평균 손절+2표준편차 임계값 아래는 고정 사이징, 위는 비율 사이징을 적용하여 90-95% 거래가 1% 미만 리스크로 실행되도록 하는 하이브리드 기법이다.

고급 자금관리 시스템 (Advanced Money Management Systems)

1. 개요

자금관리(Money Management)는 트레이딩에서 가장 중요하면서도 간과되기 쉬운 영역입니다. 많은 트레이더가 진입 신호와 기술적 분석에 집중하지만, 실제로 장기 수익성을 결정짓는 것은 **"얼마나 걸 것인가"**에 대한 답, 즉 자금관리입니다. 고급 자금관리 시스템은 단순히 손실을 제한하는 수준을 넘어, 복리의 힘을 활용하여 수익을 극대화하는 동시에 시스템의 생존성을 보장하는 체계적인 프레임워크를 제공합니다.

이 챕터에서는 동적 사이징의 수학적 원리, 기하 기댓값과 선형 기댓값의 본질적 차이, 그리고 실전에서 활용 가능한 하이브리드 접근법(GMMS)까지 다룹니다. 핵심은 **"수익을 내는 전략도 잘못된 사이징으로 파산할 수 있다"**는 사실을 수학적으로 이해하고, 이를 방지하는 구조를 설계하는 것입니다.

왜 자금관리가 기술적 분석보다 중요한가? 승률 60%의 우수한 전략이라도 과도한 포지션 사이즈를 사용하면 파산할 수 있습니다. 반대로 승률 40%의 평범한 전략도 올바른 자금관리를 적용하면 꾸준히 수익을 낼 수 있습니다. 기술적 분석이 "언제, 어디서" 진입할지를 결정한다면, 자금관리는 "생존과 성장"을 결정합니다.

2. 핵심 규칙/원칙

2.1 동적 사이징의 비대칭 효과 (Asymmetry Effect in Dynamic Sizing)

기본 개념:

동적 사이징(Dynamic Sizing)이란 현재 계좌 잔고에 비례하여 포지션 크기를 조절하는 방식입니다. 예를 들어 "계좌의 10%를 리스크로 설정"하면, 계좌가 커질수록 절대 금액도 커지고, 계좌가 줄어들면 절대 금액도 줄어듭니다. 이 방식은 복리 효과를 누릴 수 있다는 장점이 있지만, 동일한 승수와 패수가 있어도 원금으로 돌아오지 않는 비대칭 현상이 발생합니다.

비대칭 현상이 발생하는 이유:

10% 손실 후 원금 복구에는 11.1%의 수익이 필요합니다
20% 손실 후에는 25%, 50% 손실 후에는 100%의 수익이 필요합니다
이것이 복리 환경에서 반복되면 **평균 회귀 편향(Mean Reversion Bias)**과 **손실 촉진 편향(Loss Acceleration Bias)**이 동시에 작용합니다

손실률	원금 복구에 필요한 수익률
10%	11.1%
20%	25.0%
30%	42.9%
50%	100.0%
70%	233.3%
90%	900.0%

수학적 공식:

리턴 비율 = (리워드 비율)^승수 × (리스크 비율)^패수
기하 기댓값 = 리턴 비율^(1/T)

여기서:

리워드 비율 = 1 + (리스크 비율 × R/r 비율의 R 부분), 즉 승리 시 자본 배수
리스크 비율 = 1 - %risk, 즉 패배 시 자본 배수
T = 총 거래 횟수 (승수 + 패수)

예시 계산:

R/r = 2:1, %risk = 10%, 75거래 (37승 38패)
리워드 비율 = 1 + (0.10 × 2) = 1.2
리스크 비율 = 1 - 0.10 = 0.9
리턴 비율 = (1.2)^37 × (0.9)^38 = 0.7156
기하 기댓값 = 0.7156^(1/75) = 0.99554 (< 1)

이 결과의 의미: 선형 기댓값으로는 양의 기댓값을 가진 시스템(승률 49.3%에 R/r 2:1)이, 동적 사이징을 적용하면 매 거래마다 평균 0.045%씩 자본이 감소합니다. 75거래 후 약 28.4%의 자본 손실이 발생하는 것입니다.

실전 주의사항: 이 비대칭 효과는 리스크 비율이 클수록 극적으로 증가합니다. 1~2% 수준의 낮은 리스크에서는 비대칭 효과가 미미하지만, 10% 이상에서는 시스템을 패배 시스템으로 전환시킬 수 있습니다. 암호화폐처럼 변동성이 큰 시장에서 높은 레버리지와 동적 사이징을 결합하면 이 효과가 치명적으로 작용합니다.

2.2 기하 기댓값 대 선형 기댓값 (Geometric vs Linear Expectancy)

자금관리에서 가장 중요한 구분은 **고정 사이징(Fixed Sizing)**과 **동적 사이징(Dynamic Sizing)**에 각각 적용되는 기댓값의 차이를 이해하는 것입니다.

선형 기댓값 (고정 사이징에서 적용):

선형 기댓값 = (R × 승률) - (r × 패률)

고정 사이징에서는 매 거래마다 동일한 금액을 걸기 때문에, 개별 거래의 기댓값을 단순 합산할 수 있습니다. 거래 크기를 늘리면 기댓값도 비례하여 증가합니다.

기하 기댓값 (동적 사이징에서 적용):

기하 기댓값 = (리턴 비율)^(1/T)

동적 사이징에서는 각 거래가 곱셈적으로 연결되므로 기하 평균이 적용됩니다. 산술 평균과 기하 평균은 본질적으로 다르며, 기하 평균은 항상 산술 평균 이하입니다.

두 기댓값의 핵심 차이:

특성	선형 기댓값 (고정 사이징)	기하 기댓값 (동적 사이징)
수학적 구조	덧셈적 (Additive)	곱셈적 (Multiplicative)
거래 크기 증가 효과	기댓값 비례 증가	기댓값 감소 가능
분산의 영향	기댓값에 영향 없음	분산 증가 시 기댓값 감소
파산 가능성	제한적	이론적으로 존재
복리 효과	없음	양방향 (이익·손실 모두)

가장 위험한 함정:

승리하는 시스템을 거래 규모만 증가시켜 패배 시스템으로 전환할 수 있습니다. 선형 기댓값이 양수인 전략이라도 동적 사이징에서 리스크 비율을 과도하게 높이면 기하 기댓값이 1 미만으로 떨어져, 거래할수록 자본이 줄어드는 역설이 발생합니다.

실전 시사점: 백테스트에서 높은 수익률을 보여주는 시스템이 실전에서 실패하는 주요 원인 중 하나가 바로 이것입니다. 백테스트가 선형 기댓값 기반으로 결과를 보여주는 경우, 동적 사이징 환경의 실전과 괴리가 발생합니다. 반드시 기하 기댓값으로 전환하여 검증해야 합니다.

2.3 동적 사이징의 최소 승률 (Minimum Win Rate for Dynamic Sizing)

동적 사이징 환경에서 시스템이 수익을 내려면(기하 기댓값 > 1), 특정 최소 승률을 충족해야 합니다. 이 최소 승률은 R/r 비율과 리스크 비율의 함수입니다.

공식:

W = -L × (ln(리스크 비율) / ln(리워드 비율))
최소 승률 = W / (W + L) × 100%

여기서:

W = 손익분기를 위한 최소 승리 횟수
L = 패배 횟수
ln = 자연로그
리스크 비율 = 1 - %risk (패배 시 남는 자본 비율)
리워드 비율 = 1 + (%risk × R배수) (승리 시 자본 배수)

실제 계산 예시:

케이스 A: R/r = 2:1, %risk = 10%, L = 49

리워드 비율 = 1.2, 리스크 비율 = 0.9
W = -49 × (ln0.9 / ln1.2) = -49 × (-0.1054 / 0.1823) = 28.31승 필요
최소 승률 = 28.31 / (28.31 + 49) × 100% = 36.6%

케이스 B: R/r = 2:1, %risk = 20%, L = 49

리워드 비율 = 1.4, 리스크 비율 = 0.8
W = -49 × (ln0.8 / ln1.4) = -49 × (-0.2231 / 0.3365) = 32.49승 필요
최소 승률 = 32.49 / (32.49 + 49) × 100% = 39.9%

비교 — 선형 기댓값 기준 최소 승률:

R/r = 2:1일 때 선형 기댓값의 손익분기 승률 = 33.3%
케이스 A의 동적 사이징 최소 승률 = 36.6% (+3.3%p)
케이스 B의 동적 사이징 최소 승률 = 39.9% (+6.6%p)

핵심 통찰:

리스크 비율이 증가할수록 동적 사이징에서의 최소 승률이 선형 기준보다 더 크게 높아집니다
이 격차가 바로 비대칭 효과의 "비용"입니다
리스크 비율을 낮게 유지할수록 동적 사이징의 이점을 안전하게 누릴 수 있습니다

실전 팁: 거래당 리스크를 1~~2%로 유지하면 선형 기댓값과 기하 기댓값의 차이가 거의 무시할 수 있는 수준이 됩니다. 이것이 "거래당 1~~2% 리스크" 규칙의 수학적 근거입니다. 암호화폐 시장에서는 변동성을 고려하여 0.5~1% 수준을 권장하는 트레이더도 많습니다.

2.4 기댓값 상자 문제 (Expectancy Box Problem)

문제의 본질:

미리 정해진 고정 출구 기준(Fixed Exit Criteria)으로 수익실현과 손절을 설정하면, 평균 R/r 비율이 사실상 고정됩니다. 예를 들어 "손절 -2%, 익절 +4%"로 고정하면 R/r = 2:1이 됩니다. 이 경우 시스템의 수익성은 전적으로 승률에 의존하게 되며, 승률은 시장이 결정하는 통제 불가능한 변수이므로 위험한 구조가 만들어집니다.

이를 **기댓값 상자(Expectancy Box)**라 부르며, 트레이더가 스스로 설정한 출구 기준에 갇혀 시스템의 유연성을 잃는 현상을 의미합니다.

기댓값 상자의 구조:

고정 R/r 설정 → 최소 승률 결정 → 승률 미달 시 → 손실 시스템
                                  → 승률 달성 시 → 수익 시스템 (하지만 승률은 통제 불가)

해결책:

확률적 출구 메커니즘(Stochastic Exit Mechanisms) 사용
- 트레일링 스톱, ATR 기반 동적 손절, 시간 기반 출구 등을 조합
- R/r 비율이 거래마다 달라지도록 설계
- 일부 거래에서 큰 수익(5R, 10R)을 얻을 수 있는 구조 확보
R/r 비율의 변동성을 의도적으로 높이기
- 고정 익절 대신 트렌드 추종 출구 사용
- 손절은 구조적 레벨(지지/저항, 스윙 포인트)에 배치
- 결과적으로 다양한 출구 시나리오가 만들어져 기댓값 상자에서 벗어남
다중 출구 전략
- 포지션의 일부를 1R에서 청산, 나머지를 트레일링으로 운용
- 기본 수익을 확보하면서 큰 수익 기회도 열어둠

실전 주의사항: 많은 초보 트레이더가 "R/r 3:1 이상만 진입"이라는 규칙을 사용하지만, 이것이 고정 출구와 결합되면 기댓값 상자에 갇히기 쉽습니다. R/r 비율보다 중요한 것은 출구 메커니즘의 유연성입니다.

2.5 비례 사이징 기법 (Proportional Sizing Technique)

비례 사이징은 고정 사이징과 동적 사이징의 장점을 결합한 실용적 기법입니다. 대부분의 일반적인 거래에서는 안정적인 고정 사이징을 적용하되, 비정상적으로 큰 손절이 필요한 거래에서는 비례적으로 포지션 크기를 줄여 리스크를 통제합니다.

구조:

임계값(Threshold) 이하: 고정 로트 사이징 → 안정적이고 일관된 포지션 크기
임계값 초과: 비율 사이징 → 포지션 크기를 자동 축소하여 최대 리스크 제한

설정 단계:

백테스트를 통해 전략의 평균 손절 크기 측정
- 최소 100거래 이상의 샘플에서 손절 크기(핍, %, 달러 등)를 기록
임계값 계산
```
임계값 = 평균 손절 크기 + (2 × 표준편차)
```
- 통계적으로 전체 손절의 약 95%가 이 임계값 아래에 위치합니다
거래 크기 결정
- 임계값 이하: 고정 로트 사이징 (예: 항상 0.5 BTC)
- 임계값 초과: 포지션 크기 = 위험 금액 ÷ 실제 손절 크기
- 이렇게 하면 임계값을 초과하는 큰 손절 거래에서도 최대 리스크가 자동으로 제한됩니다

목표:

전체 손절 크기의 90~95%가 임계값 아래에 위치
대부분의 거래가 1% 미만의 리스크로 실행
비정상적 변동성(뉴스, 급등락) 상황에서도 과도한 손실 방지

예시:

평균 손절 크기: 150달러, 표준편차: 50달러
임계값 = 150 + (2 × 50) = 250달러
계좌 잔고 10,000달러, 리스크 1% = 100달러
손절 크기 200달러(임계값 이하) → 고정 로트 사이징 적용
손절 크기 400달러(임계값 초과) → 포지션 크기 = 100 ÷ 400 = 0.25 로트

2.6 기하선형 자금관리 시스템 (Geolinear Money Management System, GMMS)

GMMS는 고정 사이징(선형)과 동적 사이징(기하)을 계층적으로 결합한 하이브리드 시스템으로, 비대칭 효과를 최소화하면서 복리의 장점을 취하는 접근법입니다.

2단계 구조:

1단계 — 하위 계층 (Lower Tier): 고정 사이징

지정된 거래 수(예: 20~30거래) 동안 모든 거래를 고정 사이징으로 실행
비대칭 효과를 제거하여, 드로다운 기간에도 수익성으로 복귀할 기회를 보존
이 구간에서는 선형 기댓값이 적용되므로 양의 기댓값 시스템은 확실히 수익을 냄

2단계 — 상위 계층 (Upper Tier): 재계산된 고정 사이징

1단계의 지정된 거래 수가 완료되면, 현재 자본 기준으로 거래 크기를 재계산
새로운 고정 사이즈로 다시 1단계를 시작
이 과정에서 **이산적 복리(Discrete Compounding)**가 적용됩니다

GMMS의 장점:

측면	순수 동적 사이징	GMMS
비대칭 효과	매 거래마다 작용	재계산 시점에서만 작용
복리 효과	연속적 (양방향)	이산적 (주로 성장 방향)
드로다운 회복	어려움	상대적으로 용이
실행 복잡도	매 거래 계산 필요	재계산 주기마다만

WCS 원칙 (Worst Case Scenario):

GMMS 설계 시 항상 최악의 시나리오를 가정합니다
1단계 구간 내에서 최대 연속 패배가 발생하더라도 시스템이 존속할 수 있는 고정 사이즈를 설정합니다
예: 20거래 구간에서 최대 연속 10패를 가정하고, 10패 후에도 계좌 잔고의 80% 이상이 유지되도록 포지션 크기를 설정

실전 적용: GMMS의 재계산 주기는 전략의 거래 빈도에 따라 다릅니다. 데이트레이더는 주간 단위로, 스윙트레이더는 월간 단위로 재계산하는 것이 일반적입니다. 재계산 시 자본이 줄어든 경우에도 반드시 포지션 크기를 하향 조정해야 하며, 이것이 "유사 동적" 효과를 통한 리스크 통제의 핵심입니다.

2.7 회복 용이성 문제 (Ease of Recovery Problem)

다중 시간대 거래의 구조적 함정:

여러 시간대(예: 15분봉 + 4시간봉 + 일봉)에서 동시에 거래하는 것은 분산 투자처럼 보이지만, 자금관리 관점에서 심각한 구조적 문제를 야기합니다.

비대칭적 회복 구조: 단기 거래의 손실을 장기 거래의 이익으로 상쇄하려면, 장기 거래가 단기 거래 대비 5배 이상 더 큰 가격 이동을 해야 합니다
빈도 불균형: 단기 손실 발생 빈도 > 장기 이익 발생 빈도 → 손실이 먼저 누적
평균의 함정: 평균 손실률 > 평균 이익률이 되어, 계좌가 점진적으로 감소

이 문제가 발생하는 메커니즘:

15분봉 거래: 하루 5회 거래 가능, 평균 R = 20핍
일봉 거래: 주 1회 거래 가능, 평균 R = 100핍

15분봉에서 3패(각 -1R) → 일봉에서 1승(+1R)으로 상쇄하려면
→ 일봉 수익이 15분봉 손실의 3배여야 하지만
→ 일봉의 R 자체가 15분봉의 5배 → 상쇄 가능해 보임
→ 하지만 일봉 거래 빈도가 훨씬 낮아 타이밍 불일치 발생
→ 결과: 단기 손실이 먼저 누적되어 계좌 잠식

해결책:

단일 시간대 내에서 거래: 하나의 시간대를 선택하고 그 안에서 일관된 사이징을 적용
중위수 방법(Median Method)을 통한 EOR 테스트:
- 각 시간대별 거래 결과의 중위수를 비교
- 손실의 중위수와 이익의 중위수의 비율로 회복 용이성 측정
- EOR(Ease of Recovery) 비율이 1 이상이어야 지속 가능
다중 시간대를 사용하려면:
- 각 시간대별 독립된 자금 풀(Pool)을 배정
- 시간대 간 자금 이동을 금지
- 각 풀의 기하 기댓값을 독립적으로 관리

3. 검증 방법

3.1 비대칭 효과 검증

단계별 검증 프로세스:

동일한 R/r 비율에서 승수와 패수가 같은 거래 시리즈를 생성합니다
리턴 비율을 계산합니다: (1 + %R)^W × (1 - %r)^L
최종 결과가 1보다 작은지 확인합니다 (1 미만 = 자본 손실)
리스크 비율(%)을 점진적으로 높여가며 비대칭 효과의 가속화를 관찰합니다

검증 예시 테이블:

%risk	리워드 비율	리스크 비율	10승 10패 리턴 비율	자본 변화
1%	1.02	0.99	1.001	+0.1%
5%	1.10	0.95	0.983	-1.7%
10%	1.20	0.90	0.928	-7.2%
20%	1.40	0.80	0.742	-25.8%

이 테이블은 R/r = 2:1, 동일한 승패수에서 리스크 비율이 높아질수록 비대칭 효과가 얼마나 극적으로 증가하는지 보여줍니다.

3.2 기하 기댓값 계산 검증

선형 기댓값:

E_linear = (평균수익 × 승률) - (평균손실 × 패률)

기하 기댓값:

E_geometric = (리턴 비율)^(1/총거래수) - 1

검증 방법: 동일한 전략의 백테스트 결과에 대해 두 기댓값을 모두 계산하고, 그 차이를 확인합니다. 차이가 클수록 동적 사이징 시 주의가 필요합니다.

3.3 최소 승률 역산 검증

공식 적용:

Required_Wins = -Losses × (ln(리스크 비율) / ln(리워드 비율))
Min_Win_Rate = Required_Wins / (Required_Wins + Losses) × 100%

검증 포인트:

현재 전략의 실제 승률이 계산된 최소 승률보다 충분히 높은지 확인합니다
안전 마진: 최소 승률 대비 5~10%p 이상의 여유를 확보하는 것을 권장합니다
승률이 최소 승률에 근접하면 리스크 비율을 낮추거나 R/r 비율을 높여야 합니다

4. 흔한 실수와 주의사항

4.1 거래 크기 증가의 맹점

실수: "수익이 나는 전략이니 거래 크기를 키우면 더 많이 벌 수 있다"는 단순한 사고
현실: 동적 사이징에서는 리스크 비율 증가 시 기하 기댓값이 오히려 감소할 수 있으며, 특정 임계점을 넘으면 양의 기댓값이 음으로 전환됩니다
해결: 기하 기댓값 공식으로 최적 리스크 비율을 계산한 후 적용하며, 절대로 최적값의 50%를 초과하지 않는 것이 안전합니다 (켈리 기준의 절반 원칙)

4.2 고정 R/r 비율의 함정

실수: 모든 거래에 동일한 고정 R/r 비율(예: 항상 2:1) 적용
문제: 기댓값 상자에 갇혀 승률이 시스템의 유일한 변수가 됨. 시장 조건 변화에 대응 불가
해결: 확률적 출구 메커니즘 도입, 트레일링 스톱과 구조적 출구의 조합 활용

4.3 다중 시간대 거래의 위험

실수: "분산 투자"라는 명목으로 여러 시간대에서 동시 거래
문제: 단기 거래의 높은 빈도 손실이 장기 거래의 낮은 빈도 이익을 구조적으로 압도
해결: 단일 시간대 집중 거래, 또는 시간대별 독립적 자금 풀 운영 및 EOR 테스트 실시

4.4 복리 효과의 과신

실수: "복리의 마법"만 강조하며 동적 사이징을 무조건 적용
현실: 복리는 이익뿐 아니라 손실에도 양방향으로 작용합니다. 비대칭 효과로 인해 손실 가속화가 이익 가속화보다 빠르게 진행될 수 있습니다
해결: GMMS와 같은 하이브리드 접근법으로 복리의 긍정적 측면만 선택적으로 활용

4.5 백테스트와 실전의 괴리

실수: 백테스트에서 선형 기댓값만 확인하고 실전에 동적 사이징 적용
문제: 백테스트의 선형 수익 곡선과 실전의 기하 수익 곡선 사이에 상당한 차이 발생
해결: 백테스트 시 반드시 동적 사이징 시뮬레이션을 포함하고, 기하 기댓값으로 평가

5. 실전 적용 팁

5.1 시스템 설계 단계

1단계: 백테스트 분석

평균 손절 크기 = Σ(각 거래의 손절 크기) / 총 거래 수
표준편차 = √(Σ(손절 크기 - 평균)² / 총 거래 수)
임계값 = 평균 손절 크기 + (2 × 표준편차)

최소 100거래 이상의 샘플을 확보해야 통계적으로 의미 있는 수치가 나옵니다. 암호화폐 시장의 경우 시장 레짐(강세/약세/횡보)별로 구분하여 분석하면 더 정확합니다.

2단계: 비례 사이징 설정

90~95%의 거래가 임계값 아래에 오도록 조정합니다
임계값 초과 거래는 자동으로 포지션 크기를 축소하여 최대 1% 리스크로 제한합니다
스프레드시트나 자동화 도구로 실시간 계산 환경을 구축하면 실행 오류를 줄일 수 있습니다

3단계: GMMS 적용

고정 사이징으로 20~30거래를 실행합니다 (전략의 거래 빈도에 따라 조정)
해당 구간 완료 후 현재 자본 기준으로 거래 크기를 재계산합니다
재계산 시 자본이 감소한 경우에도 반드시 포지션 크기를 줄여야 합니다

5.2 실시간 모니터링

핵심 모니터링 지표:

지표	측정 주기	경고 기준
기하 기댓값	50거래마다	1.0 이하로 하락 시
실제 승률 vs 최소 승률	주간	최소 승률 + 5%p 미만 시
현재 드로다운	매일	최대 허용 드로다운의 70% 도달 시
평균 손실률 / 평균 이익률	월간	비율 1.0 초과 시
연속 패배 횟수	매 거래	WCS 가정의 70% 도달 시

5.3 위험 관리 프로토콜

일일 체크리스트:

현재 포지션 크기가 계산된 최적 크기와 일치하는가?
총 위험 노출(열린 포지션 전체)이 설정된 한도(일반적으로 총 자본의 5~6%) 내에 있는가?
오늘의 최대 일일 손실 한도를 설정했는가?
드로다운이 허용 한계를 초과하지 않았는가?

월간 리뷰:

기하 기댓값 재계산 및 추세 확인
최소 승률 업데이트 (시장 변동성 변화 반영)
비례 사이징 임계값 재조정 (최근 100거래 기준)
GMMS 재조정 주기 적절성 검토
전체 자금관리 시스템의 실적 대비 기대치 비교

5.4 최적화 전략

동적 조정:

변동성 기반 리스크 조정: ATR이 평소의 1.5배를 초과하면 리스크 비율을 50% 축소
승률 기반 R/r 조정: 최근 50거래 승률이 하락 추세이면 R/r 목표를 높이거나 거래 빈도를 줄임
드로다운 기반 포지션 축소: 최대 드로다운의 50%에 도달하면 포지션 크기를 절반으로 축소하고, 70%에 도달하면 거래를 중단하고 시스템을 재검토

포트폴리오 레벨:

여러 전략을 운용할 경우 전략 간 상관관계를 분석하여, 상관관계가 높은 전략에 동시에 자금을 집중하지 않습니다
전체 포트폴리오의 기하 기댓값을 개별 전략 기하 기댓값의 합이 아닌 결합된 수익 곡선으로 계산합니다
성과가 저조한 전략의 자본 배분을 줄이고, 성과가 우수한 전략에 재배분하되, 이 역시 GMMS의 재계산 주기에 맞춰 실행합니다

5.5 다른 지표/도구와의 조합

ATR(Average True Range): 손절 크기 설정과 비례 사이징의 임계값 계산에 활용합니다. ATR 기반 손절은 시장 변동성에 적응하므로 기댓값 상자 문제를 완화하는 데도 도움이 됩니다.
볼린저 밴드: 변동성 확장/수축 구간을 식별하여 리스크 비율을 동적으로 조정하는 근거로 활용할 수 있습니다.
RSI/스토캐스틱: 과매수/과매도 구간에서의 진입 시 승률이 달라질 수 있으므로, 조건별 기하 기댓값을 별도로 계산하면 더 정밀한 사이징이 가능합니다.

고급 자금관리 시스템의 이해와 적용은 단순한 기술적 분석을 넘어 지속 가능한 거래 성과를 달성하는 핵심 요소입니다. 특히 복리의 힘과 비대칭 효과의 균형을 맞추는 것이 성공적인 트레이딩의 열쇠이며, 이를 위해서는 수학적 원리에 대한 깊은 이해와 함께 GMMS, 비례 사이징, 확률적 출구 메커니즘 같은 실용적 도구의 체계적 적용이 필수적입니다.

비례 사이징 기법

쉽게 배우는 핵심