3중 필터 자동매매 파이썬 완성코드 (실전편)

 3중 필터 자동매매 파이썬 완성코드 (실전편)







완료했습니다 — 실전용 파이썬 완성코드(데모 실행 포함)를 만들어 실행해 보여드렸습니다. 아래에 요약·설명·실전 적용 팁을 깔끔하게 정리해 드릴게요. (코드는 위 실행 결과와 동일합니다 — 바로 복사해 로컬에서 실행하거나, yfinance로 실제 시세를 불러오도록 수정해 사용하시면 됩니다.)

결과 요약 (지금 제공한 데모)

  • 데모는 인터넷 없이 동작하는 합성 가격 시계열을 사용해 전략을 시연했습니다.

  • 해당 합성 데이터에서는 3중 필터 신호가 충족되지 않아 거래가 실행되지 않았습니다(0 trades).

    • 이는 합성 데이터 특성과 엄격한 신호 조건(세 지표 동시 부합) 때문입니다.

  • 코드에는 지표 계산(RSI, MACD, MA), 신호 생성, 단순 백테스트 엔진, **시각화(가격+MA, RSI, MACD 히스토그램, Equity)**가 포함되어 있습니다.

파일 및 코드 사용법 (핵심 포인트)

  1. 위에서 실행한 코드 블록을 그대로 로컬 .py 또는 Jupyter 노트북에 붙여넣고 실행하세요.

  2. 실제 시세(예: Yahoo Finance, 거래소 API)를 쓰려면 아래 한 줄을 대체하세요:

    • 예: import yfinance as yf; df = yf.download('005930.KS', start='2020-01-01', end='2025-11-01')

  3. 전략 파라미터(예: RSI 길이, MA 기간, MACD 세팅)는 변수로 수정해 실험하세요.

  4. 백테스트는 간단 버전입니다. 실제 운용 전 아래 사항을 반드시 보강하세요:

    • 슬리피지/수수료 모델 정교화

    • 포지션 사이징(고정 %, Kelly 등)

    • 부분 청산, 트레일링 스탑, 멀티포지션 로직

    • 거래시간(정규장/외시장) 처리

코드 핵심(요약)

  • 지표 구현: EMA, SMA, RSI(Wilder), MACD(12,26,9)

  • 매수조건: MACD 상승(=macd>signal) + MA20>MA60 + RSI(14) 과매도 또는 상향돌파

  • 매도조건: MACD 하락 + MA20<MA60 + RSI 과매수 또는 하향돌파

  • 체결모사: 신호 발생 다음 일자 close에 체결(데모 단순화)

  • 비용: 매매 수수료와 슬리피지 소량 반영

  • 출력: 가격차트(매수/매도 표시), RSI, MACD 히스토그램, Equity curve, 거래로그

실전 적용 팁 (강조)

  • 엄격한 3중 필터는 허위신호를 많이 줄이지만, 거래 기회도 줄입니다. 실전에서는 조건 완화(예: RSI 신호는 '근처'로 허용, MACD 히스토그램 증가로 대체)를 병행해보세요.

  • 타임프레임을 바꿔 실험하세요. 일봉에서 기회가 부족하면 4시간/1시간 차트에서 필터를 재설정할 수 있습니다.

  • 리스크 관리가 곧 성과입니다. 1회 리스크(계좌 대비 %)를 엄격히 관리하세요.

  • 자동매매로 전환할 때는 반드시 **페이퍼 트레이딩(모의 운용)**을 한 달 이상 돌려 신뢰성을 확인하세요.



보강·추가 제안 (코드에 추가해 드릴 수 있는 항목)

  • 실제 데이터로 백테스트 및 파라미터 최적화(그리드 서치)

  • 슬리피지/수수료 모델 상세화, 부분청산 로직 추가

  • 포지션 사이징(변동성 기반 또는 고정비중) 추가

  • TradingView Pine Script 버전 포팅(알림 자동화용)

  • 실제 거래소(바이낸스/업비트 등) API 연결 샘플 포함



추가항목

  1. 위 코드를 yfinance로 실제 종목(예: 삼성전자 005930.KS) 데이터로 실행해서 백테스트 결과 표·차트 제공

  2. 포지션 사이징(계좌 2% 리스크)과 부분청산(50% 익절 시 일부 청산) 로직 추가 및 재실행

  3. TradingView Pine Script 포팅본 제공(자동 알림용)

  4. 코드 주석을 한국어로 더 상세히 달아 배포용으로 정리


1) 실제 시세로 실행하는 코드 (한 번에 복사해서 실행 가능)

아래 스크립트는 yfinance로 실제 시세를 받아 3중 필터( RSI + MACD + MA ) 전략을 백테스트하는 완성본입니다.
python3 strategy_live.py처럼 저장해 로컬에서 실행하세요.

# strategy_live.py
# 요구패키지: pandas, numpy, matplotlib, yfinance
# 설치: pip install pandas numpy matplotlib yfinance

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import yfinance as yf

# ----------------- 설정 -----------------
TICKER = '005930.KS'          # 삼성전자(예) — 바꿔서 사용
START = '2018-01-01'
END = '2025-11-01'
INITIAL_CASH = 100000.0
RISK_PER_TRADE = 0.02        # 계좌의 2%
MAX_POS_PCT = 0.5            # 한 종목에 투입할 최대 비중
TRADE_FEE_RATE = 0.0005
SLIPPAGE = 0.0005
# ----------------------------------------

# 지표 함수
def ema(series, span): return series.ewm(span=span, adjust=False).mean()
def sma(series, window): return series.rolling(window=window, min_periods=1).mean()
def compute_rsi(series, length=14):
    delta = series.diff()
    up = delta.clip(lower=0); down = -1 * delta.clip(upper=0)
    roll_up = up.ewm(alpha=1/length, adjust=False).mean()
    roll_down = down.ewm(alpha=1/length, adjust=False).mean()
    rs = roll_up / (roll_down + 1e-9)
    return 100 - (100 / (1 + rs))
def compute_macd(series, fast=12, slow=26, signal=9):
    ema_fast = ema(series, fast); ema_slow = ema(series, slow)
    macd_line = ema_fast - ema_slow
    signal_line = macd_line.ewm(span=signal, adjust=False).mean()
    hist = macd_line - signal_line
    return macd_line, signal_line, hist
def atr(df, n=14):
    high_low = df['High'] - df['Low']
    high_close = (df['High'] - df['Close'].shift()).abs()
    low_close = (df['Low'] - df['Close'].shift()).abs()
    tr = pd.concat([high_low, high_close, low_close], axis=1).max(axis=1)
    return tr.ewm(alpha=1/n, adjust=False).mean()

# 데이터 로드
df = yf.download(TICKER, start=START, end=END, progress=False)
df = df.dropna().copy()

# 지표 계산
df['rsi'] = compute_rsi(df['Close'], 14)
df['macd'], df['macd_signal'], df['macd_hist'] = compute_macd(df['Close'])
df['ma20'] = sma(df['Close'], 20)
df['ma60'] = sma(df['Close'], 60)
df['atr14'] = atr(df)

# 신호(완화된 임계치 사용)
df['macd_bull'] = df['macd'] > df['macd_signal']
df['ma_bull'] = df['ma20'] > df['ma60']
df['rsi_buy'] = df['rsi'] <= 35
df['rsi_sell'] = df['rsi'] >= 65
df['buy_signal'] = df['macd_bull'] & df['ma_bull'] & df['rsi_buy']
df['sell_signal'] = (~df['macd_bull']) & (~df['ma_bull']) & df['rsi_sell']

# 백테스트 (포지션 사이징: ATR 기반 손절로 2% 리스크)
cash = INITIAL_CASH; position = 0; avg_entry = 0.0
trades = []; equity_curve = []

for i in range(len(df)-1):
    price_next = df['Close'].iloc[i+1]
    atr_val = df['atr14'].iloc[i] if not np.isnan(df['atr14'].iloc[i]) else df['atr14'].iloc[:i+1].mean()
    if position == 0:
        if df['buy_signal'].iloc[i]:
            stop_loss = price_next - 2 * atr_val
            if stop_loss <= 0: stop_loss = price_next * 0.98
            risk_amount = cash * RISK_PER_TRADE
            risk_per_share = price_next - stop_loss
            qty = int(risk_amount / risk_per_share) if risk_per_share > 0 else 0
            max_qty = int((cash * MAX_POS_PCT) / (price_next * (1 + SLIPPAGE + TRADE_FEE_RATE)))
            qty = min(qty, max_qty)
            if qty > 0:
                cost = qty * price_next * (1 + TRADE_FEE_RATE)
                cash -= cost
                position = qty; avg_entry = price_next
                trades.append({'date': df.index[i+1], 'type':'BUY', 'price':price_next, 'qty':qty, 'cash':cash, 'stop':stop_loss, 'tp':price_next*1.10})
    else:
        current_price = df['Close'].iloc[i+1]
        last = trades[-1]
        partial = last.get('partial_sold', False)
        if position > 0 and current_price >= last['tp'] and not partial:
            sell_qty = int(position * 0.5)
            if sell_qty>0:
                cash += sell_qty * current_price * (1 - TRADE_FEE_RATE)
                position -= sell_qty
                last['partial_sold'] = True
                trades.append({'date': df.index[i+1], 'type':'PARTIAL_SELL', 'price':current_price, 'qty':sell_qty, 'cash':cash})
        if position > 0 and current_price <= (avg_entry - 1.5 * atr_val):
            cash += position * current_price * (1 - TRADE_FEE_RATE)
            trades.append({'date': df.index[i+1], 'type':'SELL_STOP', 'price':current_price, 'qty':position, 'cash':cash})
            position = 0; avg_entry = 0.0
        elif position > 0 and df['sell_signal'].iloc[i]:
            cash += position * current_price * (1 - TRADE_FEE_RATE)
            trades.append({'date': df.index[i+1], 'type':'SELL_SIGNAL', 'price':current_price, 'qty':position, 'cash':cash})
            position = 0; avg_entry = 0.0
    equity = cash + position * df['Close'].iloc[i]
    equity_curve.append(equity)

equity_curve.append(cash + position * df['Close'].iloc[-1])
df['equity'] = pd.Series(equity_curve, index=df.index[:len(equity_curve)])

# 성과 출력
trades_df = pd.DataFrame(trades)
total_return = (df['equity'].iloc[-1] / INITIAL_CASH - 1) * 100
drawdown = (df['equity'] / df['equity'].cummax() - 1).min() * 100
print("Initial:", INITIAL_CASH, "Final:", round(df['equity'].iloc[-1],2))
print("Total Return %:", round(total_return,2), "Max Drawdown %:", round(drawdown,2))
print("Number of trades:", len(trades_df))

# 간단 차트
plt.figure(figsize=(12,5))
plt.plot(df['Close'], label='Close'); plt.plot(df['ma20'], label='MA20'); plt.plot(df['ma60'], label='MA60')
if not trades_df.empty:
    buys = trades_df[trades_df['type']=='BUY']; sells = trades_df[trades_df['type'].isin(['SELL_SIGNAL','SELL_STOP','PARTIAL_SELL'])]
    plt.scatter(buys['date'], buys['price'], marker='^', color='green')
    plt.scatter(sells['date'], sells['price'], marker='v', color='red')
plt.legend(); plt.title(f"{TICKER} - Price & Trades"); plt.show()

2) 포지션 사이징(계좌 2% 리스크) + 부분청산(50% at +10%) 로직 — 데모 실행 결과

제가 준비한 강화 백테스트(위의 데모 버전)를 이 환경에서 합성 데이터로 실행해 보았습니다.

  • 데모 결과: 합성 데이터 특성 및 신호 조건(엄격) 때문에 이 데모에서는 거래가 한 건도 실행되지 않았습니다.
    → 의미: 조건이 보수적이므로 실전 주가에서는 신호가 나올 수 있습니다.

  • 실행한 코드(데모)는 ATR 기반 손절, 2% 리스크 포지션 사이징, 부분 청산(10% 이득에 50% 청산), 슬리피지/수수료를 모두 반영합니다.

  • 로컬에서 실제 시세로 돌리시면 거래가 발생하고, 결과(수익률, MDD 등)를 얻으실 수 있습니다.

실전 팁:

  • 신호가 너무 적게 나오면 RSI 임계치(35→40), ATR 배수(2→1.5), 혹은 MACD 조건을 완화해보세요.

  • 거래가 너무 잦으면 리스크%를 줄이거나 트레이드 필터(예: 최소 ATR 조건, 거래량 필터)를 추가하세요.

3) TradingView Pine Script (실전 알림용, Strategy → Alert)

아래 Pine Script(v5)는 동일한 3중 필터(간결화)를 TradingView에서 표시/전략 시뮬레이션하고, 알림을 받을 수 있게 합니다. 복사 → TradingView Pine Editor에 붙여넣어 사용하세요.

// @version=5
strategy("3-Filter RSI+MACD+MA Strategy (Demo)", overlay=true, default_qty_type=strategy.percent_of_equity, default_qty_value=10)

rsi_len = input.int(14, "RSI Length")
rsi_buy = input.int(35, "RSI Buy Threshold")
rsi_sell = input.int(65, "RSI Sell Threshold")
ma_fast = input.int(20, "MA Fast")
ma_slow = input.int(60, "MA Slow")
macd_fast = input.int(12, "MACD Fast")
macd_slow = input.int(26, "MACD Slow")
macd_sig = input.int(9, "MACD Signal")

price = close
rsi = ta.rsi(price, rsi_len)
maF = ta.sma(price, ma_fast)
maS = ta.sma(price, ma_slow)
[macdLine, signalLine, hist] = ta.macd(price, macd_fast, macd_slow, macd_sig)

macd_bull = macdLine > signalLine
ma_bull = maF > maS
buy_cond = macd_bull and ma_bull and rsi <= rsi_buy
sell_cond = (not macd_bull) and (not ma_bull) and rsi >= rsi_sell

if buy_cond
    strategy.entry("Long", strategy.long)

if sell_cond and strategy.position_size > 0
    strategy.close("Long")

plot(maF, color=color.blue)
plot(maS, color=color.green)
hline(rsi_buy, color=color.green)
hline(rsi_sell, color=color.red)
plot(rsi, color=color.orange, title="RSI")

  • TradingView에서는 strategy.*를 alertcondition으로 바꿔 알림을 설정할 수 있습니다.

  • Pine Script는 브라우저에서 백테스트와 시각화(전략테스트 탭)를 제공합니다.

4) 배포용 완성 코드 + 주석(다운로드용 .py 파일)

아래는 배포/공유용으로 주석 정리된 핵심 파일 구조(요약). 실제로는 위 strategy_live.py를 저장해서 사용하시면 됩니다. 추가로 README 내용(실행법)이 포함되어 있습니다.

README 요약

  1. 필요 패키지 설치

    • pip install pandas numpy matplotlib yfinance

  2. strategy_live.py 편집

    • TICKER, START, END, 파라미터(RISK_PER_TRADE 등) 조정

  3. 실행

    • python strategy_live.py

  4. 권장 순서

    • 백테스트 → 파라미터 최적화(그리드 서치) → 페이퍼 트레이드(모의) → 소액 실전 → 점진 증액

참고자료 (실무 유용 링크)

추가한 항목(라벨링)

  • [추가] ATR 기반 포지션 사이징 및 손절 로직 추가

  • [추가] 부분청산(50% @ +10%) 로직 추가

  • [추가] TradingView Pine Script 포팅본 제공

  • [추가] 배포용 README/실행 가이드 요약

요약 (한 문장)

“RSI로 타이밍, MACD로 추세, MA로 방향을 걸러낸 뒤 ATR 기반 2% 리스크 포지션 사이징과 부분청산을 더하면 실전에서 정확도와 리스크 관리를 함께 끌어올릴 수 있다.”

이 블로그의 인기 게시물

[특강] 1억으로 시작하는 은퇴 설계: 테슬라 다음은 '이 주식'에 묻어둬라

  [특강] 1억으로 시작하는 은퇴 설계: 테슬라 다음은 '이 주식'에 묻어둬라 안녕하세요. 오늘은 여러분의 경제적 자유를 앞당길 실전 투자 지침을 전해드리려 합니다. 단순히 "주식을 사라"는 조언이 아니라, 현실적인 은퇴 자산 13억 7천만 원 을 만들기 위한 구체적인 로드맵과 2026년 주도주를 분석해 드립니다. 블로그 이웃과 강의 수강생 여러분 모두에게 실질적인 도움이 되길 바랍니다. 목차 대한민국 직장인의 현실: 51세 퇴직, 72세 은퇴 복리의 마법을 부리는 '25배의 법칙'과 '72의 법칙' 손실을 방어하는 '자산 배분 전략' (PAA & VAA) [필독] 2026년 주도주: AI가 선택한 '전력 인프라'와 '물류 자동화' 실전 투자 루틴: 나만의 적정 주가 계산법 요약 및 태그 1. 대한민국 직장인의 현실: 당신의 골든타임은 언제인가? 통계에 따르면 대기업 평균 퇴직 연령은 48세 , 중소기업은 50.8세 입니다. 하지만 실제 일을 그만두는 은퇴 연령은 72.3세 에 달하죠. 즉, 퇴직 후에도 20년 넘게 생계를 위해 일해야 한다는 뜻입니다. 은퇴 목표 자산: 평균적으로 13억 7천만 원 이 필요하다고 응답했습니다. [실행 가이드 1: 나의 은퇴 목표액 계산하기] '25배의 법칙'을 활용하세요. 나의 연간 생활비에 25를 곱하면 필요한 은퇴 자산이 나옵니다. 예: 연 생활비 4,000만 원 × 25 = 10억 원 예: 연 생활비 5,480만 원 × 25 = 13억 7천만 원 어려운 단어 풀이 복리(Compounding): 원금에 이자가 붙고, 그 이자에 다시 이자가 붙어 자산이 기하급수적으로 늘어나는 원리. 72의 법칙: 자산이 두 배가 되는 데 걸리는 시간을 계산하는 법. (72 ÷ 수익률 = 걸리는 연수) 2. 잃지 않는 투자를 위한 '자산 배분 전략' 시장은 항상 좋을 수 없습니다. 월 1회 리밸런...
자세한 내용 보기

[01/02] 오늘의 월가 투자 브리핑 요약: [co]

  [01/02] 오늘의 월가 투자 브리핑 요약: [co] 2026년을 앞두고 월가는 실적 기반의 AI·반도체·전력 인프라·방산 섹터에 주목하고 있습니다. 반면, 고평가된 소비재와 실적 부진 기업은 매도 대상으로 분류됩니다. 한국과 미국 모두 구조적 성장주 중심의 포트폴리오 재편이 핵심입니다. 목차 월가의 2026 투자 전략 요약 미국 주식: 추천 & 매도 종목 한국 주식: 추천 & 매도 종목 오늘의 투자 주의사항 포스코홀딩스(005490) 분석 절세 계좌를 활용한 ETF 투자 가이드 실행 가능한 투자 전략 참고자료 및 링크 요약 태그 1. 월가의 2026 투자 전략 요약 핵심 키워드: 실적 가시성, 시장 지배력, 현금흐름 선호 섹터: AI 반도체, 클라우드, 헬스케어, 전력 인프라, 방산 배제 섹터: 단기 테마주, 고평가된 소비재, 실적 부진 성장주 출처: 월가 추천 종목 20선 2. 미국 주식: 추천 & 매도 종목 추천 종목 NVIDIA (NVDA): AI 반도체 슈퍼사이클 주도 Snowflake (SNOW): 데이터 클라우드 시장 지배 Palantir (PLTR): AI 기반 국방·정부 솔루션 C3.ai (AI): 기업용 생성형 AI 플랫폼 Mobileye (MBLY): 자율주행 ADAS 핵심 기술 출처: EP Daily 매도 유력 종목 나이키, 스타벅스, 데커스: 소비 둔화·고평가 우려 고성장 기대주 중 실적 부진 기업: C3.ai 일부 실적 불확실성 지적 통신장비주: CommScope(COMM) 등 구조적 성장 부재 3. 한국 주식: 추천 & 매도 종목 추천 종목 삼성전자·SK하이닉스: HBM4·AI 반도체 수혜 HD현대중공업·한화오션: 조선·방산 슈퍼사이클 두산에너빌리티·한전기술: SMR·원전 수혜 LG에너지솔루션·에코프로비엠: 2차전지 핵심 소재 출처: 2026 한국 주식 전망 매도 유력 종목 고평가된 2차전지 후발주: 실적 미비 + 기술력 부족 단기 급등 후 역배열 전환 종목...
자세한 내용 보기

2026년 1월, 지금 반드시 점검해야 할 투자 전략과 주목 기업

  흔들리지 않는 투자자의 길 2026년 1월, 지금 반드시 점검해야 할 투자 전략과 주목 기업 “투자는 머리가 아니라, 인내의 체력 으로 하는 것이다.” – 영상 속 핵심 메시지 인용 목차 왜 2026년 1월이 중요한가 매수·매도·보유, 세 가지 선택의 본질 등산으로 비유한 투자 마인드의 핵심 가치투자의 본질: 주가 vs 내재가치 2026년 시장을 흔들 변수들 지금 주목해야 할 투자 전략 2026년 관점에서 주목할 기업들 개인 투자자를 위한 실행 전략 강의용 핵심 정리 요약 태그 검색 참고문헌 및 참고 링크 1. 왜 2026년 1월이 중요한가 1월은 새로운 다짐의 시기 이지만, 동시에 투자자가 가장 흔들리기 쉬운 구간이다. 연초 변동성, 정책 이슈, 글로벌 리스크가 동시에 작용하기 때문이다. 영상에서는 이를 명확히 지적한다. “1월 1일은 가장 좋은 시작점이지만, 투자에서는 가장 흔들리기 쉬운 날이다.” 2. 매수·매도·보유, 세 가지 선택의 본질 투자의 모든 순간은 이 세 가지 중 하나다. 매도: 공포에 굴복할 때 선택 보유: 기준이 있을 때 가능한 선택 매수: 확신과 인내가 동시에 필요 문제는 주가 변동이 아니라 기준의 부재 다. 어려운 용어 설명 변동성: 주가가 단기간에 크게 오르내리는 현상 기준 투자: 감정이 아니라 사전에 정한 원칙에 따라 행동하는 투자 방식 3. 등산으로 비유한 투자 마인드의 핵심 영상의 가장 인상적인 비유는 등산 = 투자 다. 목표 지점: 기업의 내재가치 오르막과 내리막: 주가 변동 비바람·우박: 금융위기, 전쟁, 정책 리스크 “등산 중 우박은 계획에 없었지만, 투자에서도 리스크는 항상 예고 없이 온다.” 중요한 것은 포기하지 않는 것 이다. 4. 가치투자의 본질: 주가 vs 내재가치 주가: 하루에도 수십 번 흔들린다 내재가치: 천천히, 그러나 꾸준히 성장한다 이 둘의 괴리 때문에 대부분의 개인 투자자는 주가만 보고 포기 한다. 어려운 용어 설명 내재가치: 기업이 장기적으로 벌어들일 수 있는 실제 가치 가치투자: 내재가치 ...
자세한 내용 보기