크라켄, 미국서 CFTC 규제 무기한 선물 출시…온쇼어 파생상품 경쟁 본격화

크라켄이 미국 내 적격 거래자를 대상으로 ‘CFTC 규제’ 적용을 받는 무기한 선물(perpetual futures) 거래를 시작했다. 해외 거래소에 머물던 대표적 크립토 파생상품이 미국 규제 틀 안으로 들어오며, 온쇼어 시장 확대 신호로 읽힌다.

코인데스크에 따르면 크라켄은 규제된 미국 파생상품 인프라를 통해 해당 상품을 제공한다고 밝혔다. 다만 모든 미국 개인 투자자에게 열리는 구조는 아니다. 회사가 강조한 ‘적격 거래자’ 조건이 핵심으로, 계정 상태와 상품별 요건에 따라 접근성이 달라질 수 있다.

무기한 선물은 만기 없이 레버리지로 롱·숏 포지션을 취할 수 있어 크립토 시장에서 가장 인기 있는 파생상품으로 꼽힌다. 하지만 지금까지는 주로 해외 비규제 플랫폼에서 거래돼 왔다. 이번 크라켄의 행보가 주목받는 이유도 여기에 있다.

온쇼어 파생상품이 중요한 이유

미국 내 규제된 시장에서 무기한 선물이 제공되면 일부 거래 수요를 해외가 아닌 국내로 끌어올 수 있다. 이는 유동성, 규제 준수, 기관 참여 측면에서 의미가 크다. 더 명확한 법적 틀을 원하는 대형 트레이더와 운용사에는 특히 반가운 변화다.

크라켄 입장에서도 파생상품 강화는 사업 확장 카드다. 현물 거래만으로는 대형 거래자를 붙잡기 어렵고, 헤지와 레버리지 수요를 충족하려면 파생상품이 필요하다. 미국 시장에서 이 기능을 제공할 수 있다는 점은 경쟁력을 높이는 요소로 꼽힌다.

다만 ‘규제됨’이 곧 ‘안전함’을 뜻하는 것은 아니다. 무기한 선물은 구조상 레버리지가 크고, 변동성이 커질 경우 청산 위험도 높다. funding payment로 불리는 자금 조정 메커니즘도 포지션 보유 비용에 영향을 준다.

결국 이번 출시의 의미는 단순한 상품 추가가 아니다. 미국 크립토 시장이 현물 ETF를 넘어 파생상품까지 제도권 안으로 넓혀가고 있다는 점을 보여준다. 크라켄의 무기한 선물 출시는 온쇼어 시장 확대와 미국 규제 환경 변화가 맞물린 결과로 해석된다.

---

기사요약 by TokenPost.ai
🔎 시장 해석
크라켄의 무기한 선물 출시는 해외 중심이던 크립토 파생상품 거래가 미국 규제 체계 안으로 편입되는 흐름을 보여준다.
온쇼어 시장 확대는 유동성과 기관 참여 증가로 이어질 가능성이 크며, 장기적으로 시장 구조를 더욱 제도권 중심으로 재편할 수 있다.
💡 전략 포인트
무기한 선물은 레버리지 활용이 가능해 단기 트레이딩과 헤지 전략에 유용하지만, 변동성 확대 시 청산 리스크가 매우 크다.
특히 펀딩비(funding payment)는 포지션 유지 비용에 직접 영향을 주므로 시장 쏠림 여부를 항상 체크해야 한다.
규제 환경에서 제공된다는 점은 신뢰도를 높이지만, 상품 자체 리스크와는 별개로 판단하는 것이 중요하다.
📘 용어정리
무기한 선물(perpetual futures): 만기 없이 계속 보유 가능한 파생상품으로, 펀딩비를 통해 가격이 현물과 연동됨
CFTC: 미국 상품선물거래위원회로, 파생상품 시장을 감독하는 규제 기관
펀딩비(funding rate): 롱과 숏 포지션 간 균형을 맞추기 위해 주기적으로 지급되는 비용

💡 자주 묻는 질문 (FAQ)

Q. 크라켄의 무기한 선물 출시가 왜 중요한가요? 그동안 무기한 선물은 주로 해외 비규제 거래소에서 거래됐지만, 이번에는 미국 규제(CFTC) 체계 안에서 제공된다는 점이 핵심입니다. 이는 일부 거래 수요를 미국 내로 끌어오고, 기관 투자자 참여를 확대할 수 있는 기반이 됩니다. Q. 일반 투자자도 바로 이용할 수 있나요? 아닙니다. 해당 상품은 ‘적격 거래자(eligible trader)’에게만 제공되며, 계정 조건과 금융 요건 등을 충족해야 합니다. 모든 미국 개인 투자자가 자유롭게 접근할 수 있는 구조는 아닙니다. Q. 규제된 상품이면 안전하다고 봐도 되나요? 규제는 거래 환경의 투명성과 안정성을 높이는 역할을 하지만, 무기한 선물 자체의 위험을 없애주지는 않습니다. 레버리지 구조와 높은 변동성으로 인해 손실과 청산 위험은 여전히 크기 때문에 주의가 필요합니다. TP AI 유의사항 TokenPost.ai 기반 언어 모델을 사용하여 기사를 요약했습니다. 본문의 주요 내용이 제외되거나 사실과 다를 수 있습니다.