스포츠 베팅에 적용하는 켈리 기준(Kelly Criterion)

특히 매력적으로 보이는 베팅 기회를 발견했을 때 얼마를 베팅해야 할까요?

항상 뱅크롤의 1%일까요?

2%일까요?

Edge가 크다면 더 많이 베팅해야 할까요?

이 질문의 중심에 있는 것이 바로 **켈리 기준(Kelly Criterion)**입니다. 켈리 기준은 최적의 Stake 규모를 결정하기 위해 가장 널리 알려진 수학적 방법 중 하나입니다.

모든 베팅에 동일한 Unit을 사용하는 Flat Betting과 달리, 켈리 기준은 주로 두 가지 요소에 따라 Stake를 조정합니다.

현재 이용 가능한 배당률(Odds)

그리고:

베터가 추정한 Edge

이론적으로 자신의 우위가 클수록 더 많은 비율의 뱅크롤을 해당 베팅에 배분할 수 있습니다.

하지만 이 방법에는 근본적인 어려움이 있습니다.

Kelly를 올바르게 사용하려면 충분한 정확도로 다음을 추정할 수 있어야 합니다.

특정 결과가 발생할 실제 확률

그러나 스포츠 베팅에서는 이 확률을 완벽하게 알 수 없습니다.

바로 이 점 때문에 Kelly Criterion은 매우 흥미로운 동시에, 잘못 사용하면 위험한 방법이 될 수 있습니다.

이 시리즈의 이전 글들과 마찬가지로 다음을 기준으로 사용하겠습니다.

초기 뱅크롤: 8,000,000원

1U = 80,000원

즉:

초기 뱅크롤의 1%

Kelly Criterion이란 무엇인가?

Kelly Criterion은 통계적 우위가 있다고 판단될 때 자신의 자본 중 어느 정도를 베팅해야 하는지 결정하는 수학적 방법입니다.

목표는 단순히 다음 한 번의 베팅에서 기대수익을 최대화하는 것이 아닙니다.

목표는:

장기적인 자본의 로그 성장률을 최대화하는 것

입니다.

즉, Kelly는 다음 두 요소 사이에서 균형을 찾으려고 합니다.

Edge를 충분히 활용하는 것

그리고:

과도한 자본을 위험에 노출하지 않는 것

추정 Edge가 작다면 Kelly는 작은 Stake를 권장합니다.

추정 Edge가 크다면 더 큰 Stake를 권장할 수 있습니다.

그리고 긍정적인 Edge가 없다면:

Kelly는 베팅하지 않는 것을 권장합니다.

Kelly Criterion은 어디에서 시작되었는가?

켈리 기준은 Bell Labs의 연구원이었던 **John L. Kelly Jr.**의 이름에서 유래했습니다.

1956년 그는 A New Interpretation of Information Rate라는 논문을 발표했습니다.

그의 연구는 원래 스포츠 베팅을 위한 것이 아니었습니다.

불확실성이 존재하는 반복적인 상황에서 자본을 최적으로 성장시키는 방법에 관한 것이었습니다.

이후 이 개념은 다양한 분야에 적용되었습니다.

• 도박
• 베팅
• 투자
• 포트폴리오 관리

오늘날 Kelly Criterion은 특히 퀀트 분석 분야와 Stake를 Edge에 수학적으로 연결하려는 베터들 사이에서 잘 알려져 있습니다.

Kelly 공식은 무엇인가?

단일 베팅에 적용되는 기본 공식은 다음과 같습니다.

f = (bp - q) / b*

여기서:

f* = 베팅해야 할 뱅크롤의 비율

b = 소수 배당률에서 1을 뺀 순이익 배수

p = 추정 승리 확률

q = 패배 확률, 즉 1 - p

예를 들어 보겠습니다.

어떤 팀의 승리 확률을:

55%

라고 추정합니다.

이용 가능한 배당률은:

2.00

입니다.

따라서:

b = 2.00 - 1 = 1

p = 0.55

q = 0.45

공식은:

f = (1 × 0.55 - 0.45) / 1*

따라서:

f = 0.10*

Kelly는 이론적으로:

뱅크롤의 10%

를 베팅하도록 제시합니다.

뱅크롤이 8,000,000원이라면:

Kelly Stake = 800,000원

입니다.

이는 우리가 일반적으로 사용하는 기준인:

1U = 80,000원

보다 훨씬 큰 금액입니다.

왜 이 예시에서 Kelly는 10%를 제시하는가?

55%라는 확률 추정이 정확하다면 배당률 2.00은 상당한 우위를 의미하기 때문입니다.

배당률 2.00의 단순 내재확률은:

50%

입니다.

자신의 추정 확률은:

55%

입니다.

따라서 시장 대비 5%포인트의 우위가 있다고 판단하는 것입니다.

이 베팅의 Expected Value는:

(0.55 × 2.00) - 1 = +0.10

즉:

EV +10%

입니다.

이 추정이 실제로 정확하고 반복 가능하다면 Kelly는 이 우위가 비교적 높은 자본 노출을 정당화한다고 봅니다.

그러나 핵심은 다음 조건입니다.

이 추정이 실제로 정확하다면

입니다.

Kelly Criterion은 확률 추정에 전적으로 의존한다

Kelly는 실제 승리 확률을 알고 있지 않습니다.

Kelly가 사용하는 것은 사용자가 입력한 확률입니다.

이것은 Kelly Criterion을 이해할 때 가장 중요한 부분 중 하나입니다.

계속해서 배당률:

2.00

을 사용해 보겠습니다.

승리 확률을 55%로 추정한다면

Full Kelly:

10%

실제 확률이 53%라면

Kelly:

6%

51%라면

Kelly:

2%

50%라면

Kelly:

0%

49%라면

Kelly 값은 마이너스가 됩니다.

즉:

베팅하지 않습니다.

확률 추정이 몇 %포인트만 달라져도 권장 Stake는 완전히 달라질 수 있습니다.

추정 오류는 Kelly의 가장 큰 위험이다

모델이:

55%

라고 추정하고 Full Kelly를 적용한다고 가정해 보겠습니다.

따라서:

뱅크롤의 10%

를 베팅합니다.

8,000,000원의 뱅크롤이라면:

800,000원

입니다.

하지만 모델이 베팅의 가치를 약간 과대평가했고 실제 확률이:

51%

라고 가정해 보겠습니다.

이 확률에 적합한 이론적 Kelly Stake는:

2%

에 불과합니다.

즉, 실제 확률을 기준으로 Kelly가 제시했을 금액보다 5배나 많이 베팅한 것입니다.

실제 확률이:

49%

라면 긍정적인 Edge 자체가 존재하지 않습니다.

실제로 Expected Value가 마이너스인 베팅에 뱅크롤의 10%를 투입한 것입니다.

따라서 Kelly를 마법의 공식처럼 생각해서는 안 됩니다.

결과의 품질은 입력 데이터의 품질에 직접적으로 의존합니다.

Kelly는 Edge를 만들어내지 않는다

이 구분은 매우 중요합니다.

Kelly Criterion은 Value Bet을 찾아주는 방법이 아닙니다.

이벤트의 실제 확률을 결정해 주지도 않습니다.

Kelly가 답하는 질문은 다음과 같습니다.

“내 확률 추정이 정확하다면, 이론적으로 뱅크롤의 몇 %를 베팅해야 하는가?”

따라서 Kelly를 사용하기 전에 Edge가 먼저 존재해야 합니다.

좋지 않은 전략에 훌륭한 Stake Sizing을 적용한다고 해서 좋은 전략이 되는 것은 아닙니다.

Kelly는 기존의 우위를 어떻게 활용할 것인지 최적화할 수 있습니다.

하지만 우위 자체를 만들어낼 수는 없습니다.

8,000,000원 뱅크롤을 이용한 예시

배당률:

2.00

에서 서로 다른 추정 확률을 적용해 보겠습니다.

이 표는 Kelly의 중요한 특징을 보여줍니다.

추정 Edge가 증가할수록 Stake도 빠르게 증가합니다.

하지만 동시에 Edge를 과대평가하면 Stake 역시 지나치게 커질 수 있습니다.

Kelly와 Flat Betting: 서로 다른 두 가지 철학

Flat Betting에서는 일반적으로 모든 선택에 동일한 Unit을 사용합니다.

예를 들어:

1U = 80,000원

입니다.

추정 Edge가 작든 크든 Stake는 동일합니다.

Kelly는 다르게 작동합니다.

추정된 우위에 따라 각 베팅의 Stake를 조정합니다.

Flat Betting

장점:

• 단순함
• 투명함
• 관리하기 쉬움
• Stake Sizing 오류를 줄이기 쉬움
• 성과 비교가 쉬움
• Edge 추정 오류의 영향을 줄일 수 있음

단점:

• 추정 Edge의 크기에 따라 베팅 기회를 구분하지 않음

Kelly Criterion

장점:

• Edge에 따라 Stake를 조정
• 자본 성장에 대한 수학적 논리 제공
• Edge가 작으면 Stake 감소
• Edge가 0이거나 마이너스면 베팅하지 않음

주요 단점:

• 추정 확률의 정확도에 크게 의존함

따라서 두 방식은 서로 다른 목적과 철학을 가지고 있습니다.

Full Kelly는 왜 매우 공격적일 수 있는가?

Full Kelly는 공식이 제시하는 비율을 그대로 적용하는 방법입니다.

Kelly가:

8%

를 제시한다면:

뱅크롤의 8%

를 베팅합니다.

Kelly가:

12%

를 제시한다면:

12%

를 베팅합니다.

사용하는 확률을 완벽하게 알고 있다면 수학적으로 합리적인 접근일 수 있습니다.

하지만 스포츠 베팅에서는 그런 경우가 거의 없습니다.

Stake가:

10%

라면 몇 번의 좋지 않은 결과만으로도 뱅크롤에 큰 변동이 발생할 수 있습니다.

실제 긍정적인 Edge가 존재하더라도 Volatility는 심리적으로나 재정적으로 감당하기 어려울 수 있습니다.

Half Kelly란 무엇인가?

한 가지 해결책은 Kelly가 계산한 Stake의 일부만 사용하는 것입니다.

Half Kelly는:

Full Kelly의 50%

를 베팅합니다.

Full Kelly가:

10%

라면 Half Kelly는:

5%

입니다.

8,000,000원의 뱅크롤이라면:

Full Kelly:

800,000원

Half Kelly:

400,000원

입니다.

목표는 Kelly의 논리를 일정 부분 유지하면서 다음을 줄이는 것입니다.

• Volatility
• Drawdown
• 추정 오류의 영향
• Risk of Ruin

Quarter Kelly란 무엇인가?

Quarter Kelly는:

Full Kelly Stake의 25%

를 사용합니다.

Full Kelly가:

10%

라면 Quarter Kelly는:

2.5%

입니다.

8,000,000원의 뱅크롤에서는:

200,000원

입니다.

비교하면 다음과 같습니다.

Fractional Kelly를 사용하면 전체 자본 노출을 상당히 줄일 수 있습니다.

왜 Fractional Kelly를 사용하는가?

가장 큰 이유는:

불확실성

입니다.

실제 확률을 완벽하게 알고 있는 이론적인 상황에서는 Full Kelly가 매우 흥미로운 수학적 특성을 가집니다.

하지만 스포츠 베팅에서는:

p는 추정값입니다.

그리고 그 추정은 틀릴 수 있습니다.

Kelly의 일부만 사용하면 일종의 안전 마진을 만들 수 있습니다.

Edge에 대한 불확실성이 클수록 더 보수적인 Kelly 비율을 사용하는 것이 합리적일 수 있습니다.

Kelly는 Overconfidence에 매우 민감하다

Overconfidence, 즉 과도한 자신감은 중요한 위험 요소입니다.

예를 들어 모델이 지속적으로 다음과 같은 확률을 제시한다고 가정해 보겠습니다.

57%

61%

64%

하지만 모델의 Calibration이 좋지 않다면 이러한 확률은 실제보다 높게 평가된 것일 수 있습니다.

60%라고 예측한 이벤트가 실제로는 54%의 빈도로만 발생할 수도 있습니다.

차이가 작아 보일 수 있습니다.

하지만 Kelly에서는 큰 차이가 될 수 있습니다.

따라서 단순히:

“내 모델이 승자를 잘 찾는가?”

만을 질문해서는 안 됩니다.

다음 질문도 필요합니다.

“내 모델이 생성하는 확률은 올바르게 Calibration되어 있는가?”

확률 Calibration이 중요하다

잘 Calibration된 모델이란 간단히 말해:

약:

60%

의 확률을 부여한 이벤트들이 충분히 큰 Sample Size에서 실제로도:

약 60%의 빈도로 발생하는 것

을 의미합니다.

같은 논리는:

55%

70%

80%

등에도 적용됩니다.

Kelly를 진지하게 사용하려면 단순한 순위나 시그널만으로는 충분하지 않습니다.

이상적으로는:

충분히 신뢰할 수 있고 Calibration된 확률

이 필요합니다.

이는 훨씬 더 높은 수준의 요구사항입니다.

북메이커의 내재확률을 Kelly에 사용할 수 있는가?

Edge를 만들어내기 위해 그대로 사용할 수는 없습니다.

배당률은 시장의 내재확률을 나타내지만 일반적으로 마진이 포함되어 있습니다.

예를 들어:

배당률 2.00

은 수학적으로:

50%

에 해당합니다.

하지만 Kelly에서:

p = 50%

배당률:

2.00

을 사용하면 Kelly는:

0%

를 제시합니다.

논리적인 결과입니다.

어떠한 우위도 발견하지 못했기 때문입니다.

Kelly를 사용하려면 이용 가능한 배당률의 손익분기 확률보다 충분히 높은 독자적인 확률 추정이 필요합니다.

북메이커의 마진도 고려해야 한다

여러 결과가 존재하는 시장에서는 각 배당률의 단순 내재확률을 모두 합하면 일반적으로 100%를 초과합니다.

이 차이가:

Overround

즉, 북메이커의 이론적 마진입니다.

자신의 모델과 시장을 비교하기 전에 마진을 제거한 시장 확률을 계산하는 것이 유용할 수 있습니다.

이를 통해 시장이 평가하는 확률을 보다 정확하게 표현할 수 있습니다.

그러나 마진을 제거한 후에도:

시장 확률이 자동으로 실제 확률이 되는 것은 아닙니다.

여전히 하나의 Benchmark입니다.

Kelly 접근법에서 Pinnacle은 어떤 역할을 할 수 있는가?

정량적 접근에서는 낮은 마진과 높은 시장 노출을 가진 북메이커의 배당률이 특히 유용한 Benchmark가 될 수 있습니다.

Opening Odds는 시장의 초기 상태를 관찰할 수 있게 해줍니다.

Closing Odds는 훨씬 더 많은 정보와 베팅이 시장에 반영된 이후의 가격을 보여줍니다.

Closing Odd가 완벽한 확률을 의미하는 것은 아닙니다.

하지만 다음을 분석하는 데 매우 유용한 비교 기준이 될 수 있습니다.

• 진입 시점의 가격
• CLV
• 확률 추정의 품질
• 전략의 Value 식별 능력

CLV와 Kelly는 서로 보완적일 수 있는가?

개념적으로는 그렇습니다.

Kelly는 추정 Edge를 이용해 Stake를 결정합니다.

CLV는 이후 확보한 가격의 품질에 대한 추가 정보를 제공할 수 있습니다.

예를 들어 모델이 큰 Edge를 감지해 지속적으로 높은 Stake를 권장한다고 가정해 보겠습니다.

그런데 이러한 선택들이 지속적으로 마이너스 CLV를 기록한다면 중요한 신호일 수 있습니다.

모델이 Edge를 지나치게 공격적으로 추정하고 있을 가능성이 있습니다.

반대로 지속적으로 플러스 CLV를 기록한다면 프로세스의 품질을 더 깊게 분석해 볼 가치가 있습니다.

CLV만으로 정확한 확률 추정이 맞다는 것을 증명할 수는 없습니다.

하지만 보완적인 지표로 활용할 수 있습니다.

Kelly와 Sample Size

어떤 전략이:

60번의 베팅 후 ROI +15%

를 기록했다고 가정해 보겠습니다.

이 결과만으로 충분히 큰 Edge가 존재하며 공격적인 Kelly를 사용할 수 있다고 판단할 수 있을까요?

그렇지 않습니다.

Sample Size가 너무 작아 Edge의 정확한 크기에 대해 강한 결론을 내리기 어렵습니다.

Kelly에서는 이 문제가 특히 중요합니다.

왜일까요?

Stake가 추정 Edge에 직접적으로 의존하기 때문입니다.

작은 Sample Size를 바탕으로 Edge를 과대평가하면 Stake도 과대평가할 가능성이 있습니다.

따라서 통계적 불확실성을 분석에 포함해야 합니다.

Kelly와 Variance

Kelly는 Variance를 제거하지 않습니다.

계산이 완벽하더라도 연속적인 패배는 발생할 수 있습니다.

모델이 Value Bet을 올바르게 찾아내고 있다고 해서:

다음 베팅이 반드시 승리한다

는 의미는 아닙니다.

Kelly는 장기적인 자본 성장을 최적화하려는 방법입니다.

단기적인 결과를 일정하게 만드는 방법이 아닙니다.

이 차이는 매우 중요합니다.

Kelly와 Drawdown

Stake가 커질수록 뱅크롤의 변동도 커질 수 있습니다.

따라서 Full Kelly는 감당하기 어려운 Drawdown을 만들 수 있습니다.

전략이 이론적으로 여전히 유효하더라도:

-20%

-30%

또는:

-40%

의 Drawdown을 경험하면 베터가 전략을 중단할 수 있습니다.

따라서:

수학적 최적성

과:

실제 위험 감수 수준

에는 차이가 있습니다.

심리적으로 지속할 수 없는 전략이 반드시 사용자에게 적합한 전략은 아닙니다.

Kelly와 Risk of Ruin

Kelly Criterion은 Risk of Ruin 관리와 직접적인 관련이 있습니다.

확률을 완벽하게 알고 있고 적절한 이론적 가정이 성립한다면 Kelly는 Overbetting을 피하면서 장기적인 로그 성장을 최대화하는 것을 목표로 합니다.

하지만 실제 환경에서 핵심적인 문제는 여전히:

추정 오류

입니다.

Edge가 10%라고 생각하지만 실제로는 2%라면 Stake가 지나치게 클 수 있습니다.

실제 Edge가 마이너스라면 잘못된 추정에 기반한 Kelly는 뱅크롤을 보호하는 대신 손실을 가속할 수 있습니다.

Overbetting의 위험

Overbetting은 자신의 실제 우위가 정당화하는 수준보다 더 많은 금액을 베팅하는 것을 의미합니다.

이는 Bankroll Management의 주요 위험 중 하나입니다.

예를 들어 실제로 적절한 Kelly가:

2%

인데:

8%

를 베팅한다고 가정해 보겠습니다.

실제 Edge가 정당화하는 것보다 4배 많은 자본을 투입하고 있는 것입니다.

장기적으로 수익성이 있는 전략이라도 이는 자본 성장 구조를 크게 악화시키고 Volatility를 높일 수 있습니다.

Edge가 존재한다고 해서 모든 Stake가 정당화되는 것은 아닙니다.

Underbetting: 너무 적게 베팅할 수도 있는가?

이론적 자본 성장의 최대화라는 관점에서는 그렇습니다.

실제 최적 Kelly가:

5%

인데:

0.5%

만 베팅한다면 우위의 일부만 활용하는 것입니다.

Risk of Ruin과 Volatility는 낮아지지만 잠재적인 자본 성장도 느려집니다.

이것이 기본적인 Trade-off입니다.

성장과 위험

실제로는 안정성과 자본 보호를 더 중요하게 생각한다면 의도적으로 Underbetting을 선택할 수도 있습니다.

Kelly를 초과해 베팅하는 것이 특히 위험한 이유

Kelly보다 적게 베팅하는 것과 Kelly보다 많이 베팅하는 것에는 중요한 차이가 있습니다.

Kelly보다 적게 베팅하면 일반적으로 이론적인 성장률이 낮아지지만 Volatility도 감소합니다.

Kelly보다 많이 베팅하면 위험이 증가합니다.

최적 Kelly를 크게 초과할수록 Risk-Return Profile은 악화됩니다.

따라서 Kelly Criterion은:

어느 수준부터 Stake가 지나치게 공격적인지

이해하는 기준으로도 활용할 수 있습니다.

Kelly는 매 베팅 후 다시 계산해야 하는가?

동적인 Kelly에서는 현재 뱅크롤을 사용합니다.

예를 들어:

초기 뱅크롤: 8,000,000원

Kelly:

2%

Stake:

160,000원

이후 뱅크롤이:

8,800,000원

으로 증가하면 2%는:

176,000원

입니다.

뱅크롤이:

6,400,000원

으로 감소하면 2%는:

128,000원

입니다.

따라서 Stake 규모는 자본의 변화에 따라 달라집니다.

이를 통해:

뱅크롤이 성장하면 Stake를 점진적으로 늘리고

반대로:

뱅크롤이 감소하면 Stake를 줄일 수 있습니다.

Kelly는 비례형 Stake 방식이다

고정 금액을 사용하는 엄격한 Flat Betting과 달리 Kelly는 자연스럽게 비례형 Stake 방식으로 작동합니다.

Stake는:

현재 뱅크롤

그리고:

추정 Edge

에 따라 달라집니다.

따라서 두 가지 변수가 베팅 금액을 변화시킬 수 있습니다.

이러한 유연성은 장점입니다.

하지만 동시에 방법을 더 복잡하게 만듭니다.

여러 베팅이 동시에 존재하면 어떻게 되는가?

Simple Kelly는 하나의 독립적인 베팅만 고려할 때 이해하기 쉽습니다.

하지만 여러 베팅이 동시에 존재하면 상황은 더 복잡해집니다.

모델이 다섯 개의 기회를 찾아 각각:

4%

3%

5%

2%

4%

를 권장한다고 가정해 보겠습니다.

각 Stake를 독립적으로 적용하면 총 노출은:

뱅크롤의 18%

에 달할 수 있습니다.

그리고 베팅들이 서로 Correlation을 가진다면 실제 위험은 더 커질 수 있습니다.

이 경우 포트폴리오 수준의 리스크 관리가 필요합니다.

Correlation은 Kelly에서 중요한 문제다

두 베팅이 반드시 독립적인 것은 아닙니다.

여러 선택이 다음과 연관되어 있을 수 있습니다.

• 같은 경기
• 같은 팀
• 같은 리그
• 같은 시장 환경
• 같은 통계 모델

이러한 베팅들의 Correlation이 높다면 각각을 완전히 독립적인 기회로 취급하는 것은 과도한 노출로 이어질 수 있습니다.

전체 포트폴리오에 Kelly를 적용하는 것은 각 베팅에 Simple Kelly를 적용하는 것보다 수학적으로 더 복잡합니다.

최대 Stake를 설정해야 하는가?

실제 운용에서는 상한선을 설정할 수 있습니다.

예를 들어:

최대 Stake = 2%

또는:

최대 Stake = 3%

로 제한하고 Kelly 계산 결과가 그 이상이더라도 상한선을 적용할 수 있습니다.

왜일까요?

이러한 제한은 다음 위험으로부터 보호하는 데 도움이 될 수 있습니다.

• 모델 오류
• 잘못된 Probability Calibration
• 잘못된 데이터
• 예외적인 이벤트
• 발견되지 않은 Correlation
• Overconfidence

Stake Cap은 추가적인 리스크 관리 장치로 기능합니다.

Stake Cap을 적용한 Kelly 예시

뱅크롤이:

8,000,000원

이고 최대 Stake가:

2%

즉:

160,000원

이라고 가정해 보겠습니다.

모델의 권장값은 다음과 같습니다.

작은 Edge에서는 Kelly의 논리를 유지하면서도 공격적인 추정이 지나치게 큰 Stake로 이어지는 것을 방지할 수 있습니다.

Kelly와 Units를 함께 사용할 수 있는가?

가능합니다.

두 개념은 서로 호환됩니다.

만약:

1U = 뱅크롤의 1%

라면 Kelly 권장값은:

0.5% = 0.5U

1% = 1U

1.5% = 1.5U

2% = 2U

등으로 표현할 수 있습니다.

이를 통해 Stake를 Edge에 따라 조정하면서 결과를 Units로 계속 분석할 수 있습니다.

다만 실제 결과에는:

선택의 품질

뿐만 아니라:

Stake Sizing의 품질

도 영향을 미친다는 점을 이해해야 합니다.

Flat Stakes Summary (1U)가 여전히 중요한 이유

Kelly를 사용하는 전략이 매우 좋은 실제 성과를 기록했다고 가정해 보겠습니다.

그렇다면 이 성과의 원인은 무엇일까요?

선택 자체가 정말 좋았을까요?

아니면 관찰된 Sample에서 승리한 베팅에 더 높은 Stake를 배정한 것이 주요 원인이었을까요?

**Flat Stakes Summary (1U)**는:

모든 선택에 1U를 베팅했다고 가정하여

결과를 다시 계산합니다.

이를 통해 선택 자체의 품질을 보다 명확하게 분석할 수 있습니다.

따라서:

Kelly를 적용한 실제 결과

와:

Flat Stakes Summary (1U)

를 비교하면 매우 유용한 정보를 얻을 수 있습니다.

Kelly가 나쁜 전략을 가려서는 안 된다

예를 들어:

가변 Stake 실제 성과: +25U

하지만:

Flat Stakes Summary (1U): -4U

라면 더 깊은 분석이 필요합니다.

긍정적인 결과가 Stake Sizing에 크게 의존했을 수 있습니다.

반대로:

실제 성과: +30U

그리고:

Flat Stakes Summary (1U): +24U

라면 선택 자체의 품질도 결과에 크게 기여했을 가능성이 있습니다.

따라서 다음을 구분하는 것이 중요합니다.

Selection Edge

그리고:

Sizing Edge

확률 모델 없이 Kelly를 사용할 수 있는가?

엄밀하게 적용하기는 어렵습니다.

Kelly 계산에는:

p

즉, 이벤트의 실제 확률에 대한 추정값이 필요합니다.

단순히:

“이 베팅이 정말 마음에 든다”

또는:

“오늘 가장 자신 있는 베팅이다”

라고 말하는 것은 수학적으로 사용할 수 있는 확률을 제공하지 않습니다.

따라서 진지한 Kelly 접근법에는 이상적으로 다음이 필요합니다.

• 확률 모델
• 과거 데이터
• 재현 가능한 방법론
• Probability Calibration
• 충분한 Sample Size를 이용한 검증

Kelly는 정량적 접근법에 특히 적합하다

Kelly Criterion은 전략이 각 기회에 대해 확률 추정치를 생성할 수 있을 때 특히 의미가 있습니다.

예를 들어:

모델 확률: 54%

마진 조정 시장 확률: 50%

추정 Edge: Positive

계산된 Kelly: X%

이런 방식으로 프로세스를 체계화할 수 있습니다.

확률이 주로 주관적인 판단에 의존한다면 Kelly를 수학적으로 정당화하기가 훨씬 어려워집니다.

Strategy Builder와 Edge의 논리

데이터 기반 접근법의 목적은 잠재적으로 재현 가능한 특성을 가진 과거 상황을 식별하는 것입니다.

전략은 특히 다음 지표를 통해 분석할 수 있습니다.

• ROI
• Sample Size
• Drawdown
• Odds
• CLV
• 일관성
• 서로 다른 기간에서의 성과

이러한 요소들은 잠재적 Edge의 Robustness를 분석하는 데 도움이 됩니다.

하지만 과거에 좋은 성과를 보인 전략이라도 다음 한 번의 베팅에 대한 정확한 확률을 확실하게 알려주지는 않습니다.

따라서 Stake Sizing에는 항상 불확실성이 반영되어야 합니다.

Kelly와 과거 데이터: Overfitting에 주의

모델이 과거 데이터에서는 매우 좋은 성과를 기록하지만 새로운 데이터에서는 실패할 수 있습니다.

이것이 Overfitting 문제입니다.

시스템이 과거 데이터에 지나치게 최적화되어 있다면 자신의 Edge를 실제보다 크게 추정할 수 있습니다.

그 상태에서 공격적인 Kelly를 사용하면 문제가 더욱 커집니다.

즉:

과대평가된 Edge

와:

과도한 Stake

를 결합하게 됩니다.

이는 특히 위험할 수 있습니다.

Backtest와 Kelly: 신중하게 사용해야 하는 조합

훌륭한 Backtest가 미래에도 동일한 성과를 보장하지는 않습니다.

특히 다음 요소를 확인해야 합니다.

• Sample Size
• 결과의 안정성
• 서로 다른 기간
• 서로 다른 시장
• 데이터 품질
• Overfitting 위험
• Maximum Drawdown
• 가능한 경우 CLV

지나치게 낙관적인 Backtest를 기반으로 계산한 Kelly는 상당한 Overbetting으로 이어질 수 있습니다.

Kelly를 신중하게 사용하는 방법

신중한 Kelly 운용에는 여러 단계의 안전장치를 적용할 수 있습니다.

예를 들어:

1. Edge를 추정합니다.
2. 모델의 품질과 Calibration을 확인합니다.
3. Full Kelly를 계산합니다.
4. Kelly의 일부만 사용합니다.
5. 필요하면 Stake Cap을 적용합니다.
6. 전체 노출을 관리합니다.
7. Correlation을 고려합니다.
8. 확률을 정기적으로 재평가합니다.
9. Flat Stakes Summary (1U)와 비교합니다.
10. CLV와 Drawdown을 모니터링합니다.

목표는 단 하나의 지나치게 낙관적인 추정 때문에 뱅크롤의 큰 부분이 위험에 노출되는 것을 방지하는 것입니다.

보수적인 Kelly 접근법의 예시

다음을 가정해 보겠습니다.

Bankroll: 8,000,000원

모델의 추정 확률:

55%

배당률:

2.00

Full Kelly:

10%

즉:

800,000원

입니다.

하지만:

Quarter Kelly

를 사용하기로 결정합니다.

Stake는:

2.5%

즉:

200,000원

이 됩니다.

여기에:

Stake Cap = 2%

를 적용합니다.

최종 Stake는:

160,000원

이 됩니다.

즉, 이론적 권장 금액인:

800,000원

을 실제 노출:

160,000원

으로 줄인 것입니다.

추정 Edge를 활용하면서 훨씬 더 큰 안전 마진을 확보한 것입니다.

수학적으로 최적인 Kelly가 모든 베터에게 적합한 것은 아니다

수학적 최적성은 문제의 한 가지 측면일 뿐입니다.

베터는 다음 요소들도 고려해야 합니다.

• Drawdown에 대한 자신의 허용 수준
• 투자 기간
• 모델의 신뢰성
• Edge에 대한 확신 수준
• 전략의 Variance
• 동시 베팅 수
• Correlation
• Liquidity 제약

따라서 이론적으로 최적인 공식이 모든 사용자에게 가장 적합한 실전 설정을 의미하는 것은 아닙니다.

Kelly를 사용하기 전에 분석해야 할 지표

Kelly Criterion을 본격적으로 사용하기 전에는 다음을 분석하는 것이 중요합니다.

Sample Size

ROI

CLV

Maximum Drawdown

Variance

평균 Odds

Hit Rate

Liquidity

Flat Stakes Summary (1U)

Probability Calibration

Correlation

동시 노출

시간에 따른 모델의 안정성

이러한 요소들에 대한 불확실성이 클수록 보수적인 접근법을 사용할 근거도 커질 수 있습니다.

Kelly Criterion에서 피해야 할 실수

Kelly를 위험하게 만들 수 있는 주요 실수는 다음과 같습니다.

1. Edge를 과대평가하는 것
2. Calibration되지 않은 주관적 확률을 사용하는 것
3. 불확실성을 고려하지 않고 Full Kelly를 적용하는 것
4. Variance를 무시하는 것
5. Maximum Drawdown을 무시하는 것
6. 베팅 간 Correlation을 무시하는 것
7. 여러 Kelly Stake를 동시에 누적하는 것
8. Overfitting된 Backtest를 사용하는 것
9. 감정에 따라 확률을 변경하는 것
10. 과거 성과와 미래 확률을 혼동하는 것
11. 노출 한도를 설정하지 않는 것
12. Kelly가 Edge를 만들어낸다고 생각하는 것

Flat Betting과 Kelly, 무엇을 선택해야 하는가?

모든 상황에 적용되는 하나의 답은 없습니다.

Flat Betting은 다음을 우선시합니다.

단순함

투명성

비교 가능성

그리고:

추정 오류와 관련된 위험 관리

Kelly는 다음을 우선시합니다.

추정 Edge에 따른 Stake 조정

그리고:

이론적인 자본 성장의 최적화

하지만 훨씬 높은 수준의 정확성이 필요합니다.

확률을 충분히 정확하게 추정할 수 없는 경우:

Flat Betting이 더 Robust한 방법일 수 있습니다.

반대로 충분히 신뢰할 수 있고 Calibration된 확률을 가진 정량적 접근법이라면:

Kelly는 매우 유용한 Stake Sizing 도구가 될 수 있습니다.

결론

Kelly Criterion은 다음 요소들을 수학적으로 연결하는 가장 흥미로운 방법 중 하나입니다.

Edge

Odds

Bankroll

그리고:

Stake

원리는 명확합니다.

추정된 우위가 클수록 이론적으로 더 많은 자본을 배분할 수 있습니다.

Edge가 사라진다면:

Stake도 사라져야 합니다.

하지만 Kelly의 강점은 동시에 가장 큰 약점이기도 합니다.

공식은 직접적으로:

확률 추정의 품질

에 의존합니다.

확률 추정이 정확하다면 Kelly는 자본 성장을 최적화하는 매우 흥미로운 프레임워크를 제공할 수 있습니다.

하지만 Edge를 과대평가하면 Stake도 과도하게 커질 수 있습니다.

따라서 실제 스포츠 베팅에서는:

Half Kelly

Quarter Kelly

또는:

Kelly + Stake Cap

과 같은 접근법을 통해 추가적인 안전 마진을 설정할 수 있습니다.

이번 시리즈의 기준인:

Bankroll: 8,000,000원

그리고:

1U = 80,000원 = 1%

에서도 Kelly를 단순히:

“자신 있는 베팅에 더 많이 거는 방법”

으로 이해해서는 안 됩니다.

Kelly는 엄격한 확률 추정을 요구하는 수학적 Stake Sizing 방법입니다.

따라서 핵심적인 질문은:

“이 베팅에 얼마나 자신 있는가?”

가 아닙니다.

진짜 중요한 질문은:

“실제 확률에 대한 나의 최선의 추정치는 얼마이며, 그 추정에는 어느 정도의 불확실성이 존재하고, 그 Edge를 기준으로 뱅크롤의 어느 정도를 위험에 노출하는 것이 합리적으로 정당화되는가?”

입니다.

이 차이가 바로 Kelly를 정량적으로 사용하는 것과 단순히 주관적으로 Stake를 변경하는 것의 차이입니다.

FAQ: Kelly Criterion과 스포츠 베팅

Kelly Criterion이란 무엇인가요?

이용 가능한 배당률과 추정 Edge를 바탕으로 이론적으로 뱅크롤의 어느 정도를 베팅해야 하는지 계산하는 공식입니다.

Kelly 공식은 무엇인가요?

기본 공식은:

f = (bp - q) / b*

입니다.

여기서 b는 배당률에 따른 순이익 배수, p는 추정 승리 확률, q = 1 - p입니다.

Full Kelly란 무엇인가요?

Kelly 공식이 제시하는 뱅크롤 비율을 그대로 Stake로 사용하는 방법입니다.

Half Kelly란 무엇인가요?

Full Kelly가 권장하는 Stake의 50%만 사용하는 방법입니다.

Quarter Kelly란 무엇인가요?

Full Kelly가 권장하는 Stake의 25%만 사용하는 방법입니다.

Kelly는 왜 위험할 수 있나요?

공식이 추정 확률에 직접적으로 의존하기 때문입니다. Edge를 과대평가하면 권장 Stake 역시 지나치게 커질 수 있습니다.

Kelly가 Edge를 만들어주나요?

아닙니다. Kelly는 추정 Edge를 기반으로 Stake의 크기를 결정합니다. Edge 자체를 만들어내지는 않습니다.

100U 뱅크롤에서도 Kelly를 사용할 수 있나요?

네. 1U가 뱅크롤의 1%라면 Kelly가 2%를 권장하는 경우 2U에 해당합니다.

Kelly가 Risk of Ruin을 제거하나요?

아닙니다. 실제 스포츠 베팅에서는 확률과 Edge에 추정 오류가 존재합니다. 잘못된 추정은 과도한 Stake와 더 높은 위험으로 이어질 수 있습니다.

Flat Betting과 Kelly 중 어느 것이 더 좋은가요?

Flat Betting은 더 단순하며 정확한 확률 추정에 대한 의존도가 낮습니다. Kelly는 추정 Edge에 따라 Stake를 조정할 수 있지만 훨씬 더 신뢰할 수 있는 확률 추정이 필요합니다.