. Profit Factor가 1.68에서 0.94로 붕괴. 승률 14%p 하락. 보지 못한 92일에서 +7.22% 베이스라인 수익이 “개선된” 파라미터로 -2.43% 손실로 변함.

이것이 in-sample fitting의 교과서적 시그니처. 진화 루프는 시장 구조를 학습하지 않음 — Train segment 노이즈를 외움. LLM 반사는 추론처럼 보였음(“Seg 4는 하락장에서 평균 회귀 진입 때문에 실패; 스톱 조이고 임계값 올리기”) — 그러나 증명은 OOS 차이에: Train +2.58%p 개선이 OOS -9.65%p 퇴화로 번역됨.

왜 이게 한 skill을 넘어서 중요한가 #

“AI 주도 파라미터 최적화” 또는 “반사적 진화"를 마케팅하면서 OOS 검증 결과를 보여주지 않는 모든 퀀트 도구는 같은 함정을 팝니다. 패턴은 보편적:

1. Train 기간 반사가 모든 실패 segment에 대해 이야기를 찾음
2. 전술 미세 조정이 이야기에 맞춤
3. in-sample 지표가 극적으로 개선(PF 2배, drawdown 반감)
4. OOS가 진실을 드러냄: 파라미터가 신호가 아닌 노이즈를 외움

Moss는 독점 죄인 아님. skill은 오픈소스, 데이터는 가용, 버그는 수정 가능. 다음 세대 이런 도구에 원하는 것은 내장 OOS gate: 독립 OOS 검증을 통과하지 않으면 진화된 파라미터 게시 거부. 그때까지 모든 진화 보고서를 in-sample 마케팅으로 취급하세요.

솔직한 가격과 펀넬 분석 #

skill 자체는 무료(MIT-0). 펀넬은 moss.site에서 가능한 것:

• 봇을 Moss 플랫폼에 bind하여 라이브 copy-trade(자신의 지갑 via Hyperliquid 실자금)
• 플랫폼 검증을 위해 백테스트 업로드
• leaderboard에서 경쟁
• 다른 agent 신호 구독

플랫폼 쪽은 테스트하지 않았습니다. README는 이것이 연구 및 교육 도구라고 명시, 그렇게 유지했습니다. 라이브 트레이딩하려면 자신의 Hyperliquid 지갑, 실제 USDC, Train-only 백테스트 지표를 무시할 인내심이 필요.

org는 명확한 펀넬 모드에서 운영(6 repos, star 있는 1개 외 지원 인프라: moss-og-pass-nft 멤버십, moss-bounty-x402-client 결제, Hyperliquid-copy-trade 실행). 악마 아님 — 표준 open-core 배포 — 그러나 skill이 모든 플랫폼 접촉 명령에 대해 ai.moss.site를 디폴트로 할 때 알 가치 있음.

이 skill이 올바른 도구일 때 #

사용하세요 만약:

• 산업급 백테스트 엔진이 어떤지 학습하고 싶을 때(Decimal 산술, 호가창, 청산 회계)
• 규칙 기반 전략 템플릿 비교 + 일관된 harness 원할 때
• 실제 Hyperliquid 역사 데이터에서 페이퍼 백테스트 실행, 데이터 파이프라인 직접 작성 원치 않을 때
• Sharpe 연간화 버그 수정할 수 있을 만큼 Python 읽고, 자체 OOS 검증 단계 추가할 때까지 진화 루프 무시 가능

건너뛰세요 만약:

• OOS 검증 엄격 학습 없이 라이브 트레이딩하고 싶을 때
• “진화된” 백테스트 결과가 forward 성과로 번역되길 기대할 때
• walk-forward 분석, regime-specific OOS 검증, 유의성 테스트 필요 — 어느 것도 내장 안 됨
• 플랫폼 펀넬 생각하고 싶지 않고 완전 커뮤니티 주도 도구 원할 때

만난 한계 #

이틀 집중 테스트 후:

• Sharpe 연간화 버그(위). 한 줄 수정 가능.
• train/test split 내장 없음. 자체 CSV slicer와 결과 비교기 작성 필요. 우리 것은 95至尊交易员记忆 아카이브.
• Regime 감지 라벨이 틀릴 수 있음. Seg 4는 SIDEWAYS 라벨이었지만 BTC가 -19.6% 하락. core/regime.py 자체 감사 자격 있음.
• Funding rate가 고정 상수(0.0000125/시간). 실제 Hyperliquid funding은 변동. 장기간 포지션은 백테스트 vs 라이브 발산.
• 다자산 cross-margin 없음. 단일 합약 cross-margin만. 포트폴리오 전략은 커스텀 작업 필요.

자체 호스팅 추천 인프라 #

자체 퀀트 백테스트 파이프라인을 24/7 안정적으로 운영하려면 안정된 VPS가 중요:

• DigitalOcean — 신규 가입 시 60일 $200 크레딧. 백테스트 파이프라인 프로토타이핑하는 인디 퀀트의 좋은 진입점.
• HTStack — 홍콩 VPS, 중국 본토에서 저지연 접근. dibi8.com을 호스팅하는 동일 IDC.

제휴 링크 — 추가 비용 없이 dibi8.com 운영에 도움이 됩니다.

최종 판단 #

Moss Trade Bot Factory는 2026년에 리뷰한 가장 진짜 유용한 오픈소스 퀀트 skill입니다. 백테스트 엔진은 산업급. HMAC 클라이언트는 정확히 설계. MIT-0 라이선스는 이례적으로 관대. Hyperliquid CSV 데이터셋은 실제이며 SHA256으로 핀.

하지만 진화 루프에 대한 마케팅 강조는 초보자를 in-sample fit 파라미터를 실자금에 배포하게 오도. 프로젝트가 OOS 검증 gate를 추가할 때까지(또는 누군가 fork 추가까지), 진화 기능을 신뢰하지 말아야 할 것을 가르치는 교육 도구로 취급하세요, alpha 경로로 아님.

설치하고, Sharpe 버그 수정하고, 5개 수공예 전략 실행해 엔진 동작 보고, 자체 train/OOS splitter 작성하세요. 그 마지막 단계 — 아무도 가르치지 않고 Moss가 강제하지 않는 — 가 퀀트의 단일 가장 중요한 습관.

봇은 자신의 edge에 대해 정직하라고 가르치지 않습니다. 그건 직접 해야 합니다.

GitHub: moss-site/moss-trade-bot-skills · License: MIT-0 · Latest: v1.0.26(2026-05-25) · Stars: 98 · Maintainer: moss-site / Moss AI(moss.site)