엔진 출시 · 2026년 6월

Hackworth 시리즈 V3: 체계적인 거래 엔진

방법에 대한 네 가지 최적화 딥 러닝 모델은 알파를 발견, 평가 및 실행합니다.

AlphaNet2026년 6월V3 엔진 · 3가지 변형 · 4가지 최적화

Hackworth 시리즈 V3는 AlphaNet를 발전시킵니다. 체계적인 거래 전략 는 동적 위치 크기 조정, 더 큰 알파 검색 공간, 시장 시장 국면 감지 및 최적화된 동적 TWAP 실행.

정량적 AI 전략 엔진의 차세대 진화입니다. 4가지 주요 최적화로 탁월한 성능 제공 위험 조정 보고. V3는 변동성이 큰 암호화폐 시장에서 딥 러닝 모델이 알파를 발견, 평가 및 실행하는 방법에 대한 단계별 기능 개선을 나타냅니다.

전략 변형

변형	프로필	디자인
Hackworth Prime	중립 및 균형	균형 잡힌 플래그십입니다. ~25% 방향성 노출로 모든 알파에 걸쳐 상대적으로 동일한 가중치를 부여합니다. 뚱뚱한 꼬리 움직임을 포착하면서 모든 시장 상황을 극복하도록 설계되었습니다. 일반 배포에 가장 적합합니다.
Hackworth Trend	길고 뚱뚱한 꼬리 헤비	방향성 시장에 최적화된 장편향 변형입니다. 감소하지만 단기 노출을 유지하여 상승 추세에서 수익을 극대화합니다. 거시적 추세 신호가 일치할 때 배포하세요.
Hackworth OptimaShort	단기 및 평균 회귀 헤비	가장 위험을 회피하는 변종입니다. 평균 회귀 및 단기 편향 알파에 높은 가중치를 부여합니다. 더 작은 하락폭으로 더 낮지만 꾸준한 수익을 제공합니다. 고르지 못한 범위 제한 조건에서 탁월합니다.

체계적인 거래 엔진: V3 업그레이드

Hackworth 시리즈 V3은 4가지 목표 최적화를 갖춘 V2의 다중 알파 앙상블 아키텍처를 기반으로 구축되었습니다. 각각은 전략 수명주기의 중요한 구성 요소인 위험 관리, 알파 발견, 시장 국면 적응 및 실행 품질을 다룹니다. 그 결과 더욱 강력하고 반응성이 뛰어나며 수익성이 높은 엔진이 탄생했습니다. 이제 HYPE, TAO, NEAR 및 TRX 6월 5일 ZEC 충돌을 통해 +17.2%를 제공한 것과 동일한 딥 러닝 기반 인텔리전스를 사용합니다.

01 포지션 크기 조정

손절매가 중요한 이유

V2에서는 모든 청산이 모델 중심이었습니다. 즉, 딥 러닝 앙상블이 포지션 청산 시점을 결정했습니다. 이는 정상적인 조건에서는 잘 작동하지만 모델 추론 주기가 최적의 종료 창을 놓치는 극단적인 변동성 스파이크 중에는 지연될 수 있습니다. V3는 서킷 브레이커로서 하드 스톱 손실 메커니즘을 추가합니다. 실현된 변동성이 자산의 과거 변동성 표면에 대해 보정된 동적 임계값을 초과하면 스톱 손실이 모델을 무시하고 즉시 포지션을 종료합니다. 이는 블랙스완 현상이 발생하는 동안 치명적인 하락을 방지합니다.

포지션 크기 조정이 중요한 이유

V3의 위치 크기 조정은 더 이상 정적이거나 균일하게 분산되지 않습니다. 이는 알파 신호 강도(모델의 신뢰도), 현재 변동성 시장 국면(더 높은 거래량 = 더 작은 크기), 사용 가능한 위험 예산(나머지 감소 용량)의 세 가지 입력의 함수로 동적으로 계산됩니다. 신호가 강할수록 더 큰 할당을 받습니다. 약한 신호는 크기가 줄어들거나 완전히 필터링됩니다. 이는 자본이 효율적으로 배치된다는 것을 의미합니다. 즉, 거래 우위가 가장 높은 곳에 집중되고 불확실성이 지배적인 곳에 보존됩니다.

위험 관리 및 포지션 크기 조정 흐름

INPUT SIGNAL      Core model prediction (DL signal output)
                  Volatility assessment (realized / implied)
                  Alpha strength score (signal confidence)
                         |
DECISION ENGINE   DYNAMIC POSITION SIZING ENGINE
                  Size = f(alpha strength, volatility, risk budget)
                         |
  MODEL EXIT      Standard regime-based signal      (low-medium volatility)
  STOP LOSS       Hard exit when vol threshold      (high volatility override)
  SIZE SCALING    Reduce exposure when alpha signal weakens
                         |
IMPACT            OPTIMIZED TRADE EXECUTION
                  Position sized to signal strength + risk budget

영향

손절매 보호와 동적 포지션 크기 조정의 조합으로 2계층 방어 시스템이 만들어집니다. 정지 손실은 외부 경계 역할을 합니다. 즉, 모델이 지연될 때 치명적인 손실을 방지합니다. 동적 규모 조정은 내부 필터 역할을 합니다. 이는 배포된 모든 달러가 그에 상응하는 위험 조정 기대 수익을 갖도록 보장합니다. 이 두 가지를 함께 사용하면 전체 수익을 유지하거나 개선하는 동시에 최대 손실률을 약 15~25% 줄일 수 있습니다. 특히 V2 전략이 때때로 불확실한 신호에 대한 과도한 포지션으로 인해 어려움을 겪는 고변동성 시장 국면에서 더욱 그렇습니다.

02 거래 전략 최적화 및 알파 검색

Hackworth 시리즈 전략은 AI 컴퓨팅을 활용하여 알파 소스 및 관련 딥 러닝 기반 기질을 검색합니다. 각 알파는 데이터, 아키텍처, 거래 규칙 및 매개변수의 특정 조합에 대해 훈련된 고유한 딥 러닝 모델입니다. V3 컴퓨팅 최적화 검색 공간은 다음의 다차원 조합입니다.

치수	검색 공간
데이터세트	OHLCV, 주문서, 펀딩, 온체인, 크로스마켓, 변동성 표면
코어 모델	Transformer, LSTM, GRU, CNN, 하이브리드 아키텍처
거래 레이어	진입/퇴출 논리, 위치 크기 조정, 시장 국면 트리거
매개변수	지평선, 임계값, 기능 하위 집합, 앙상블 가중치

전략별 검색 공간이 다음으로 증가되었습니다. 전략당 100,000개 이상의 시뮬레이션 V3에서는 V2의 약 50,000개에서 증가했습니다. 이러한 2배 확장은 유전 알고리즘의 가지치기 논리에서 컴퓨팅 최적화를 통해 가능해지며, 이는 검색 품질을 저하시키지 않고 파이프라인 초기에 가능성이 낮은 구성을 제거합니다.

이것이 중요한 이유

검색 공간이 크다는 것은 배포 전에 더 많은 알파 후보가 평가된다는 의미입니다. 후보가 많을수록 상관 관계가 없는 신호 소스를 발견할 확률이 높아집니다. 이는 보다 부드러운 주식 곡선의 핵심입니다. V2에서는 50,000개의 시뮬레이션 제한으로 인해 더 많은 컴퓨팅을 통해 발견될 수 있는 실행 가능한 구성이 정리되는 경우가 있었습니다. 더욱 스마트한 가지치기 기능과 결합된 V3의 100,000개 이상의 시뮬레이션은 이러한 놓친 기회를 포착합니다. 4가지 새로운 전략(HYPE, TAO, NEAR, TRX)은 개발 과정에서 각각 100,000회 이상의 시뮬레이션을 수행하여 더 나은 샘플 성능 특성을 갖춘 보다 강력한 알파 포트폴리오를 얻었습니다.

03 시장 시장 국면 감지 및 동적 거래 계층

핵심 딥 러닝 모델은 원시 신호 출력인 예측만 생성합니다. 이러한 신호를 거래 결정으로 변환하는 방법은 동적 거래 레이어. V3가 가장 중요한 업그레이드를 제공하는 곳이 바로 여기입니다. 독점적인 비지도 학습 시장 국면 감지 시스템은 이제 다음을 포함합니다. 12가지 유형의 시장 국면 모델, 이상을 식별합니다. 27개의 개별 시장 국면 . 각 시장 국면는 모델 예측이 실행되는 방식을 결정하는 설명 가능한 작업 트리거를 제공합니다.

시장 국면 가족	상태
트렌드	강하다 · 약하다 · 강하다 · 약하다
엔트로피	고장애 · 저장애 · 전환기
변동성 및 위험	확장·축소·스파이크·크러쉬
매크로 상관관계	리스크 온(Risk-on) · 리스크 오프(Risk-off) · 분리형
볼륨	서지 · 건조 · 유통 · 축적
교차 자산	상관관계 · 무상관 · 선행 · 후행

V3 추가

V3에는 세 가지 새로운 시장 국면 모델 제품군이 도입되었습니다. 매크로 상관관계 (자산 간 위험 온/리스크 오프 역학 추적), 변동성 시장 국면 (팽창, 수축, 스파이크 및 압착 패턴 구별) 및 자산 간 상관관계 (자산이 해당 부문에서 분리되거나 선두를 달리는 시점을 감지) 이는 자산별 신호보다는 광범위한 시장 요인에 의해 주도되는 움직임에 대한 설명력을 추가합니다.

응답성

V3의 시장 국면 감지는 V2보다 반응성이 좋습니다. 이제 시스템에는 다음이 포함됩니다. 더 짧은 시간-수평 체제 모델 (1H, 2H, 4H). 이 다중 시간 지평선 접근 방식을 통해 거래 계층은 이전에는 상당한 지연이 있는 경우에만 감지되었던 급속한 시장 국면 변화에 대응할 수 있습니다. 상반기 모델이 시장 국면 전환 신호를 보내면 거래 계층은 몇 시간이 아닌 몇 분 내에 포지션 크기를 조정할 수 있습니다.

설명 가능한 작업 트리거

V3 거래 계층의 중요한 기능은 다음과 같습니다. 설명 가능성. 모든 거래 결정은 (1) 어떤 시장 국면 모델이 활성화되었는지, (2) 어떤 시장 국면 분류가 생성되었는지, (3) 해당 시장 국면가 조치 트리거에 어떻게 매핑되었는지(예: "높은 변동성 + 추세 하락 = 포지션 규모 50% 감소") 및 (4) 결과적인 포지션 조정이 무엇인지로 추적할 수 있습니다. 이 4단계 감사 추적은 모든 거래에 대해 기록되어 규정 준수 및 성과 귀속을 위해 블랙박스를 투명하게 만듭니다.

04 동적 TWAP 실행

시간 가중 평균 가격(TWAP) 실행 엔진이 다중 소스 인텔리전스 시스템으로 작동하도록 업그레이드되었습니다. V3에서 TWAP 엔진은 다음에서 실시간 데이터를 수집합니다. 바이낸스 선물과 Hyperliquid 모두 실행 결정을 내릴 때 동시에. 이러한 이중 거래소 가시성은 뛰어난 가격 발견, 더 깊은 유동성 인식 및 더 정확한 슬리피지 추정을 제공합니다. 특히 유동성 프로필이 다양한 시장에 배포되는 4가지 새로운 V3 전략(HYPE, TAO, NEAR, TRX)에 중요합니다.

이중 교환 인텔리전스

TWAP 엔진은 바이낸스 선물과 Hyperliquid 모두에서 주문장 깊이, 최근 거래 내역 및 자금 조달 비율 데이터를 가져와 시장 상황에 대한 종합적인 관점을 구축합니다. 이는 다음과 같은 이유로 중요합니다.

장소 간 가격 불일치가 감지되어 악용됩니다.
유동성 단편화는 실행에 영향을 미치기 전에 표시됩니다.
펀딩 비율 차이는 더 넓은 시장 포지셔닝을 나타냅니다.
슬리피지 예측은 두 주문장 중 더 깊은 부분을 사용합니다.

백업 실행 메커니즘

V2에서는 API 시간 초과, 속도 제한 또는 갑작스러운 유동성 소멸로 인해 TWAP 엔진이 실행되지 않는 극단적인 경우가 가끔 발생했습니다. V3는 이 문제를 다음과 같이 해결합니다. 적시에 백업 메커니즘:

선호 장소에서 1차 실행 시도(Hyperliquid)
2초 이내에 1차 장애가 발생하면 백업 경로가 활성화됩니다.
백업은 보조 장소에서 실행됩니다(Binance Futures)
두 시도 모두 기록됩니다. 성공적인 경로가 기록되었습니다.
테스트에서 실패율이 ~1.2%에서 ~0.05%로 감소했습니다.

미터법	V2	V3
실행 실패	~1.2%	~0.05%
평균 슬리피지	4.2bps	2.8bps
채우기 속도	96.8%	99.4%
백업 활성화	해당 없음	<0.3%

실행 품질에 미치는 영향

TWAP 최적화는 실현 성능을 직접적으로 향상시킵니다. 낮은 슬리피지(4.2bps → 2.8bps)는 전략이 식별하는 알파 신호를 더 많이 포착한다는 것을 의미합니다. 더 높은 유효노출률(96.8% → 99.4%)은 실행 실패로 인한 기회 비용을 줄여줍니다. 그리고 백업 메커니즘은 V2에서 때때로 수익을 저하시키는 드물지만 비용이 많이 드는 "채우지 않음" 시나리오를 사실상 제거합니다. 실행 정밀도가 가장 중요한 HYPE 및 TRX와 같은 고주파수 전략의 경우 이러한 개선 사항은 시간이 지남에 따라 의미있게 복합화됩니다.