여러 트레이딩 봇 운용하기: 상관관계를 측정하고 포트폴리오 위험을 관리하는 방법

대조할 수 있는 포트폴리오에서 시작하기

수익을 내는 세 봇이 취약한 하나의 계좌를 공유할 수 있습니다. 비트코인 돌파 봇, 이더리움 모멘텀 봇, 머신러닝 분류기는 서로 다른 코드를 사용하면서도 모두 상승하는 암호자산 시장에 대한 익스포저를 늘릴 수 있습니다. 개별 대시보드만으로는 합산된 베팅이 보이지 않습니다. 계좌 잔액, 실제 보유 포지션과 앞으로 자본을 사용할 수 있는 미체결 주문부터 확인하세요.

구체적인 출발점으로 Python 예제, 테스트 파일, 입력 CSV, 프로토콜을 같은 폴더에 저장하세요. Python 3.10 이상에서 아래 명령을 실행하면 됩니다. 추가 패키지, 네트워크 요청이나 브로커 인증 정보는 필요하지 않습니다. 실행 전에 전체 계산 결과를 살펴볼 수도 있습니다. ZIP 파일을 내려받을 필요는 없습니다.

python study.py
python -m unittest -v

예상되는 합산 최종 자기자본은 100,532.90757 USDT이며, 일별 종가 기준 최대 낙폭은 2.75300%입니다. 이 숫자는 2026년 9월 1–24일이라는 날짜 표지를 붙인 24개의 가상 관측값에 대한 회계 확인값입니다. 실제 봇이 벌어들인 수익률이 아닙니다. CSV는 소수 형태의 단순수익률을 사용합니다. 0.010은 +1%, −0.006은 −0.6%를 뜻합니다. 모든 입력 행을 확인할 수 있습니다.

수익률 칸을 비우면 누락 데이터 오류로 실행이 중단되어야 합니다. 이를 0으로 대체하면 “계좌 가치를 모른다”가 “계좌 가치가 변하지 않았다”로 바뀝니다. 이 차이를 구분하는 것이 유용한 위험 모니터의 첫 실무 시험입니다.

실제 계좌와 각 봇의 가상 잔액을 구분하기

계좌가 100,000 USDT를 보유한다고 가정하겠습니다. 이 예제에서는 봇 A에 40,000, 봇 B에 35,000, 봇 C에 25,000을 배정합니다. 각 슬리브는 전액 자금이 배정된 별도의 회계 단위입니다. 외부 현금 유입·유출이나 슬리브 간 자금 이동은 없습니다. 각 봇의 수익률은 유휴 현금을 포함한 슬리브 전체 자기자본에 적용됩니다. 계좌 자기자본은 시가평가한 세 슬리브 가치의 합입니다.

공유 지갑에서는 이 구분이 중요합니다. 세 봇이 각각 전체 100,000이 자기 자금인 것처럼 주문 크기를 정하면, 합산 주문 요청이 가용 현금이나 의도한 익스포저와 맞지 않을 수 있습니다. 주문 거절은 포트폴리오 배분 정책이 아닙니다. 자본 배분기는 다른 프로세스가 사용하기 전에 이미 약정된 자금을 예약해야 합니다.

외부 현금흐름이 없다면 슬리브의 단순수익률은 기말 평가 자기자본을 기초 평가 자기자본으로 나눈 값에서 1을 뺀 값입니다. 미실현 손익과 이미 부과된 거래 비용을 포함하세요. 입금, 출금이나 이체가 있다면 해당 현금흐름 전후의 평가액을 사용하거나 그 시점을 반영하는 문서화된 수익률 계산법을 적용해야 합니다. 입금은 매매 이익이 아닙니다.

실제 한 기간의 계좌 수익률은 각 슬리브 수익률에 해당 기간 시작 시점의 자기자본 비중을 곱해 합한 값입니다. 슬리브 수익률이 다르면 비중도 변합니다. 매일 40/35/25라는 고정 비중으로 합산하면 리밸런싱한 포트폴리오를 설명하는 것이며, 처음 한 번만 자금을 배정한 이 예제의 슬리브를 재현하지 못합니다. 리밸런싱에는 일정, 거래와 잠재적 비용이 있으므로 별도의 구현이 필요합니다.

sleeve_equity[i, t] = sleeve_equity[i, t-1] × (1 + return[i, t])
account_equity[t] = sum(sleeve_equity[i, t])
weight[i, t-1] = sleeve_equity[i, t-1] / account_equity[t-1]
account_return[t] = sum(weight[i, t-1] × return[i, t])

동일 시점의 순수익률을 측정하고 현재 익스포저를 살펴보기

서로 다른 두 질문이 있습니다. 수익률 상관관계는 특정 표본에서 평가된 전략 성과가 어떻게 함께 움직였는지 설명합니다. 포지션 익스포저는 계좌가 현재 보유한 포지션에서 무엇을 잃을 수 있는지 설명합니다. 상관행렬은 과거 또는 구성 표본의 요약이며, 현재 거래의 재고 명세가 아닙니다.

평가 마감 시점, 달력과 수익률 정의를 일관되게 맞춰 수익률 행렬을 만드세요. 관련 비용과 현금흐름을 반영한 동일 기간을 비교해야 합니다. 한 봇의 첫 거래와 다른 봇의 첫 거래를 짝지으면 거래 시점과 보유 기간이 무시됩니다. 누적 자기자본 수준의 상관관계를 구하면 축적된 과거 경로가 질문에 섞입니다. 여기서 사용하는 공분산 계산에는 기간별 순수익률이 적절한 입력입니다.

실제로 거래하지 않고 현금을 보유한 날은 유지하세요. 누락된 내보내기 파일, 가격 부재와 오래된 평가값은 조사해야 합니다. 헤지펀드 수익률 평활화 연구는 비유동성과 이용할 수 없는 가격이 측정된 변동성을 어떻게 감출 수 있는지 보여줍니다. 이는 평가 통제를 신중하게 해야 하는 근거이지, 값이 평평한 봇 내역이 부정하다는 비난은 아닙니다. [5]

표시하는 행렬에는 문서화한 공통 표본을 사용하고 관측 수를 보고하세요. 모든 쌍을 서로 다른 가용 날짜로 계산하면 일관된 포트폴리오 공분산 계산에 적합하지 않은 행렬이 나올 수 있습니다. 표본 전체에서 한 봇이 현금만 보유해 수익률이 일정하다면 분산이 0이므로 수익률 상관관계는 정의되지 않습니다. 이를 “상관관계 0.00”으로 표시하면 추정하지 않은 통계량을 제시하게 됩니다.

이 입력 로더는 예제가 24시간·주 7일 평가 일정을 나타내므로 연속된 달력 날짜를 요구합니다. 주식시장에 적용하려면 예상 거래 세션과 휴장일 평가값을 어떻게 처리할지 별도로 정해야 합니다. 샘플 파일의 달력을 맞추려고 관측값을 만들어내지 마세요.

쌍별 상관관계가 낮아도 동시 손실은 발생할 수 있다

제공한 예제 데이터에는 직접 만든 24개의 수익률 벡터가 있습니다. A/B 상관관계는 0.18780, A/C는 0.55422, B/C는 0.43298입니다. 9월 9일과 9월 18일의 두 행에서는 세 봇의 수익률이 모두 음수입니다. 후자의 수익률은 −2.5%, −2.2%, −2.8%입니다. 비교적 낮은 A/B 표본 상관관계와 공동 손실일이 공존합니다.

이는 실제 봇이 함께 손실을 내는 빈도의 추정이 아니라 산술적 설명입니다. 표본 전체를 직접 구성해 공개했으며, 시장 데이터 출처나 데이터에 맞춰 추정한 분포는 없습니다. 더 일반적으로 선형 상관관계가 0이라는 사실은 독립성을 입증하지 않습니다. 상관관계를 의존성의 완전한 설명으로 사용할 때 생기는 수학적 함정은 잘 알려져 있습니다. [1]

100,000 USDT에서 시작해 각 슬리브를 개별 복리로 계산하고 평가 자기자본을 합하면 아래 결과가 나옵니다. 구성 입력을 순수익률로 정의했으므로 수수료를 추가로 빼지 않습니다. 포지션, 주문 체결, 유동성, 세금이나 체결 비용을 별도로 모형화하지 않았습니다.

합산 최대 낙폭은 2.75300%입니다. 세 슬리브의 개별 최대 낙폭을 초기 비중으로 가중평균하면 3.29056%가 됩니다. 각 슬리브의 가장 나쁜 고점-저점 구간이 계좌의 최악 구간과 일치할 필요가 없으므로 두 값은 다릅니다. 합산 자기자본 경로에서 낙폭을 계산해야 하며, 개별 최악 구간을 더하거나 평균해서는 안 됩니다. 개별 프로핏 팩터의 평균을 계좌 프로핏 팩터로 취급할 때도 같은 주의가 필요합니다.

상관관계가 모형상 포트폴리오 변동성을 바꾸는 방식

간단한 모형으로 의존성의 효과만 분리할 수 있습니다. 세 수익률 흐름의 일별 표준편차가 각각 1%이고, 각 흐름에 자본의 3분의 1을 배정하며, 모든 쌍의 상관관계가 동일한 ρ라고 가정하겠습니다. 이는 별도의 수학 예제입니다. 해당 변동성과 상관관계는 24행 데이터에서 추정한 값이 아니라 가정입니다.

포트폴리오 분산은 wᵀΣw입니다. w는 자본 비중 벡터이며 Σ는 수익률 공분산 행렬입니다. 비중과 변동성이 같은 이 경우, 포트폴리오의 일별 표준편차는 1% × √[(1 + 2ρ)/3]로 단순화됩니다. 가정한 상관관계를 0에서 0.9로 바꾸면 모형상 일별 변동성은 0.57735%에서 0.96609%로 올라갑니다. 봇 수는 여전히 세 개입니다.

이 표준편차는 일별 손실 한도나 꼬리 손실 예측이 아닙니다. 명시한 공분산 모형 아래에서 변동을 요약한 값입니다. 시계열 독립성에 관해 근거 없는 가정을 유도할 수 있는 연율 수치를 덧붙이지 않고 일별 단위를 유지합니다.

아래 분산효과 비율은 개별 변동성의 가중합을 포트폴리오 변동성으로 나눈 값입니다. 이 공분산 모형을 간결하게 설명하는 지표입니다. 수익성, 운영 신뢰성이나 공동 충격의 최대 피해를 측정하지는 않습니다.

자본의 25%를 배정한 봇이 모형상 위험의 43%를 차지할 수 있다

자본 비중은 돈이 어디에 배정되었는지 알려줍니다. 계좌 변동을 어떤 봇이 지배하는지는 알려주지 않습니다. 또 다른 명시적 공분산 모형에서 A, B, C의 일별 변동성을 1%, 2%, 3%, 모든 쌍의 상관관계를 0.3, 자본 비중을 40%, 35%, 25%로 설정하겠습니다. 계산되는 포트폴리오 일별 변동성은 1.36949%입니다.

봇 C는 가장 적은 자본을 배정받지만 모형상 변동성의 43.19%를 차지합니다. 가장 많은 자본을 배정받은 봇 A의 기여도는 17.81%입니다. 이 분해는 표준편차에 대한 오일러 기여도 RCᵢ = wᵢ(Σw)ᵢ / σₚ를 사용합니다. 기여도의 합은 포트폴리오 표준편차이며, 각각을 σₚ로 나누면 비중이 됩니다. 이는 우리가 만든 방식이 아니라 확립된 배분 방법입니다. [2]

표의 성분 값은 일별 표준편차의 퍼센트포인트입니다. 동일한 공분산 항을 전체 분산으로 정규화하므로 기여 비중은 포트폴리오 분산의 해당 비중과도 같습니다. 한 번 실현된 낙폭이나 기대손실의 비중이 아닙니다. 다른 공분산 행렬에서는 헤지 성분의 기여도가 음수일 수 있지만, 그렇다고 레버리지, 유동성이나 거래상대방 위험이 없어지지는 않습니다.

더 작은 두 봇 예제로 이 차이를 직관적으로 볼 수 있습니다. 상관관계가 없고 일별 변동성이 각각 2%와 1%인 수익률 흐름에 같은 자본을 배정하면 포트폴리오 변동성은 1.11803%, 위험 기여 비중은 80%/20%가 됩니다. 같은 금액을 배정해도 분산 기여도는 같지 않습니다. 어느 예제도 실제 계좌에 동일 위험 배분이 최선이라는 점을 입증하지 않습니다.

상관관계 추정치를 맥락이 있는 측정값으로 다루기

실제 봇 기록에서는 각 추정치 옆에 표본 날짜와 관측 수를 표시하세요. 미리 정한 구간들을 비교하고, 매매 규칙, 시장 익스포저, 변동성과 활동의 변화를 조사하세요. 실제 현금 보유일이 많은 수익률 흐름은 전체 기간의 관계와 두 봇이 모두 거래 중일 때의 관계가 다를 수 있습니다. 가장 분산된 것처럼 보이는 행렬을 고르기보다 각 버전이 어떤 질문에 답하는지 보고하세요.

스트레스 기간과 하락 구간 진단은 유용하지만, 관측값을 선별하면 통계량이 달라집니다. Ang과 Chen은 과거 주식 데이터의 비대칭적 동조 움직임과 특정 수익률 조건으로 골라 계산한 상관관계의 해석상 어려움을 함께 보여줍니다. 선택한 손실일의 상관관계가 높다는 사실만으로 안정적인 과정이 변했거나 전염이 발생했다고 입증할 수 없습니다. 선별 규칙, 관측값과 날짜를 제시하세요. [4]

최적화는 또 하나의 선택 단계를 추가합니다. 많은 봇과 비중 조합 중에서 고르면 최근 수익률뿐 아니라 추정 공분산의 오차도 이용하게 될 수 있습니다. Ledoit과 Wolf의 공분산 추정 연구는 표본 행렬에 잡음이 있을 때 수축 추정량이 필요한 이유를 설명합니다. 주식 포트폴리오에 대한 그들의 증거가 특정 봇 배분을 보장하는 것은 아닙니다. [3]

배분 규칙을 채택하기 전에 접근 가능한 과거 데이터, 검토 일정, 회전율 제약과 이후 평가 방법을 정하세요. 최근 승자의 비중을 반복적으로 늘리는 것 자체가 하나의 매매 전략입니다. 리밸런싱 비용과 의사결정을 기록한 후속 검증이 필요합니다. 이 글은 최적화 모형을 적합하지 않으며 최적 비중을 찾아냈다고 주장하지 않습니다.

상관행렬로 설명할 수 없는 손실을 스트레스 상황에서 점검하기

수익률 행렬 옆에 포지션 단위의 현황을 두세요. 각 봇의 상품, 방향, 수량, 거래 장소, 담보와 미체결 주문을 기록해야 합니다. 진입 신호가 달라도 같은 롱 익스포저를 만들 수 있습니다. 거래 장소가 양쪽 포지션을 실제로 유지하는 경우, 반대 포지션은 순익스포저를 작게 만들면서도 큰 총익스포저와 펀딩, 베이시스, 체결 부담을 남길 수 있습니다. 일부 계좌 모드는 동일 상품의 포지션을 상계하므로 봇별 소유권과 대조 방식도 달라집니다.

투명한 공동 손실 계산을 위해 100,000-USDT 계좌가 시나리오 시작 시점에 40/35/25 비중을 갖고 있으며, 세 슬리브가 동시에 8%, 6%, 10%를 잃는다고 가정하겠습니다. 계좌 손실은 7,800 USDT, 즉 7.8%입니다. 이는 비중을 명시한 한 기간의 가정 시나리오이며, 구성 데이터와 공분산 예제 모두와 별개입니다. 사건 확률이나 과거 분위수를 부여하지 않습니다.

이 특정 충격에서 자본을 균등하게 나누면 8,000 USDT를 잃습니다. 20%를 수익률 0의 현금으로 보유하고 위험 배분을 비례해 32/28/20으로 낮추면 가정 손실은 6,240 USDT가 됩니다. 이 시나리오에서 위험에 노출된 자본이 줄었기 때문에 손실이 작아진 것입니다. 나머지 전략의 의존성이 낮아졌다거나 20% 현금이 최적 준비금이라는 증거가 아닙니다.

실제 계좌에 맞게 시나리오를 확장하세요. 청산이 겹칠 때 벌어지는 스프레드, 작동하지 않는 헤지, 담보 재평가, 늘어난 증거금 요구와 거래 장소 접근 지연을 포함할 수 있습니다. 비용을 다시 더하기 전에 가정 슬리브 수익률에 이미 포함되어 있는지 정하세요. 전액 자금을 배정한 슬리브의 선형 손실 예제는 옵션, 펀딩 경로, 강제청산 구조나 스테이블코인 실패를 가격화하지 않습니다.

청산 실무는 더 넓은 관점이 필요한 이유를 보여줍니다. CME의 SPAN 2 체계는 과거 위험, 스트레스 위험, 유동성과 집중도를 구분합니다. 이를 계좌의 여러 차원을 점검할 근거로 사용합니다. 이 시나리오는 CME 증거금이나 브로커의 필요 담보를 재현한 것이 아닙니다. [6]

봇은 담보, 인프라와 장애 요인도 공유한다

통계 결과만으로 계좌가 증거금 상계를 받을 권리가 생기지는 않습니다. CME의 주식 상품 SPAN 2 신고 문서는 적격 상품군과 경제적 근거에 의해 제한되는 상계를 설명합니다. 이는 특정 청산 방법론이며, 개인 브로커나 암호자산 거래소에 관한 약속이 아닙니다. 실제 계좌, 계약과 담보에 적용되는 규정을 확인하세요. 소프트웨어 프로세스를 나눈다고 독립된 담보 풀이 생기지는 않습니다. [7]

실명 브로커 사례로 Interactive Brokers는 지정된 증거금 계좌 유형에 대해 실시간 증거금 계산과 관련 요건을 충족하지 못할 때의 강제청산을 설명합니다. 발동 조건은 각 봇이 선호하는 손절선이 아니라 계좌 규정에 속합니다. 상품과 관할권에 따른 세부사항이 중요하며, 이 글은 보편적인 증거금 기준을 제시하지 않습니다. [8]

수익률이 잘 분산되어 있어도 운영 집중은 남을 수 있습니다. 여러 봇이 하나의 거래소, 하나의 데이터 공급자, 하나의 클라우드 리전이나 같은 인증 서비스에 의존할 수 있습니다. 독립적인 신호가 접속 불가능한 주문 경로를 작동시켜 주지는 않습니다. 이런 의존성을 설계상 익스포저로 기록하고 계좌 대응을 연습하세요. 수익률 상관계수에는 이를 나타내는 열이 없습니다.

복구 중에도 같은 문제가 나타납니다. 재시작한 봇이 마지막 신호는 기억하지만 이미 체결된 주문을 기억하지 못하면 중복 포지션을 만들 수 있습니다. 재개 전에 브로커 포지션, 미체결 주문, 체결, 순서 식별자와 중앙 위험 원장을 대조하세요. 프로세스 상태 표시등이 초록색이라고 계좌 상태가 일치한다는 뜻은 아닙니다.

계좌 한도가 모든 봇의 다음 주문을 통제하도록 만들기

공유 계좌에는 제안된 주문을 허용할지 공통으로 판단하는 절차가 필요합니다. 위험을 늘리는 주문을 내보내기 전에 현재 포지션을 대조하고, 그 주문이 사용할 수 있는 현금, 증거금이나 익스포저 여력을 예약하세요. 동시에 들어오는 봇 요청 사이에서 확인과 예약이 조정되어야 합니다. 그렇지 않으면 개별적으로 허용 가능한 두 주문이 같은 미예약 여력을 기준으로 모두 통과할 수 있습니다.

신규 위험 차단을 주문 취소, 포지션 축소와 전량 청산으로부터 구분하세요. 서로 다른 조치입니다. 신규 차단만으로 기존 포지션의 익스포저가 없어지지 않습니다. 모든 주문을 취소하면 보호 주문도 제거할 수 있습니다. 전량 청산 지시는 새로운 주문을 만들며, 그 체결과 실패도 대조해야 합니다. 선택한 상태에서 위험을 줄이는 주문을 어떻게 허용할지 정하고, 하나의 일반적인 “킬 스위치”를 완전한 정책으로 취급하지 마세요.

계좌 운용 목적, 상품 제약과 스트레스 감내 수준에 맞춰 한도를 정하고, 누가 바꿀 수 있는지와 재가동 전 필요한 조치를 명시하세요. 구성한 24일 데이터에서 보편적인 일일 손실 한도나 손절 수준을 도출하지 않습니다. 임계값은 운영상 조치의 발동점입니다. 가격 갭, 이용할 수 없는 시장과 체결 비용으로 실현손실이 이를 넘어설 수 있습니다.

표는 응용할 수 있는 통제 설계이며, 권장 수치 기준이 아닙니다. 각 행에 담당자, 데이터 출처, 실제 실행 가능한 조치와 기록된 복구 조건이 있을 때 유용해집니다.

다음 봇을 계좌에 대한 변경 사항으로 평가하기

채택 여부를 판단할 질문은 명시한 목적과 실행 가능한 운용 아래에서 후보가 계좌를 개선하는지입니다. 자본과 익스포저 가정을 명확히 하고 현재 계좌와 제안 배분을 비교하세요. 대체되는 현금, 추가 회전율, 인프라 비용과 증거금 요건을 포함해야 합니다. 개별 샤프 비율이 높다고 이 비교가 끝나는 것은 아닙니다.

문서화한 섀도 배분에서 시작하세요. 버전, 제안 주문 크기, 당시 입력값과 자본 배분기가 허용하거나 거절했을 의사결정을 기록하세요. 건너뛴 신호도 보존해야 합니다. 모의 계좌도 체결을 낙관적으로 처리할 수 있으므로 체결 가정을 명시적으로 모형화하고, 관측 호가나 별도로 승인된 이후 소규모 실제 체결과 비교하세요.

몬테카를로 또는 부트스트랩 진단을 사용한다면 표본 추출 시 봇들을 함께 유지하세요. 같은 시점의 수익률 벡터를 재표본화하고, 시계열 의존성이 질문에 포함된다면 적절한 시간 블록을 보존해야 합니다. 봇별로 독립적으로 섞으면 측정하려던 공동 손실 관계가 사라집니다. 이런 재표본화는 여전히 입력에 조건부이며, 전략 의사결정, 유동성이나 표본에 없던 위기를 재현하지 않습니다. 이 글에서는 해당 추가 실험을 실행하지 않았습니다.

ChatGPT나 Claude는 내보낸 기록의 대조와 위험 보고서 해석을, Codex나 Claude Code는 보고 소프트웨어 구현을 도울 수 있습니다. 도우미에게 단위, 타임스탬프와 회계 항등식을 명시하세요. 아래 재사용 프롬프트는 짧은 표본에서 수익성 있는 배분을 만들어내라는 요청 대신 감사 가능한 진단을 요구합니다. 제공 예제는 AI의 도움으로 구현했으며 실행 가능한 산술 테스트로 확인했습니다. AI 제품 간 비교 실험은 아닙니다.

타임스탬프가 있는 이 봇 수익률, 평가 포지션, 계좌 잔액과 미체결 주문을 검토하세요. 봇 자본을 실제 계좌 자기자본과 대조하세요. 명시한 비중에서 공통 표본의 수익률 상관관계와 공분산 기여도를 계산하기 전에 누락되거나 오래된 기록을 식별하세요. 공통 시장, 담보와 인프라 익스포저를 제시하세요. 지정한 공동 충격을 계좌 통화로 계산하되 확률을 만들어내거나 배분을 최적화하지 마세요. 관측 기록, 가정 시나리오와 미해결 질문을 구분하세요. 수식, 원본 기록 ID와 재현 가능한 보고서를 반환하세요.

봇 개수가 아닌, 대조를 마친 계좌를 기준으로 결정하기

예제는 몇 가지 흔한 오해를 해소합니다. 가정한 상관관계가 높으면 세 봇의 모형상 분산효과가 작을 수 있습니다. 작은 자본 슬리브가 모형상 변동성을 지배할 수 있습니다. 상관관계가 낮은 편이어도 동시 손실은 배제되지 않습니다. 합산 낙폭은 합산 자기자본에서 계산해야 하며, 현금 완충은 전략의 통계적 독립성이 아니라 노출된 금액을 바꿉니다.

기존 포트폴리오에 다음으로 필요한 결과물은 짧은 계좌 보고서입니다. 대조된 자기자본, 자본과 위험 기여도, 현재 부호를 포함한 익스포저와 총익스포저, 공동 스트레스 손실, 운영 의존성과 각 계좌 통제의 상태를 담으세요. 어떤 항목을 확인할 수 없다면 안심되는 추정치로 대체하지 말고 미해결 상태로 남겨두세요.

봇 추가는 그 보고서와 계좌 목적에 무엇을 기여하는지로 정당화해야 합니다. 분석 결과는 작은 규모 유지, 배분 변경, 기록 조사나 추가 거절을 뒷받침할 수 있습니다. 개별 성과가 매력적으로 보이는 봇을 거절할 수 있다는 것도 포트폴리오 분석의 유용한 결과입니다.