Claude Code와 토스증권 API로 자동매매 시작하기 1편 (환경 구성)

유튜브 자동매매 강의 시리즈(1강)를 참고해서 미국 주식 자동매매를 만들어봤다. 코드는 전부 공개해뒀다 — project-auto-trading-scanner.

3부작으로 나눠 정리한다. 1편은 환경 구성과 전략 결정, 2편은 수수료, 3편은 백테스트를 어디까지 믿을 것인가.

먼저 어떻게 구성했는지부터 훑고, 후반부에 전략을 왜 바꿨는지로 넘어간다.

구성 요약

하루 흐름은 이렇다.

06:30 KST (미국장 마감 후)
  cron → docker pull → S&P 500 스캔 → signals_history.csv 누적

22:45 KST (미국장 개장 후)  청산 규칙 검사 → 매도
22:50 KST                  확보된 현금으로 매수

스캔은 그날 종가가 확정된 뒤에, 주문은 장이 열린 뒤에 나간다.

Claude Code로 바이브 코딩하기

코드는 처음부터 끝까지 Claude Code로 작성했다. 터미널에서 자연어로 요구사항을 말하면 파일을 직접 읽고 고치는 CLI 도구다.

npm install -g @anthropic-ai/claude-code
cd auto-trading-scanner
claude

실제로 쓴 흐름은 이렇다.

1. 프로젝트 규칙을 CLAUDE.md에 적어둔다

세션마다 자동으로 읽히는 파일이다. 매번 설명하기 싫은 것들을 여기 넣는다.

- 로컬에서 docker build 하지 않는다. GitHub Actions에서 빌드/푸시.
- 실주문 경로를 건드리는 변경은 항상 dry-run 기본값을 유지할 것.
- 백테스트 결과는 커밋 메시지에 숫자로 남긴다.

2. 한 번에 한 덩어리씩 요청한다

“자동매매 만들어줘”가 아니라 이 정도 크기로 끊는다.

RSI(2)가 5 이하이고 종가가 200일선 위일 때 진입하는 전략을
strategies.py에 추가해줘. 청산은 10일선 회복 / ATR 2.5배 손절 /
20거래일 시간청산.

3. 돌려보고, 결과를 그대로 다시 던진다

백테스트 돌렸더니 트레이드당 평균이 +0.37%인데 왕복 수수료가 0.2%야.
이거 수수료 반영한 포트폴리오 시뮬레이션도 만들어줘.

2편의 발견이 실제로 이 대화에서 나왔다. 바이브 코딩이 잘 굴러가는 지점은 “코드를 대신 써주는 것”보다 결과를 붙여넣고 다음 질문으로 넘어가는 속도다.

4. 검증은 코드로 남긴다

돌려보고 “잘 되네” 하고 넘어가면 다음 수정에서 조용히 깨진다. 최소한의 assert 파일 하나를 만들게 해서 계속 갱신했다.

python test_checks.py   # → all checks passed

5. 커밋 메시지에 실험 결과를 적게 한다

Hold longer (SMA10 / 20 days) so commission stops eating the edge

Round-trip commission is ~0.2% and fixed per trade, while the SMA5 exit
averaged only +0.41% per trade over 3.5 days — roughly half the gross
edge went to fees. Exiting on SMA10 with a 20-day cap averages +0.57%
over 5.9 days.

2주 뒤에 “이거 왜 SMA10이었지?” 하고 다시 안 돌려봐도 된다.

6. 위험한 건 권한으로 막는다

실주문이 나가는 스크립트는 자동 실행 대상에서 빼두고, 수정 제안만 받았다.

토스증권 Open API 설정

주문은 토스증권 Open API로 나간다. 토스증권 계좌가 있어야 하고, WTS(웹 트레이딩 시스템) → 설정 → Open API에서 발급한다.

발급하면서 등록할 것이 두 가지다.

1. client_id / client_secret — client_secret은 발급 시 한 번만 보여준다.
2. 허용 IP 목록 — 여기 등록된 IP에서만 호출된다. 등록 안 된 IP는 403. 그래서 서버는 고정 IP를 잡아뒀다.

인증은 OAuth2 client credentials다.

curl -X POST 'https://openapi.tossinvest.com/oauth2/token' \
  -H 'Content-Type: application/x-www-form-urlencoded' \
  -d 'grant_type=client_credentials' \
  -d 'client_id=...' -d 'client_secret=...'

access_token은 3600초 만료라 클라이언트에서 자동 재발급하게 했다. 계좌·자산·주문 API는 X-Tossinvest-Account 헤더에 accountSeq가 필요하고, 이 값은 계좌 목록 조회로 확인한다.

자격증명은 GCP Secret Manager에 넣고 VM에서 꺼내 쓴다.

echo -n "발급받은_client_secret" | gcloud secrets create toss-client-secret --data-file=-

GCP 구성

서버는 GCP Compute Engine에 만들었다.

VM 생성은 cloud/deploy.sh 한 번으로 끝난다.

./cloud/deploy.sh

보안 설정은 cloud/security-hardening.sh로 따로 적용했다. 주요 항목 세 가지.

접속은 이렇게 한다.

gcloud compute ssh auto-trading-scanner --zone=asia-northeast3-a --tunnel-through-iap

배포

git push
  → GitHub Actions가 Dockerfile로 이미지 빌드
  → Docker Hub push (:latest 와 :커밋SHA 두 태그)
  → VM이 다음 cron 때 docker pull

CI 설정은 .github/workflows/docker-build.yml이고, Docker Hub 자격증명은 저장소 Secrets에 넣어뒀다. 로컬에서는 docker build를 하지 않는다.

이미지는 non-root 사용자로 돌고, 상태 파일(signals_history.csv 등)은 /data 볼륨 마운트로 VM에 남긴다.

RUN useradd --create-home --uid 1000 scanner \
    && mkdir -p /data && chown -R scanner:scanner /app /data
USER scanner
WORKDIR /data

VM cron은 cloud/install-trading-cron.sh로 등록한다.

여기까지가 환경이다. 아래부터는 그 위에 무엇을 올릴지 정하는 이야기다.

여기까지가 강의를 그대로 따라간 부분

강의는 매매 로직을 정의하고 스캐너를 만드는 것까지를 다룬다. 시작하기에 딱 좋은 범위였고, 1강 로직을 그대로 옮겨서 돌려보는 것부터 했다.

• 매수: MACD(5,25,9) 골든크로스 + 15일 이격도 85% 이하

여기서 갈라지기 시작했다. 강의의 목표는 스캐너를 만드는 것이고, 내 목표는 사람이 안 보는 동안 도는 시스템이었다. 스캐너는 “지금 살 만한 종목”만 알려주면 되지만, 자동으로 돌아가는 시스템은 언제 팔지도 규칙으로 갖고 있어야 한다. 강의 범위 밖의 부분이라, 내가 채워야 했다.

사람이 지켜보는 매매라면 “적당히 오르면 판다”가 명시적 규칙이 아니어도 굴러간다. cron이 매일 주문을 넣는 구조에서는 그 “적당히”를 아무도 판단하지 않는다. 손절가가 정해지지 않은 포지션은 그냥 열려 있을 뿐이다.

그래서 첫 결정을 이렇게 잡았다. 진입 규칙보다 청산 규칙을 먼저 고정한다.

내 방식으로 고른 전략: RSI(2) + ATR

전략을 새로 발명하지는 않았다. 개인이 백테스트 몇 번 돌려 찾은 규칙보다, 오래 검증되고 문서화된 규칙을 조합하는 쪽이 낫다고 봤다.

• 추세 필터: 종가가 200일 이동평균 위일 때만 매수 고려
• 진입: RSI(2)가 5 이하 — Larry Connors & Cesar Alvarez의 RSI(2) 평균회귀
• 청산: 10일 이동평균 회복 시 익절 / 진입가 대비 ATR(14) × 2.5 하락 시 손절 / 20거래일 시간 청산
• 사이징: 수량 = (계좌자산 × 리스크비율) / (진입가 − 손절가) — Turtle Trading 방식

핵심은 마지막 두 줄이다. 손절가가 먼저 정해지고, 그 손절가로부터 수량이 역산된다. 손절폭이 넓은 종목은 자동으로 적게 사고, 좁은 종목은 많이 산다. 결과적으로 어떤 트레이드든 실패했을 때 잃는 금액이 계좌의 1%로 같아진다.

“얼마 살까”를 사람이 판단하지 않아도 되게 만드는 부분이라, 자동화에서는 진입 신호보다 중요했다.

RSI 기준값: 5냐 10이냐

Connors 원본은 5다. 10으로 완화하면 트레이드가 두 배로 늘어난다. S&P 500 무작위 100종목 × 3년으로 확인했다.

트레이드 수는 두 배인데 트레이드 품질은 떨어지고 꼬리 위험은 더 깊어진다. 원본값을 유지했다. “기회를 더 많이 잡는다”가 공짜가 아니라는 것 — 2편에서 이 얘기가 훨씬 더 아프게 돌아온다.

두 전략을 같이 돌려서 비교했다

강의 로직을 지운 게 아니라 legacy라는 이름으로 코드에 남겨뒀다. --strategy legacy로 언제든 비교할 수 있다. S&P 500 무작위 100종목 × 5년:

Profit Factor만 보면 강의 로직이 더 좋다. 가끔 크게 먹는 트레이드가 있어서 그렇다. 트레이드당 평균 수익률도 4배 이상 높다.

그런데도 rsi2_trend를 기본값으로 삼았다. 이유는 두 가지다.

1. 저 1.59는 손절이 없는 상태로 측정된 숫자다. 이 백테스트는 종가 기준이라 갭 하락 같은 시나리오를 제대로 잡지 못한다. (비교를 위해 “MACD 데드크로스 또는 30거래일 시간청산”을 내가 임의로 붙여서 돌린 결과다 — 강의가 제시한 규칙이 아니다.)
2. 승률이 높고 보유 기간이 짧으면 자본 회전이 빠르다. 자본이 작을수록 이게 중요하다.

숫자가 지는 쪽을 골랐다는 게 이상하게 들리는데, 여기서 실제로 고른 건 수익률이 아니라 “모든 트레이드에 리스크가 정의되어 있다”는 속성이었다. 목표가 자동화라서 그렇다.

강의와 달라진 지점 정리

마지막 줄이 제일 의도적인 차이다. 시그널을 찾는 것과 실제로 돈을 움직이는 것은 분리된 결정이어야 한다고 봐서, 주문 도구는 사람이 직접 실행하는 수동 도구로 남겼다. 실주문은 --live 플래그와 TOSS_LIVE_TRADING=CONFIRM 환경변수를 둘 다 줘야 나간다.

# 미리보기 (자격증명 없어도 동작)
python -m toss.place_orders --account-seq 1

# 실제 주문
TOSS_LIVE_TRADING=CONFIRM python -m toss.place_orders --account-seq 1 --live

강의 시리즈가 없었으면 시작 자체를 안 했을 거다. 방향을 잡아준 지점과, 내 목표가 달라서 갈라진 지점이 명확해서 오히려 왜 그렇게 만들었는지를 계속 설명할 수 있게 됐다.

다음 편: 수수료의 함정 — 백테스트는 22% 수익이라고 했는데, 수수료를 넣으니 4%가 됐다.

투자 조언이 아니다. 백테스트 결과는 참고용 통계일 뿐이고 실거래 결과를 보장하지 않는다.