파이썬 바이낸스 API로 비트코인 투자 백테스팅 : 일중 강도(II) 매매 전략

일중 강도(Intrday Intensity, II)를 이용하여 비트코인 투자 연습도 하고 파이썬 판다스도 익혀보겠습니다. 지금까지 변동성 돌파전략, 이동평균선, MACD, RSI 매매 전략, 그리고 MFI 매매 전략까지 백테스팅 해 보았습니다. 여기에 더해 이번 포스팅에서는 파이썬 바이낸스 API로 비트코인 캔들 데이터를 가져온 후, 파이썬 판다스로 일중 강도(II) 매매 전략을 백 테스팅 해보겠습니다.

글의 순서

백테스팅 (back testing)
추세추종 기법 중 일중 강도 II%를 이용한 반전 매매기법
일중 강도(II) 매매 전략 백 테스팅 과정 : 바이낸스 비트코인 시계열 데이터
파이썬 코드 : 바이낸스 API, 판다스로 MFI 매매 전략 백 테스팅

백테스팅 (back testing)

백테스팅은 과거의 가격정보로 지금 적용하고자 하는 매매 전략이 얼마나 효과적인지를 테스트 해보는 과정입니다. 지금까지 변동성 돌파전략, 단순이동평균, 지수이동평균, MACD 매매 전략, RSI, MFI 매매전략을 적용했을 때 얼마나 많은 수익을 얻을 수 있을지 알아보았습니다. 이번에는 일중 강도 매매 전략 차례입니다.

파바이낸스 비트코인 변동성 돌파전략 백 테스팅 결과,
파이썬 바이낸스 비트코인 투자 백테스팅 : 이동평균선 매매 기법,
파이썬 바이낸스 비트코인 투자 백테스팅 : 지수 이동평균선 매매 기법,
파이썬 바이낸스 API로 비트코인 투자 백테스팅 : MACD 매매 전략,
파이썬 바이낸스 API로 비트코인 투자 백테스팅 : RSI 매매 전략,
파이썬 바이낸스 API로 비트코인 투자 백테스팅 : MFI 매매 전략,

추세추종 기법 중 일중 강도 II%를 이용한 반전 매매기법

볼린저 밴드와 함께 일중 강도를 활용하는 매매기법을 반전 매매기법이라고 합니다. 반전 매매기법은 주가가 반전하는 지점을 찾아내서 매수 또는 매도하는 기법입니다. 볼린저 밴드 상 상승인데, 약세 지표가 뜬다면 매도하고, 볼린저 밴드 상 하락인데, 강세 지표가 뜨면 매수합니다. 구체적으로는 아래의 과정을 따릅니다. 참고로, 현재 가격을 볼린저 밴드상 위치로 나타내 주는 지표가 %b입니다.

▶매수 : %b가 0.05보다 작고, II%가 0보다 클 때 → 볼린저 밴드 하단에 있는데, 강세지표가 발생한 경우,
▶매도 : %b가 0.95보다 크고, II%가 0보다 작을 때 → 볼린저 밴드 상단에 있는데, 약세지표가 발생한 경우

일중 강도(II) 매매 전략 백 테스팅 과정 : 바이낸스 비트코인 시계열 데이터

지난 포스팅의 이동평균선, MACD 매매 전략, RSI, MFI 매매 전략과 비교하기 위하여 일중 강도를 사용한다는 것 외에 다른 것들은 모두 동일하게 유지하고 백테스팅합니다. 파이썬 바이낸스 API로 추출한 3개월(2022년 12월 ~ 2023년 2월) 동안의 비트코인 시계열 데이터로 수행한 백 테스팅 과정을 정리해 보겠습니다.

(1) 파이썬 바이낸스 API로 비트코인 시계열 데이터 가져오기

파이썬 바이낸스 API의 get_historical_klines() 함수로 비트코인 가격을 시계열 데이터로 가져옵니다. 전체 구간이 3개월이고, II%를 구할 때의 기준 구간이 21임을 감안하여, 시간간격을 4시간(4h)로 하였습니다.

※ 참고로 2022년 12월 부터 2023년 2월까지의 구간에서 시간간격을 1일(1d)로 했을 때, 일중강도 매매 전략으로는 매수 또는 매도 조건이 한 번도 발생하지 않았습니다.

(2) 볼린저 밴드 지표 %b 구하기

%b =(종가 – 하단 볼린저 밴드)/(상단 볼린저 밴드 – 하단 볼린저 밴드)

(3) 일중 강도 II, 일중강도율 II% 구하기

일중 강도 II = (2 × 종가 – 고가 – 저가)/(고가 – 저가) × 거래량
일중 강도율 = (21일 동안의 일중 강도의 합)/(거래량의 21일 합) * 100

(4) 매수, 매도 위치 찾아내기

매수 조건인 %b가 0.05보다 작고, II%가 0보다 클 때와 매도 조건인 %b가 0.95보다 크고, II%가 0보다 작을 때를 찾아냅니다. 여기서는 교차가 발생한 날의 종료가로 매수 또는 매도했다고 가정하였습니다.

(5) 이익 계산 : 이익(profit) = 매도가 – 매수가

매도 가격에서 매수 가격을 빼면 전체 구간에서의 이익이 됩니다. 2022년 12월 부터 2023년 2월까지의 구간에서 시간간격을 1일(1d)로 했을 때, 매수 또는 매도 조건이 한 번도 발생하지 않았습니다. 시간간격을 4시간(4h)로 조절했을 때, 매수 조건이 7회, 매도 조건이 4회 발생했습니다.

아래 그림에서 손실과 수익 구간을 확인할 수 있는데요. 첫 번째 사고팔았던 구간에서 18.67 USDT 손실, 두 번째 사고 팔았던 구간에서 6846.11 USDT 이익을 봐서, 총 6827.44 USDT의 이익을 얻었습니다.

▶첫 번째 사고, 팔았던 구간 : 18.67 USDT 손실
▶두 번째 사고, 팔았던 구간 : 6846.11 USDT 이익

※ 참고로, 이 포스팅에서는 거래 수수료를 0으로 가정하고 계산하였습니다.

파이썬 코드 : 바이낸스 API, 판다스로 일중 강도 II 매매 전략 백 테스팅

지금까지의 과정을 ‘판다스 일중 강도 II 매매 전략 백 테스팅’ 파이썬 코드에 나타내었습니다. 앞에서 설명한 %b 와 II 조건을 함께 만족하는 교차 지점을 찾아내는 것이 코드의 핵심부분이라고 할 수 있습니다. 코드의 #07) 부분을 유심히 봐 주시기 바랍니다. 시계열 데이터와 매수, 매도 지점을 표시한 차트는 C:/_python/pandas/backtesting/ 라는 폴더에 IIp.png 라는 이름의 그림파일로 저장됩니다.

판다스 데이터프레임에서 유용하게 쓰이는 함수인 np.where(), rolling(window).mean(), rolling(window).sum(), diff() 함수, count() 함수의 활용법을 확인해 주시기 바랍니다. 또한, 종이 한 장에 그래프 두 개를 나란히 넣기 위해 fig, axs를 지정하는 부분과 x축의 날짜 범위를 맞추기 위해 numpy를 사용한 부분은 시계열 데이터 분석에서 자주 활용되는 중요한 부분입니다.

import os
import time
import pandas as pd
import numpy as np
from binance.client import Client
import datetime
from datetime import datetime, timezone, timedelta
import matplotlib.pyplot as plt

#01) 바이낸스 계정 접속
api_key = os.getenv('Binan_API_KEY')
api_secret = os.getenv('Binan_SECRET_KEY')

client = Client(api_key, api_secret)
print('\n','[ BINANCE ACCOUNT ACCESSED ]')

#02) 입력 : 시계열 데이터 수집 구간(tstt~tend), 시간 간격(t_interval)    
tstt_utc = '2022-12-01 00:00:00'
tend_utc = '2023-02-28 23:59:59'
t_interval = '1d'

bars = client.get_historical_klines('BTCUSDT', t_interval, tstt_utc, tend_utc, limit=1000)

#03) ohlcv 데이터만 추출
for i in bars:
    del i[6:]

#04) 데이터프레임 열 이름 붙여주기
df = pd.DataFrame(bars, columns=['time_open','open','high','low','close','volume'])

#05) 데이터프레임 열 type을 실수형으로 변환
df = df.astype({'open' : 'float', 'high' : 'float', 'low' : 'float', 'close' : 'float', 'volume' : 'float'})

#06) Date 열의 형태를 epoch에서 Pandas.Timestamp로 변경 
df['time_open'] = df['time_open'].apply(lambda date: pd.Timestamp(time.ctime(date/1000.)))

# ====== 판다스로 Intraday Intensity(II) 매매 전략 구현 ====== 
#07) 볼린저밴드  
#07-1) 시간 간격 개수 설정 : window 만큼 
window = 20  
 
#07-2) window 만큼의 시간 간격 기준 이동평균선
df['sma'] = df['close'].rolling(window).mean()
 
#07-3) window 만큼의 시간 간격 기준 표준편차
df['stddev'] = df['close'].rolling(window).std()
 
#07-4) 볼린저 밴드 : 상단(upper)  ~ 하단(lower)
df['upper'] = df['sma'] + ( 2.0 * df['stddev'])
df['lower'] = df['sma'] - ( 2.0 * df['stddev'])
 
#07-5) 볼린저 밴드 지표 : %b
df['pb'] = (df['close']-df['lower'])/(df['upper']-df['lower'])
 
#07-6) 기술적 분석 지표, 일중 강도 (Intraday Intensity)
df['II'] = (2*df['close']-df['high']-df['low'])/(df['high']-df['low']) * df['volume']
df['IIp'] = df['II'].rolling(window=21).sum()/df['volume'].rolling(window=21).sum()*100
 
#07-7) %b, II의 매수, 매도 조건 
df['mark_buy']  = np.where((df['pb'] < 0.05) & (df['IIp'] > 0), 1, 0)
df['mark_sell'] = np.where((df['pb'] > 0.95) & (df['IIp'] < 0), 1, 0)
df['time_mark_buy']  = df['mark_buy'].diff() 
df['time_mark_sell'] = df['mark_sell'].diff() 

#07-8) 매수, 매도지점 표시
df['cross_buy'] = np.where(df['time_mark_buy']==-1, df['close'], np.NaN)
df['cross_sell'] = np.where(df['time_mark_sell']==-1, df['close'], np.NaN)

print(df.tail(10))

#08) 시계열 데이터 가시화, 차트에 매수지점(^), 매도지점(v) 표시
fig, axs = plt.subplots(2,1,figsize=(10,9))

axs[0].plot(df['time_open'],df['close'], label='close')
axs[0].scatter(df['time_open'], df['cross_buy'], marker='^', color='red', label='buy')
axs[0].scatter(df['time_open'], df['cross_sell'], marker='v', color='blue', label='sell')
 
axs[0].set_title('BTC trading based on II(Intraday Intensity)')
axs[0].set_xlim(np.datetime64(tstt_utc), np.datetime64(tend_utc))
axs[0].set_ylabel('Price (USDT)')   
axs[0].legend(loc='best')
axs[0].tick_params(axis='x', rotation=15)
axs[0].grid(True)

# %b, II%
axs[1].plot(df['time_open'],df['pb']*100, label='%b*100')
axs[1].plot(df['time_open'],df['IIp'], label='II%')
axs[1].set_xlim(np.datetime64(tstt_utc), np.datetime64(tend_utc))
major_yticks = [0, 5, 95]
axs[1].set_yticks(major_yticks)
axs[1].tick_params(axis='x', rotation=15)
axs[1].legend(loc='best')
axs[1].grid(True)
 

#09) 차트를 그림파일로 저장
file_path = 'C:/_python/pandas/backtesting/'
plt.savefig(file_path +'IIp.png', dpi=200)
plt.show()

#10) 이익 계산, 계산결과 출력
no_buy  = df['cross_buy'].count()
no_sell = df['cross_sell'].count()

print('\n','#10) ---')
print(f'* Number of buying  : {no_buy}', '\n',
      f' Number of selling : {no_sell}')

#10-1) 매수일/매수가(df_buy), 매도일/매도가(df_sell) 저장
df_buy = df[['time_open', 'cross_buy']].dropna()
df_sell= df[['time_open', 'cross_sell']].dropna()

print('\n','# Buying Info.')
print(df_buy)
print('\n','# Selling Info.')
print(df_sell)

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

import os

import time

import pandas as pd

import numpy as np

from binance.client import Client

import datetime

from datetime import datetime, timezone, timedelta

import matplotlib.pyplot as plt

#01) 바이낸스 계정 접속

api_key = os.getenv('Binan_API_KEY')

api_secret = os.getenv('Binan_SECRET_KEY')

client = Client(api_key, api_secret)

print('\n','[ BINANCE ACCOUNT ACCESSED ]')

#02) 입력 : 시계열 데이터 수집 구간(tstt~tend), 시간 간격(t_interval)

tstt_utc = '2022-12-01 00:00:00'

tend_utc = '2023-02-28 23:59:59'

t_interval = '1d'

bars = client.get_historical_klines('BTCUSDT', t_interval, tstt_utc, tend_utc, limit=1000)

#03) ohlcv 데이터만 추출

for i in bars:

del i[6:]

#04) 데이터프레임 열 이름 붙여주기

df = pd.DataFrame(bars, columns=['time_open','open','high','low','close','volume'])

#05) 데이터프레임 열 type을 실수형으로 변환

df = df.astype({'open' : 'float', 'high' : 'float', 'low' : 'float', 'close' : 'float', 'volume' : 'float'})

#06) Date 열의 형태를 epoch에서 Pandas.Timestamp로 변경

df['time_open'] = df['time_open'].apply(lambda date: pd.Timestamp(time.ctime(date/1000.)))

# ====== 판다스로 Intraday Intensity(II) 매매 전략 구현 ======

#07) 볼린저밴드

#07-1) 시간 간격 개수 설정 : window 만큼

window = 20

#07-2) window 만큼의 시간 간격 기준 이동평균선

df['sma'] = df['close'].rolling(window).mean()

#07-3) window 만큼의 시간 간격 기준 표준편차

df['stddev'] = df['close'].rolling(window).std()

#07-4) 볼린저 밴드 : 상단(upper) ~ 하단(lower)

df['upper'] = df['sma'] + ( 2.0 * df['stddev'])

df['lower'] = df['sma'] - ( 2.0 * df['stddev'])

#07-5) 볼린저 밴드 지표 : %b

df['pb'] = (df['close']-df['lower'])/(df['upper']-df['lower'])

#07-6) 기술적 분석 지표, 일중 강도 (Intraday Intensity)

df['II'] = (2*df['close']-df['high']-df['low'])/(df['high']-df['low']) * df['volume']

df['IIp'] = df['II'].rolling(window=21).sum()/df['volume'].rolling(window=21).sum()*100

#07-7) %b, II의 매수, 매도 조건

df['mark_buy'] = np.where((df['pb'] < 0.05) & (df['IIp'] > 0), 1, 0)

df['mark_sell'] = np.where((df['pb'] > 0.95) & (df['IIp'] < 0), 1, 0)

df['time_mark_buy'] = df['mark_buy'].diff()

df['time_mark_sell'] = df['mark_sell'].diff()

#07-8) 매수, 매도지점 표시

df['cross_buy'] = np.where(df['time_mark_buy']==-1, df['close'], np.NaN)

df['cross_sell'] = np.where(df['time_mark_sell']==-1, df['close'], np.NaN)

print(df.tail(10))

#08) 시계열 데이터 가시화, 차트에 매수지점(^), 매도지점(v) 표시

fig, axs = plt.subplots(2,1,figsize=(10,9))

axs[0].plot(df['time_open'],df['close'], label='close')

axs[0].scatter(df['time_open'], df['cross_buy'], marker='^', color='red', label='buy')

axs[0].scatter(df['time_open'], df['cross_sell'], marker='v', color='blue', label='sell')

axs[0].set_title('BTC trading based on II(Intraday Intensity)')

axs[0].set_xlim(np.datetime64(tstt_utc), np.datetime64(tend_utc))

axs[0].set_ylabel('Price (USDT)')

axs[0].legend(loc='best')

axs[0].tick_params(axis='x', rotation=15)

axs[0].grid(True)

# %b, II%

axs[1].plot(df['time_open'],df['pb']*100, label='%b*100')

axs[1].plot(df['time_open'],df['IIp'], label='II%')

axs[1].set_xlim(np.datetime64(tstt_utc), np.datetime64(tend_utc))

major_yticks = [0, 5, 95]

axs[1].set_yticks(major_yticks)

axs[1].tick_params(axis='x', rotation=15)

axs[1].legend(loc='best')

axs[1].grid(True)

#09) 차트를 그림파일로 저장

file_path = 'C:/_python/pandas/backtesting/'

plt.savefig(file_path +'IIp.png', dpi=200)

plt.show()

#10) 이익 계산, 계산결과 출력

no_buy = df['cross_buy'].count()

no_sell = df['cross_sell'].count()

print('\n','#10) ---')

print(f'* Number of buying : {no_buy}', '\n',

f' Number of selling : {no_sell}')

#10-1) 매수일/매수가(df_buy), 매도일/매도가(df_sell) 저장

df_buy = df[['time_open', 'cross_buy']].dropna()

df_sell= df[['time_open', 'cross_sell']].dropna()

print('\n','# Buying Info.')

print(df_buy)

print('\n','# Selling Info.')

print(df_sell)

 [ BINANCE ACCOUNT ACCESSED ]

              time_open      open      high       low     close  ...  mark_sell  time_mark_buy  time_mark_sell  cross_buy  cross_sell
536 2023-02-28 17:00:00  23235.63  23421.98  23200.00  23392.69  ...          0            0.0             0.0        NaN         NaN
537 2023-02-28 21:00:00  23391.96  23579.12  23315.42  23518.30  ...          0            0.0             0.0        NaN         NaN
538 2023-03-01 01:00:00  23519.08  23600.00  23205.06  23264.36  ...          0            0.0             0.0        NaN         NaN
539 2023-03-01 05:00:00  23263.38  23343.55  23020.97  23141.57  ...          0            0.0             0.0        NaN         NaN
540 2023-03-01 09:00:00  23141.57  23498.00  23020.03  23441.14  ...          0            0.0             0.0        NaN         NaN
541 2023-03-01 13:00:00  23440.37  23847.00  23425.44  23716.06  ...          0            0.0             0.0        NaN         NaN
542 2023-03-01 17:00:00  23716.06  24000.00  23673.44  23739.17  ...          0            0.0             0.0        NaN         NaN
543 2023-03-01 21:00:00  23739.87  23888.00  23550.80  23711.09  ...          0            0.0             0.0        NaN         NaN
544 2023-03-02 01:00:00  23711.09  23746.24  23328.16  23355.14  ...          0            0.0             0.0        NaN         NaN
545 2023-03-02 05:00:00  23354.03  23674.60  23300.00  23628.97  ...          0            0.0             0.0        NaN         NaN

[10 rows x 19 columns]

 #10) ---
* Number of buying  : 7
  Number of selling : 4

 # Buying Info.
              time_open  cross_buy
66  2022-12-12 09:00:00   16918.97
95  2022-12-17 05:00:00   16632.12
164 2022-12-28 17:00:00   16678.98
166 2022-12-29 01:00:00   16595.92
168 2022-12-29 09:00:00   16558.33
500 2023-02-22 17:00:00   24160.87
503 2023-02-23 05:00:00   24182.21

 # Selling Info.
              time_open  cross_sell
24  2022-12-05 09:00:00    17196.88
27  2022-12-05 21:00:00    17083.92
118 2022-12-21 01:00:00    16900.30
357 2023-01-29 21:00:00    23525.09

[ BINANCE ACCOUNT ACCESSED ]

time_open open high low close ... mark_sell time_mark_buy time_mark_sell cross_buy cross_sell

536 2023-02-28 17:00:00 23235.63 23421.98 23200.00 23392.69 ... 0 0.0 0.0 NaN NaN

537 2023-02-28 21:00:00 23391.96 23579.12 23315.42 23518.30 ... 0 0.0 0.0 NaN NaN

538 2023-03-01 01:00:00 23519.08 23600.00 23205.06 23264.36 ... 0 0.0 0.0 NaN NaN

539 2023-03-01 05:00:00 23263.38 23343.55 23020.97 23141.57 ... 0 0.0 0.0 NaN NaN

540 2023-03-01 09:00:00 23141.57 23498.00 23020.03 23441.14 ... 0 0.0 0.0 NaN NaN

541 2023-03-01 13:00:00 23440.37 23847.00 23425.44 23716.06 ... 0 0.0 0.0 NaN NaN

542 2023-03-01 17:00:00 23716.06 24000.00 23673.44 23739.17 ... 0 0.0 0.0 NaN NaN

543 2023-03-01 21:00:00 23739.87 23888.00 23550.80 23711.09 ... 0 0.0 0.0 NaN NaN

544 2023-03-02 01:00:00 23711.09 23746.24 23328.16 23355.14 ... 0 0.0 0.0 NaN NaN

545 2023-03-02 05:00:00 23354.03 23674.60 23300.00 23628.97 ... 0 0.0 0.0 NaN NaN

[10 rows x 19 columns]

#10) ---

* Number of buying : 7

Number of selling : 4

# Buying Info.

time_open cross_buy

66 2022-12-12 09:00:00 16918.97

95 2022-12-17 05:00:00 16632.12

164 2022-12-28 17:00:00 16678.98

166 2022-12-29 01:00:00 16595.92

168 2022-12-29 09:00:00 16558.33

500 2023-02-22 17:00:00 24160.87

503 2023-02-23 05:00:00 24182.21

# Selling Info.

time_open cross_sell

24 2022-12-05 09:00:00 17196.88

27 2022-12-05 21:00:00 17083.92

118 2022-12-21 01:00:00 16900.30

357 2023-01-29 21:00:00 23525.09

마치며 …

이번 포스팅에서도 바이낸스 비트코인 투자 연습을 하면서 판다스 데이터프레임을 익혀보았습니다. 파이썬 바이낸스 API로 비트코인 시계열 데이터를 가지고 온 후, 파이썬 판다스로 일중 강도 II 매매 전략을 백 테스팅 하였습니다.

데이터 분석에 유용하게 쓸 수 있는 판다스 데이터프레임의 열 계산 방법과 np.where(), rolling(window).mean(), rolling(window).sum(), diff() 함수, count() 함수를 유심히 봐 주시기 바랍니다.

함께 참고하면 더 좋은 글 :
1. 바이낸스 코인거래소 API Key로 계좌에 접속하는 파이썬 프로그래밍
2. 파이썬 바이낸스 API로 시계열 데이터를 가져오는 파이썬 프로그래밍
3. 바이낸스 API 보안을 위한 환경 변수 설정 : 윈도우 10
4. 파이썬 바이낸스 API 시계열 데이터분석. 판다스 시간 처리
5. 파이썬 바이낸스 API로 차트 분석 : 판다스 이동평균선
6. 시계열 데이터 분석 : 지수 이동평균 (EMA)
7. 파이썬 바이낸스 API로 비트코인 시계열 데이터 분석 : 이동평균 수렴확산 (MACD)
8. 파이썬 바이낸스 API로 시계열 데이터 분석. 판다스, 볼린저 밴드 (Bollinger Band)
9. 시계열 데이터 기술적 분석 : 일중 강도 (Intraday Intensity, II)
10. 시계열 데이터 분석 : 추세분석 지표 6가지
11. 시계열 데이터 분석 : 과매수, 과매도, 강세, 약세
12. 파이썬 프로그래밍 시작

참고자료

[1] python-binance Docs >> get_historical_klines
[2] 김황후(2020), 파이썬 증권 데이터 분석, 한빛미디어
쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.

파이썬 바이낸스 API로 비트코인 투자 백테스팅 : 일중 강도(II) 매매 전략

파이썬 바이낸스 API로 비트코인 투자 백테스팅 : 일중 강도(II) 매매 전략

글의 순서

백테스팅 (back testing)

추세추종 기법 중 일중 강도 II%를 이용한 반전 매매기법

일중 강도(II) 매매 전략 백 테스팅 과정 : 바이낸스 비트코인 시계열 데이터

(1) 파이썬 바이낸스 API로 비트코인 시계열 데이터 가져오기

(2) 볼린저 밴드 지표 %b 구하기

(3) 일중 강도 II, 일중강도율 II% 구하기

(4) 매수, 매도 위치 찾아내기

(5) 이익 계산 : 이익(profit) = 매도가 – 매수가

파이썬 코드 : 바이낸스 API, 판다스로 일중 강도 II 매매 전략 백 테스팅

마치며 …

참고자료

2023 근로장려금 정기신청 : 청년, 알바생 단독가구

2023년 근로장려금 정기신청(5.1~31) : 맞벌이가구

Leave a Comment 응답 취소