손실-이익 비대칭: 당신의 자금을 죽이는 수학

왜 50% 손실을 회복하려면 100% 성장이 필요한지, 변동성 드래그가 횡보장에서도 어떻게 자본을 파괴하는지, 리스크 관리 구축을 위해 모든 알고 트레이더가 알아야 할 공식.

직관을 깨뜨리는 퍼즐

상상해 보세요: 어떤 자산이 70% 상승한 뒤 70% 하락했습니다. 또는 반대로 먼저 하락한 뒤 상승했습니다. 어떤 시나리오가 더 유리할까요?

정답: 둘 다 똑같이 불리합니다. 곱셈은 교환법칙이 성립합니다:

$100 \times 1.7 \times 0.3 = 100 \times 0.3 \times 1.7 = 51$

가격의 "제로" 움직임으로 자본의 49%를 잃었습니다. 이것은 버그가 아닙니다 — 수익률의 곱셈적 성질의 근본적인 특성입니다.

왜 손실이 이익보다 "무거운"가

퍼센트 수익률은 곱셈 공간에서의 연산입니다. 50% 손실은 0.5를 곱하는 것이며, 원점으로 돌아가려면 2를 곱해야 합니다 — 즉 100%를 벌어야 합니다.

회복 공식

자본의 $x\%$를 잃었을 때, 초기 잔고로 돌아가기 위한 필요 수익률:

$R_{recovery} = \frac{x}{100 - x} \times 100\%$

유도는 기본적입니다. 초기 자본을 $C$라 합시다. $x\%$ 손실 후:

$C_{after} = C \cdot \left(1 - \frac{x}{100}\right)$

회복하려면 $C_{after} \cdot (1 + R) = C$, 따라서:

$R = \frac{C}{C_{after}} - 1 = \frac{1}{1 - x/100} - 1 = \frac{x}{100 - x}$

비대칭 테이블

비대칭 계수는 비선형적으로 증가합니다. 50% 손실 후에는 전략을 바꾸지 않으면 통계적으로 거의 탈출 불가능한 구역에 진입합니다.

변동성 드래그: 횡보장의 사일런트 킬러

시장이 "가만히 있어도" 변동성 자체가 자본을 파괴합니다. 이 현상을 변동성 드래그(분산 드레인)라고 합니다.

공식적 정의

일일 수익률의 수열 $r_1, r_2, \ldots, r_n$에 대해, 기하(실질) 수익률은:

$G = \prod_{i=1}^{n}(1 + r_i) - 1$

산술(평균) 수익률은:

$\bar{r} = \frac{1}{n}\sum_{i=1}^{n} r_i$

둘의 관계는 근사적으로:

$G \approx \bar{r} - \frac{\sigma^2}{2}$

여기서 $\sigma^2$는 수익률의 분산입니다. 항 $\frac{\sigma^2}{2}$가 변동성 드래그입니다.

예시: 일일 변동성 5%의 횡보장

자산이 매일 동일한 확률로 5% 상승하거나 하락한다고 가정합시다. 산술 평균 = 0%. 하지만 기하 수익률은:

$G \approx 0 - \frac{0.05^2}{2} = -0.125\%$

252 거래일 동안: $(1 - 0.00125)^{252} \approx 0.729$, 즉 "제로" 평균 움직임에서 연간 -27.1%.

일일 변동성이 3-8%인 전형적인 암호화폐 시장에서 이는 방향성 추세 없이 변동성 높은 자산을 보유하는 것만으로도 자본 손실이 보장된다는 것을 의미합니다.

실전 적용: Python 시뮬레이션

import numpy as np

def simulate_volatility_drag(daily_vol: float, days: int = 252, simulations: int = 10_000) -> dict:
    """
    Monte Carlo simulation of volatility drag.

    Args:
        daily_vol: daily volatility (0.05 = 5%)
        days: number of trading days
        simulations: number of simulations

    Returns:
        Statistics of real (geometric) returns
    """
    daily_returns = np.random.normal(0, daily_vol, (simulations, days))

    cumulative = np.prod(1 + daily_returns, axis=1)
    geo_returns = cumulative - 1

    theoretical_drag = -0.5 * daily_vol**2 * days

    return {
        "mean_geometric_return": np.mean(geo_returns),
        "median_geometric_return": np.median(geo_returns),
        "theoretical_drag": theoretical_drag,
        "prob_loss": np.mean(geo_returns < 0),
        "worst_5pct": np.percentile(geo_returns, 5),
        "best_5pct": np.percentile(geo_returns, 95),
    }

result = simulate_volatility_drag(daily_vol=0.04)
print(f"Mean geometric return:  {result['mean_geometric_return']:.2%}")
print(f"Theoretical drag:       {result['theoretical_drag']:.2%}")
print(f"Probability of loss:    {result['prob_loss']:.2%}")
print(f"Worst 5%:               {result['worst_5pct']:.2%}")

BTC 수준 변동성의 전형적인 출력:

Mean geometric return:  -17.34%
Theoretical drag:       -20.16%
Probability of loss:     63.28%
Worst 5%:               -72.41%

알고 트레이딩에 대한 시사점

1. 리스크/리워드와 Kelly 기준

손실 비대칭을 알고 있으면, 최적 포지션 사이즈는 Kelly 기준으로 계산됩니다:

$f^* = \frac{p \cdot W - (1 - p) \cdot L}{W \cdot L}$

여기서 $p$는 승률, $W$는 평균 이익, $L$은 평균 손실(베팅 금액 대비 비율)입니다.

실전 트레이딩에서는 프랙셔널 Kelly($f^{*}/2$ 또는 $f^{*}/3$)를 사용하여 장기 수익의 소폭 감소와 교환으로 자산 변동성을 줄입니다.

2. 최대 드로다운과 포지션 사이징

전략이 최대 드로다운 $D_{max}$를 허용하고 손절이 $S\%$로 설정된 경우, 임계 드로다운까지의 연속 손절 최대 횟수는:

$n = \frac{\ln(1 - D_{max})}{\ln(1 - S)}$

예시: $D_{max} = 20\%$이고 $2\%$ 손절일 때:

$n = \frac{\ln(0.8)}{\ln(0.98)} = \frac{-0.2231}{-0.0202} \approx 11$

전략은 11번의 연속 손절을 견딜 수 있습니다. 승률을 알면 이런 연패의 확률을 추정할 수 있습니다:

$P(n\ \text{손절}) = (1 - WR)^n$

승률 45%일 때: $P = 0.55^{11} \approx 0.14\%$ — 허용 가능한 리스크입니다.

3. 전략의 기하 기대값

전략의 진정한 장기 수익률은 트레이드의 산술 평균이 아니라 기하 기대값입니다:

$E_{geo} = (1 + W)^p \times (1 - L)^{(1-p)} - 1$

$W = 3\%$, $L = 1\%$, $WR = 40\%$인 전략:

$E_{geo} = 1.03^{0.4} \times 0.99^{0.6} - 1 = 1.01194 \times 0.99401 - 1 = +0.59\%$

$W = 3\%$, $L = 3\%$, $WR = 50\%$인 전략 ("손익분기"처럼 보이는):

$E_{geo} = 1.03^{0.5} \times 0.97^{0.5} - 1 = 1.01489 \times 0.98489 - 1 = -0.045\%$

대칭적 R:R에 승률 50%인 전략은 변동성 드래그로 인해 손실입니다.

4. 레버리지: 지렛대가 전략을 부수는 순간

레버리지는 수익뿐만 아니라 변동성 드래그도 증폭합니다. 레버리지 없이 드래그는 $\frac{\sigma^2}{2}$이지만, 레버리지 $L$에서는 $\frac{L^2 \sigma^2}{2}$가 됩니다. 레버리지 하에서 자본의 기하 성장률:

$g(L) = L \cdot \mu - \frac{L^2 \sigma^2}{2}$

여기서 $\mu$는 기대 수익률, $\sigma$는 자산의 변동성입니다.

3배 레버리지는 드래그를 9배 증가시킵니다(3배가 아닙니다). 10배 레버리지 — 100배. 100배 레버리지 — 10,000배.

최적 Kelly 레버리지

$g(L)$의 최댓값은 다음에서 달성됩니다:

$L^* = \frac{\mu}{\sigma^2}$

이것은 이론적 최적값입니다. 실전에서는 포지션 사이징과 같은 이유($\mu$의 부정확한 추정, 팻 테일 분포, 비정상 변동성)로 프랙셔널 Kelly($L^*/2$ 또는 $L^*/3$)를 사용합니다.

테이블: 레버리지, 청산, 변동성 드래그

목표 드로다운으로부터의 최대 레버리지

최대 드로다운을 $D_{max}$로 제한하고, 자산의 일일 VaR이 99% 신뢰 수준에서 $V$일 때:

$L_{max} = \frac{D_{max}}{V}$

테이블의 결론: 암호화폐 시장의 변동성에서는 3배조차 이미 공격적인 레버리지입니다. 암호화폐 거래소에서 인기 있는 50×-125×는 첫 번째 정상적인 시장 움직임에서 수학적으로 보장된 청산입니다.

레버리지 선택의 실전 공식

견고한 접근법은 여러 추정치의 최솟값을 취하는 것입니다:

$L_{opt} = \min\left(\frac{L_{Kelly}}{2},\quad \frac{D_{max}}{VaR},\quad \frac{\sigma_{target}}{\sigma_{current}},\quad L_{exchange}\right)$

여기서:

• $\frac{L_{Kelly}}{2}$ — 프랙셔널 Kelly (최적 레버리지의 절반)
• $\frac{D_{max}}{VaR}$ — 최대 드로다운 제약
• $\frac{\sigma_{target}}{\sigma_{current}}$ — 변동성 타겟팅 (목표 포트폴리오 변동성으로 스케일링)
• $L_{exchange}$ — 거래소 한도

최솟값은 어떤 제약도 위반되지 않도록 보장합니다. 실전에서는 보통 드로다운 제약이 가장 제한적입니다.

인터랙티브 계산기: 최적 레버리지 계산기를 사용해 보세요 — 전략 파라미터를 입력하고 4가지 방법 모두에 걸친 최적 레버리지를 시각화와 함께 확인하세요.

트레이딩 시스템 구축을 위한 결론

손실 관리는 수익성 있는 진입점을 찾는 것보다 수학적으로 더 중요합니다. 이것은 동기부여 슬로건이 아니라 곱셈적 수익률의 비대칭성의 결과입니다.

구체적인 규칙:

1. 손절은 필수. 손실의 매 퍼센트가 회복을 기하급수적으로 어렵게 합니다. 25% 이상의 드로다운(+33% 필요)은 레드존입니다.

2. 최소 R:R = 1:2. 대칭적 R:R에서는 50% 승률조차 손실입니다. 이익에 유리한 비대칭 R:R만이 변동성 드래그를 보상합니다.

3. 사이징에는 프랙셔널 Kelly. 풀 Kelly는 이론적으로 최적이지만, 실전에서 $f^{*}/2$는 자산 변동성의 50%에서 75%의 수익을 달성합니다.

4. 엣지 없는 변동성은 적이다. 변동성 높은 자산의 횡보장에서는 단순히 포지션을 보유하는 것만으로 손실이 발생합니다. 통계적 엣지가 없으면 — 거래하지 마세요.

5. 기하 기대값을 계산하라, 산술이 아닌. 트레이드당 평균 이익을 보여주는 백테스트는 거짓말입니다 — 실질 수익률은 항상 $\frac{\sigma^2}{2}$만큼 낮습니다.

6. 레버리지는 공식에서, 탐욕에서가 아닌. $L_{max} = D_{max} / VaR$ 공식을 사용해 최대 레버리지를 계산하세요. 일일 VaR 8%에 목표 드로다운 20%인 암호화폐의 경우 2.5배 — 50배나 125배가 아닙니다.

결론: 올바르게 계산하라 — 더 오래 살아남으라

수익률의 곱셈적 성질에 대한 이해는 학술적 훈련이 아닙니다. 모든 실행 가능한 트레이딩 시스템이 구축되는 기반입니다.

대부분의 트레이더가 시장에 지는 것은 "직관"이나 내부 정보가 없어서가 아닙니다 — 가산 공간(산술 평균)에서 의사결정을 하는 반면, 시장은 곱셈 공간(기하 평균)에서 작동하기 때문에 집니다.

모든 거래 전에 물어야 할 3가지 질문:

1. 손절이 발동되면 — 회복할 수 있는가? 공식 $R_{recovery} = \frac{x}{100-x}$가 즉시 답을 줍니다. 거래당 리스크가 10%를 초과하면 회복은 불균형적인 노력이 필요하기 시작합니다.

2. 통계적 엣지가 있는가? 없으면 — 거래하지 마세요. 변동성만으로도 변동성 드래그를 통해 손실이 보장됩니다. 변동성 하에서 엣지의 부재는 느리지만 필연적인 자본의 파괴입니다.

3. 전략의 기하 기대값은 무엇인가? 트레이드당 평균 이익도, 승률 퍼센트도 아닌 — 정확히 $E_{geo}$입니다. 이것이 진정한 장기적 효과성을 보여주는 유일한 지표입니다.

알고 트레이딩은 코드 작성이 아닌 수학에서 시작됩니다. 코드는 이미 수학적 검증을 통과한 전략의 구현 도구에 불과합니다. 이 검증 없이는 완벽하게 작성된 알고리즘조차 체계적으로 당신의 자금을 감소시킬 것입니다.

시장은 실수를 벌하지 않습니다 — 단지 올바르게 계산하지 못하는 자에게서 올바르게 계산하는 자에게로 자본을 재분배할 뿐입니다.

다음 주제: 평균-분산 방법을 이용한 포트폴리오 최적화 — 분산 투자가 작동할 때와 안전의 환상이 될 때.

Citation

@article{soloviov2026lossprofitasymmetry,
  author = {Soloviov, Eugen},
  title = {Loss-Profit Asymmetry: The Math That Kills Your Deposit},
  year = {2026},
  url = {https://marketmaker.cc/ko/blog/post/loss-profit-asymmetry},
  version = {0.1.0},
  description = {Why losing 50% requires 100% growth to recover, how volatility drag destroys capital even in sideways markets, and which formulas every algo trader must know for risk management.}
}