알파 아레나 (Alpha Arena · Nof1)

같은 돈, 같은 시장, 다른 두뇌 — 실험 설계

알파 아레나는 리서치랩 Nof1이 진행한 AI 트레이딩 실험이다. 특정 봇이나 상품을 홍보하는 대회가 아니라, '언어 모델이 실제 자금으로 실제 시장에서 어떻게 판단하는가'를 관찰하는 공개 벤치마크에 가깝다. 변수를 통제하기 위해 조건은 최대한 단순하게 맞춰졌다 — 자본 동일, 무대 동일, 인간 개입 제로. 이 통제 덕분에 결과의 차이를 '운'이나 '조건 차이'가 아니라 각 모델의 의사결정 구조 차이로 읽을 수 있다.

1. 서로 다른 6개 AI 모델을 참가시킨다
2. 각 모델에 동일하게 약 $10,000의 실자금을 배정한다
3. 매매 무대는 코인 무기한선물 거래소 하이퍼리퀴드로 통일한다
4. 진입·청산·포지션 크기 결정에 사람이 일절 개입하지 않는다
5. 정해진 기간의 수익률로 성적을 비교한다

성적표 — 초반 선두와 최종 스프레드

공개 보도 기준으로 실험 초반 선두는 딥시크(DeepSeek Chat V3.1)였다. 여기서 첫 번째 함정을 짚어야 한다 — '특정 시점의 선두'는 표본이 짧을수록 정보 가치가 낮다. 며칠짜리 순위는 시장 국면과 그 모델의 성향이 우연히 맞물린 결과일 수 있고, 실제로 순위는 이후에도 계속 바뀌었다. 트레이더의 성과를 평가할 때 '지난주 수익률'만 보면 안 되는 이유와 정확히 같은 구조다.

순위를 가른 것은 '어느 모델이 더 똑똑한가'가 아니라 '틀렸을 때 얼마나 작게 잃었는가'였다 — 공개된 결과에서 반복적으로 지적된 해석이다.

왜 +22%와 −63%로 갈렸나 — 스프레드의 구조

똑같은 시장 데이터를 보고도 어떤 모델은 자산을 지켰고 어떤 모델은 절반 이상을 잃었다. 예측이 갈랐다고 보기 어렵다 — 6개 모델 모두 방향을 맞힌 구간과 틀린 구간이 섞여 있었다. 차이는 틀린 구간의 처리에서 났다. 손실 포지션을 작게 끊은 모델은 다음 기회에 자본이 남아 있었고, 크게 베팅한 뒤 손절이 늦은 모델은 한두 번의 실패로 복구 불능 구간에 들어갔다.

복구 불능이 되는 이유는 산수다. −63%가 된 계좌가 원금으로 돌아가려면 약 +170%가 필요하다. 손실은 선형으로 쌓이지만 복구 요구 수익률은 비선형으로 커지는 이 비대칭이, 손익비에서 다루는 '한 번에 크게 잃지 않는 것이 전략의 전부에 앞선다'는 원칙의 수학적 근거다.

AI에게 감정이 없는데도 −63%가 나왔다는 것

이 실험에서 가장 곱씹을 대목은 따로 있다. 매매 실패의 원인으로 흔히 지목되는 공포·탐욕·복수매매는 전부 인간의 감정이다. 그런데 감정이 없는 AI에서도 −63%가 나왔다. 이는 매매 심리 편이 다루는 명제를 뒤집어 확인해 준다 — 심리를 제거하는 것은 필요조건이지 충분조건이 아니며, 손실 한도·무효화 기준 같은 규칙 자체가 설계돼 있지 않으면 감정이 없어도 계좌는 무너진다.

반대로 +22%를 지킨 쪽의 구조도 같은 프레임으로 읽힌다. 뛰어난 예측이 아니라 '틀렸을 때의 비용'을 시스템적으로 눌러둔 결과라는 해석이 공개 결과와 부합한다. 자본이 남아 있는 한 다음 기회가 있다는 리스크 관리의 기본 원칙이, 사람이 아닌 AI를 표본으로 한 통제 실험에서 다시 관측된 셈이다.

이 실험을 읽을 때의 한계

과대해석은 경계해야 한다. 첫째, 표본이 한 시즌·한 시장 국면이다. 같은 모델들을 다른 국면에 다시 넣으면 순위가 뒤집힐 수 있고, 초반 선두가 최종 선두가 아니었다는 사실 자체가 순위의 불안정성을 보여준다. 둘째, '리스크 관리가 갈랐다'는 것도 공개된 결과에 대한 해석이지 특정 모델의 우월성 증명이 아니다. 셋째, 실험 조건(자본 규모·기간·종목)이 바뀌면 결과 분포도 달라질 수 있다 — 재현성이 검증된 결과가 아니다.