3줄 요약

  1. 반복 투자에서 기대값이 아닌 기대 로그 자본을 최대화하는 전략이 장기적으로 다른 모든 고정 전략을 확률 1로 앞선다
  2. 공정 배당에서 최대 자본 성장률은 Shannon의 정보 전송률과 정확히 같다 — 코딩 없이도 정보율에 실질적 의미를 부여한 최초의 결과
  3. 시장이 확률을 잘못 평가할수록(불공정 배당) 정보를 가진 투자자에게 더 유리하다

이 논문은 무엇인가

1956년, Bell Labs의 물리학자 J.L. Kelly Jr.는 정보 이론의 핵심 개념인 ‘전송률(transmission rate)‘에 코딩 없이도 의미를 부여할 수 있는지 탐구했다. Shannon의 정리는 “적절한 코딩을 하면 이 속도로 정보를 보낼 수 있다"고 말했지만, 코딩을 하지 않을 때 전송률이 무슨 의미인지는 열린 문제였다.

Kelly는 이 질문에 도박이라는 모델로 답했다. 통신 채널로 경마 결과를 미리 받는 도박꾼을 상상하자. 이 도박꾼의 최대 자본 성장률이 바로 채널의 정보 전송률과 같다는 것이다.

이 결과는 이후 ‘켈리 기준(Kelly Criterion)‘으로 알려지며, 도박, 투자, 포트폴리오 이론의 근간이 되었다.

핵심 아이디어

1. 로그 성장률을 최대화하라

반복 베팅에서 수익은 곱셈으로 누적된다. 10번의 베팅 결과가 $\times 1.2, \times 0.8, \times 1.3, \ldots$ 이런 식이다.

Kelly는 자본의 지수적 성장률 $G$를 정의했다:

$$G = \lim_{N \to \infty} \frac{1}{N} \log_2 \frac{V_N}{V_0}$$

여기서 $V_N$은 $N$번 베팅 후 자본, $V_0$는 초기 자본이다.

로그가 자연스러운 이유는 간단하다. 곱셈의 누적에 로그를 씌우면 덧셈이 되고, 대수의 법칙을 적용할 수 있기 때문이다. 기대 로그 자본을 최대화하는 전략은, 장기적으로 다른 어떤 고정 전략을 사용하는 도박꾼도 확률 1로 앞서게 된다.

2. 이항 켈리 공식

가장 단순한 경우부터 보자. 승률 $p$, 패율 $q = 1 - p$인 동전 던지기에서, 매번 자본의 일정 비율 $\ell$을 베팅한다면:

$$G = q \log_2(1 + \ell) + p \log_2(1 - \ell)$$

이를 최대화하면:

$$\ell^* = p - q = 2p - 1$$

그리고 이때의 최대 성장률은:

$$G_{\max} = 1 + p \log_2 p + q \log_2 q = R$$

여기서 $R$은 Shannon이 정의한 채널 전송률과 정확히 같다.

직관적으로: 승률 60%라면 매번 자본의 20%만 걸어라. 승률 50%면 걸지 마라(엣지가 없다). 승률 100%면 전부 걸어라.

3. 다수 결과의 일반적 경우

경마처럼 여러 결과가 있을 때, 수신 심볼 $r$을 관측한 후 $s$번째 결과에 거는 최적 비율은:

$$a^*(s|r) = q(s|r)$$

즉, 사후 확률(posterior probability)에 비례하여 베팅하면 된다.

놀라운 점은 이 비율이 게시된 배당률과 무관하다는 것이다. 정보를 가진 도박꾼은 시장이 제시하는 odds를 무시하고, 오직 자신의 확률 추정(사후 확률)에 따라 베팅한다.

이때의 최대 성장률은:

$$G_{\max} = H(X) - H(X|Y) = R$$

다시 한번, Shannon의 채널 전송률이다.

4. 불공정 배당은 기회다

배당이 공정하지 않을 때(시장이 확률을 잘못 평가할 때), 최적 전략은 여전히 사후 확률에 비례 베팅이지만, 성장률은 더 커진다:

$$G_{\max} = H(\alpha) - H(X|Y)$$

여기서 $H(\alpha) \geq H(X)$이므로, 시장이 확률을 잘못 매길수록 정보를 가진 투자자에게 유리하다.

이것이 가치 투자의 수학적 근거다: 시장의 오류가 곧 기회.

5. 전액 베팅의 함정

기대값을 최대화하고 싶다면? 매번 전액을 걸면 된다. 기대 자본 $\langle V_N \rangle = (2q)^N V_0$으로 지수적으로 증가한다.

하지만 이건 위안이 안 된다. $N$이 커지면 거의 확실히 파산하고, 무한히 계속하면 확률 1로 파산한다.

Kelly의 핵심 구분: **기대 자본 최대화($E[V]$)**와 **기대 로그 자본 최대화($E[\log V]$)**는 본질적으로 다른 전략이다. 장기 게임에서는 후자만이 생존 가능하다.

6. 음의 기대값 베팅도 최적일 수 있다

수수료(’track take’)가 있는 경우, 개별 기대값이 음수인 베팅도 전체 포트폴리오의 성장률을 높이기 위해 포함될 수 있다. 이는 고전적 도박꾼의 “양의 기대값만 베팅” 기준과 본질적으로 다르다.

현대 포트폴리오 이론에서 분산 투자가 개별 자산의 기대수익률이 낮더라도 전체 포트폴리오를 개선할 수 있는 것과 같은 논리다.

실전 투자 적용

연속 분포에서의 켈리 공식

주식처럼 연속적 수익률을 가진 자산에서 켈리 레버리지는:

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

여기서 $\mu$는 초과수익률(무위험 금리 차감), $\sigma$는 수익률의 표준편차다.

S&P 500에 적용한다면?

파라미터값
장기 초과수익률 $\mu$~7%
연 변동성 $\sigma$~16%
풀 켈리 레버리지 $\mu / \sigma^2$~2.7배
반 켈리 레버리지~1.35배

실전 권고

반 켈리(half-Kelly)를 사용하라.

풀 켈리는 이론적 최적이지만, 실전에서 세 가지 문제가 있다:

  1. 추정 오차: $\mu$와 $\sigma$를 정확히 아는 것은 불가능하다. 풀 켈리에서 $\mu$를 10%만 과대추정해도 레버리지가 급격히 올라간다.
  2. 극심한 변동성: 풀 켈리의 최대 낙폭(drawdown)은 50%를 쉽게 넘긴다. 심리적으로 견디기 어렵다.
  3. 비정상성: 원논문은 고정 확률을 전제한다. 실제 시장은 레짐이 바뀐다.

반 켈리($f^*/2$)를 사용하면:

  • 성장률은 풀 켈리의 75%로 소폭 감소
  • 최대 낙폭은 절반으로 감소
  • 추정 오차에 대한 안전마진 확보

현실적 결론: S&P 500 장기 투자 시 1배(무레버리지) ~ 1.3배 레버리지가 켈리 관점의 안전한 범위다. 변동성이 높은 시기(VIX 30 이상)에는 $\sigma$가 커지므로 자동으로 레버리지를 줄여야 한다.

포지션 사이징 체크리스트

  • 나의 엣지($\mu$)를 보수적으로 추정했는가?
  • 변동성($\sigma$)을 현재 시장 환경에 맞게 조정했는가?
  • 풀 켈리의 절반 이하인가?
  • 최대 낙폭을 심리적으로 감당할 수 있는가?
  • 엣지의 확신이 낮다면 $\frac{1}{4}$ 켈리까지 낮출 준비가 되었는가?

한 문장으로

“얼마나 벌 수 있느냐"보다 **“얼마를 걸어야 하느냐”**가 장기 생존과 성장을 결정한다.

원문

  • J.L. Kelly Jr., “A New Interpretation of Information Rate”, Bell System Technical Journal, Vol. 35, pp. 917-926, July 1956
  • PDF 원문 (Princeton)