들어가며: 왜 Tardis 데이터가 필요한가

저는 작년에 개인 프로젝트로 암호화폐 마켓 메이킹 봇을 개발하면서 큰 벽에 부딪혔습니다. 실시간 호가는 Binance나 Coinbase WebSocket으로 쉽게 받을 수 있지만, 2022년 6월 Terra Luna 폭락 당시의 오더북 스냅샷처럼 과거 시점의 틱 단위 오더북 데이터는 어디서도 구할 수 없었죠. 일반 거래소는 과거 오더북을 보관하지 않기 때문입니다. 이 문제를 해결해 준 것이 바로 Tardis(tardis.dev)입니다.

Tardis는 2018년부터 현재까지 30개 이상 거래소의 원시 오더북 스냅샷, 체결, 펀딩 금리 데이터를 보관하고 있습니다. Binance, Coinbase, Kraken, Bybit, OKX 등 주요 거래소의 L2 오더북을 100ms 단위로 재생할 수 있어, 실전과 동일한 마이크로스트럭처 환경을 백테스트에서 재현할 수 있습니다.

Tardis 데이터 구조 이해하기

Tardis가 제공하는 오더북 스냅샷 레코드는 다음과 같은 CSV 컬럼 구조를 가집니다.

전체 스냅샷을 복원하려면 동일 timestamp의 모든 bid/ask 레코드를 모아 정렬해야 합니다. 보통 1초 동안 한 심볼당 수천 건의 레코드가 생성되며, gzip으로 압축된 CSV 파일 하나에 하루 데이터가 저장됩니다.

HolySheep AI를 활용한 전략 자동화

오더북 데이터를 파싱하고 인디케이터를 계산하는 과정은 번거롭습니다. 저는 이 과정에서 HolySheep AI를 적극 활용합니다. HolySheep AI는 단일 API 키로 GPT-4.1, Claude Sonnet 4.5, Gemini 2.5 Flash, DeepSeek V3.2까지 모든 주요 모델을 통합하는 글로벌 AI API 게이트웨이입니다. 해외 신용카드 없이도 한국 로컬 결제 수단으로 충전할 수 있어, 저처럼 결제 인프라 때문에 해외 API 활용에 제한을 받아 온 개발자에게 특히 유용합니다.

지금 가입하시면 무료 크레딧을 받아 백테스트 로직 생성이나 결과 해석에 즉시 활용할 수 있습니다.

Tardis 데이터 다운로드 및 파싱 코드

Tardis는 CLI 도구와 Python SDK를 제공합니다. pip 설치 후 API 키를 환경변수에 등록하면 바로 사용 가능합니다.

import os
import pandas as pd
from tardis_dev import datasets


Tardis API 키 설정

TARDIS_API_KEY = os.environ.get("TARDIS_API_KEY")


2022년 6월 12일 Binance BTC-USDT 오더북 데이터 다운로드

datasets.download(
    exchange="binance",
    symbols=["btcusdt"],
    data_types=["incremental_book_L2"],
    from_date="2022-06-12",
    to_date="2022-06-12",
    api_key=TARDIS_API_KEY,
    download_dir="./tardis_data"
)


다운로드한 gzip CSV 파일 읽기

file_path = "tardis_data/binance_incremental_book_L2_2022-06-12_btcusdt.csv.gz"
df = pd.read_csv(file_path, compression="gzip")
print(df.head())
print(f"전체 레코드 수: {len(df):,}")
print(f"컬럼 목록: {list(df.columns)}")

Tardis 공식 문서에 따르면 Binance BTC-USDT 하루치 오더북 스냅샷은 약 80~120GB이며, 평균 1초당 5,000~8,000건의 레코드가 발생합니다. 2022년 6월 12일 데이터 기준으로 약 6,200만 건의 incremental update가 기록되어 있었습니다.

HolySheep AI로 전략 인디케이터 설계하기

저는 매번 새로운 백테스트 로직을 작성할 때마다 HolySheep AI의 DeepSeek V3.2 모델을 호출해 인디케이터 후보를 제안받습니다. DeepSeek V3.2는 output 가격이 100만 토큰당 $0.42로 매우 저렴해, 대량의 백테스트 로그 분석에도 부담이 없습니다.

import requests


HolySheep AI 게이트웨이를 통한 DeepSeek V3.2 호출

url = "https://api.holysheep.ai/v1/chat/completions"
headers = {
    "Authorization": "Bearer YOUR_HOLYSHEEP_API_KEY",
    "Content-Type": "application/json"
}

payload = {
    "model": "deepseek-chat",
    "messages": [
        {
            "role": "system",
            "content": "당신은 10년 경력의 퀀트 트레이딩 전략 전문가입니다."
        },
        {
            "role": "user",
            "content": "Tardis 오더북 데이터에서 bid-ask 스프레드가 0.01% 미만이고 최우선 호가 수량이 직전 1분 평균의 3배 이상인 구간에서, 다음 5초 동안 미드프레이스 상승 확률을 높이는 인디케이터 3가지를 Python 함수로 제안해주세요."
        }
    ],
    "temperature": 0.3,
    "max_tokens": 1500
}

response = requests.post(url, headers=headers, json=payload, timeout=30)
response.raise_for_status()
strategy_suggestion = response.json()["choices"][0]["message"]["content"]
print(strategy_suggestion)

백테스트 엔진 구현

오더북을 시점별로 재구성하는 간단한 백테스트 엔진을 작성해 봤습니다. 실제 운영 환경에서는 vectorized 처리나 Numba/Cython 가속을 추가하지만, 여기서는 가독성을 우선했습니다.

import pandas as pd
import numpy as np
from collections import defaultdict

class OrderBookBacktester:
    def __init__(self, initial_capital=100000):
        self.capital = initial_capital
        self.position = 0
        self.book = {"bid": defaultdict(float), "ask": defaultdict(float)}
        self.trade_log = []
    
    def apply_update(self, row):
        """오더북 incremental update 한 건 적용"""
        side = row["side"]
        price = float(row["price"])
        amount = float(row["amount"])
        if amount == 0:
            self.book[side].pop(price, None)
        else:
            self.book[side][price] = amount
    
    def best_bid_ask(self):
        bids = self.book["bid"]
        asks = self.book["ask"]
        if not bids or not asks:
            return None, None
        return max(bids.keys()), min(asks.keys())
    
    def execute_market_order(self, side, notional_usd):
        """시장가 주문 체결 시뮬레이션 (슬리피지 포함)"""
        book_side = "ask" if side == "buy" else "bid"
        remaining = notional_usd
        filled_qty = 0.0
        filled_cost = 0.0
        sorted_prices = sorted(self.book[book_side].keys(), 
                               reverse=(book_side == "bid"))
        for price in sorted_prices:
            level_qty

관련 리소스
관련 문서