(광고) AI 6개에게 2주간 모의 투자를 맡겼더니? 결과 공개 LIVE

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

여섯 AI에 2주간 모의 투자를 맡긴 결과 모두 손실을 냈고, GPT가 높은 현금 비중으로 손실을 줄여 최종 1위를 차지했다.

📌 핵심 요점

1. 우승은 수익 창출보다 손실 방어의 결과였다. 동일한 정보를 받은 여섯 모델 모두 하락장에서 손실로 마감했다. GPT가 1위, 딥시크가 2위였으며, 상승 구간에서는 제미나이가 선두였던 만큼 평가 시점에 따라 순위가 달라졌다.
2. GPT의 핵심 방어 수단은 현금이었다. 종료 시점 현금 비중은 63.4%였고, 국내 주식 수익률은 약 -1.83%, 미국 주식 수익률은 -3.66%였다. 약해진 포지션을 줄이고 신규 매수를 보류한 판단이 손실 축소에 기여한 것으로 해석됐다.
3. 매수 근거만큼 가설이 틀렸을 때의 대응이 중요했다. 제미나이는 삼성전기의 반등을 기대해 매수했지만 추가 매도 없이 보유했고, 해당 종목 손실은 한국 계좌 손실의 약 44.4%를 차지했다. 여러 IT 종목을 보유해도 공통 경기 요인에 대한 노출은 남았다.
4. 모의 투자 결과와 투자 능력의 일반화는 구분해야 한다. 실제 주문 없이 가상 계좌로 진행했고, 수수료와 슬리피지를 적용했다. 다만 기간은 2주였고 후보 종목과 입력 데이터가 제한됐으며, OpenRouter 잔액 소진으로 공통 장애도 발생했다.
5. 자동화에는 시장 연결 기능과 AI 비용을 함께 봐야 한다. 나무 플러그는 시세 조회와 주문 연결을 담당하는 API이며 투자 판단은 각 모델이 수행했다. 서비스 이용료와 별도로 AI 사용료가 발생했고, 제시된 2주간 비용은 GPT 107.9달러, 여섯 모델 합계 217달러였다. 방송은 NH투자증권의 경제적 대가를 받은 광고였다.

🧩 배경과 문제 정의

• 여섯 AI에 동일한 정보를 제공하고 2주간 모의 투자를 맡겨, 수익률뿐 아니라 현금 보유·종목 선택·매도 판단의 차이를 비교했다.
• 실험 초반에는 수익이 났지만 이후 하락장에서 모든 모델이 손실로 마감했다. 핵심은 가장 덜 잃은 모델의 방어 전략과 손실이 커진 모델의 판단 근거다.
• NH투자증권의 경제적 대가를 받은 광고 방송이며, 실험은 실제 주문 없이 가상 장부로 진행됐다. 이번 성과나 공개된 판단 설명만으로 미래 수익과 투자 능력을 단정할 수 없다.

🕒 시간순 섹션별 상세정리

1. 모든 모델이 손실을 낸 가운데 GPT가 1위에 올랐다

• 비교 대상은 여섯 AI의 투자 성과와 행동 차이이며, S&P500·코스피200 같은 시장 지수 대비 성과도 평가 기준에 포함됐다 [01:24]
• GPT가 1위를 차지했지만 모든 모델이 손실을 냈다. 이번 하락장에서는 적극적으로 투자하는 것보다 현금을 유지하는 선택이 유리할 수 있었다 [02:29]

2. 실험은 실제 자금과 주문을 사용하지 않은 모의 투자다

• 방송은 NH투자증권으로부터 경제적 대가를 받은 광고이며, 여섯 AI가 시점별로 내린 판단을 모의 투자 성과로 비교했다 [03:22]
• 거래는 가상 장부에 기록됐고 실제 주문으로 실행되지 않았다. 이번 결과는 미래의 수익이나 손실을 보장하지 않는다 [04:03]

3. 나무 플러그는 AI와 주식 데이터·주문 기능을 연결한다

• 나무 플러그를 연결하면 AI가 주가를 조회하거나 실제 주문을 넣는 투자 도구를 구성할 수 있으며, 서비스 자체의 이용료는 없다 [05:15]
• API 신청일부터 1년간의 거래 수수료 무료 이벤트와 최초 신규 고객의 추가 수수료 면제 혜택이 소개됐다. 무료 혜택에는 적용 조건이 있다 [05:49]

4. 동일한 정보와 공통 장애 아래 14일간의 판단을 비교했다

• GPT·클로드·딥시크·그록·메타·제미나이에 같은 정보를 제공했다. 초반에는 함께 수익권에 진입했지만 이후 급락장에서 모두 하락했고, 손실이 가장 작았던 GPT가 우승했다 [07:57]
• 14일간의 판단 기록이 남아 있으며, 중간에는 OpenRouter 크레딧 소진과 충전 지연으로 일시적인 장애가 발생했다. 모든 모델이 같은 장애를 겪었다는 이유로 실험 조건은 동일했다고 평가됐다 [09:21]

5. GPT는 높은 현금 비중으로 손실을 방어했다

• GPT의 국내 주식 수익률은 약 -1.83%, 미국 주식 수익률은 -3.66%였다. 삼성전자·하이닉스의 하락을 고려하면 국내 부문은 상대적으로 선방한 결과로 평가됐다 [09:38]
• GPT의 현금 비중은 63.4%였다. 자금을 모두 투자하지 않고 상당 부분을 현금으로 남긴 선택이 손실을 줄인 주요 요인으로 해석됐다 [10:06]

6. 지수 대비 성과와 제미나이의 낮은 현금 비중이 대비됐다

• 코덱스200의 하락률은 8.23%로 제시됐으며, GPT·딥시크·클로드·그록은 이보다 손실이 작았다. 다만 미국 주식도 포함된 종합 수익률과 개별 시장 지수의 비교는 구분할 필요가 있다 [11:06]
• 제미나이는 코덱스200보다도 더 크게 하락했다. 현금 비중이 매우 낮았고, 거래 횟수가 적어도 보유 자산의 하락으로 큰 손실이 발생했다 [11:51]

7. 현금을 남기는 것도 투자 결정이라는 교훈이 드러났다

• 하락장에서는 투자하지 않은 자금도 방어 수단이 된다. 종료 시점 현금 비중은 GPT가 63.4%, 메타가 3.6%로 큰 차이를 보였다 [12:28]
• 자금을 대부분 주식에 투입하는 선택은 하락에 대한 노출을 키웠다. 이번 실험에서는 높은 투자 비중 자체가 좋은 성과로 이어지지 않았다 [12:32]

8. 참가 모델의 구체적 버전과 미래 예측의 한계를 구분했다

• 참가 모델은 GPT-6 아스트라, 딥시크 V4.1 플래시, 클로드 오퍼스 5.5, 제미나이 4 아르곤, 뮤즈 스파크 1.3, 그록 4.7이었다. GPT가 1위, 다운로드해 실행할 수 있는 오픈 웨이트 모델인 딥시크가 2위였다 [13:31]
• 수수료도 같은 조건으로 적용했지만, 이번 순위로 미래 성과를 예측할 수는 없다. 향후 시장 상황과 GPT의 판단이 어떻게 달라질지는 알 수 없다 [13:59]

9. 그럴듯한 매수 설명과 실제 손익은 별도로 검증해야 한다

• AI가 제안한 내용과 실제 체결 기록은 다를 수 있으며, 실험 중 오류도 있었다. 설명만으로 실행 결과까지 동일하다고 판단해서는 안 된다 [14:14]
• 여러 모델은 주가 급락을 과매도로 해석하고, 실적이 괜찮으므로 반등할 수 있다는 근거로 매수했다. 그러나 종료 시점에는 여섯 모델 모두 손실이었다 [15:03]

10. GPT는 약해진 포지션을 줄이고 추가 하락에 대비했다

• GPT는 가격이 많이 떨어졌다는 이유로 보유를 고집하기보다 약해진 포지션을 줄이고 현금을 남겼다. 하락장에서 방어를 우선한 판단으로 해석됐다 [16:28]
• GPT의 판단 기록은 코덱스200의 5.5% 하락과 반도체 약세를 근거로 단기 전망을 보수적으로 잡았다. 삼성화재를 정리하고 신규 매수를 보류하는 방향이었다 [16:52]

11. 오리온 매수는 방어 업종 분산과 제한된 비중을 결합했다

• GPT의 보유 종목에는 삼성SDS·삼성바이오로직스·오리온 등이 있었고, 삼성SDS와 삼성바이오로직스에서는 수익이 확인됐다 [18:21]
• 오리온의 첫 매수 판단은 10월 26일 오전 9시 10분이었다. 음식료 업종으로 경기민감 업종과 분산할 수 있고, 주가가 5일·20일 이동평균 위에 있다는 점을 근거로 삼았다 [20:22]

12. 오리온 선택의 추가 설명은 당시 기록과 사후 해석을 구분해야 한다

• 다른 식품 대기업 대신 오리온을 고른 직접적인 비교 기록은 없었고, 후보군 자료는 남아 있었다. 당시 데이터를 모델에 다시 제공해 선택 이유를 보충했다 [22:58]
• 보충 설명에서 오리온은 식품기업 중 가장 우수해서가 아니라 가격 흐름이 선택 기준에 잘 맞았던 종목이었다. 5일·20일 이동평균을 모두 웃돈다는 기술적 조건이 주요 근거였다 [23:23]

13. 삼성전자 매도는 반등 가능성을 남긴 뒤 추세를 재평가한 결정이었다

• GPT의 종목별 손익에는 오리온 같은 수익 종목과 삼성전자·마이크론·테슬라 등의 손실 사례가 함께 있었다. 전체 방어 성과가 모든 종목의 성공을 뜻하지는 않았다 [24:42]
• 삼성전자 매도 근거는 주가가 이동평균을 모두 밑돌아 반등만으로 추세 회복을 판단하기 어렵다는 것이었다. 전날에는 반등 가능성을 남겨 절반만 팔았지만, 주요 가격 기준을 크게 하회하자 나머지도 정리했다 [25:55]

14. 제미나이는 낮은 현금 비중과 보유 종목 급락으로 큰 손실을 냈다

• 최하위인 제미나이 아르곤의 종합 손실률은 약 10%로 제시됐다. 현금이 적은 가운데 삼성전기는 약 30% 손실을 기록했다 [26:56]
• 마이크론도 약 25% 손실을 기록했다. 삼성SDS와 마이크로소프트는 이익을 내고 매도했지만, 다른 보유 종목의 큰 하락을 상쇄하지 못했다 [27:22]

15. 제미나이는 가격 매력과 펀더멘탈을 근거로 보유를 유지했다

• 제미나이는 주가가 싸졌다는 가격 매력과 실적 등 펀더멘탈을 근거로 보유를 이어갔다. 이 판단이 맞을 가능성도 있었지만, 이번 종료 시점에는 약 10% 손실로 이어졌다 [28:02]
• 판단 기록에서는 반도체·전기전자 대형주 약세와 비반도체 업종의 순환매를 함께 인식했다. 그럼에도 기존 보유 종목의 중장기 펀더멘탈과 이동평균 대비 가격 매력을 이유로 매도 없이 보유했다 [28:56]

16. 제미나이의 삼성전기 반등 베팅과 보유 지속

• 제미나이는 10월 27일 삼성전기 6주를 매수했다. RSI 과매도 이후 급반등과 5일선 돌파를 상승 추세의 시작으로 해석했다. [30:53]
• 삼성전기에서 발생한 최종 손실은 약 218만 원으로, 한국 계좌 손실의 약 44.4%를 차지했다. [31:27]

17. 매수 논리보다 부족했던 가설 재평가와 위험 관리

• GPT의 평가는 매수 논리 자체는 이해할 수 있지만, 반등 가설이 틀렸을 때 대응이 부족했다는 것이다. 손실 발생만으로 매수가 잘못됐다고 단정하지는 않았다. [33:14]
• 삼성전자와 삼성SDS를 보유한 상태에서 삼성전기까지 편입하면서 IT 경기라는 공통 요인에 노출됐다. 종목 수를 늘려도 위험이 충분히 분산되지 않을 수 있다. [33:44]

18. 메타의 셀트리온 선택과 분할 매수

• 메타는 최종 5위였지만 KT와 KT&G에서 수익을 냈고, 셀트리온은 9.58% 상승했다. 셀트리온 비중은 27.6%로 상당히 컸다. [36:06]
• 셀트리온 매수에는 미국 기술주와 다른 업종으로 분산하려는 목적이 있었다. 상승 추세 안의 단기 눌림을 이용해 추격 매수 부담을 줄이려 했다. [36:23]

19. 업종 분산에도 남은 메타의 기술주 손실

• 국내 제약주 편입은 방어에 도움이 됐지만, 기술주에서 큰 하락을 맞아 전체 성적을 지키지는 못했다. [37:44]
• 메타는 반도체 약세 속에서도 반등 여력을 기대하며 보유를 유지했다. 상대적으로 강한 애플은 15주 매수했고, 애플의 하락 폭은 비교적 작았다. [38:19]

20. GPT 우승을 해석할 때 필요한 실험의 한계

• 실험의 입력은 공시와 차트 중심이었다. 뉴스 비중을 높였다면 대외 위험을 더 반영했을 가능성은 있지만, 실제 판단은 제공된 데이터의 영향을 받았다. [39:23]
• 투자 후보는 한국 50개, 미국 70개로 제한됐고, 크레딧이 떨어지는 문제도 있었다. [39:51]

21. 나무 플러그의 이용 조건과 투자 코드 공개 계획

• 광고 안내 기준으로 나무 플러그 서비스 이용료는 무료다. 주식 거래 수수료는 별도로 발생할 수 있지만, 최초 신규 고객 대상 수수료 면제와 첫 거래 시 ChatGPT Plus 1개월 이용권을 제공하는 이벤트가 안내됐다. [40:51]
• 투자 실험 프로그램은 오픈 소스로 만들었으며, 보완한 벤치마크 코드를 GitHub에 올리고 링크를 공유할 계획이다. 당시에는 GitHub 연동과 실제 업로드 여부가 확정되지 않았다. [41:24]

22. API 거래 이벤트와 자동매매 구현 안내

• 거래 이벤트는 주간 API 거래 목표와 연계됐다. 안내된 조건은 매주 10억 원 이상 거래 시 100명에게 3만 원, 매주 50억 원 이상 거래 시 10명에게 15만 원을 제공하는 내용이다. [43:37]
• 나무 플러그는 투자 전략 자동화와 주문을 지원하는 API다. AI 코딩 도구를 이용한 구현 경로와 함께, 코덱스와 나무 플러그 API로 투자 에이전트를 만드는 방식이 제시됐다. [44:14]

23. 투자 판단과 시장 연결을 나눈 시스템 구성

• 여섯 AI의 투자 판단은 각 모델이 수행했고, 나무 플러그는 주가 데이터 수집과 주문 연결을 담당했다. 실험에서는 한 종목에 대해 모의 주문도 실행했다. [46:08]
• 나무 플러그 자체는 AI가 아닌 시장 연결용 오픈 API다. 자동매매 외에도 시세 조회나 리포트 작성에 활용할 수 있다. [46:38]

24. 높은 현금 비중이 줄인 GPT의 등락 폭

• GPT는 현금 비중이 높아 하락할 때 손실이 작았고, 상승할 때도 수익 증가 폭이 작았다. 전체 그래프에서도 등락 폭이 비교적 작았다. [48:36]
• 반대로 주식 보유 비중이 큰 제미나이는 상승 구간에서 더 크게 올랐다. 이번 하락장에서는 현금 비중을 높이는 전략이 방어에 유리했다. [48:47]

25. 그록의 수익 종목과 자동차 업종 분산

• 최종 4위인 그록은 현금도 어느 정도 보유해 예상만큼 공격적이지 않았다. 비중이 상당히 높았던 마이크로소프트에서는 이익을 냈다. [50:05]
• 테슬라에서는 손실을 봤으며 현대차에도 투자했다. 자동차 업종 안에서 경쟁 기업을 함께 보유한 구성이다. [50:30]

26. 최종 성적과 우승 예측 보상, 결과의 일반화 한계

• 딥시크는 손실을 피하지는 못했지만 최종 2위를 기록했다. [51:32]
• 우승 예측 이벤트는 설문을 제출하고 GPT를 선택한 사람이 보상 대상이다. 해당 인원이 10명 미만이어서 전원에게 ChatGPT Plus 1개월 이용권을 제공할 계획이다. [52:16]

27. 거래 기록에 남은 위험 제한과 유틸리티 분산

• 그록은 네이버 신규 투자 규모를 국내 자산의 5%로 제한해 위험을 관리했다. 거래 기록에서는 차트를 많이 참고한 흔적이 드러났다. [53:45]
• 딥시크는 국내 대형 기술주의 변동성이 큰 구간에서 현금 일부를 한국전력으로 옮겼다. 수요가 안정적인 유틸리티 업종을 분산 투자처로 선택한 것이다. [54:02]

28. 동일한 입력과 가상 계좌를 사용한 평가 방식

• 모든 모델에 같은 시세 정보와 기술 지표, DART·SEC 공시를 제공했다. 시세 입력에는 시가·종가·거래량 등이 포함됐으며, 시장 데이터는 나무 플러그로 수집했다. [55:50]
• 같은 가상 계좌 조건에서 한국과 미국 주식의 수익률을 함께 평가했다. 나무 플러그 API는 두 시장의 주식 투자를 지원한다. [56:24]

29. 시장 국면과 평가 시점에 따라 달라진 순위

• 로컬 AI를 활용하는 방식도 가능성으로 거론됐다. 딥시크를 로컬에 내려받아 실행하는 형태는 제안 수준이며, 이번 실험에서 그렇게 운영한 것은 아니다. [57:11]
• 상승 구간에서는 제미나이가 약 4% 수익으로 1위였고, 딥시크가 선두인 시점도 있었다. 이후 하락장을 거치며 클로드와 GPT의 상대 순위도 달라졌다. [57:26]

30. 서비스 이용 비용과 에이전트 설정 경험

• 이번 이용에서 나무 플러그 서비스 이용료는 발생하지 않았다. API 문서를 바탕으로 에이전트가 연결과 설정을 처리해 진행자가 직접 설정할 부분은 적었다. [58:51]
• 진행자는 실제 이용 과정의 편의성과 API 안정성을 긍정적으로 평가했다. 거래 수수료 면제와 첫 거래 시 Plus 1개월 제공 혜택은 이벤트 조건에 따른 안내다. [59:34]

31. 증권 API 연결과 모의 투자로 시작하는 자동화

• 나무 플러그는 국내·해외 주식, 파생상품, 채권 등의 API를 제공한다. 여러 상품을 활용하는 전략도 가능하지만, 복잡한 시장에서 유리할 수 있다는 가능성 수준의 설명이다 [1:00:21]
• 이용하려면 NH투자증권 계좌가 필요하며 모바일로도 개설할 수 있다. 실제 돈으로 바로 거래할 필요는 없고, 모의 투자 환경에서 프로그램을 검증한 뒤 다음 단계로 진행할 수 있다 [1:01:13]

32. 서비스 무료와 거래 수수료 프로모션의 적용 범위

• 나무 플러그의 서비스 이용료는 없으며, 미국 주식 거래 수수료는 0.09%로 드러난다. API 업계 최저라는 설명은 광고에서 제시한 주장이다 [1:02:12]
• 국내 주식 거래 수수료 무료 혜택은 API 사용 신청일부터 1년간 제공된다. 연결 과정에 필요한 API 가이드, Q&A, GitHub 예제와 오류 문의 창구도 제공된다 [1:03:13]

33. 공식 문서를 활용한 설정과 실행 환경

• 공식 GitHub와 llm.txt 등의 자료를 AI에 제공하고 API 키와 환경 파일을 설정하는 방식으로 연결할 수 있다. 문서 링크를 활용해 AI가 초기 설정을 돕는 구상이다 [1:04:20]
• 저렴한 모델을 선택하면 AI 사용료를 낮출 수 있고, 로컬 모델을 실행하면 외부 모델 API 요금 대신 전기료를 부담하는 방식도 가능하다는 설명이다 [1:05:20]

34. 공개 저장소로 투자 조건과 모델을 바꾸는 실험

• ‘나무 플러그 AI 투자 실험실’이 공개 저장소로 제공돼, 기존 실험의 조건을 바꾸고 AI 모델에 모의 투자를 맡기는 실험을 직접 구성할 수 있다 [1:06:29]
• 저장소 링크를 AI에 전달하고 OpenRouter 키를 설정하면 다양한 모델을 활용할 수 있다. 같은 틀 안에서 사용자별 투자 조건을 적용하는 방식이다 [1:06:52]

35. 현금 비중·거래 조건·호출 주기가 만드는 차이

• GPT는 실험 초반 꼴찌에서 최종 1위로 올라섰다. 현금 비중을 어느 정도 확보한 점이 하락장 대응에 도움이 됐을 가능성이 제기된다 [1:07:13]
• 미국 주식 자동매매 조건을 지나치게 엄격하게 설정한 사례에서는 거래가 실행되지 않았다. 거래를 허용할 조건의 강도도 실제 운용 결과에 영향을 준다 [1:07:29]

36. 전체 AI 비용과 판단 한 번에 드는 비용

• 나무 플러그 이용 자체에 추가 서비스 요금은 없지만 AI 모델 사용료는 별도로 발생한다. 여섯 모델의 AI API 사용료 합계는 제시된 계산상 217달러이며, 중간에 OpenRouter 잔액이 소진된 일이 있어 중단 없이 실행했다면 더 들었을 수 있다 [1:10:02]
• 판단 한 번의 평균 비용은 약 0.56달러, 약 760원으로 계산됐다. 모델별로는 GPT 약 2,300원, 딥시크 약 62원으로 제시됐으며, 실제 비용은 입력 데이터의 양과 판단에 사용하는 토큰에 따라 달라진다 [1:10:57]

37. 개별 매도·매수 기록에 드러난 위험 관리

• 메타 모델은 반도체 섹터를 과매도로 판단하면서도, 인텔을 보유 종목 중 추세가 가장 훼손된 종목으로 보고 매도했다. 현금과 추가 매수 여력을 확보하려는 목적도 매도 판단에 포함됐다 [1:14:03]
• 그록은 테슬라가 아직 과매도 상태가 아니어서 추가 하락 여지가 있다고 판단하고 현금을 확보했다. 상대적으로 강한 애플·마이크로소프트도 한 주를 사기 어려울 만큼 위험 예산이 줄었다는 제약이 함께 드러났다 [1:15:10]

38. 계좌 개설 경로와 온라인 전용 상품 조건

• NH투자증권 계좌는 영업점 방문을 통한 대면 개설도 가능하다는 안내가 나온다. 모바일 MTS를 이용한 비대면 개설도 가능한 경로다 [1:17:34]
• 이어 나무는 온라인 전용 가입 상품이라는 조건이 확인된다. 앞서 다룬 증권사 대면 계좌 개설 가능 여부와 함께 상품별 가입 조건을 살펴야 하는 대목이다 [1:17:40]

39. 여러 모델의 판단을 결합하고 직접 실험하는 확장

• 장·단기 투자 관점과 실제 투자 판단을 서로 다른 모델에 맡기고, 여러 모델의 판단을 종합하는 방식도 대안이 될 수 있다. 다만 이 조합의 성과가 이번 실험에서 검증된 것은 아니다 [1:18:41]
• 공개된 ‘나무 플러그 AI 투자 실험실’에는 구현 과정과 시행착오가 담겨 있다. 사용자가 저장소를 AI 에이전트에 제공하고 자신이 설계한 조건으로 모의 투자를 실행하는 것이 마지막 활용 방향이다 [1:19:59]

🧾 결론

• 이번 실험의 승패를 가른 주요 차이는 현금 보유, 포지션 축소, 손실 확대에 대한 대응이었다. GPT의 모든 종목 선택이 성공한 것은 아니다.
• 구체적인 매수 설명만으로 성과를 판단할 수 없다. 당시 판단 기록, 데이터의 정확성, 주문 수량, 모의 체결과 손익을 함께 확인해야 한다.
• GPT의 우승은 해당 조건과 시장 구간에서의 결과다. 상승장에서는 높은 주식 비중이 유리할 수 있어 이번 순위를 장기 투자 능력의 서열로 볼 수 없다.

📈 투자·시사 포인트

• 현금 보유는 하락 노출을 줄이는 투자 결정이다. 다만 이번 그래프에서 드러났듯 상승 구간의 수익 증가 폭도 제한할 수 있다.
• 종목 수를 늘리는 것만으로 분산이 완성되지는 않는다. 삼성전자·삼성SDS·삼성전기처럼 공통 산업 요인에 영향을 받는 보유 구성을 함께 살펴야 한다.
• AI 투자 시스템은 판단의 설득력과 실행의 정확성을 각각 평가해야 한다. 거래 조건이 지나치게 엄격하면 주문 자체가 실행되지 않을 수도 있다.
• 운용 경제성을 평가할 때는 거래 수수료·슬리피지에 AI 호출 비용도 더해 확인필요가 있다. 호출 주기와 입력 데이터량은 비용과 판단 기회에 영향을 준다.

⚠️ 불확실하거나 확인이 필요한 부분

• 기간과 시장 국면: 2주는 하나의 시장 구간이다. 현금 비중을 높인 전략의 우위가 상승장이나 더 긴 기간에도 이어질지는 확인되지 않았다.
• 비교 기준: 한국·미국 주식이 섞인 종합 수익률을 국내 단일 지수와 직접 비교하면 해석이 달라질 수 있다. 현금과 시장별 비중을 반영한 비교 기준을 확인해야 한다.
• 장애와 비용 반영: 모든 모델이 공통 장애를 겪었지만, 중단이 각 전략에 미친 영향까지 같았는지는 확인이 필요하다. 제시된 수익률에 AI API 비용까지 반영됐는지도 별도로 확인해야 한다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 공개된 투자 실험실 저장소와 판단·거래 기록을 확인하고, 모델 버전·입력 데이터·후보 종목·호출 주기를 정리한다.
• 현금 비중과 한국·미국 자산 비중을 반영한 비교 기준을 정하고, 거래 비용과 AI 사용료를 포함한 성과를 따로 계산한다.
• 실제 자금 투입 전에 모의 환경에서 주문 조건, 수량 산정, 체결 기록, 잔액 소진 시 동작을 검증한다.
• 매수 가설이 약해졌을 때의 재평가 기준과 종목·업종별 비중 제한을 설정하고 거래 기록으로 점검한다.

❓ 열린 질문

• 더 긴 기간과 다양한 시장 국면에서도 GPT의 현금 중심 대응이 비용을 감안한 성과 우위로 이어질까?
• 뉴스 비중, 후보 종목, 호출 주기를 바꾸거나 크레딧 중단을 없애면 모델별 판단과 순위는 얼마나 달라질까?
• 동일한 현금 비중과 위험 한도를 적용해도 모델별 종목 선택과 매도 판단의 성과 차이가 남을까?