R-멀티플 프레임워크: 리스크 단위로 성과 측정하기
R-멀티플은 거래의 이익 또는 손실을 초기 리스크의 배수로 표현하는 방법입니다. 초기 리스크는 흔히 1R이라고 하며, 거래가 손절될 경우 트레이더가 기꺼이 잃을 의향이 있는 금액입니다. 예를 들어, 트레이더가 주식을 $50에 진입하고 $48에 손절매를 설정하면 초기 리스크는 주당 $2입니다. 나중에 거래가 $56에 청산되면 이익은 주당 $6으로 3R입니다. 거래가 $48에 손절되면 손실은 주당 $2로 -1R입니다. 이 단위 기반 접근법은 다양한 시장, 포지션 크기, 가격 수준에서 결과를 정규화하여 거래를 직접 비교할 수 있게 합니다. R-멀티플은 포지션 크기와 거래 결정의 질을 분리하기 때문에 특히 유용합니다. $500를 버는 거래가 $200를 버는 거래보다 반드시 더 나은 것은 아닙니다. 관련 질문은 그 이익을 얻기 위해 얼마나 많은 리스크를 감수했는가입니다. R-멀티플 프레임워크는 또한 일련의 거래에서 평균 R-멀티플인 기대값의 기초를 제공합니다. 미리 정의된 손절매가 없으면 R은 정의되지 않으며, 기대값을 의미 있게 계산할 수 없습니다. 따라서 진입 전에 리스크를 정의하는 것이 이 접근법의 핵심 요구 사항입니다. R-멀티플은 양수(승리) 또는 음수(손실)일 수 있으며, 시스템 결과의 형태를 드러내기 위해 분포로 표시될 수 있습니다. 이 분포는 시스템이 많은 작은 승리에 의존하는지, 몇 개의 큰 승리에 의존하는지, 또는 둘의 혼합에 의존하는지를 보여줍니다. 이 분포를 이해하는 것은 시스템의 전반적인 성과에 대해 결론을 내리기 전에 필수적입니다.
기대값: 시스템 수준 지표로서의 평균 R-멀티플
기대값은 트레이딩 시스템이 많은 수의 거래에서 생성하는 평균 R-멀티플입니다. 이는 다음과 같은 질문에 답합니다: 평균적으로 각 거래는 리스크 단위당 얼마를 벌거나 잃는가? 공식은 간단합니다: 모든 거래의 R-멀티플을 합하고 거래 수로 나눕니다. 예를 들어, 시스템이 10개의 거래를 생성한다고 가정해 봅시다: 6개의 거래는 각각 +2R을 생성하고, 4개의 거래는 각각 -1R을 생성합니다. R-멀티플의 합은 (6 × 2) + (4 × -1) = 12 - 4 = 8입니다. 10개의 거래로 나누면 기대값은 0.8R입니다. 이는 시스템이 평균적으로 거래당 초기 리스크의 0.8배를 번다는 것을 의미합니다. 기대값은 승률과 같지 않습니다. 시스템은 승률이 낮지만 승자가 패자보다 훨씬 크면 높은 양의 기대값을 가질 수 있습니다. 반대로, 가끔 발생하는 손실이 매우 크면 높은 승률이 수익성을 보장하지 않습니다. 기대값은 시장 청산에 의해 제어됩니다. 청산은 유리한 움직임 중 얼마나 많이 포착되고 손실이 어떻게 억제되는지를 결정하기 때문입니다. 너무 타이트한 이익 목표는 승자를 제한할 수 있고, 너무 넓은 손절매는 손실이 커지도록 허용할 수 있습니다. 원문 자료는 트레이더가 가능한 한 높은 기대값을 목표로 해야 하지만, 자신의 시간 프레임 내에서 가능한 한 많은 거래 기회를 추구해야 한다고 강조합니다. 기대값이 높지만 거래가 매우 적으면 총 수익이 modest할 수 있는 반면, 기대값이 낮지만 거래가 많으면 더 효과적으로 복리 효과를 낼 수 있습니다. 따라서 기대값은 고립적으로 평가되지 않고 거래 빈도와 함께 평가되어야 합니다.
청산 규칙이 R-멀티플 분포를 형성하는 방법
청산 규칙은 단순한 보호 조치가 아니라 시스템이 생성하는 R-멀티플의 분포를 적극적으로 결정합니다. 예를 들어, 고정 이익 목표는 미리 정해진 이익에 도달하면 거래가 청산되기 때문에 작은 승리의 군집을 만듭니다. 이는 높은 승률을 낳을 수 있지만, 어떤 단일 거래도 큰 승자가 되는 것을 막습니다. 반면, 추적 손절매는 추세가 계속되는 한 거래를 열어 두어 잠재적으로 큰 R-멀티플을 포착할 수 있습니다. 그러나 추적 손절매는 종종 열린 이익의 일부를 반환하여 승률을 낮추고 더 많은 작은 손실이나 본전 거래를 만들 수 있습니다. 시간 기반 청산은 가격 움직임에 관계없이 정해진 일수나 봉 후에 거래를 청산합니다. 이는 더 많은 시간이 주어지면 큰 승자로 발전할 수 있었던 거래를 잘라낼 수 있습니다. 변동성 기반 청산은 시장 상황에 따라 손절 거리를 조정하여 손절 빈도와 손실 크기를 변경할 수 있습니다. 따라서 각 청산 규칙은 R-멀티플 분포에 서로 다른 지문을 남깁니다. 원문은 최고의 시스템이 종종 세 가지 또는 네 가지 다른 청산 선택을 포함한다고 제안합니다. 이는 어떤 단일 청산 규칙도 모든 시장 상황에 최적이 아니기 때문입니다. 예를 들어, 추세 추종 시스템은 강한 추세에는 추적 손절매를, 횡보 상황에는 이익 목표를, 움직이지 않는 거래에는 시간 손절을 사용할 수 있습니다. 각 청산 규칙을 개별적으로 테스트함으로써 트레이더는 그것이 기대값, 승률, 큰 승자의 빈도에 어떻게 영향을 미치는지 볼 수 있습니다. 목표는 승률을 최대화하거나 손실을 고립적으로 최소화하는 것이 아니라, 시스템의 전반적인 논리와 일치하는 유리한 기대값을 생성하는 청산 조합을 찾는 것입니다.
