단일 사건 다항 켈리 최적화와 암시적 상태 포지션

본 논문은 단일 다항 사건에 대한 풀 켈리 최적화 문제를 재해석하여, 현금 보유를 모든 상태에 대한 암시적 포지션으로 보는 새로운 관점을 제시한다. 전통적인 풀 켈리 문제는 기대 로그 부를 최대화하면서 베팅 금액과 현금 비율을 1 로 정규화하는 제약을 가진다. 여기서 베터는 주관 확률 \(p_i\) 와 시장이 제시하는 오즈 \(O_i\) 로부터 상태 가격 \(q_i = 1/O_i\) 를 정의한다. 핵심 아이디어는 현금 비율 \(c\) 가 각 결과 \(i\) 에서 \(c\) 만큼의 절대 수익을 제공한다는 점이다. 이는 결과별로 \(c q_i\) 라는 ‘암시적 스테이크’를 이미 보유하고 있는 것과 동등하다. 따라서 실제 베팅을 결정할 때는 이 암시적 스테이크를 기준으로 ‘추가적인 명시적 스테이크’ \(x_i\) 를 선택하면 된다. 고정된 지원 집합 \(A\) 를 가정하고, 전체 스테이크를 \(y_i = x_i + c q_i\) 로 정의하면, 기대 로그 부는 \(\sum_{i\in A} p_i \log y_i\) 로 변환된다(현금과 비활성 결과에 대한 상수 항은 무시 가능). Lemma 1 (가중 AM‑GM) 를 적용하면, 주어진 \(c\) 하에서 \(y_i\) 는 \(y_i = \frac{p_i}{P_A}\bigl(1-c(1-Q_A)\bigr)\) 로 고유하게 결정된다. 여기서 \(P_A = \sum_{i\in A} p_i\), \(Q_A = \sum_{i\in A} q_i\) 이다. 이 식을 다시 \(x_i = y_i - c q_i\) 로 변환하면, 최적 베팅은 \(x_i = p_i - c q_i\) 가 된다. 그러나 베팅은 비음수여야 하므로, 실제로는 \(x_i = (p_i - c q_i)_+\) 로 표현된다. 이 조건은 \(p_i > c q_i\) 혹은 등가적으로 \(r_i = p_i/q_i > c\) 인 경우에만 베팅이 활성화된다는 의미이다. 따라서 지원 집합 선택은 ‘엣지 비율’ \(r_i\) 가 현금 비율 \(c\) 를 초과하는 결과들을 포함시키는 문제로 단순화된다. 논문은 이를 효율적인 그리디 알고리즘으로 구현한다. 먼저 모든 결과를 \(r_i\) 내림차순으로 정렬한다. 현재까지 선택된 결과 집합을 \(A_k = \{1,\dots,k\}\) 라고 하면, 현금 비율은 \(c_k = \frac{1-P_k}{1-Q_k}\) 로 정의된다. 여기서 \(P_k = \sum_{i=1}^k p_i\), \(Q_k = \sum_{i=1}^k q_i\) 이다. 알고리즘은 다음을 반복한다: 다음 후보 \(r_{k+1}\) 와 현재 현금 비율 \(c_k\) 를 비교한다. \(r_{k+1} > c_k\) 이면 후보를 지원 집합에 추가하고 \(c_{k+1}\) 를 재계산한다; 그렇지 않으면 탐색을 중단한다. 이 과정에서 \(c_k\) 는 매 단계 감소하므로, 한 번 포함된 결과는 절대로 제외되지 않으며, 지원 집합은 항상 정렬된 프리픽스 형태를 유지한다. 최종적으로 얻는 최적 현금 비율은 \(c^* = c_{k^*}\) (알고리즘이 멈춘 시점)이며, 최적 베팅은 \(x_i^* = (p_i - c^* q_i)_+\) 로 주어진다. 이론적 증명에서는 먼저 고정된 지원 집합에 대한 최적화가 Lemma 1 로부터 직접 도출됨을 보이고, 그 다음 현금 비율 \(c\) 를 변수로 두고 전체 기대 로그 부 함수를 \(\Phi_A(c)\) 로 정의한다. \(\Phi_A(c)\) 는 엄격히 볼록이며, 미분을 통해 최적 \(c_A = \frac{1-P_A}{1-Q_A}\) 를 얻는다. 이때 \(Q_A < 1\) 이어야 함을 확인한다(그렇지 않으면 지원 집합이 실제로 활성화될 수 없으며, 최적은 더 작은 집합으로 축소된다). 그리디 알고리즘의 최적성은 두 가지 경우로 나누어 논증한다. 첫째, 알고리즘이 결과를 추가했을 때는 반드시 \(r_{k+1} > c_k\) 이므로, 새로운 지원 집합 \(A_{k+1}\) 에 대한 최적 현금 비율 \(c_{k+1}\) 가 기존보다 작아진다. 이는 Proposition 2 가 적용될 수 있는 충분조건을 만족한다. 둘째, 알고리즘이 멈춘 시점에서는 남은 모든 결과가 \(r_j \le c_k\) 를 만족하므로, 어떠한 확장된 집합도 조건 (3) 을 위반하게 된다. 따라서 현재 프리픽스가 전역 최적임을 보인다. 마지막으로, 논문은 이 결과를 이진 사건(두 결과)으로 특수화하고, 최종 부의 클리핑 형태 \(W_i^* = \max\{c^*, r_i\}\) 를 제시한다. 이는 현금 플로어 \(c^*\) 와 각 결과의 기대 성장률 \(r_i\) 사이의 직관적인 ‘클리핑’ 해석을 제공한다. 전체적으로, 현금을 ‘암시적 스테이크’로 보는 시각은 켈리 최적화의 구조를 명확히 드러내며, 지원 집합 선택을 복잡한 라그랑주 승수 해석 없이도 간단히 구현할 수 있게 만든다. 이 접근법은 교육적 가치가 크고, 실제 베팅 시스템이나 포트폴리오 최적화 알고리즘에 바로 적용 가능하다.