뱅크롤을 설정한 후 스포츠 베팅에서 반드시 생각해야 할 중요한 질문이 있습니다.
한 번의 베팅에 얼마를 걸어야 할까요?
체계적인 뱅크롤 관리에서는 대표적으로 두 가지 접근 방식이 사용됩니다.
플랫 베팅(Flat Betting)
그리고:
켈리 기준(Kelly Criterion)
플랫 베팅은 매우 간단한 원칙을 따릅니다. 모든 베팅에 동일한 Unit을 사용합니다.
반면 켈리 기준에서는 각 베팅의 예상 Edge에 따라 Stake가 달라집니다.
처음 보면 켈리 기준이 더 정교하기 때문에 더 효율적인 방법처럼 보일 수 있습니다.
하지만 실제 상황은 그렇게 단순하지 않습니다.
Stake Sizing 방식이 효과적으로 작동하려면 Stake를 결정하는 데 사용하는 정보가 충분히 신뢰할 수 있어야 합니다.
이 글에서는 플랫 베팅과 켈리 기준을 비교하여 각각의 장점과 한계, 그리고 어떤 상황에서 각 방식이 적합할 수 있는지 살펴보겠습니다.
이 시리즈의 이전 글들과 마찬가지로 다음 기준을 사용합니다.
초기 뱅크롤: ₩8,000,000
1U = ₩80,000
즉:
초기 뱅크롤의 1%
입니다.
플랫 베팅이란?
플랫 베팅은 모든 베팅에 정확히 동일한 Unit을 사용하는 방식입니다.
이번 예에서는:
뱅크롤: ₩8,000,000
1U = ₩80,000
따라서 모든 베팅의 Stake는:
₩80,000
입니다.
어떤 베팅이 매우 매력적으로 보이거나 다른 베팅보다 약간 더 좋은 기회처럼 보여도 Stake는 변하지 않습니다.
예를 들어:
베팅 금액은 항상 동일합니다.
이러한 단순함은 플랫 베팅의 가장 큰 장점 중 하나입니다.
켈리 기준이란?
켈리 기준은 다른 방식으로 작동합니다.
예상되는 Edge에 따라 Stake를 조정합니다.
기본 공식은 다음과 같습니다.
f = (bp - q) / b*
여기서:
f* = 뱅크롤에서 베팅해야 할 비율
b = 소수 배당률 - 1
p = 예상 승리 확률
q = 1 - p
예상 Edge가 클수록 켈리가 제안하는 Stake도 커질 수 있습니다.
반대로 Edge가 작아지면 Stake도 감소합니다.
양의 Edge가 존재하지 않는다면:
켈리 기준에서는 베팅하지 않습니다.
플랫 베팅과 켈리 기준의 근본적인 차이
두 방식의 차이는 단순히 Stake의 크기에만 있는 것이 아닙니다.
핵심적인 차이는 사용 가능한 정보를 어떻게 활용하는가에 있습니다.
플랫 베팅의 사고방식은 다음과 같이 표현할 수 있습니다.
“이 선택들이 베팅할 만한 가치가 있다고 판단하지만, 각각의 정확한 Edge를 충분히 정밀하게 알고 있다고 주장하지는 않는다.”
반면 켈리는 다음과 같은 사고방식입니다.
“각 베팅의 실제 확률을 충분히 정확하게 추정할 수 있기 때문에 Edge에 따라 나의 노출 규모를 조정할 수 있다.”
이 차이는 매우 중요합니다.
켈리 기준은 훨씬 더 많은 정보를 필요로 합니다.
그리고 무엇보다:
훨씬 더 정확한 정보
가 필요합니다.
₩8,000,000 뱅크롤의 간단한 예
5개의 베팅 기회를 찾았다고 가정해 보겠습니다.
플랫 베팅에서는:
1U = ₩80,000
이므로:
총 노출액은:
₩400,000
즉:
뱅크롤의 5%
입니다.
켈리 기준에서는 Stake가 다음과 같이 달라질 수 있습니다.
총 노출액은:
₩800,000
즉:
뱅크롤의 10%
입니다.
켈리는 더 좋은 기회라고 판단되는 베팅에 더 많은 자본을 배분합니다.
이것은 매우 유용할 수 있습니다.
하지만 한 가지 조건이 있습니다.
Edge의 순위가 실제로 정확해야 합니다.
플랫 베팅은 모든 베팅을 최적화하려 하지 않는다
이것은 매우 중요한 부분입니다.
플랫 베팅은 각 선택에 대해 수학적으로 최적의 Stake를 결정하는 것을 목표로 하지 않습니다.
목표는 다릅니다.
주로 다음과 같은 요소를 추구합니다.
단순함
규율
비교 가능성
리스크 관리
그리고:
선택 자체의 품질을 더 명확하게 측정하는 것
따라서 플랫 베팅은 베팅별 Edge 차이를 완전히 활용하지 못할 가능성을 의도적으로 받아들입니다.
대신 Edge 추정 정확도에 대한 의존도를 크게 낮출 수 있습니다.
켈리는 Edge의 차이를 활용하려 한다
켈리는 다른 논리를 사용합니다.
모든 Value Bet이 반드시 동일한 가치를 가지는 것은 아닙니다.
배당률이 모두:
2.00
인 두 개의 베팅을 생각해 보겠습니다.
첫 번째 베팅의 실제 승리 확률을:
51%
로 추정합니다.
두 번째는:
55%
로 추정합니다.
첫 번째 베팅의 이론적인 EV는:
+2%
두 번째는:
+10%
입니다.
플랫 베팅이라면 두 베팅 모두:
₩80,000
을 베팅할 수 있습니다.
반면 켈리는 두 번째 베팅에 더 많은 자본을 배분하는 것이 합리적이라고 판단합니다.
수학적으로 이 논리는 타당합니다.
하지만 핵심적인 질문이 있습니다.
51%의 베팅과 55%의 베팅을 실제로 정확하게 구분할 수 있을까요?
진짜 문제는 Kelly 계산이 아니다
Kelly 공식 자체는 비교적 간단합니다.
진짜 어려운 부분은:
p
즉:
해당 이벤트의 실제 확률
을 추정하는 것입니다.
배당률:
2.00
을 예로 들어보겠습니다.
추정 확률이:
p = 51%
라면 Full Kelly는:
2%
를 제안합니다.
p = 53%
라면:
6%
입니다.
p = 55%
라면:
10%
입니다.
단 4%포인트의 확률 차이로 Stake가:
2%
에서:
10%
로 변합니다.
문제는 수학이 아닙니다.
통계적 추정의 정확도입니다.
플랫 베팅은 추정 오류에 더 강하다
어떤 베팅에 매우 큰 Edge가 있다고 판단했다고 가정해 보겠습니다.
모델의 예상 승리 확률:
55%
배당률:
2.00
Full Kelly는:
뱅크롤의 10%
즉:
₩800,000
을 제안합니다.
하지만 실제 승리 확률이:
51%
에 불과했다고 가정해 보겠습니다.
Edge 자체는 여전히 존재합니다.
하지만 이론적으로 적절한 Kelly는 더 이상 10%가 아닙니다.
2%
즉:
₩160,000
입니다.
확률 추정 오류 때문에 실제 Edge가 정당화하는 수준보다 5배 많은 금액을 베팅하게 된 것입니다.
반면 1U 플랫 베팅을 사용했다면:
₩80,000
만 베팅했을 것입니다.
따라서 플랫 베팅은 잠재적인 최적화의 일부를 포기하는 대신 추정 오류에 대한 높은 안정성을 확보합니다.
Kelly는 정확성을 보상한다
그렇다고 Kelly가 단순히 더 위험한 방식이라고 결론 내리는 것은 잘못입니다.
Kelly가 특히 유용해지는 것은 사용되는 확률이:
신뢰할 수 있고
적절하게 Calibration되어 있으며
재현 가능하고
그리고:
충분한 Sample Size를 통해 검증된 경우
입니다.
정량적 모델이 올바르게 Calibration된 확률을 생성할 수 있다고 가정해 보겠습니다.
그렇다면:
Edge 1%
와:
Edge 8%
를 완전히 동일하게 취급하는 것은 일부 우위를 활용하지 못하는 결과를 가져올 수 있습니다.
Kelly를 사용하면 예상 Edge가 더 큰 상황에 더 많은 자본을 배분할 수 있습니다.
Probability Calibration의 중요성
Kelly를 제대로 사용하려면 모델이 단순히 좋은 베팅을 찾는 것만으로는 부족합니다.
좋은 확률을 생성해야 합니다.
이것은 매우 중요한 차이입니다.
예를 들어 어떤 모델이 1,000개의 이벤트에:
60%
의 확률을 부여했다고 가정해 보겠습니다.
모델이 올바르게 Calibration되어 있다면 약:
600개의 이벤트
가 실제로 발생해야 합니다.
하지만 지속적으로 약:
540개
만 발생한다면 해당 모델은 지나치게 자신감 있는 확률을 제시하고 있을 가능성이 있습니다.
잘못된 Calibration은 Kelly에서 특히 위험할 수 있습니다.
왜냐하면:
지나치게 자신감 있는 모델은 Stake 역시 과도하게 계산하기 때문입니다.
플랫 베팅과 선택의 품질
플랫 베팅의 주요 장점 중 하나는 선택 자체의 품질을 더 직접적으로 확인할 수 있다는 것입니다.
모든 베팅이:
1U
라면 결과는 주로:
선택 과정의 품질
에 의해 결정됩니다.
Stake를 얼마나 잘 조정했는지에 따른 영향은 줄어듭니다.
이것이 바로:
Flat Stakes Summary (1U)
의 기본 논리입니다.
이 지표를 사용하면 Stake 차이로 인해 기본적인 성과가 가려지는 것을 방지하면서 여러 전략을 비교할 수 있습니다.
Selection Edge와 Sizing Edge
가변 Stake 전략을 분석할 때 성과의 원천을 두 가지로 구분할 수 있습니다.
Selection Edge
Expected Value가 양수인 베팅을 찾아내는 능력입니다.
Sizing Edge
Edge가 실제로 더 클 때 더 많은 금액을 베팅하는 능력입니다.
이 두 가지는 서로 다른 능력입니다.
Value Bet을 찾는 능력은 뛰어나지만 어떤 베팅의 Edge가 더 큰지 판단하는 능력은 부족할 수 있습니다.
이 경우 플랫 베팅은 잘 작동하지만 Kelly를 사용하면 오히려 결과가 악화될 수도 있습니다.
반대로 Edge의 크기를 정확하게 추정할 수 있는 모델이라면 가변 Stake Sizing의 이점을 얻을 수 있습니다.
Kelly가 실제로 결과를 개선할 수 있는 예
두 개의 베팅 그룹을 생각해 보겠습니다.
그룹 A
100개 베팅
평균 실제 Edge:
+2%
그룹 B
100개 베팅
평균 실제 Edge:
+8%
두 그룹에 동일한 Stake를 사용하면 두 Edge를 동일한 비율로 활용하게 됩니다.
하지만 모델이 이 차이를 실제로 신뢰할 수 있는 방식으로 구분할 수 있다면 그룹 B에 더 많은 자본을 배분하는 것이 합리적일 수 있습니다.
이것이 Kelly가 추가적인 가치를 제공할 수 있는 대표적인 상황입니다.
하지만 중요한 단어는:
실제로
입니다.
8%의 Edge가 Overfitting 때문에 Backtest에서만 존재한다면 Stake를 늘리는 것은 오히려 위험합니다.
Sample Size의 역할
한 전략이:
80개 베팅 후 ROI +12%
를 기록하고 있습니다.
다른 전략은:
5,000개 베팅 후 ROI +4%
입니다.
첫 번째 전략이 더 인상적으로 보일 수 있습니다.
하지만 첫 번째 전략의 Edge가 정말 3배 더 크다고 결론 내릴 수 있을까요?
반드시 그렇지는 않습니다.
Sample Size는 Edge를 둘러싼 불확실성에 직접적인 영향을 줍니다.
그리고 이러한 불확실성은 Stake Sizing에 얼마나 신뢰를 부여할 것인지에도 영향을 주어야 합니다.
표본이 작을수록 공격적인 Kelly 접근 방식을 정당화하기 어려워집니다.
Overfitting의 문제
Kelly와 Overfitting은 특히 위험한 조합이 될 수 있습니다.
과거 데이터에 최적화된 전략을 생각해 보겠습니다.
Backtest 결과가:
ROI +10%
라고 가정합니다.
모델은 상당한 Edge가 있다고 판단합니다.
따라서 Kelly는 큰 Stake를 제안합니다.
하지만 과거 ROI의 일부가 Overfitting에서 비롯되었다면 실제 미래 Edge는 훨씬 작을 수 있습니다.
그러면 두 가지 오류가 동시에 발생합니다.
Edge 과대평가
그리고:
Stake 과대설정
입니다.
플랫 베팅은 두 번째 문제의 영향을 자연스럽게 제한합니다.
플랫 베팅과 Variance
물론 플랫 베팅도 Variance를 제거하지는 못합니다.
1베팅 = 1U
라고 하더라도:
-5U
-10U
또는 그 이상의 손실이 발생할 수 있습니다.
연패는 충분히 발생할 수 있습니다.
하지만 Stake가 일정하기 때문에 결과의 분포를 더 쉽게 이해할 수 있습니다.
각 패배는:
-1U
를 의미합니다.
각 승리의 결과는 배당률에 따라 결정됩니다.
따라서 전략의 통계적 분석이 더 쉬워집니다.
Kelly와 Variance
Stake가 커질 경우 Kelly는 뱅크롤의 변동성을 확대할 수 있습니다.
플랫 베팅에서 다음과 같은 결과가 나왔다고 가정해 보겠습니다.
+1U
-1U
+1U
-1U
Kelly에서는 동일한 선택에 각각:
1U
4U
1.5U
3U
가 배정되었을 수도 있습니다.
금전적인 결과는 크게 달라질 수 있습니다.
선택 자체의 Variance에:
Stake Sizing의 Variance
가 추가됩니다.
이는 또 하나의 리스크 요소입니다.
Drawdown에는 어떤 영향을 줄까?
플랫 베팅에서는 Drawdown을 비교적 쉽게 해석할 수 있습니다.
예를 들어:
20U
를 잃었다면, 1U = 초기 뱅크롤의 1%이므로:
₩1,600,000
의 Drawdown을 의미합니다.
Kelly에서는 손실이 발생한 베팅에 얼마나 큰 Stake가 배정되었는지에 따라서도 Drawdown이 달라집니다.
매우 높은 +EV가 있다고 판단한 베팅들이 연속해서 실패한다면 Drawdown이 빠르게 확대될 수 있습니다.
따라서 Full Kelly는 실제 Edge가 존재하는 전략에서도 상당한 Drawdown을 발생시킬 수 있습니다.
플랫 베팅과 Risk of Ruin
뱅크롤에 비해 충분히 작은 Unit을 사용한다면 플랫 베팅에서는 Risk of Ruin을 비교적 쉽게 관리할 수 있습니다.
이번 예에서는:
뱅크롤: ₩8,000,000
Stake: ₩80,000
1U = 1%
입니다.
자본을 완전히 소진하려면 상당히 많은 Units를 잃어야 합니다.
물론 이것이 Risk of Ruin이 0이라는 의미는 아닙니다.
Expected Value가 음수인 전략을 충분히 오래 사용하면 결국 뱅크롤은 감소합니다.
하지만 작은 Stake는 이러한 악화를 늦추고 문제를 발견할 수 있는 시간을 더 많이 제공합니다.
Kelly와 Risk of Ruin
이론적으로 Kelly는 Overbetting을 피하면서 자본의 로그 성장률을 최대화하도록 설계되어 있습니다.
실제 문제는 다시 한번 불확실성에서 발생합니다.
실제 확률
을 이용해 계산한 최적 Kelly와:
추정 확률
을 이용해 계산한 Kelly가 반드시 동일한 것은 아닙니다.
추정 정확도가 낮을수록 Stake가 실제 Edge가 정당화하는 수준에서 더 크게 벗어날 수 있습니다.
플랫 베팅은 규율을 유지하기 쉽다
플랫 베팅에는 행동적인 측면에서도 중요한 장점이 있습니다.
시작하기 전에 이미 규칙이 정해져 있습니다.
모든 베팅 = 1U
따라서 다음과 같은 감정적인 판단을 할 필요가 없습니다.
“이건 2U 가치가 있어.”
“이번에는 정말 자신 있으니 4U를 걸자.”
“앞의 두 베팅에서 졌으니 이번에는 반드시 이겨야 해.”
Stake는 감정과 독립적으로 결정됩니다.
이는 다음과 같은 위험을 줄이는 데 도움이 됩니다.
Chasing
Overconfidence
Recency Bias
Kelly는 “자신감에 따라 베팅한다”는 뜻이 아니다
이는 흔한 오해입니다.
“이번 베팅은 정말 자신 있으니 5U를 걸겠다.”
라고 말하는 것은 Kelly가 아닙니다.
Kelly에는 정량적인 추정이 필요합니다.
예를 들어:
예상 확률: 54%
배당률: 2.00
계산된 Edge
계산된 Kelly Stake
가 필요합니다.
명확하고 충분히 신뢰할 수 있는 확률 추정이 없다면 진정한 의미의 Kelly 접근 방식이라고 보기 어렵습니다.
단순히 주관적인 가변 Stake일 뿐입니다.
주관적인 가변 Stake는 최악의 절충안이 될 수 있다
실제로 플랫 베팅과 Kelly 사이에는 세 번째 방식이 존재합니다.
감각에 따라 Stake를 바꾸는 방식
입니다.
예를 들어:
괜찮은 베팅이면 1U
좋은 베팅이면 2U
매우 자신 있으면 3U
와 같은 방식입니다.
이 접근 방식은 Kelly의 일부 단점을 가지면서도 Kelly의 수학적인 엄밀성은 얻지 못할 수 있습니다.
Stake Sizing의 Variance를 증가시키면서 행동 편향의 영향을 받을 가능성도 커집니다.
가변 Stake를 합리적으로 사용하려면 이상적으로는 측정 가능하고 재현 가능한 방법을 기반으로 해야 합니다.
Half Kelly: 가능한 절충안
반드시 다음 두 가지 중 하나만 선택할 필요는 없습니다.
Flat Betting
또는:
Full Kelly
중간적인 방법으로:
Half Kelly
가 있습니다.
Full Kelly가:
6%
를 제안한다면 Half Kelly는:
3%
입니다.
Full Kelly가:
2%
라면 Half Kelly는:
1%
입니다.
Edge에 따라 Stake를 조정하는 Kelly의 장점을 일부 유지하면서 노출을 줄일 수 있습니다.
Quarter Kelly: 더 보수적인 접근 방식
Quarter Kelly는:
Full Kelly의 25%
를 사용합니다.
Full Kelly가:
8%
라면 Quarter Kelly는:
2%
입니다.
₩8,000,000의 뱅크롤에서는:
₩160,000
즉:
2U
입니다.
확률 모델은 있지만 추정치에 대한 불확실성이 여전히 존재하는 경우 특히 유용할 수 있습니다.
Stake Cap을 적용한 Kelly
Kelly를 사용하면서 최대 Stake를 설정하는 방법도 있습니다.
예를 들어:
최대 Stake = 뱅크롤의 2%
이번 예에서는:
2% = ₩160,000 = 2U
입니다.
Kelly가:
0.8%
를 제안하면:
0.8%
를 사용합니다.
1.5%
를 제안하면:
1.5%
를 사용합니다.
4%
를 제안하면:
2%
로 제한합니다.
이 방식은 Kelly의 논리를 일부 유지하면서 극단적인 추정치로 인한 위험을 통제할 수 있습니다.
다양한 접근 방식 비교
뱅크롤이:
₩8,000,000
이고 특정 베팅의 이론적인 Full Kelly가:
8%
라고 가정해 보겠습니다.
그러면:
노출 규모에는 상당한 차이가 있습니다.
어떤 Stake Sizing 방식을 선택하는지에 따라 전략의 리스크 프로파일이 크게 달라질 수 있습니다.
Tipster를 비교할 때 어떤 방식이 더 적합할까?
여러 Tipster 또는 전략 자체의 품질을 비교할 때 플랫 베팅은 중요한 장점을 가지고 있습니다.
예를 들어:
Tipster A: +20U
Tipster B: +25U
모든 베팅이:
1U
로 계산되었다면 비교가 비교적 간단합니다.
하지만 Tipster B가:
1U에서 8U
사이의 Stake를 사용한다면 비교는 더 복잡해집니다.
성과 차이의 일부가 선택의 품질이 아니라 Stake Sizing에서 발생했을 수 있기 때문입니다.
이것이 바로:
Flat Stakes Summary (1U)
가 성과 비교에서 특히 중요한 지표인 이유입니다.
Flat Betting은 모든 베팅의 Edge가 같다는 의미가 아니다
이것은 중요한 차이입니다.
모든 선택에 1U를 사용한다고 해서 모든 베팅이 정확히 동일한 Edge를 가진다고 판단하는 것은 아닙니다.
단순히:
“Edge의 차이를 Stake에 반영할 정도로 정확하게 측정할 수 있다고 생각하지 않는다.”
는 의미일 수 있습니다.
이것은 충분히 합리적인 접근 방식입니다.
불확실성을 인정하는 것은 Risk Management의 중요한 부분입니다.
Kelly가 반드시 더 많은 리스크를 의미하는 것은 아니다
Kelly는 1U보다 작은 Stake를 제안할 수도 있습니다.
예를 들어:
1U = 1%
이고 Kelly 계산 결과가:
0.4%
라면 Stake는:
0.4U
즉:
₩32,000
입니다.
따라서 예상 Edge가 작을 때 Kelly는 노출을 줄일 수도 있습니다.
Kelly 자체가 본질적으로 공격적인 방법은 아닙니다.
큰 Stake로 이어질 가능성이 높은 것은 주로:
Full Kelly와 크거나 과대평가된 Edge의 조합
입니다.
배당률의 역할
배당률 역시 비교에 영향을 줍니다.
배당률:
1.50
의 베팅과:
4.00
의 베팅은 동일한 Variance 프로파일을 가지지 않습니다.
플랫 베팅에서는 두 베팅 모두 동일한 Unit을 사용할 수 있습니다.
Kelly는 공식 안에서 이러한 차이를 간접적으로 반영합니다.
하지만 다시 한번, 계산 결과는 확률 추정의 품질에 의존합니다.
높은 배당률에서 확률을 잘못 추정하면 큰 영향을 받을 수 있습니다.
CLV의 역할
CLV는 프로세스의 품질을 평가하기 위한 보조 지표로 사용할 수 있습니다.
Kelly를 사용하는 전략이 특정 선택에 지속적으로 큰 Stake를 배정한다고 가정해 보겠습니다.
그 선택들이 지속적으로 좋지 않은 CLV를 기록한다면 모델이 Edge를 과대평가하고 있지 않은지 확인할 필요가 있습니다.
반대로 지속적으로 양의 CLV를 기록한다면 확보한 가격의 품질에 대한 흥미로운 신호가 될 수 있습니다.
하지만 CLV가 직접적으로:
정확한 실제 확률
을 제공하는 것은 아닙니다.
따라서 CLV만으로 Kelly를 계산할 수는 없습니다.
Opening Odds와 Closing Odds
Opening Odds와 Closing Odds를 분석하는 것도 전략의 특성을 이해하는 데 도움이 됩니다.
어떤 전략은 시장이 열린 초기 단계에 진입할 때 좋은 성과를 낼 수 있습니다.
다른 전략은 시장이 어느 정도 형성된 이후 Value를 찾을 수 있습니다.
진입 가격과 Closing Odds를 비교하면 선택이 지속적으로 시장보다 좋은 가격을 확보하고 있는지 확인할 수 있습니다.
Kelly 접근 방식에서는 이러한 정보가 예상 Edge의 신뢰성을 검증하는 데 특히 유용할 수 있습니다.
Liquidity의 역할
Liquidity 역시 Kelly의 실제 적용을 제한할 수 있습니다.
큰 뱅크롤을 가진 모델이:
5%의 Stake
를 제안했다고 가정해 보겠습니다.
이론적인 금액이 해당 배당률에서 실제로 베팅할 수 있는 금액을 초과할 수 있습니다.
그러면:
이론적으로 최적의 Stake
와:
실제로 실행 가능한 Stake
가 달라집니다.
따라서 Risk Management에서는:
시장의 깊이
그리고:
실제 체결 가능 금액
도 고려해야 합니다.
여러 베팅이 동시에 있을 때 Flat Betting은 더 단순하다
동시에 10개의 베팅 기회가 있다고 가정해 보겠습니다.
플랫 베팅에서:
1베팅 = 1U
라면 최대 노출 규모를 즉시 확인할 수 있습니다.
10U
즉:
초기 뱅크롤의 10%
입니다.
Kelly에서는 모든 Stake를 합산해야 합니다.
예를 들어:
1% + 2% + 4% + 1.5% + 3% + 2% + 5%...
와 같은 추천이 나온다면 전체 노출 규모가 빠르게 커질 수 있습니다.
따라서 개별 베팅뿐만 아니라:
포트폴리오 전체
의 관점에서도 리스크를 고려해야 합니다.
상관관계는 Kelly를 더욱 복잡하게 만든다
여러 베팅이 다음과 관련되어 있다고 가정해 보겠습니다.
같은 리그
같은 팀
같은 시장 유형
또는:
같은 모델
이러한 베팅은 서로 상관관계를 가질 수 있습니다.
각 베팅에 독립적으로 Kelly를 적용하면 전체 리스크를 과소평가할 수 있습니다.
물론 플랫 베팅도 상관관계를 제거하지는 못합니다.
하지만 일정하고 일반적으로 제한된 Stake를 사용하기 때문에 노출 규모를 관리하기는 더 쉽습니다.
초보자에게는 어떤 방식이 적합할까?
뱅크롤을 체계적으로 관리하기 시작하는 사람에게 플랫 베팅은 여러 교육적 장점을 제공합니다.
다음 요소를 학습할 수 있습니다.
ROI
Variance
Drawdown
Sample Size
CLV
그리고:
Risk of Ruin
가변 Stake Sizing이라는 추가적인 복잡성을 바로 도입할 필요가 없습니다.
무엇보다 중요한 것은 다음 질문에 답할 수 있다는 점입니다.
“내 선택 방식에는 실제로 Edge가 존재하는가?”
Stake를 최적화하기 전에 먼저 Edge가 실제로 존재하는지 확인하는 것이 합리적입니다.
고급 정량 모델에는 어떤 방식이 적합할까?
다음과 같은 정보를 생성할 수 있는 정량적 접근 방식에서는 상황이 달라질 수 있습니다.
확률
불확실성 구간
검증된 Calibration
충분한 과거 데이터
그리고:
강건한 Out-of-Sample 분석
이러한 경우 Kelly 또는 Fractional Kelly가 훨씬 더 유용해질 수 있습니다.
Stake Sizing을 확률 모델의 논리적인 확장으로 활용할 수 있기 때문입니다.
Flat Betting을 Benchmark로 활용하기
Kelly를 사용하는 전략에서도 Flat Betting을 기준으로 유지하는 것은 유용할 수 있습니다.
예를 들어:
Kelly를 사용한 실제 성과
와:
Flat Stakes Summary (1U)의 성과
를 비교할 수 있습니다.
이를 통해 중요한 질문에 답할 수 있습니다.
Stake Sizing이 실제로 전략을 개선하고 있는가?
Kelly가 수익을 증가시키더라도 Drawdown을 크게 악화시킨다면 선택은 반드시 명확하지 않습니다.
최종 Profit만 볼 것이 아니라:
Return / Risk
관계를 분석해야 합니다.
Flat Betting과 Kelly를 올바르게 비교하는 방법
엄격한 비교를 위해서는 이상적으로 동일한 선택을 사용해야 합니다.
그 후 다음과 같은 지표를 비교할 수 있습니다.
따라서 단순히:
“어떤 방식이 더 많은 돈을 벌 수 있는가?”
만 질문해서는 안 됩니다.
더 중요한 질문은:
“내 추정의 실제 품질을 고려할 때 어떤 방식이 더 적절한 수익과 리스크 프로파일을 제공하는가?”
입니다.
하이브리드 접근 방식도 가능할까?
가능합니다.
엄격한 Flat Betting과 Full Kelly 사이에는 다양한 방법이 있습니다.
예를 들어:
Flat Betting 1U
최대 2U로 제한한 Kelly
Half Kelly
Quarter Kelly
또는:
Fractional Kelly + Stake Cap
을 사용할 수 있습니다.
Stake를 단계적으로 설정할 수도 있습니다.
예를 들어:
낮은 Edge = 0.5U
중간 Edge = 1U
높은 Edge = 1.5U
입니다.
하지만 이 방식이 합리적이려면 Edge 범주가 객관적으로 정의되고 통계적으로 검증되어야 합니다.
그렇지 않으면 단순히 주관적인 자신감에 따른 Stake 시스템이 될 수 있습니다.
Flat Betting이 적합한 상황은?
Flat Betting은 특히 다음과 같은 상황에서 유용할 수 있습니다.
- Edge가 존재하는 것으로 보이지만 정확한 크기를 측정하기 어려운 경우
- 확률이 충분히 Calibration되지 않은 경우
- Sample Size가 아직 제한적인 경우
- 여러 전략을 명확하게 비교하고 싶은 경우
- 단순함을 중요하게 생각하는 경우
- Stake Sizing 오류의 영향을 제한하고 싶은 경우
- 감정적인 편향을 줄이고 싶은 경우
- 우선 선택 자체의 품질을 분석하고 싶은 경우
이러한 상황에서는 Flat Betting의 단순함이 실제 강점이 됩니다.
Kelly가 유용해지는 상황은?
Kelly는 다음 조건에서 더욱 유용해질 수 있습니다.
- 신뢰할 수 있는 확률이 존재하는 경우
- Probability Calibration이 검증된 경우
- 모델에 충분한 Sample Size가 있는 경우
- Edge를 재현 가능한 방식으로 측정할 수 있는 경우
- 모델이 Out-of-Sample에서 검증된 경우
- 잠재적인 Drawdown을 이해하고 있는 경우
- 상관관계를 관리하고 있는 경우
- 전체 노출 규모를 모니터링하는 경우
- Liquidity가 실제 Stake 실행을 허용하는 경우
- 명확한 리스크 한도가 설정되어 있는 경우
이러한 조건에서는 Edge에 따라 Stake를 조정하는 것이 합리적일 수 있습니다.
피해야 할 실수
Flat Betting을 사용하든 Kelly를 사용하든 다음과 같은 실수는 위험합니다.
- 입증 가능한 Edge 없이 베팅하기
- 손실 후 Stake를 증가시키기
- 개인적인 자신감과 확률을 혼동하기
- 작은 Sample Size를 기반으로 Edge를 과대평가하기
- Variance를 무시하기
- Drawdown을 무시하기
- 베팅 간 상관관계를 무시하기
- 몇 번의 결과만 보고 방식을 계속 변경하기
- Calibration이 좋지 않은 확률로 Kelly를 사용하기
- 감각만으로 Stake를 변경하기
- Profit만으로 전략을 평가하기
- Flat Stakes Summary (1U)와 결과를 비교하지 않기
Flat Betting과 Kelly, 진짜 중요한 질문
결국 중요한 질문은:
“어떤 방식이 더 정교한가?”
가 아닙니다.
또한:
“어떤 방식이 가장 높은 수익을 낼 수 있는가?”
만도 아닙니다.
진짜 중요한 질문은:
“Stake를 결정하기 위해 내가 가지고 있는 정보의 품질은 어느 정도인가?”
입니다.
어떤 선택에 양의 Expected Value가 있다고 판단하지만 Edge의 크기를 정확하게 측정할 수 없다면:
Flat Betting은 매우 강건한 프레임워크를 제공합니다.
반대로 신뢰할 수 있고 적절하게 Calibration되었으며 충분히 검증된 확률을 생성하는 모델이 있다면:
Kelly를 통해 Stake 최적화를 한 단계 더 발전시킬 수 있습니다.
그 중간에는 Fractional Kelly와 Stake Cap 같은 방법이 있습니다.
결론
Flat Betting과 Kelly는 단순히 경쟁하는 두 가지 Stake Sizing 방식이 아닙니다.
두 방식은:
사용할 수 있는 정보의 정확도 차이
를 반영합니다.
Flat Betting은 다음과 같이 말합니다.
“나는 기회를 발견했지만, Edge 추정치를 Stake 결정에 지나치게 크게 반영하지 않는다.”
Kelly는 다음과 같이 말합니다.
“나는 Edge를 충분히 정확하게 추정할 수 있기 때문에 이를 이용해 수학적으로 노출 규모를 결정한다.”
이번 기준인:
뱅크롤 ₩8,000,000
그리고:
1U = ₩80,000 = 1%
에서 Flat Betting은 단순하고 투명한 구조를 제공하며, 특히 선택 자체의 실제 품질을 분석하는 데 유용합니다.
Kelly는 Edge에 따라 Stake를 조정함으로써 한 단계 더 나아갈 수 있습니다.
하지만 이러한 정교함에는 조건이 있습니다.
훨씬 더 정확한 확률 추정이 필요합니다.
따라서 가장 적절한 Stake Sizing 방식은 단순히 어떤 공식을 사용하는지에 따라 결정되는 것이 아닙니다.
주로 다음 요소에 달려 있습니다.
데이터 품질
모델 신뢰성
Probability Calibration
Sample Size
Variance
Drawdown
그리고:
Edge를 실제로 측정할 수 있는 능력
입니다.
Stake를 최적화하기 전에 먼저 더 근본적인 질문에 답해야 합니다.
“Stake를 변경하는 것을 정당화할 만큼 내 Edge를 실제로 정확하게 알고 있는가?”
그 답이 불확실하다면 Flat Betting의 단순함은 약점이 아니라:
강점
이 될 수 있습니다.
FAQ: Flat Betting vs Kelly
Flat Betting이란?
모든 베팅에서 동일한 Stake를 사용하는 방식입니다. 예를 들어 모든 선택에 1U를 사용합니다.
Kelly와의 가장 큰 차이점은?
Kelly는 예상 확률과 Edge에 따라 Stake를 조정하지만 Flat Betting은 일정한 Stake를 사용합니다.
Kelly가 Flat Betting보다 더 수익성이 높은가?
반드시 그렇지는 않습니다. Kelly는 실제 Edge의 차이를 더 효율적으로 활용할 수 있지만 결과는 사용되는 확률의 정확도에 크게 의존합니다.
Flat Betting이 더 단순한 이유는?
Stake를 결정하기 위해 각 베팅의 Edge를 정확하게 추정할 필요가 없기 때문입니다.
Half Kelly나 Quarter Kelly를 사용할 수 있는가?
네. Half Kelly는 Full Kelly의 50%, Quarter Kelly는 25%를 사용합니다. 이를 통해 추정 오류에 대한 노출을 줄일 수 있습니다.
Kelly에 상한을 설정할 수 있는가?
네. 예를 들어 Stake Cap을 설정하여 Kelly가 더 높은 값을 제안하더라도 한 베팅당 최대 뱅크롤의 2%로 제한할 수 있습니다.
Flat Betting은 모든 베팅의 Edge가 동일하다는 의미인가?
아닙니다. 동일한 Stake를 사용한다는 의미일 뿐입니다. Edge의 차이를 서로 다른 Stake에 반영할 정도로 정확하게 측정할 수 없다고 판단할 수도 있습니다.
Tipster를 비교할 때 어떤 방식이 더 적합한가?
Flat Stakes Summary (1U)가 특히 유용합니다. 모든 선택을 동일한 Unit으로 다시 계산할 수 있기 때문입니다.
확률 모델 없이 Kelly를 사용할 수 있는가?
엄격한 적용은 어렵습니다. Kelly는 실제 확률에 대한 명확한 추정값을 필요로 하기 때문입니다.
Flat Betting과 Kelly 중 어떤 방식을 선택해야 하는가?
주로 확률을 얼마나 정확하게 추정하고 Calibration할 수 있는지에 따라 달라집니다. Flat Betting은 이러한 추정치에 대한 의존도를 낮추고, Kelly는 Edge를 충분히 신뢰할 수 있게 측정할 수 있을 때 Stake를 조정할 수 있도록 합니다.
