v2 전략 설계: 엄격한 SMC 상태 기계와 AI 역할 재정의 🤖

지난 번 게시글에서 받은 피드백 덕분에, 이제는 여러 LLM 에이전트가 합의를 보는 '분산 거부' 시스템을 벗어나려고 합니다.

v2에서는 결정론적 런타임(llm-nano-vm)을 활용하는 엄격한 상태 기계 방식을 적용합니다.

간단히 말해서, 수학 계산과 실행 계약은 Python이 담당하고, LLM은 상황 해석만 맡습니다.

5개의 모듈 구조를 구상해봤는데, 코딩에 들어가기 전에 AI에게 부여할 역할 배분이 적절한지 검토하고 싶습니다.

1. 고시간대 에이전트(HTF, 일간/4시간 차트): Python은 구조적 지점과 중요한 전환점, 할인/프리미엄 지역을 추출하고, LLM은 이를 분석해 기관 투자자 관점에서 주요 유동성 포인트를 선택합니다.

2. 구조 에이전트(1시간 차트): Python은 주문 블록과 공정 가치 갭을 감지하고, LLM은 HTF의 해석에 따라 가장 중요한 관심 지점을 결정합니다.

3. 트리거 에이전트(15분/5분 차트): 전적으로 Python으로 작동하며, 선택된 관심 지점 내에서 유동성 스윕과 단기 전환점을 감지합니다.

4. 상황 에이전트: LLM이 시장 상황, 뉴스, 통화 상관관계 등을 분석해 매매 조건 승인 여부를 결정합니다.

5. 리스크 에이전트: Python이 진입점, 손절, 목표가 및 예상 수익을 계산해 포지션 사이징을 담당합니다.

상태 기계는 트리거와 리스크 모듈이 실행 승인 신호를 보낼 때만 거래를 진행합니다. LLM은 주로 상황 정보를 제공하는 역할입니다.

여러분의 의견이 궁금합니다. 1, 2단계에서 LLM 역할이 과하거나 부족하지 않은지, 완전 결정론적 트리거 단계가 AI의 장점을 잃게 하는지, 그리고 HTF와 구조 에이전트를 합치는 것이 토큰 제약과 혼동을 줄이는 데 도움이 될지 알고 싶습니다.

코딩 시작 전에 조언 부탁드립니다.