본문으로 건너뛰기

포지션 사이징 및 포트폴리오

"이 거래의 크기는 얼마여야 하는가?"가 에지가 복합하거나 폭발하는지를 결정하는 질문입니다. 기관은 변동성 targeting과 Kelly 기준으로 답하고 책은 위험 패리티로 구축하여 달러가 아닌 위험을 공유합니다. cMind는Retail에게 둘 다 가져다줍니다 — 전략의 수익률 시리즈에 대한 결정론적 수학, 일반 영어 권고와 함께.

cBots → Position Sizing (/quant/sizing)을 엽니다.

단일 전략 사이징​

전략의 수익률(또는 Equity 곡선), 목표 연간 변동성, Kelly 비율 및 레버리지 한계를 주면 사이저는 보고합니다:

  • 실현 연간 변동성 — 전략 자체의 변동성, 제곱근-시간 규칙으로 연간.
  • 변동성-타겟 사이징 — 실현 변동성을 목표와 일치시키는 노출 (target ÷ realized vol), 레버리지 한도에서 캡. 저변동성 전략이 더 큰 크기를 얻습니다.
  • 풀 Kelly — 성장 최적 비율 f* = μ / σ² (수익률의 평균 over 분산).
  • 분수 Kelly — f*를 Kelly 비율로 스케일링. 하프 Kelly (0.5)가 일반적인 안전한 선택입니다; 풀 Kelly는 유명하게 실제 불확실한 에지에 대해 너무 공격적입니다.
  • 권장 노출 — 변동성-타겟 및 분수 Kelly 사이징 중 더 작은 (더 안전한) 것, 캡. 긍정적 에지가 없는 전략 (풀 Kelly ≤ 0)은 제로로 사이즈됩니다.
POST /api/quant/sizing
{ "returns": [...], "targetVolatility": 0.10, "kellyFraction": 0.5, "leverageCap": 3 }

포트폴리오 할당​

두 개 이상의 전략(정렬된 수익률 시리즈)을 제공하면 역변동성 위험 패리티로 책을 구축합니다 — 각 전략은 1 / 변동성으로 가중치 부여, 정규화 — 위험이 아니라 달러가 고르게 공유됩니다. 또한 반환합니다:

  • 전략 간의 상관관계 행렬 (비밀리에 같은 베팅인 것을 발견하세요);
  • 해당 가중치에서 예상 포트폴리오 변동성, 표본 공분산에서;
  • 전체 책을 목표 변동성 방향으로 스케일링하는 레버리지 계수 (캡).
POST /api/quant/portfolio
{ "strategies": [[...], [...]], "targetVolatility": 0.10, "leverageCap": 3 }

왜 신뢰할 수 있는가​

모두 인프라도 의존하지 않고 인프라 의존성이 없는 순수 결정론적 도메인 코드 (Core.Portfolio)입니다 — 변동성-타겟 스케일링, Kelly 공식, 역변동성 가중치의 동등-리스크 특성 및 상관관계 행렬에 대한 단위 테스트. 기본적으로 어드바이저리: 숫자는 권고이며 절대 자동 주문이 아닙니다.