켈리 기준: 제1원리에서 도출하는 최적 포지션 사이징

핵심 요약

켈리 기준은 장기적 부를 극대화하기 위한 베팅 및 포트폴리오 포지션 사이징의 수학적으로 최적인 규칙을 제공합니다. 정보이론에서 도출된 이 기준은 양의 기대값을 가진 모든 기회에 자본의 정확히 몇 퍼센트를 투입해야 하는지를 알려줍니다. 풀 켈리는 부의 기하 성장률을 극대화하지만, 추정 오류와 꼬리 위험 때문에 풀 켈리가 실제 시장에서는 위험할 정도로 공격적이므로, 실무자들은 거의 보편적으로 프랙셔널 켈리(통상 하프 켈리)를 사용합니다.

정보이론에서 최적 베팅까지

1956년, 벨 연구소의 물리학자 John Larry Kelly Jr.는 진지한 도박꾼과 투자자들의 포지션 사이징 사고방식을 조용히 바꿀 논문을 발표했습니다. Kelly는 금융을 연구한 것이 아니었습니다. 그는 Claude Shannon의 통신 채널에 관한 기초 연구를 기반으로 정보이론을 연구하고 있었습니다. 그의 통찰은 우아했습니다: 엣지를 가진 도박꾼의 문제는 잡음이 있는 채널을 통해 정보를 전송하는 문제와 수학적으로 동등합니다.

Kelly (1956)는 간단한 질문을 제기했습니다: 반복되는 베팅에서 엣지가 있다면, 부의 장기 성장률을 극대화하기 위해 매번 자금의 몇 퍼센트를 걸어야 합니까? 현재 켈리 기준이라 불리는 답은 놀라울 정도로 정확합니다.

확률 p로 이기고 확률 q = 1 - p로 지는 단순 이항 베팅에서, 승리 시 b대 1의 배당을 받는 경우, 베팅할 최적 비율은 다음과 같습니다:

f* = (bp - q) / b

이 공식은 아름다운 해석을 갖고 있습니다. 분자 bp - q는 베팅 1달러당 기대 엣지입니다. b로 나누면 배당률에 반비례하여 베팅 크기가 조정됩니다; 배당이 높을수록 각 결과의 분산이 크기 때문에 더 작은 비율로 베팅해야 합니다.

동전 던지기 예제

앞면이 60%의 확률로 나오는 동전이 있고, 배당이 1대 1(b = 1)이라고 가정합니다. 엣지는 실재하지만 겸손한 수준입니다. 자금의 몇 퍼센트를 베팅해야 합니까?

켈리 공식을 적용하면: f* = (1 x 0.60 - 0.40) / 1 = 0.20

켈리는 매 회 현재 자금의 20%를 베팅하라고 말합니다. 50%가 아닙니다. 5%도 아닙니다. 정확히 20%입니다.

왜 더 많이 걸면 안 됩니까? 기하 복리의 수학 때문에 과다 베팅은 부를 파괴하기 때문입니다. 60/40 동전에 자금의 50%를 베팅하면, 양의 엣지가 있음에도 결국 파산하게 됩니다. 분산이 엣지를 압도합니다. 일련의 승패 후에 자금은 수익률의 기하평균이 장기적 운명을 결정하는 경로를 따르며, 산술평균이 아닙니다.

켈리 최적 20% 베팅으로 100번 동전을 던진 후, 기대 기하 성장률은 베팅당 약 2%입니다. 1,000번 후에는 초기 $1,000가 통상 $300,000 이상으로 성장합니다. 같은 동전에 50% 베팅을 했다면, 시작 금액보다 적은 금액을 보유하게 될 가능성이 높습니다.

기하 성장이 중요한 이유

켈리 기준은 부의 기대 로그를 극대화하며, 이는 기하 성장률을 극대화하는 것과 동등합니다. 산술 수익률과 기하 수익률의 이 구분은 켈리가 작동하는 이유를 이해하는 데 근본적입니다.

Latané (1959)는 포트폴리오 이론의 관점에서 독립적으로 같은 원리에 도달했으며, 투자자는 포트폴리오 수익률의 기하평균을 극대화해야 한다고 주장했습니다. 그의 논리는 명쾌했습니다: 긴 투자 기간에 걸쳐 가장 높은 기하 성장률을 가진 포트폴리오가 거의 확실하게 다른 모든 포트폴리오를 지배할 것입니다.

수익률의 산술평균은 오해를 불러일으킬 수 있습니다. 100%를 벌고 50%를 잃은 포트폴리오는 기간당 산술평균 수익률이 25%이지만, 투자자는 정확히 원래 위치로 돌아옵니다. 기하평균 (2.0 x 0.5) = 1.0은 성장이 없음을 정확히 반영합니다.

이러한 손익 간 비대칭을 분산 드래그라고 합니다. 주어진 산술평균 수익률에서 분산이 높을수록 기하평균이 감소합니다. 그 관계는 대략 다음과 같습니다:

기하평균 = 산술평균 - 분산 / 2

켈리 기준은 이 드래그를 암묵적으로 고려합니다. 산술적 엣지에서 분산 페널티를 뺀 값을 극대화하는 베팅 크기를 찾아, 가장 높은 기하 성장률을 산출합니다.

베팅에서 포트폴리오로

위험자유이자율 r 대비 기대 초과수익률 mu, 변동성 sigma를 가진 단일 투자의 경우, 켈리 기준은 연속 형태를 취합니다:

f* = (mu - r) / sigma^2

이 공식은 직관적 구조를 갖고 있습니다. 기대 초과수익률이 높을수록 더 많이 투자하고, 변동성이 높을수록 더 적게 투자합니다. 최적 포지션 크기는 기대수익률에 선형적으로 비례하지만 변동성의 제곱에 반비례합니다. 변동성을 두 배로 하면 최적 포지션은 절반이 아니라 4분의 1로 줄어듭니다.

기대수익률 12%, 위험자유이자율 4%, 연간 변동성 20%인 주식을 고려합니다. 켈리 최적 배분은 다음과 같습니다:

f* = (0.12 - 0.04) / (0.20)^2 = 0.08 / 0.04 = 2.0

켈리는 이 주식에 자본의 200%까지 레버리지를 사용하라고 말합니다. 이 결과는 풀 켈리의 힘과 위험을 동시에 드러냅니다: 이론적 최적치는 종종 대부분의 투자자가 공포를 느끼는 공격적 레버리지를 요구하며, 그럴 만한 이유가 있습니다.

프랙셔널 켈리의 필요성

카드 카운팅으로 블랙잭을 이기고, 이후 대단히 성공적인 헤지펀드 Princeton Newport Partners를 운영한 수학자 Edward Thorp는 실무에서 켈리 기준의 가장 영향력 있는 옹호자가 되었습니다. 그러나 Thorp는 핵심적인 수정사항에 대해서도 마찬가지로 단호했습니다: 절대 풀 켈리를 사용하지 마십시오.

Thorp (2006)는 프랙셔널 켈리, 통상 켈리 최적 금액의 절반을 베팅하는 것이 실무에서 여러 이유로 훨씬 우월하다고 주장했습니다.

첫째, 모수 불확실성입니다. 켈리 공식은 승리 확률과 배당률의 정확한 값을 알고 있다고 가정합니다. 현실에서는 이 모수들이 오류를 수반하며 추정됩니다. 엣지를 과대추정하면 과다 베팅으로 이어지며, 이는 파멸적입니다. 실제 엣지가 추정의 절반이라면, 잘못된 추정에 기반한 풀 켈리는 진정한 켈리 비율의 두 배에 해당하며, 기하 성장률이 음수로 전환되는 위험 구역에 깊이 들어갑니다.

둘째, 분산 감소입니다. 풀 켈리는 포트폴리오 가치에 거대한 변동을 초래합니다. 풀 켈리 하의 로그 부 경로의 표준편차는 놀라울 정도로 큽니다. 하프 켈리는 풀 켈리 성장률의 75%를 달성하면서 분산은 절반에 불과합니다. 대부분의 투자자에게 이 교환은 압도적으로 유리합니다.

셋째, 낙폭 관리입니다. 풀 켈리 하의 최대 낙폭은 연속 시간에서 이론적으로 무한합니다. 하프 켈리 하에서는 기대 낙폭이 극적으로 작아집니다. Thorp는 자신의 트레이딩에서 엣지 추정에 대한 확신도에 따라 0.1에서 0.5 범위의 켈리 비율을 사용했다고 기록했습니다.

일반적인 프랙셔널 켈리 접근법은 최적 베팅에 0과 1 사이의 계수 c를 곱합니다:

f_actual = c x f*

c = 0.5 (하프 켈리)에서는 장기 성장률의 약 25%만 포기하면서 변동성을 50% 줄입니다. c = 0.25 (쿼터 켈리)에서는 성장률의 약 44%를 포기하지만 변동성을 75% 줄입니다. 프랙셔널 켈리 하의 성장률은 다음과 같습니다:

g(c) = c x (mu - r) - c^2 x sigma^2 / 2

이는 c = 1 (풀 켈리)에서 최대가 되고 c = 2 (더블 켈리)에서 0이 되는 이차함수입니다. 켈리 금액의 두 배를 초과하여 베팅하면 음의 기하 성장률이 발생하며, 시간이 충분하면 확실히 파산합니다.

과다 베팅의 위험

켈리 이론에서 가장 중요한 실무적 교훈은 과소 베팅과 과다 베팅 간의 파멸적 비대칭입니다.

켈리 금액의 절반을 베팅하면, 최적 성장률의 75%를 얻습니다. 켈리 금액의 두 배를 베팅하면, 성장률은 0이 되어 전혀 베팅하지 않는 것과 동일합니다. 더블 켈리를 초과하면, 성장률이 음수가 되며 파산이 확실해집니다.

이 비대칭은 심오한 함의를 갖습니다. 과소 베팅을 유발하는 추정 오류는 비교적 무해합니다; 일부 성장을 놓치지만 부는 여전히 양적으로 복리됩니다. 과다 베팅을 유발하는 오류는 잠재적으로 파멸적입니다; 과다 사이징의 페널티는 과소 사이징의 페널티보다 훨씬 가파릅니다.

이것이 경험 많은 켈리 실무자들이 항상 보수적 쪽으로 치우치는 이유입니다. 지나치게 보수적인 비용은 적당합니다. 지나치게 공격적인 비용은 파산입니다.

다중 자산 켈리: 포트폴리오 버전

여러 자산을 포함하는 포트폴리오의 경우, 켈리 기준은 공분산 행렬을 사용하여 확장됩니다. Thorp (2006)가 다중 자산 공식화를 제시했으며, MacLean, Thorp, Ziemba (2011)가 결정적인 교과서적 처리를 제공했습니다.

mu가 기대 초과수익률 벡터이고 Sigma가 공분산 행렬이면, 켈리 최적 포트폴리오 가중치는 다음과 같습니다:

f* = Sigma^(-1) x mu

이는 위험회피계수가 1인(로그 효용에 해당) 평균-분산 최적 포트폴리오와 동일합니다. 이 연관은 우연이 아닙니다: 수익률이 정규분포를 따를 때 부의 기대 로그를 극대화하는 것은 켈리에 해당하는 특정 위험회피 모수를 가진 평균-분산 최적화와 동등합니다.

다중 자산 공식화는 켈리가 자연적으로 분산투자함을 보여줍니다. 기대수익률이 높은 자산에 큰 가중치가 부여되지만, 공분산 행렬이 높은 상관관계를 가진 자산의 과다 가중을 방지합니다. 포트폴리오 버전의 켈리는 사실상 평균-분산 이론의 접선 포트폴리오를 최적으로 레버리지한 버전입니다.

로그 효용과의 연결

켈리 기준은 부의 기대 로그 효용을 극대화하는 것과 동등합니다. 로그 효용함수 U(W) = ln(W)를 가진 투자자가 단일 기간 포트폴리오 문제를 최적화하면, 정확히 켈리 공식에 도달합니다.

이 연결은 이론적 근거를 제공합니다. 로그 효용은 여러 매력적인 성질을 갖고 있습니다: 최적 전략이 근시안적인(투자 기간에 독립적인) 유일한 효용함수이며, 장기적으로 거의 확실하게 다른 모든 전략을 능가하는 성장 최적 포트폴리오를 생성합니다.

그러나 로그 효용은 특정 수준의 위험회피를 내포합니다. 로그 효용이 내포하는 것보다 더 큰 위험회피를 가진 투자자는 켈리보다 적게 베팅해야 하며, 이는 실무적 기본값으로서의 프랙셔널 켈리로 되돌아갑니다.

실전 포트폴리오 사이징 예제

다음과 같은 추정 특성을 가진 체계적 주식 모멘텀 전략을 평가하는 투자자를 고려합니다: 기대 연간 초과수익률 6%, 연간 변동성 15%, 위험자유이자율 4%.

이 전략의 풀 켈리 비율은 다음과 같습니다:

f* = 0.06 / (0.15)^2 = 0.06 / 0.0225 = 2.67

풀 켈리는 자본의 267%까지 레버리지하라고 말합니다. 이는 공격적입니다. 하프 켈리(c = 0.5)에서 배분은 133%가 됩니다. 쿼터 켈리(c = 0.25)에서는 67%이며, 대부분의 기관투자자가 합리적이라고 고려할 수준입니다.

기대 기하 성장률은 다음과 같습니다:

풀 켈리: g = 0.06 - (0.15)^2 / 2 = 위험자유이자율 대비 연간 4.88%

하프 켈리: g = 0.5 x 0.06 - 0.25 x (0.15)^2 / 2 = 위험자유 대비 2.72%

쿼터 켈리: g = 0.25 x 0.06 - 0.0625 x (0.15)^2 / 2 = 위험자유 대비 1.43%

풀 켈리와 쿼터 켈리의 성장률 차이는 연간 약 3.4%포인트입니다. 그러나 풀 켈리 포트폴리오의 변동성은 40% (2.67 x 15%)인 반면, 쿼터 켈리 포트폴리오의 변동성은 10% (0.67 x 15%)입니다. 대부분의 투자자에게 프랙셔널 켈리의 위험 조정 교환은 명백히 우월합니다.

한계와 비판

켈리 기준은 실제 시장에서 불완전하게 충족되는 가정에 기반합니다.

모수 불확실성이 가장 근본적인 문제입니다. 이 공식은 기대수익률과 변동성의 정확한 지식을 요구합니다. 실무에서 기대수익률은 거대한 불확실성으로 추정됩니다. 주식의 기대 초과수익률은 6% 플러스 마이너스 8%일 수 있습니다. 이런 넓은 신뢰구간에서 켈리 비율 자체가 매우 불확실해지며, 풀 켈리는 무모해집니다.

꼬리 위험은 연속 가우시안 근사를 무효화합니다. 실제 시장 수익률은 정규분포가 예측하는 것을 훨씬 넘는 첨도를 보입니다. 극단적 사건이 켈리의 수학적 체계가 예상하는 것보다 더 빈번히 발생합니다. 이는 과다 베팅을 표준 이론이 시사하는 것보다 더욱 위험하게 만듭니다.

Ole Peters (2019)가 제기한 비에르고딕성 논증은 더 깊은 비판을 제공합니다. Peters는 표준 기대효용 체계가 시간 평균과 앙상블 평균을 혼동한다고 주장했습니다. 부의 성장과 같은 승법적 과정에서 시간 평균(단일 투자자가 경험하는 것)은 앙상블 평균(많은 투자자의 평균)과 다릅니다. 켈리 기준은 시간 평균(기하 성장률)을 극대화함으로써 이 문제를 올바르게 해결하지만, Peters의 연구는 많은 전통적 금융 모형이 암묵적으로 잘못된 양을 최적화하고 있음을 강조합니다.

수익률의 시계열 상관, 거래비용, 레버리지 및 공매도 제약은 실무 적용을 더욱 복잡하게 만듭니다. 평균회귀 수익률을 가진 전략의 켈리 비율은 i.i.d. 경우와 다르며, 이를 무시하면 차선적 사이징으로 이어질 수 있습니다.

켈리가 가장 잘 작동하는 경우

켈리 기준은 엣지가 잘 특성화되고 게임이 많이 반복되는 환경에서 가장 강력합니다. Thorp가 처음 적용한 블랙잭의 카드 카운팅이 전형적 사례입니다: 엣지를 정확히 계산할 수 있고, 게임이 수천 번 반복되며, 결과의 분포가 잘 이해되어 있습니다.

금융 시장에서 켈리는 보유 기간이 짧고 엣지가 잘 추정되는 전략에 가장 적용 가능합니다: 고빈도 마켓 메이킹, 대규모 표본 크기를 가진 통계적 차익거래, 긴 트랙 레코드를 가진 체계적 전략이 이에 해당합니다. 모수 불확실성이 지배하는 집중적 장기 투자에는 가장 적용하기 어렵습니다.

켈리 기준의 지속적 공헌은 공식 자체가 아니라 그것이 제공하는 사고의 틀에 있습니다. 포지션 사이징은 부차적 고려사항이 아니며, 신호 자체만큼 중요합니다. 최적 베팅 크기는 엣지 대 분산의 비율에 달려 있으며, 엣지만으로는 결정되지 않습니다. 과다 베팅은 과소 베팅보다 훨씬 위험합니다. 그리고 장기적 부를 결정하는 것은 산술적 기대수익률이 아니라 기하 성장률입니다.