암호화폐 포지션 두 개가 관심 목록에서는 서로 달라 보여도 동일한 시장 충격에는 함께 반응할 수 있습니다. 상관관계는 선택한 표본에서 측정된 두 수익률 시계열이 얼마나 함께 움직였는지를 요약하는 한 가지 방법입니다. 관계가 앞으로도 지속된다는 약속이 아니며, 어느 포지션이 얼마나 손실을 볼 수 있는지도 알려주지 않습니다.
계산 전에 수익률을 정렬하세요
계수를 살펴보기 전에 자산, 수익률 정의, 가격 출처, 시간대, 표본 주기, 날짜 구간을 먼저 정하세요. 원시 가격 수준이 아니라 일치하는 타임스탬프의 수익률을 비교해야 합니다. BTC가 $60,000이고 다른 토큰이 $2라고 해서 두 가격이 모두 “종가”로 불린다는 이유만으로 비교 가능해지지는 않습니다. 결측 봉을 어떻게 처리하는지, 수익률이 단순 수익률인지 로그 수익률인지도 밝히세요. 한 시계열이 한 시간 어긋나 있거나 다른 캔들 경계를 사용한다면, 결과는 자산보다 그 불일치를 더 많이 설명할 수 있습니다.
다음은 정렬된 수익률 관측치 네 개로 만든 의도적으로 작은 가상 예시입니다. A는 +2%, +1%, −1%, −2%이고, B는 +1%, +2%, −2%, −1%입니다. 쌍별 곱은 +2, +2, +2, +2 퍼센트포인트 제곱입니다.
두 표본 평균은 모두 0입니다. 교차곱의 합은 8이고 각 시계열의 편차 제곱합은 10이므로, 피어슨 상관계수는 8 ÷ √(10 × 10) = 0.80입니다. 이 숫자는 두 가상 수익률 시계열이 그 네 관측치에서 상당히 가깝게 함께 움직였다는 뜻입니다. 앞으로의 모든 구간에서 같은 크기나 방향으로 움직였다는 뜻은 아닙니다. 관측치 네 개는 신뢰할 만한 포트폴리오 추정치를 산출하기에는 크게 부족합니다.
동일한 표본을 포트폴리오 분산에 그대로 적용하세요
각 자산에 50%씩 가중치를 주고 같은 네 관측치를 유지합니다. 동일 가중 포트폴리오 수익률은 +1.5%, +1.5%, −1.5%, −1.5%이고, 표본 분산은 9 ÷ 3 = 3 퍼센트포인트 제곱이므로 표본 표준편차는 √3 = 1.73 퍼센트포인트입니다. 공분산 입력값도 예시에서 확인할 수 있습니다. 각 자산의 표본 분산은 10 ÷ 3이고, 표본 공분산은 8 ÷ 3입니다. 가중치가 0.5일 때 포트폴리오 분산은 0.25 × (10 ÷ 3) + 0.25 × (10 ÷ 3) + 2 × 0.5 × 0.5 × (8 ÷ 3) = 3입니다.
반사실적 비교로, 같은 두 주변 분산을 유지하되 공분산을 0으로 두면 분산은 5 ÷ 3이 되고 표준편차는 1.29 퍼센트포인트가 됩니다. 이는 선택한 가중치에서 공분산의 기여분을 분리해 보여줍니다. 0.80 상관계수는 가상의 네 쌍이 측정한 유일한 값이며, 공분산 0은 계산상의 비교일 뿐 또 다른 관측 표본이나 예측이 아닙니다.
추정치가 구간에 얼마나 의존하는지 물어보세요
날짜와 관측치 수를 보고하세요. 해석하기 전에 미리 고른 여러 구간을 비교한 뒤, 롤링 값을 살펴보고 큰 동반 손실도 확인하세요. 롤링 계수는 표본이 바뀌어서 오르거나 내릴 수 있습니다. 분산투자 효과를 뒷받침하는 구간만 골라 쓰는 것도 또 다른 형태의 선택입니다. 단일 평균은 비대칭성도 감춥니다. 일상적인 이익과 손실의 의존 구조가 같지 않을 수 있습니다.
Mallela와 Leonelli의 2026년 6월 arXiv 프리프린트는 2021년 말부터 2025년까지 89개의 겹치는 구간에 걸쳐 13개 최대 암호화폐의 일별 수익률을 연구합니다. 이 연구는 동반 폭락과 동반 급등에 동적 그래프 모델을 각각 적용하고, 표본에서 조밀하고 상대적으로 안정적인 하방 의존 구조를 보고합니다. 이는 최근의 모델 특정적 프리프린트이며, 보편적 법칙이나 거래소의 리스크 추정치가 아닙니다. 여기서 이 연구의 가치는 일반적인 공분산이나 상관관계 요약이 테일 리스크 질문에 답하지 못할 수 있는 이유를 보여준다는 점입니다. 보고된 결과를 마치 직접 계산한 것처럼 다른 자산 집합이나 기간에 복사해 적용하지 마세요.
상관관계는 포트폴리오 리스크가 아닙니다
노출은 동조 움직임만으로 결정되지 않습니다. 포지션 명목 가치, 포지션 크기 산정 방식, 변동성, 유동성, 담보, 집중도, 갭 가능성을 기록하세요. 역사적 상관관계가 낮다고 해서 스트레스 상황에서 두 자산이 함께 하락하지 않으리라는 보장은 없습니다. 작은 포지션 두 개에 대한 높은 계수는 계좌의 달러 노출을 알려주지 않습니다. 한쪽 다리가 무기한 선물이라면 그 펀딩비, 증거금, 청산 메커니즘이 현물 상관관계가 모델링하지 않는 리스크를 더합니다. CFTC 권고문의 레버리지 경고는 그것이 설명하는 선물 맥락에 적용됩니다.
헤지를 보호로 취급하기 전에, 그것이 상쇄하려는 시나리오를 적고 그 시나리오에서 비용과 공유 담보를 포함한 양쪽 다리를 계산하세요. 그런 다음 관계가 무너지게 할 요인을 물어보세요. 거래소 중단, 특정 토큰 이벤트, 스테이블코인 디페그, 유동성 갭 또는 계약 규칙 변경입니다. 이러한 시나리오는 손실을 예측하는 것이 아니라 쌍별 계수가 놓치는 가정을 드러냅니다.
규모를 가늠하기 위해, $10,000를 투입해 각 자산에 $5,000씩 나눈 레버리지 없는 현물 포트폴리오를 상상해 보세요. −10%의 동반 가격 충격은 각 다리에서 단순히 −$500, 비용 전 합계 −$1,000을 냅니다. 이는 선택한 스트레스 시나리오이며, 0.80 계수가 함축하는 확률이나 결과가 아닙니다. 명목 가치, 레버리지 설정, 담보 풀, 갭이 다르면 수익률 상관관계가 그대로여도 계좌 수준의 결과는 달라집니다.
데이터 경계를 가시적으로 유지하세요
SuperQuant가 포함한 시장 히스토리는 합성 데이터입니다. 작업 공간은 관측된 포트폴리오 전체의 암호화폐 공분산 추정치를 제공하지 않습니다. 예시용 행렬이나 표본 리서치 기록을 사용해 두 실거래 자산이 서로 분산 효과를 준다고 주장하지 마세요. 실제 분석을 위해서는 출처, 조회 날짜, 시장 식별자, 시간대, 변환 방식, 결측 데이터 정책, 표본 크기, 코드 버전을 저장하세요. 이러한 입력 중 하나라도 바뀌면 결과를 다시 계산하세요.
관련 메커니즘은 포지션 사이징, 교차 대 격리 마진, 백테스트 지표를 참고하세요. 이는 리서치 방법이며, 개인화된 포트폴리오 조언이 아닙니다.