본 연구는 강화학습을 활용하여 KOSPI200 선물의 자동 매매 모델을 설계하고 개발하는 것을 목표로 한다. 금융 시장의 복잡성과 불확실성은 전통적인 알고리즘 기반의 매매 전략으로는 극복하기 어려운 문제를 초래한 다. 이에 따라 본 논문에서는 강화학습의 주요 알고리즘인 마스킹할 수 있는 근접 정책 최적화(Maskable Proximal Policy Optimization)를 기반으로 한 선물 자동 매매 모델을 제안한다. 해당 모델은 과거 데이터를 학 습하여 시장 상황에 맞는 최적의 매매 전략을 도출하도록 설계되었으며, 실거래 적용 시 발생하는 슬리피지를 고려하여 더 현실적인 거래 환경을 반영할 수 있도록 시뮬레이션을 수행한다. 그 결과 슬리피지가 없거나 매우 작은 경우에만 수익이 발생하는 패턴이 관찰하였으며, 이는 실거래 환경에서 발생하는 비용과 유동성 문제를 고려할 때 실질적인 매매 성과에 영향을 미칠 수 있는 중요한 요인임을 제시한다.