암호화폐 데이터 분석

Author

waterfirst

Published

May 5, 2025

1 개요

이 문서는 주요 암호화폐의 기술적 분석과 투자 전략을 다룹니다. 다양한 기술적 지표를 활용하여 투자 결정을 돕는 종합적인 분석을 제공합니다.

1.1 기술적 지표 설명

1.1.1 이동평균선 (Moving Averages)

  • 20일 이동평균선 (SMA20): 단기 추세
  • 50일 이동평균선 (SMA50): 중기 추세
  • 200일 이동평균선 (SMA200): 장기 추세

이동평균선은 다음 공식으로 계산됩니다: \(SMA_n = \frac{P_1 + P_2 + ... + P_n}{n}\)

1.1.2 RSI (Relative Strength Index)

RSI는 과매수/과매도 상태를 판단하는 지표입니다.

Code 
RSI = 100 - \frac{100}{1 + RS}

여기서 RS는 상승평균/하락평균 입니다.

  • 70 이상: 과매수 구간
  • 30 이하: 과매도 구간
  • 30-70: 중립 구간

1.1.3 MACD (Moving Average Convergence Divergence)

MACD는 단기와 장기 이동평균선의 차이를 보여주는 지표입니다.

Code 
MACD = EMA(12) - EMA(26)
Signal = EMA(9) \text{ of MACD}

1.1.4 볼린저 밴드 (Bollinger Bands)

가격 변동성을 측정하는 지표입니다.

Code 
Upper Band = SMA(20) + 2 \times \sigma
Middle Band = SMA(20)
Lower Band = SMA(20) - 2 \times \sigma

1.2 투자 점수 산출 방법

투자 점수는 다음과 같은 요소들을 고려하여 계산됩니다:

  1. 추세 점수 (30%)
    • 중기 이동평균선 대비 현재 가격 위치
    • trend_score = mean(close > SMA50) * 3
  2. 모멘텀 점수 (20%)
    • RSI 기반 과매수/과매도 영역 분석
    • momentum_score = mean(RSI > 50 & RSI < 70) * 2
  3. 거래량 점수 (20%)
    • 거래량 추세 분석
    • volume_score = mean(volume > volume_ma) * 2
  4. 변동성 점수 (15%)
    • 적정 변동성 평가
    • volatility_score = (1 - volatility/max(volatility)) * 1.5
  5. 기술적 패턴 점수 (15%)
    • 볼린저 밴드 기반 분석
    • bb_score = mean(close > BB_mid) * 1.5

2 데이터 수집 및 전처리

Code 
# 필요한 패키지 설치 및 로드
library(tidyverse)
library(tidyquant)
library(plotly)
library(TTR)
library(lubridate)
library(scales)
library(purrr)


# 분석할 코인 설정
coins <- c("BTC-KRW", "ETH-KRW", "XRP-KRW", "DOGE-KRW", "SHIB-KRW", 
           "SOL-KRW","USDT-KRW", "XLM-KRW" )  # Yahoo Finance 티커 형식
start_date <- "2020-01-01"
end_date <- Sys.Date()

# 코인 이름 매핑 함수 수정
get_coin_name <- function(symbol) {
  # 입력값이 문자열인지 확인하고 처리
  if (!is.character(symbol)) {
    symbol <- deparse(substitute(symbol))
  }
  
  coin_names <- c(
    "BTC-KRW" = "BTC/KRW - 비트코인",
    "ETH-KRW" = "ETH/KRW - 이더리움",
    "XRP-KRW" = "XRP/KRW - 리플",
    "DOGE-KRW" = "DOGE/KRW - 도지코인",
    "SHIB-KRW" = "SHIB/KRW - 시바이누",
    "SOL-KRW" = "SOL/KRW - 솔라나",
    "USDT-KRW" = "USDT/KRW - 테더",
    "XLM-KRW"  = "XLM/KRW - 스텔라루멘" 
  )
  
  # 매핑된 이름이 없으면 원래 심볼 반환
  result <- coin_names[symbol]
  ifelse(is.na(result), as.character(symbol), result)
}


# 한국 화폐 단위 변환 함수 (소수점 지원)
korean_currency_format <- function(x) {
  sapply(x, function(n) {
    if (is.na(n)) return(NA)
    
    if (n >= 1e8) { # 1억 이상
      sprintf("%.1f억원", n/1e8)
    } else if (n >= 1e4) { # 1만 이상
      sprintf("%.1f만원", n/1e4)
    } else if (n >= 1) { # 1원 이상
      sprintf("%.0f원", round(n))
    } else if (n >= 0.1) { # 0.1원 이상
      sprintf("%.1f원", n)
    } else if (n >= 0.01) { # 0.01원 이상
      sprintf("%.2f원", n)
    } else if (n >= 0.001) { # 0.001원 이상
      sprintf("%.3f원", n)
    } else if (n > 0) { # 0.001원 미만
      sprintf("%.4g원", n)  # 유효숫자 4자리로 표시
    } else if (n == 0) { # 0원
      "0원"
    } else { # 음수
      "-" + korean_currency_format(abs(n))
    }
  })
}


# 날짜 설정
start_date <- Sys.Date() - 365  # 1년 전부터
end_date <- Sys.Date()          # 오늘까지


# 데이터 수집 및 전처리
crypto_data <- tq_get(coins, 
                      from = start_date, 
                      to = end_date, 
                      get = "stock.prices") %>%
  arrange(symbol,date) %>%
  group_by(symbol) %>%
  mutate(
    display_name = get_coin_name(symbol),
    # 이동평균선
    SMA20 = TTR::SMA(close, n = 20),
    SMA50 = TTR::SMA(close, n = 50),
    SMA200 = TTR::SMA(close, n = 200),
    
    # RSI
    RSI = RSI(close, n = 14),
    
    # MACD
    MACD = MACD(close, nFast = 12, nSlow = 26, nSig = 9)[,'macd'],
    Signal = MACD(close, nFast = 12, nSlow = 26, nSig = 9)[,'signal'],
    
    # Bollinger Bands
    BB_up = BBands(close, n = 20)[,'up'],
    BB_mid = BBands(close, n = 20)[,'mavg'],
    BB_down = BBands(close, n = 20)[,'dn'],
    
    # 변동성
    daily_returns = (close - lag(close))/lag(close),
    volatility = rollapply(close, 20, function(x) sd(diff(log(x)))*sqrt(252)*100,
                           align = "right", fill = NA)
  ) %>%
  ungroup()



# 이동평균선 계산 함수 정의
calculate_sma <- function(data, price_col, periods = c(20, 50, 200)) {
  # 각 기간별 이동평균 계산
  for (period in periods) {
    col_name <- paste0("SMA", period)
    data[[col_name]] <- TTR::SMA(data[[price_col]], n = period)
  }
  
  # NA 값을 이전 값으로 채우기
  for (period in periods) {
    col_name <- paste0("SMA", period)
    data[[col_name]] <- if_else(is.na(data[[col_name]]), 
                                lag(data[[col_name]], 1, default = first(na.omit(data[[col_name]]))),
                                data[[col_name]])
  }
  
  return(data)
}

# 데이터 수집 및 전처리
crypto_data <- tq_get(coins, 
                      from = start_date, 
                      to = end_date,
                      get = "stock.prices") %>%
  arrange(symbol, date) %>%
  group_by(symbol) %>%
  filter(n() >= 20) %>%  # 최소 20일치 데이터 필요
  mutate(
    display_name = get_coin_name(symbol)
  ) %>%
  # 이동평균선 계산 함수 적용
  group_modify(~calculate_sma(., "close")) %>%
  mutate(
    # RSI
    RSI = TTR::RSI(close, n = 14),
    
    # MACD
    macd_data = TTR::MACD(close, nFast = 12, nSlow = 26, nSig = 9),
    MACD = macd_data[,'macd'],
    Signal = macd_data[,'signal'],
    
    # Bollinger Bands
    bb_data = TTR::BBands(close, n = 20),
    BB_up = bb_data[,'up'],
    BB_mid = bb_data[,'mavg'],
    BB_down = bb_data[,'dn'],
    
    # 변동성 및 수익률
    daily_returns = (close/lag(close) - 1),
    volatility = roll::roll_sd(daily_returns, width = 20) * sqrt(252) * 100
  ) %>%
  # NA 값 처리
  mutate(
    across(c(RSI, MACD, Signal, 
             BB_up, BB_mid, BB_down, daily_returns, volatility),
           ~if_else(is.na(.), lag(., 1, default = first(na.omit(.))), .))
  ) %>%
  ungroup() %>%
  # 임시 컬럼 제거
  select(-macd_data, -bb_data)

# 
# 
# # NA가 있는지 확인
# na_check <- sapply(crypto_data, function(x) sum(is.na(x)))
# print("NA 값 개수:")
# print(na_check[na_check > 0])


# 그래프 크기 조정을 위한 전역 옵션 설정
options(repr.plot.width = 12, repr.plot.height = 6)

# 가격 차트 시각화
price_charts <- crypto_data %>%
  ggplot(aes(x = date, y = close, color = display_name)) +
  geom_line() +
  geom_line(aes(y = SMA20), linetype = "dashed", alpha = 0.5) +
  geom_line(aes(y = SMA50), linetype = "dashed", alpha = 0.5) +
  geom_line(aes(y = SMA200), linetype = "dashed", alpha = 0.5) +
  facet_wrap(~display_name, scales = "free_y", ncol=4) +
  labs(title = "Cryptocurrency Price Trends",
       subtitle = "With 20, 50, and 200-day Moving Averages",
       x = "Date",
       y = "Price (KRW)") +
  theme_minimal() +
  #scale_y_log10(labels = scales::dollar_format()) +
  scale_y_continuous(labels = korean_currency_format) +  # log10 대신 continuous 사용
  scale_color_brewer(palette = "Set1")+
  theme(legend.position = "none")

# 볼린저 밴드 시각화
bollinger_charts <- crypto_data %>%
  ggplot(aes(x = date)) +
  geom_line(aes(y = close), color = "black") +
  geom_line(aes(y = BB_up), color = "blue", linetype = "dashed") +
  geom_line(aes(y = BB_down), color = "blue", linetype = "dashed") +
  geom_ribbon(aes(ymin = BB_down, ymax = BB_up), fill = "blue", alpha = 0.1) +
  facet_wrap(~display_name, scales = "free_y") +
  labs(title = "Bollinger Bands Analysis",
       x = "Date",
       y = "Price (USD)") +
  theme_minimal()

# RSI 시각화
rsi_charts <- crypto_data %>%
  ggplot(aes(x = date, y = RSI, color = display_name)) +
  geom_line() +
  geom_hline(yintercept = c(30, 70), linetype = "dashed", color = "red") +
  facet_wrap(~display_name) +
  labs(title = "RSI Indicator",
       subtitle = "With 30/70 Overbought/Oversold Levels",
       x = "Date",
       y = "RSI") +
  theme_minimal()+
  theme(legend.position = "none")

# 거래량 시각화
volume_charts <- crypto_data %>%
  ggplot(aes(x = date, y = volume, fill = display_name)) +
  geom_col(alpha = 0.7) +
  facet_wrap(~display_name, scales = "free_y") +
  labs(title = "Trading Volume Analysis",
       x = "Date",
       y = "Volume (USD)") +
  theme_minimal() +
  theme(legend.position = "none")+
  scale_y_continuous(labels = korean_currency_format) 

# 변동성 비교
volatility_comparison <- crypto_data %>%
  ggplot(aes(x = date, y = volatility, color = display_name)) +
  geom_line() +
  facet_wrap(~display_name) +
  labs(title = "Volatility Comparison",
       subtitle = "30-Day Rolling Volatility",
       x = "Date",
       y = "Volatility (%)") +
  theme(legend.position = "none")+
  theme_minimal()

# 상관관계 분석
correlation_data <- crypto_data %>%
  select(date, symbol, close) %>%
  pivot_wider(names_from = symbol, values_from = close) %>%
  select(-date) %>%
  cor(use = "complete.obs")

correlation_plot <- correlation_data %>%
  as.data.frame() %>%
  rownames_to_column("Crypto1") %>%
  pivot_longer(-Crypto1, names_to = "Crypto2", values_to = "Correlation") %>%
  ggplot(aes(x = Crypto1, y = Crypto2, fill = Correlation)) +
  geom_tile() +
  scale_fill_gradient2(low = "red", high = "blue", mid = "white", 
                       midpoint = 0, limit = c(-1,1)) +
  geom_text(aes(label = round(Correlation, 2)), color = "black") +
  labs(title = "Cryptocurrency Correlation Matrix") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

# 요약 통계 계산
summary_stats <- crypto_data %>%
  group_by(symbol) %>%
  summarise(
    Mean_Price = mean(close),
    Median_Price = median(close),
    SD_Price = sd(close),
    Min_Price = min(close),
    Max_Price = max(close),
    Mean_Volume = mean(volume),
    Mean_Volatility = mean(volatility, na.rm = TRUE),
    Sharpe_Ratio = (mean(daily_returns, na.rm = TRUE) / 
                      sd(daily_returns, na.rm = TRUE)) * sqrt(252)
  ) %>%
  arrange(desc(Mean_Price)) %>%
  mutate(across(where(is.numeric), round, 2))


# 성과 비교를 위한 정규화된 가격 차트
normalized_price_chart <- crypto_data %>%
  group_by(symbol) %>%
  mutate(normalized_price = (close / first(close)) * 100) %>%
  ggplot(aes(x = date, y = normalized_price, color = display_name)) +
  geom_line() +
  labs(title = "Normalized Price Comparison",
       subtitle = "Initial Price = 100",
       x = "Date",
       y = "Normalized Price") +
  theme_minimal()



# investment_score 계산에도 적용
investment_score <- crypto_data %>%
  group_by(symbol) %>%
  summarise(
    trend_score = mean(close > SMA50, na.rm = TRUE) * 3,
    momentum_score = mean(RSI > 50 & RSI < 70, na.rm = TRUE) * 2,
    volume_score = mean(volume > lag(SMA(volume, n = 20)), na.rm = TRUE) * 2,
    volatility_score = (1 - mean(volatility, na.rm = TRUE) / 
                          max(volatility, na.rm = TRUE)) * 1.5,
    bb_score = mean(close > BB_mid, na.rm = TRUE) * 1.5,
    recent_trend = mean(tail(daily_returns, 20) > 0, na.rm = TRUE) * 2,
    total_score = trend_score + momentum_score + volume_score + 
      volatility_score + bb_score + recent_trend
  ) %>%

  arrange(desc(total_score))

# 현재 상태 계산도 수정
current_status <- crypto_data %>%
  group_by(symbol) %>%
  mutate(volume_ma = SMA(volume, n = 20)) %>%
  slice_tail(n = 1) %>%
  select(symbol, close, RSI, volume, volume_ma, volatility) %>%
  left_join(investment_score, by = "symbol")

3 분석 결과

3.1 가격 동향 분석

Code 
print(price_charts)

3.2 기술적 지표 분석

3.2.1 볼린저 밴드 분석

Code 
print(bollinger_charts)

3.2.2 RSI 분석

Code 
print(rsi_charts)

3.2.3 거래량 분석

Code 
print(volume_charts)

3.2.4 변동성 비교

Code 
print(volatility_comparison)

3.2.5 코인끼리 상관관계 분석

Code 
print(correlation_plot)

3.3 투자 추천

3.3.1 종합 점수

Code 
print(investment_score %>% 
      select(symbol, total_score) %>% 
      arrange(desc(total_score)))
# A tibble: 8 × 2
  symbol   total_score
  <chr>          <dbl>
1 USDT-KRW        6.35
2 BTC-KRW         5.94
3 XLM-KRW         5.61
4 XRP-KRW         5.60
5 SOL-KRW         5.46
6 DOGE-KRW        4.79
7 SHIB-KRW        4.63
8 ETH-KRW         4.60

3.3.2 성과 비교를 위한 정규화된 가격 차트

Code 
cat("\n=== 투자 전략 권장사항 ===\n")

=== 투자 전략 권장사항 ===
Code 
top_picks <- investment_score %>% 
  slice_head(n = 3)

cat(sprintf("\n추천 투자 순위:\n"))

추천 투자 순위:
Code 
for(i in 1:nrow(top_picks)) {
  cat(sprintf("%d. %s (점수: %.2f)\n", 
              i, 
              top_picks$symbol  [i],
              top_picks$total_score[i]))
  
  current_coin <- current_status %>% 
    filter(symbol   == top_picks$symbol[i])
  
  cat(sprintf("   현재가: %s원\n   RSI: %.2f\n   변동성: %.2f%%\n\n",
              format(current_coin$close, big.mark=","),
              current_coin$RSI,
              current_coin$volatility))
}
1. USDT-KRW (점수: 6.35)
   현재가: 1,400.067원
   RSI: 33.33
   변동성: 11.07%

2. BTC-KRW (점수: 5.94)
   현재가: 133,889,832원
   RSI: 58.11
   변동성: 32.97%

3. XLM-KRW (점수: 5.61)
   현재가: 378.5382원
   RSI: 49.17
   변동성: 41.53%
Code 
# 투자 전략 요약 출력
cat("\n=== 투자 전략 권장사항 ===\n")

=== 투자 전략 권장사항 ===
Code 
top_picks <- investment_score %>% 
  slice_head(n = 3)

cat(sprintf("\n추천 투자 순위:\n"))

추천 투자 순위:
Code 
for(i in 1:nrow(top_picks)) {
  cat(sprintf("%d. %s (점수: %.2f)\n", 
              i, 
              top_picks$display_name[i],  # display_name으로 변경
              top_picks$total_score[i]))
  
  current_coin <- current_status %>% 
    filter(symbol == top_picks$symbol[i])
  
  cat(sprintf("   현재가: %s원\n   RSI: %.2f\n   변동성: %.2f%%\n\n",
              format(current_coin$close, big.mark=","),
              current_coin$RSI,
              current_coin$volatility))
}
   현재가: 1,400.067원
   RSI: 33.33
   변동성: 11.07%
   현재가: 133,889,832원
   RSI: 58.11
   변동성: 32.97%
   현재가: 378.5382원
   RSI: 49.17
   변동성: 41.53%
Code 
# 투자 전략 제안 출력
cat("\n투자 전략 제안:\n")

투자 전략 제안:
Code 
for(i in 1:nrow(top_picks)) {
  coin_name <- top_picks$display_name[i]  # display_name 사용
  current <- current_status %>% 
    filter(symbol == top_picks$symbol[i])
  
  cat(sprintf("\n%s:\n", coin_name))  # coin_name 사용
  
  # RSI 기반 전략
  if(current$RSI < 30) {
    cat("- 과매도 구간으로 단기 반등 가능성 높음\n")
  } else if(current$RSI > 70) {
    cat("- 과매수 구간으로 단기 조정 가능성 있음\n")
  } else {
    cat("- RSI 중립구간으로 추가 모멘텀 관찰 필요\n")
  }
  
  # 거래량 기반 전략
  if(current$volume > current$volume_ma) {
    cat("- 거래량 증가로 추세 강화 신호\n")
  } else {
    cat("- 거래량 관망세로 신중한 접근 필요\n")
  }
}
- RSI 중립구간으로 추가 모멘텀 관찰 필요
- 거래량 관망세로 신중한 접근 필요
- RSI 중립구간으로 추가 모멘텀 관찰 필요
- 거래량 관망세로 신중한 접근 필요
- RSI 중립구간으로 추가 모멘텀 관찰 필요
- 거래량 관망세로 신중한 접근 필요
Code 
cat("\n투자 주의사항:\n")

투자 주의사항:
Code 
cat("* 위 분석은 기술적 지표만을 고려한 것으로, 실제 투자 시에는 펀더멘털 분석도 필요합니다.\n")
* 위 분석은 기술적 지표만을 고려한 것으로, 실제 투자 시에는 펀더멘털 분석도 필요합니다.
Code 
cat("* 암호화폐는 고위험 자산으로 분산 투자가 필수적입니다.\n")
* 암호화폐는 고위험 자산으로 분산 투자가 필수적입니다.
Code 
cat("* 투자 금액은 감당 가능한 수준으로 제한하시기 바랍니다.\n")
* 투자 금액은 감당 가능한 수준으로 제한하시기 바랍니다.

4 투자 전략 가이드라인

4.1 매수 전략

  1. 기술적 지표 조합
    • RSI < 30 (과매도)
    • 가격이 주요 이동평균선 근처
    • 거래량 증가
  2. 리스크 관리
    • 포지션 크기: 총 자산의 5% 이하
    • 손절가: 매수가의 -5%
    • 목표가: 매수가의 +15%

4.2 매도 전략

  1. 기술적 지표 기반
    • RSI > 70 (과매수)
    • 이동평균선 하향돌파
    • 거래량 감소
  2. 수익 실현
    • 단계적 매도: 목표가 도달 시 30%, 50%, 100%
    • 추세 전환 시 전량 매도

5 주의사항

  1. 리스크 관리의 중요성
    • 분산 투자 필수
    • 레버리지 지양
    • 투자금액 제한
  2. 기술적 분석의 한계
    • 펀더멘털 분석 병행 필요
    • 시장 상황에 따른 전략 조정
    • 과거 성과가 미래 수익을 보장하지 않음

6 결론

암호화폐 투자는 높은 수익 가능성과 함께 큰 리스크를 동반합니다. 본 분석의 기술적 지표들은 투자 결정을 보조하는 도구로 활용하되, 종합적인 분석과 리스크 관리가 필수적입니다.