베팅이나 투자에서 '얼마를 걸 것인가'는 '무엇에 걸 것인가' 못지않게 결과를 좌우한다. 켈리 기준(Kelly Criterion)은 바로 이 자금 배분 문제에 수식으로 답하는 공식으로, 우위(edge)가 존재한다고 믿을 때 현재 자금의 몇 퍼센트를 위험에 노출할지를 결정한다. 최근 공개된 켈리 기준 시뮬레이터는 이 공식을 단일 예측값이 아니라 확률 분포로 보여준다는 점에서 눈여겨볼 만하다. 고정된 확률과 배당(odds) 가정 아래에서 자금이 반복 베팅을 거치며 어떻게 진화하는지를 몬테카를로 방식으로 수천 개의 경로로 시각화한다.
핵심은 이 시뮬레이터가 자금 변화를 곱셈적(multiplicative) 과정으로 모델링한다는 데 있다. 각 베팅은 현재 자금의 일정 비율만큼 총자본을 바꾸므로, 성장과 손실이 선형으로 더해지는 것이 아니라 시간에 따라 복리로 누적된다. 같은 입력 조건에서 출발해도 실현된 승패의 순서에 따라 경로가 갈라지기 때문에, 결과물은 하나의 '기대 자금액'이 아니라 우위, 배당, 분산, 경로 의존성이 함께 빚어낸 가능한 결과들의 분포가 된다. 어떤 경로는 빠르게 불어나고, 어떤 경로는 정체하며, 또 어떤 경로는 깊은 손실을 겪은 뒤 회복하거나 끝내 회복하지 못한다. 이 흩어짐 자체가 잡음이 아니라 모델의 일부라는 점을 시뮬레이터는 강조한다.
성장 최적성이라는 오해
켈리 기준은 로그 효용의 기댓값을 최대화한다는 좁은 수학적 의미에서 '성장 최적'이라고 불린다. 반복되는 곱셈적 과정 안에서 이는 장기 기하평균 성장률을 최대화한다는 뜻이다. 그러나 이 성질은 자주 오해된다. 성장 최적성은 부드러운 성장, 안전한 성장, 스트레스 없는 성장을 뜻하지 않는다. 그것은 오직 점근적(asymptotic) 성장을 최대로 겨냥한다는 의미이며, 그 목표에는 대가가 따른다. 완전 켈리(full Kelly)를 적용하면 기대 성장이 높아지는 만큼 변동성이 커지고, 중간중간의 손실 폭이 깊어지며, 결과의 분산도 넓어진다. 이론적으로 장기적으로는 최적이라 해도 그 과정에서 길고 불편한 불안정 구간을 겪을 수 있다는 뜻이다.
실무자에게 더 현실적인 선택지는 분수 켈리(fractional Kelly)다. 완전 켈리가 지시하는 비율을 절반(half-Kelly)이나 4분의 1(quarter-Kelly)로 줄이되 우위 기반 사이징이라는 논리는 유지하는 방식이다. 이렇게 하면 장기 기대 성장은 다소 희생되지만, 변동성이 낮아지고 손실 압박이 줄며, 무엇보다 추정 오차에 대한 민감도가 떨어진다. 시뮬레이터에서 적용 비율을 직접 낮춰 보면, 성장을 내주는 대신 더 매끄러운 위험 노출을 얻는 이 교환 관계를 눈으로 확인할 수 있다. 많은 우위 지향 베터들이 분수 켈리를 더 견고한 실전 변형으로 취급하는 이유가 여기에 있다.
진짜 문제는 공식이 아니라 입력이다
켈리 기준의 가장 중요한 현실적 한계는 공식 자체가 아니라 공식에 넣는 확률 추정의 품질이다. 우위 추정이 지나치게 낙관적이면 켈리 비율이 과도하게 커지고, 이는 곧 과다 베팅으로 이어진다. 과다 베팅은 이론적으로 건전한 자금 배분 규칙을 취약한 자금 프로세스로 바꾸는 가장 빠른 길이다. 특히 우위가 얇을 때는 추정 확률의 작은 오차가 최적 스테이크 크기를 크게 바꿔 놓는다. 그래서 숙련된 사용자는 공식의 우아함보다 입력의 신뢰성에 집중한다. 깔끔한 켈리 방정식이 잡음 섞인 모델링, 라인 변동, 불완전한 정보, 숨은 상관관계, 불안정한 시장 조건을 해결해 주지는 않기 때문이다.
이 지점에서 켈리 기준을 인접 개념들과 구분할 필요가 있다. '스마트 베팅'은 가격 인식과 기댓값, 자금 관리, 선별적 노출을 아우르는 비공식적 규율일 뿐 공식 모델이 아니며, 켈리 사이징은 그 일부일 수 있다. 차익거래 베팅(arbitrage)은 서로 다른 시장의 가격 비효율을 잠가 결과와 무관하게 이익을 확정하려는 것으로, 켈리와는 다른 문제다. 마이크로 베팅처럼 의사결정 주기가 짧고 가격이 빠르게 갱신되며 실행 속도가 중요한 환경에서는 가정된 우위가 급격히 소멸할 수 있어 켈리식 사이징을 적용하기가 더 어려워진다. 켈리 기준은 이 생태계 안에서 완결된 전략이 아니라 하나의 자금 배분 메커니즘으로 자리한다.
분포로 읽어야 하는 출력
시뮬레이터의 구조는 의도적으로 통제되어 있다. 확률과 배당은 각 실행 내내 고정되고, 각 시행은 독립적으로 처리되며, 학습이나 확신 변화, 이전 결과의 피드백 같은 적응적 요소는 없다. 자금 진화는 오직 사전 정의된 자본 비율과 시뮬레이션된 승패 시퀀스에 의해서만 움직인다. 이런 깨끗한 환경은 사이징 논리의 효과를 외부 조건 변화로부터 분리해 관찰하기 위한 장치다. 그러나 현실의 베팅 시장은 대개 이보다 불안정하다. 확률이 바뀌고 배당이 움직이며 한도가 걸리고 유동성이 달라지고, 결과가 처음 보이는 것만큼 독립적이지 않을 수 있다. 수학적 켈리와 실전 켈리의 간극은 바로 이 차이에서 나온다.
따라서 이 도구의 출력은 점 예측이 아니라 분포로 읽어야 한다. 평균, 중앙값, 최선 경로, 최악 경로가 상당히 다를 수 있는 이유는 곱셈적 자금 과정이 흔히 비대칭적이기 때문이다. 단일 궤적 하나만으로는 거의 아무것도 알 수 없고, 결과의 흩어짐 폭, 손실의 빈도와 깊이, 전형적 경로와 극단적 경로 사이의 거리를 비교할 때 비로소 모델이 선택된 가정 아래 자본을 얼마나 공격적으로 노출하는지가 드러난다. 파산 위험, 손실 통계, 꼬리 위험은 어디까지나 이 계산 과정이 고정 조건에서 만들어 내는 특성일 뿐, 실제 시장의 확률을 직접 서술하거나 유사한 패턴을 보장하지는 않는다. 결국 진짜 어려움은 켈리 기준을 이해하는 데 있지 않고, 가정한 우위가 신뢰받을 자격이 있는지를 판단하는 데 있다.