5초 결론: 호가창·체결 데이터에서 아직 아무도 모르는 스캘핑 패턴을 찾는 무겁고 어려운 일은 GPT-6 Astra에게 맡기세요. 데이터 정리, 실험 환경, 버그 수정, 회귀 테스트, 백테스트, 결과 반박, 작업 관리는 Claude Opus 5.5에게 맡기면 됩니다. 가장 똑똑한 AI를 모든 일에 쓰는 게 아니라, Astra는 비싼 연구원으로, Opus 5.5는 멈추지 않는 현장 관리자로 쓰는 두 단계 방식입니다.
1. 놀라운 건 똑똑함보다, 멈추지 않고 다음 일로 넘어간다는 점이었다
긴 소프트웨어 유지보수 작업에서 AI는 첫 오류 하나를 고치고 끝내지 않았습니다.
실행 환경 차이 때문에 생긴 테스트 실패는 의존성 주입으로 원인을 가려냈습니다. 이미 없어진 규칙을 검사하던 낡은 테스트는 고쳐 썼고, 공용 검증기로 옮겨 갔는데 따라가지 못한 감사 로직도 고쳤습니다. 마지막에는 실제 빌드를 막고 있던 테스트용 데이터(fixture) 누락까지 찾아냈습니다. 하나씩 고칠 때마다 전체 테스트를 다시 돌렸고, 진짜 빌드까지 통과시켰습니다.
사람에게는 이게 한 번의 천재적인 답보다 훨씬 값집니다.
AI에게 일을 맡길 때 병목은 대개 이런 “사람이 끼어드는 비용”입니다.
- 문제를 찾는다
- 하나를 고친다
- 다른 실패를 발견한다
- “다음에는 이걸 확인해 보세요”라고 하고 멈춘다
- 사람이 “아니, 그냥 계속해”라며 다시 시작시킨다
Anthropic은 Opus 5.5를 긴 코딩 작업, 큰 코드베이스, 여러 도구를 넘나드는 에이전트 작업을 사람이 덜 지켜봐도 계속 진행하는 모델이라고 소개합니다. 일반적인 토큰 과금 작업은 Opus 5보다 약 40% 싸다고도 설명합니다.[1]
여기서 중요한 건 AI의 가치를 “어려운 문제 하나를 푸는 머리”로만 재지 않는 것입니다. 현장에서는 원인을 찾고, 고치고, 확인하고, 다시 고치고, 끝났는지 확인하는 데까지 이어지는지가 더 중요합니다.
2. 그럼 Astra는 필요 없을까? 오히려 “탐색”에만 쓰면 비싼 값을 한다
GPT-6 Astra는 OpenAI가 가장 어려운 end-to-end 작업용으로 내놓은 최상위 모델입니다. API 가격은 100만 토큰당 입력 10달러, 출력 50달러로, Opus 5.5의 4달러·20달러보다 비쌉니다.[2][1]
OpenAI의 Astra 소개에는 Jane Street의 평가도 실려 있습니다. GPT-5.6 Sol과 비교해 “trading intuition(거래 감각)” 평가에서 뚜렷하게 나아졌다는 내용입니다. OpenAI의 금융 서비스용 제품 소개도 Astra가 정보 검색, 금융 추론, 결과물 작성의 세 분야에 강하다고 설명합니다.[2][3]
그러니 CSV 정리, 의존성 수정, 테스트 데이터 만들기, 파일 이름 바꾸기 같은 일에 Astra를 쓰는 건 아깝습니다.
Astra에게는 이런 “연구” 성격의 문제만 줍니다.
- 무엇이 효과가 있는지 모른다
- 후보가 되는 특징이 너무 많다
- 조건의 조합이 많다
- 정답이 어떤 모양인지 아직 정하지 못했다
- 틀린 가설을 대량으로 버려야 한다
도로 공사에 F1 머신까지 쓸 필요는 없습니다. F1은 서킷이 완성된 뒤에 부르면 됩니다.
3. 호가창 역탐색은 “지표를 고민하는 것”이 아니라, 나중의 가격 움직임에서 과거로 거슬러 가는 것
흔한 전략 설계는 사람이 조건을 먼저 정합니다. “RSI가 낮으면 사자”, “매수 호가가 두꺼우면 오를지도 몰라” 같은 식입니다.
역탐색은 반대입니다.
먼저 0.5초 뒤, 1초 뒤, 3초 뒤, 5초 뒤에 수수료와 스프레드를 넘을 만큼 가격이 움직인 순간을 기계적으로 뽑습니다. 그리고 그 직전의 호가창과 체결 기록으로 돌아가 공통점이 무엇이었는지 찾습니다.
후보가 되는 단서는 예를 들어 이런 것들입니다.
- 최우선 매수·매도 호가 근처의 물량
- 여러 호가 단계에 걸친 물량 쏠림
- 시장가 주문의 방향과 세기
- 주문 흐름 불균형(order-flow imbalance)
- 주문 취소와 추가의 비율
- 호가가 다시 채워지는 속도
- 스프레드가 벌어지고 좁아지는 모양
- 체결 뒤 호가창이 회복되는 모습
- 마이크로프라이스와 중간가의 차이
- 변동성 국면
- 시간대
- 수백 밀리초 단위의 사건 순서
Cont, Kukanov, Stoikov는 짧은 시간 동안의 가격 변화가 단순 거래량보다 최우선 호가 근처의 주문 흐름 불균형과 더 강하게 이어져 있고, 그 영향이 시장의 두께(depth)에 따라 달라진다는 것을 보였습니다.[4]
즉 호가창은 “매수 쪽이 두꺼우니 오른다” 정도의 정지 사진이 아닙니다. 주문 추가, 취소, 시장가, 재보충이 시간 순서대로 흘러가는 사건의 연속입니다.
이 부분을 Astra에게 탐색시킬 가치가 있습니다.
4. 하지만 “100개 해 봤더니 이게 제일 벌었다”는 성배가 아니라 과최적화 뽑기일 수 있다
AI 탐색의 가장 큰 함정은, 똑똑해질수록 전략을 엄청나게 많이 시험할 수 있다는 점입니다.
Bailey 등의 연구는 이런 문제를 다룹니다. 백테스트 후보를 대량으로 돌리고 그중 성적이 가장 좋은 것을 고르면, 그 데이터에서만 우연히 좋았던 전략을 고르기 쉽습니다.[5]
그래서 Astra가 조건 1만 개를 찾고 “이게 최고입니다”라고 말하는 순간, 오히려 경계를 높여야 합니다.
역탐색에서는 최소한 이렇게 해야 합니다.
- 탐색 기간과 최종 평가 기간을 나눈다
- 시간 순서를 깨는 무작위 분할만 믿지 않는다
- 같은 기간으로 되돌아가 조건을 계속 고치지 않는다
- 시험한 가설의 수를 기록한다
- 여러 시장 국면에서 무너지지 않는지 본다
- 수수료와 스프레드를 넣고 평가한다
- 미래 정보가 섞이지 않았는지 검사한다
여기서 Opus 5.5가 “Astra가 찾은 전략을 무너뜨리러 오는 검토자” 역할을 맡습니다.
Astra는 발견하고, Opus는 의심합니다.
연구 조직은 사이가 조금 나쁜 정도가 딱 좋습니다.
5. 호가창 백테스트에서 가장 무서운 건 “그 가격에 정말 체결됐을까?”
스캘핑에서는 차트에서 그 가격이 보였다는 것과, 내 주문이 그 가격에 체결된다는 것이 전혀 다른 이야기입니다.
지정가 주문에는 대기 순서가 있습니다. 내 앞에 몇 개가 줄을 서 있는지, 반대편 주문이 얼마나 들어오는지, 앞선 주문이 중간에 취소되는지에 따라 체결 확률이 달라집니다.
2025년 Management Science에 실린 연구는, 거의 같은 시각에 보낸 지정가 주문도 무작위 지연 때문에 대기 순서가 바뀔 수 있다는 점을 다룹니다.[6] 암호화폐 시장을 대상으로 한 최근 실증 연구도, 호가창을 본 시점과 주문이 거래소 체결 엔진에 닿는 시점 사이에 지연이 있어서, 보였던 물량을 실제로는 잡지 못하는 체결 실패가 생기고 이것이 초단타 백테스트에 영향을 준다고 보고합니다.[7]
그래서 백테스트 프로그램은 최소한 다음을 다룰 수 있어야 합니다.
- 수수료
- 스프레드
- 슬리피지(예상 가격과 실제 체결 가격의 차이)
- 지연 시간
- 대기 순서
- 일부 체결
- 취소 지연
- 주문 거부와 체결 실패
- 불리한 상대와 거래하게 되는 문제(역선택)
이걸 다루지 못하면 Astra의 탐색 능력이 올라갈수록 “아름다운 가짜 수익”을 더 빨리 찍어내게 됩니다.
AI는 똑똑해졌는데 체결 시뮬레이터는 엉성하다면, 페라리에 종이 타이어를 끼운 격입니다.
6. 역할 분담은 “Opus가 공장, Astra가 연구실”
실제로 운영한다면 이렇게 나누는 게 이해하기 쉽습니다.
| 작업 | 주 담당 |
|---|---|
| 호가·체결 데이터 수집 | Opus 5.5 |
| 데이터 누락 처리, 시각 맞추기, 정규화 | Opus 5.5 |
| Parquet / DB / 특징 저장소 정비 | Opus 5.5 |
| 백테스트 프로그램과 체결 모델 구현 | Opus 5.5 |
| 테스트, 회귀 방지, 로그 정비 | Opus 5.5 |
| 목표 변수와 탐색 범위 준비 | Opus 5.5 + 사람 |
| 아직 모르는 특징·조건의 역탐색 | Astra |
| 가설 생성, 군집 탐색 | Astra |
| 미래 정보 혼입(look-ahead / leakage) 검사 | Opus 5.5 |
| 과최적화·국면 의존성 반박 | Opus 5.5 |
| 후보 재구현과 대량 재검증 | Opus 5.5 |
| 다음 탐색 과제 정리 | Opus 5.5 → Astra |
Anthropic은 Opus 5.5를 코딩, 에이전트, 컴퓨터 조작, 여러 앱에 걸친 작업의 “매일 쓰는 기본 모델”로 분명히 내세웁니다.[1]
반면 Astra는 OpenAI 스스로 복잡한 추론, 코딩, 컴퓨터 조작, 연구용 최상위 모델이라고 소개합니다.[2]
능력이 겹치기 때문에 더더욱 “할 수 있는 쪽에 전부 시킨다”가 아니라, “비싼 능력이 정말 필요한 순간에만 부른다”는 설계가 효과적입니다.
7. Opus가 Chrome으로 Astra를 조작하는 방식은 시제품으로는 좋다. 실제 운영에는 API가 깔끔하다
브라우저를 조작할 수 있는 Opus 5.5가 Astra의 채팅 화면을 열고,
- Astra에게 탐색 과제를 보내고
- 끝났는지 확인하고
- 결과를 가져오고
- 스스로 반박해 보고
- 부족하면 다음 탐색을 보내는
“AI가 AI를 쓰는” 구성은 시제품으로 이해하기 아주 쉽습니다.
Opus 5.5는 공식적으로도 컴퓨터 조작을 주요 용도로 꼽기 때문에, 알맞은 브라우저·컴퓨터 조작 도구만 갖추면 이런 여러 단계 작업의 지휘자로 쓸 수 있습니다.[1]
다만 반복 운영 단계가 되면 화면을 거치는 것보다 API가 보통 다루기 쉽습니다.
브라우저를 거치면 이런 문제가 따라옵니다.
- 로그인이 풀린다
- 화면 구성이 바뀐다
- 버튼 상태가 헷갈린다
- 아직 생성 중인지 멈춘 건지 구분하기 어렵다
- 출력 일부를 놓친다
- 대화 내용이 너무 길어진다
- 브라우저 자체가 고장 난다
API라면 실험 ID, 입력 데이터의 해시, 프롬프트 버전, 출력, 평가 결과를 정해진 형식으로 저장할 수 있습니다.
그래서 순서는 이렇게 가는 게 자연스럽습니다.
먼저 Chrome으로 사람이 하던 작업을 그대로 자동화해 가치를 확인 → 탐색 순환이 굳어지면 API로 바꾼다
처음부터 우주선을 만들 필요는 없습니다. 먼저 자전거에 로켓을 묶어서, 정말 가고 싶은 방향이 맞는지 확인하면 됩니다.
8. 최종 모습은 “Astra에게 생각시킨다”가 아니라 “Astra가 생각할 가치가 있는 문제만 준다”
가장 아까운 구성은 Astra에게 거대한 원본 데이터와 고장 난 코드를 통째로 던지고,
“뭔가 돈 되는 전략 좀 찾아봐”
라고 하는 것입니다.
강한 구성은 반대입니다. Opus 5.5 쪽에서
- 데이터 품질을 보증하고
- 재현할 수 있는 실험 환경을 만들고
- 탐색용 API를 준비하고
- 성공 조건을 정하고
- 비용 모델을 넣고
- 미래 정보 혼입 검사를 자동화하고
- 결과를 저장하고
- Astra가 돌려준 후보를 따로 검증해 반박해 보는
데까지 끝내 둡니다.
그다음에 Astra에게 “아직 사람이 특징을 떠올리지 못한 영역”을 파게 합니다.
그러면 일의 흐름은 이렇게 됩니다.
Opus 5.5가 바탕을 만든다 → Astra가 미지의 영역을 판다 → Opus 5.5가 깨뜨려 본다 → 살아남은 것만 다음 단계로 간다
천재 AI 한 명에게 전부 맡기는 게 아닙니다.
연구원에게는 연구를, 현장 관리자에게는 현장을 맡기세요.
AI 에이전트 시대에도 결국 가장 잘 먹히는 건 조직을 어떻게 짜느냐였습니다.
- Anthropic — „Introducing Claude Opus 5.5“ und Produktseite zu Claude Opus (22.09.2026) https://www.anthropic.com/claude/opus Belegt die Einordnung von Opus 5.5 bei agentischem Programmieren, langen Arbeiten, Computernutzung und Abläufen über mehrere Anwendungen, außerdem Preise und die rund 40 % geringeren Kosten typischer, nach Token abgerechneter Arbeiten im Vergleich zu Opus 5 anthropic.com
- OpenAI — „GPT-6 Astra: A new generation of intelligence“ und API-Modellseite zu GPT-6 Astra (09/2026) https://developers.openai.com/api/docs/models/gpt-6-astra Belegt die offizielle Einordnung von Astra, die API-Preise und das Zitat von Jane Street zu Fortschritten bei „Trading Intuition“-Tests gegenüber GPT-5.6 Sol openai.com
- OpenAI — „Introducing ChatGPT for Financial Services“ (10.09.2026) Belegt die Einordnung von Astra bei Informationssuche, Finanzanalyse und der Erstellung fertiger Ergebnisse openai.com
- Cont, Rama; Kukanov, Arseniy; Stoikov, Sasha — „The Price Impact of Order Book Events“, Journal of Financial Econometrics 12(1), 2014 Belegt den Zusammenhang zwischen kurzfristigen Kursänderungen, dem Ungleichgewicht im Orderfluss und der Markttiefe arxiv.org
- Bailey, David H.; Borwein, Jonathan M.; López de Prado, Marcos; Zhu, Qiji Jim — „The Probability of Backtest Overfitting“, Journal of Computational Finance https://doi.org/10.21314/jcf.2016.322 Belegt das Risiko, dass die Auswahl des besten Ergebnisses nach dem Test vieler Strategiekonfigurationen einen überangepassten Gewinner liefert escholarship.org
- Yueshen, Bart Zhou — „Queuing Uncertainty of Limit Orders“, Management Science, online veröffentlicht am 17.09.2025 Belegt die Unsicherheit der Position in der Warteschlange und zufällige Verzögerungen bei fast gleichzeitigen Limit-Orders pubsonline.informs.org
- „The good, the bad, and latency: exploratory trading on Bybit and Binance“, Quantitative Finance, 2025 Belegt Latenz, nicht ausgeführte Orders, Slippage, Adverse Selection und Fragen bei Hochfrequenz-Backtests doi.org
