WeatherBot이 이제 스스로의 실수에서 배웁니다 — 자기 개선 인텔리전스 엔진

대부분의 거래 봇은 정적입니다. 그들은 첫날에 실행한 것과 동일한 로직을 오늘도 실행합니다. 그들이 나쁜 거래를 하면, 내일 정확히 같은 나쁜 거래를 기꺼이 다시 할 것입니다. 우리는 그것이 충분하지 않다고 판단했습니다.

오늘부터 WeatherBot은 다음을 갖추게 됩니다: 자기 개선 엔진 — 봇이 수행하는 모든 거래를 지속적으로 추적, 분석 및 학습하는 다섯 개의 상호 연결된 모듈 시스템. 봇은 말 그대로 시간이 지남에 따라 더 똑똑해지며 이론적 모델뿐만 아니라 실제 결과를 기반으로 전략을 조정합니다.

각 모듈이 어떻게 작동하는지 정확히 설명합니다:

1. 거래 결과 트래커 & 승률 계산기

청산되는 모든 거래 — 스톱 로스, 이익 목표, 시장 결제 어느 경로든 — 는 전체 컨텍스트와 함께 영구 기록됩니다: 마켓 질문, 진입가, 청산가, 어떤 도시, 어떤 날짜, 어떤 트레이딩 모드가 활성이었는지, 예보 모델이 무엇을 예측했는지, 최종 P&L까지.

이 데이터를 바탕으로 엔진은 다음 기준별로 실시간 승률을 계산합니다: 도시, 거래 모드, 진입가 구간, 그리고 time period. 며칠만 거래해도 패턴이 드러납니다. 봇이 런던 거래에서는 85% 이기지만 서울에서는 45%만 이길 수도 있습니다. 15¢ 미만 진입에서는 빛나지만 40¢ 이상에서는 부진할 수도 있습니다. 이건 직감이 아닙니다 — 실제 거래에서 나온 확실한 숫자이며, Claude의 다음 결정에 직접 반영됩니다.

2. 정산 후 피드백 루프 — 모델 정확도 추적

이것은 순수한 기상학입니다. 각 시장이 해결된 후 엔진은 각 날씨 모델이 무엇을 예측했는지 대 실제로 무슨 일이 일어났는지 기록합니다. 시간이 지남에 따라 이는 도시별 모델 정확도 데이터베이스.

결과는? 30일치 데이터가 쌓이면 봇은 "ECMWF는 3월 서울에서 일관되게 0.8°C 더 따뜻하다"거나 "GFS는 여름 마이애미에서 1.2°C 더 춥다"는 사실을 알 수 있습니다. 이러한 체계적 편향은 자동으로 합의 계산에 반영됩니다. 다른 어떤 날씨 트레이딩 봇도 이걸 가지고 있지 않습니다 — 대부분은 특정 도시와 계절에서의 실적과 상관없이 모든 모델을 동등하게 취급합니다.

3. Claude가 자신의 거래를 평가 — AI 사후 분석

이것이 가장 강력한 모듈입니다. 30분마다 봇은 최근 손실 거래를 검토하고 각각을 간단한 질문과 함께 Claude에 다시 보냅니다: "무엇이 잘못되었나?"

Claude는 거래를 사후적으로 검토합니다 — 당시 가용했던 예보 데이터, 진입가, 실제 결과 — 그리고 간결한 사후 분석을 작성합니다: 무엇이 실수였고, 앞으로 그것을 피할 한 가지 실행 가능한 규칙. 이 교훈들은 "플레이북"으로 축적되어 향후 모든 AI 프롬프트에 주입됩니다.

100번의 거래를 거치며 Claude는 사실상 실전 경험을 바탕으로 자신의 트레이딩 매뉴얼을 작성했습니다. 테스트에서 본 교훈 예시:

• "아시아 도시에서 30¢ 이상의 BUY_YES는 피하세요 — 그 가격대에서는 시장이 이미 효율적인 경우가 많습니다"
• "GFS와 ECMWF가 2°C 이상 차이 나면 항상 SKIP — 불확실성이 너무 큽니다"
• "3월에는 서울 기온이 모델 합의보다 일관되게 낮습니다 — -1°C 보정을 적용하세요"

4. AI 신뢰도 보정

Claude가 거래에 "VERY_HIGH" 신뢰도가 있다고 말할 때, 실제로 얼마나 자주 이기나요? 이 모듈은 답을 정확하게 추적합니다. 모든 거래의 신뢰도 레벨이 그 결과와 함께 기록되어 보정 테이블을 구축합니다:

이 데이터는 Claude의 프롬프트에 직접 주입됩니다. Claude가 자신의 VERY_HIGH 판단이 60%만 적중한다고 본다면, 자연스럽게 더 선별적이 됩니다 — 진정으로 확실한 결과에만 VERY_HIGH를 남깁니다. AI의 신뢰도가 임의적이 아니라 실제로 의미 있는 값이 되며, 이는 거래 사이징을 직접 개선합니다(높은 신뢰도에 더 큰 베팅이 이뤄지므로).

5. 롤링 성과 컨텍스트 — 패턴 인식

이제 모든 AI 분석에는 최근 7일 누적 성과 요약이 포함됩니다:

• 전체 승/패 기록과 순손익(P&L)
• 성과가 좋은 도시(봇이 꾸준히 이기는 곳)
• 성과가 나쁜 도시(조심해서 거래하거나 피해야 하는 곳)
• 진입 가격대별 승률(<15¢, 15-40¢, >40¢)

Claude는 이 컨텍스트를 바탕으로 자연스럽게 자신의 행동을 조정합니다. 런던 거래가 9연승 중이라면, 런던 기회에 더 적극적으로 기대고, 서울이 꾸준한 패배자라면 서울 거래를 추천하기 전에 기준을 더 높입니다. 봇의 전략은 실제로 효과가 있는 것을 토대로 매일 진화합니다.