---

Hyperliquid에서의 포지션 사이징: 퍼프 트레이더를 위한 제1원리 프레임워크

암호화폐 거래에서 포지션 사이징에 관한 대부분의 조언은 형편없습니다. 정확히 틀렸다기보다는, 새벽 2시에 Hyperliquid 차트 앞에서 트레이더가 내려야 하는 실제 의사결정과 동떨어져 있습니다. "거래당 1-2% 사용"이라는 소매 투자자들의 전형적인 규칙은 포지션이 레버리지 없고 스톱로스가 넓은 주식 교과서에서 가져온 것입니다. 최대 50배 레버리지, 비대칭적 펀딩 비율, 그리고 마크 프라이스에 따라 움직이는 청산 가격이 있는 무기한 선물 거래소에서 그 규칙은 프레임워크가 아닌 경험 법칙일 뿐입니다.

Hyperliquid에서의 진정한 포지션 사이징 프레임워크는 주식 거래에는 없는 네 가지 변수를 고려해야 합니다: 레버리지, 펀딩 비율 캐리, 청산 거리, 그리고 코호트 기반 신호 품질. 이 중 하나라도 잘못 설정하면 승리해도 의미 없을 정도로 작게 포지션을 잡거나, 정상적인 시장 위크(급등락)에도 죽을 정도로 크게 포지션을 잡게 됩니다.

이 글은 Hyperliquid에서의 퍼프 거래를 위한 제1원리 포지션 사이징 프레임워크를 구축합니다. 각 변수가 의사결정에 어떻게 작용하는지, "거래당 자본 비율" 지름길이 왜 무너지는지, 그리고 신호 품질에 따라 사이징을 조정하기 위해 코호트 포지셔닝 데이터를 어떻게 사용하는지 보게 될 것입니다.

"거래당 자본 비율"이 무너지는 이유

교과서적 포지션 사이징 접근법은 거래당 계정 자본의 고정 비율을 리스크로 설정하는 것입니다. $10K가 있고 2%를 리스크로 잡으면, 단일 거래의 최대 손실은 $200입니다. 스톱로스를 정하고, 스톱이 $200가 되도록 포지션 크기를 계산한 후 실행합니다.

이것은 현물과 주식에서는 작동합니다. 포지션 크기가 레버리지 없고 유일한 손실 벡터가 스톱에 반대로 움직이는 가격뿐이기 때문입니다. Hyperliquid 무기한 선물에서는 세 가지가 모델을 무너뜨립니다:

레버리지는 포지션 크기와 리스크 자본을 분리시킵니다. 2% 스톱을 가진 5배 포지션은 명목 금액의 10%를 리스크로 잡습니다. 같은 달러 포지션이라도 레버리지 배수에 따라 더 많거나 적게 리스크를 집니다. "자본 비율" 목표는 이제 포지션 크기가 아닌 리스크 자본에 대해 계산되어야 합니다.

펀딩 비율은 거래 중간에 보유 비용을 변경합니다. 3일 보유로 생각했던 포지션이 빠르게 움직이지 않으면 7일 보유가 됩니다. 유리한 마이너스 펀딩이면 긍정적입니다 — 보유하는 것에 대한 대가를 받습니다. 불리한 플러스 펀딩이면 시간당 복리로 쌓이는 수수료를 지불합니다. 거래 시작 시 합리적이었던 포지션 크기가 48시간의 출혈 후에는 합리적이지 않을 수 있습니다.

청산 가격은 당신의 스톱이 아닙니다. 대부분의 트레이더는 포지션이 청산될 수준 위에 스톱을 설정하지만, 청산 가격은 마크 프라이스와 펀딩 지급에 따라 움직입니다. 초기 청산이 진입가 아래 12%였던 롱 포지션이 며칠간의 마이너스 펀딩이 마진을 갉아먹은 후 진입가 아래 10%로 청산이 이동할 수 있습니다. 12%의 여유를 주었던 포지션 크기가 이제 10%의 여유만 줍니다.

이 세 가지 역학을 무시하는 프레임워크는 평균적으로는 맞지만 중요한 순간에는 틀린 사이징을 생산합니다.

네 변수 프레임워크

다음은 Hyperliquid의 모든 시장 체제에서 유효한 구조입니다:

변수 1: 거래당 최대 리스크 자본

교과서적 접근법과 같은 기준점으로 시작하세요 — 단일 거래에서 잃을 의향이 있는 총 계정 자본의 비율을 선택하세요. 대부분의 트레이더에게 1-3%가 합리적입니다. 3%보다 높으면 정상적인 연패(5-10회 연속 손실, 이런 일은 일어납니다)가 자본의 상당 부분을 날립니다. 1%보다 낮으면 수학이 비효율적이 됩니다 — 수수료와 펀딩이 기대값을 너무 많이 먹어치웁니다.

이 기준점은 아직 포지션 크기를 말해주지 않습니다. 거래의 최대 손실을 알려줍니다. 포지션 크기는 그 다음입니다.

변수 2: 마크 프라이스의 %로 표현된 스톱 거리

거래가 불리하게 진행되면 어디서 청산할 것인가? 청산하고 싶은 곳이 아니라 — 스톱 주문을 설정해두고 기계적으로 청산할 곳. 진입 시 마크 프라이스의 백분율로 표현하세요. $80K에 진입한 롱을 $77,600에 스톱하면, 스톱 거리는 3%입니다.

스톱 거리와 최대 리스크 자본을 결합하면 최대 명목 포지션을 얻습니다:

최대 명목 = 최대 리스크 자본 / 스톱 거리

$10K가 있고, 2%($200)를 리스크로 잡을 의향이 있으며, 스톱 거리가 3%라면, 최대 명목은 $200 / 0.03 = $6,667입니다.

변수 3: 레버리지 선택

레버리지는 게시된 마진 달러당 명목 포지션을 확대합니다. 변수 2에서 $6,667 명목 포지션을 취하려면:

• 1배 레버리지는 $6,667의 마진 필요 (계정의 66.67%)
• 5배 레버리지는 $1,333의 마진 필요 (계정의 13.33%)
• 10배 레버리지는 $667의 마진 필요 (계정의 6.67%)

높은 레버리지는 필요 마진을 줄이지만 청산 거리를 압축합니다. 트레이드오프는 구체적입니다: 1배에서 청산은 대략 -100%입니다(가격만으로는 청산될 수 없습니다). 5배에서 청산은 대략 -18-20%입니다(유지 마진에 따라). 10배에서 청산은 대략 -9-10%입니다.

규칙: 사용 가능한 마진으로 실제로 하고 싶은 거래를 할 수 있게 해주는 가장 낮은 레버리지를 선택하세요. 계정이 1배로 $6,667 명목을 감당할 수 있다면, 1배로 취하세요. 높은 레버리지가 거래를 개선하지 않습니다 — 같은 포지션에 청산 리스크만 추가할 뿐입니다.

레버리지가 중요한 곳은 여러 포지션에 걸친 총 노출이 마진을 초과할 때입니다. $10K 계정에서 $6,667 포지션 세 개를 동시에 원한다면, 그것들을 맞추기 위해 레버리지가 필요합니다. 이것은 포트폴리오 제약이지 사이징 이점이 아닙니다.

변수 4: 청산 버퍼

청산 가격은 스톱보다 의미 있게 멀리 있어야 합니다. 일반적인 규칙: 청산은 진입보다 스톱보다 최소 2배 더 멀리 있어야 합니다. 스톱 거리가 3%라면, 청산 거리는 최소 6%여야 합니다.

이것은 두 가지 실패 모드로부터 보호합니다:

위크 리스크. Hyperliquid의 스톱 주문은 트리거 후 다음 사용 가능한 가격에 실행되며, 스톱 수준이 아닙니다. 변동성이 큰 캔들에서, 체결은 스톱보다 0.5-2% 이상일 수 있습니다. 스톱이 청산에서 1% 떨어져 있으면, 그 체결이 청산 대신 청산을 트리거할 수 있습니다.

펀딩 드리프트. 며칠간의 보유 기간 동안 펀딩 지급은 청산을 마크 프라이스에 더 가깝게 밀어냅니다. 진입 시 2배 버퍼가 며칠간의 불리한 펀딩 후 1.5배 이하로 줄어들 수 있습니다. 처음부터 여유를 만들면 드리프트가 문제가 되는 것을 방지합니다.

변수 3의 레버리지 선택이 스톱에 대해 2배 청산 버퍼를 주지 않으면, 레버리지를 낮추거나 더 넓은 스톱을 받아들이세요.

코호트 품질 승수

위의 네 변수 프레임워크는 모든 거래에 대해 방어 가능한 포지션 크기에 도달하게 합니다. 하지만 모든 거래 신호를 동등하게 가치 있는 것으로 취급하는데, 이것이 대부분의 트레이더가 틀리는 다음 사항입니다.

Hyperliquid의 코호트 포지셔닝 데이터와 일치하는 거래 아이디어는 그렇지 않은 것보다 더 높은 품질의 신호입니다. Money Printer와 Smart Money 코호트가 자산에 대해 순매수 포지션을 취하고 있을 때, 롱 포지션은 순풍을 받습니다. 역사적으로 수익성이 높은 코호트의 합의에 반대하여 롱 포지션을 진입할 때, 다르게 사이징해야 하는 역발상 포지션을 취하는 것입니다.

가장 간단한 구현: 기본 포지션 크기에 적용되는 코호트 품질 승수.

| 신호 유형 | 승수 | |---|---| | Money Printer + Smart Money 코호트 합의와 일치 | 1.0배 (풀 사이즈) | | 한 코호트와 일치, 다른 쪽은 중립 | 0.75배 | | 코호트가 불일치 (하나는 롱, 하나는 숏) | 0.5배 | | Money Printer와 Smart Money 모두에 역행 | 0.25배 |

네 변수 프레임워크 하에서 $6,667 명목으로 사이징될 거래는 한 고수익 코호트만 동의하면 $5,000으로 사이징되고, 그들이 불일치하면 $3,333, 둘 다를 명시적으로 반대하면 $1,667로 사이징됩니다. 수학은 의도적으로 보수적입니다: 역발상 거래가 틀린 것은 아니지만, 역사적으로 적중률이 낮으므로 분산이 더 크고 포지션 크기가 보상해야 합니다.

승수는 절대적이지 않습니다 — 자신의 백테스트 결과에 맞게 조정하세요. 중요한 것은 프레임워크입니다: 코호트 신호 품질이 직감이 아닌 정량적 조정으로 사이징 결정에 들어갑니다.

프레임워크를 프로그래밍 방식으로 구축하기

네 변수 프레임워크에 코호트 승수를 더하면 코드로 깔끔하게 변환됩니다. 샘플 사이징 함수:

def size_position(
    account_equity: float,
    max_risk_pct: float,
    stop_pct: float,
    leverage: int,
    cohort_alignment: str,  # "aligned" | "partial" | "disagree" | "contrarian"
) -> dict:
    max_risk = account_equity * (max_risk_pct / 100)
    max_notional = max_risk / (stop_pct / 100)

    # Cohort quality multiplier
    multipliers = {
        "aligned": 1.0,
        "partial": 0.75,
        "disagree": 0.5,
        "contrarian": 0.25,
    }
    adjusted_notional = max_notional * multipliers[cohort_alignment]

    # Margin required at chosen leverage
    margin_required = adjusted_notional / leverage

    # Liquidation distance check (simplified)
    liq_distance = (1 / leverage) * 100 * 0.95  # rough maintenance margin
    if liq_distance < 2 * stop_pct:
        return {"error": "liquidation buffer too tight, lower leverage"}

    return {
        "notional": adjusted_notional,
        "margin": margin_required,
        "leverage": leverage,
        "liq_distance_pct": liq_distance,
        "stop_distance_pct": stop_pct,
        "buffer_ratio": liq_distance / stop_pct,
    }

HyperTracker API에서 코호트 정렬을 가져오면 승수 입력을 얻습니다. 나머지는 기계적입니다.

# Cohort positioning check
cohorts = api.get(f"/cohorts/positioning/BTC")
money_printer_long = cohorts["money_printer"]["long_ratio"] > 0.55
smart_money_long = cohorts["smart_money"]["long_ratio"] > 0.55

if going_long:
    if money_printer_long and smart_money_long:
        alignment = "aligned"
    elif money_printer_long or smart_money_long:
        alignment = "partial"
    elif money_printer_long != smart_money_long:
        alignment = "disagree"
    else:
        alignment = "contrarian"

규율 문제

프레임워크는 실제로 사용할 때만 유용합니다. 가장 흔한 실패 모드는 "올바른" 포지션 크기를 계산하고, 원하던 것보다 작다는 것을 보고, 거래가 "옳다고 느껴져서" 프레임워크를 무시하는 트레이더들입니다.

도움이 되는 몇 가지 관행:

진입 전에 포지션 크기에 미리 커밋하세요. 주문을 넣기 전에 크기를 계산하고, 적어두고, 실행하세요. 적는 행위가 사이즈를 키우려는 도파민 충동을 무시하는 작은 책임 확인을 만듭니다.

무시 빈도를 추적하세요. 프레임워크에서 벗어난 거래 기록을 유지하세요. 시간의 20% 이상을 무시한다면, 프레임워크가 잘못 조정되었거나 규율이 문제입니다. 어느 쪽이든 데이터가 알려줍니다.

작은 손실을 무시보다 저렴하게 만드세요. 트레이더가 무시하는 이유는 보통 거래가 성공할 때 작은 포지션 크기의 비용을 느끼고 싶지 않기 때문입니다. 재구성: 프레임워크는 성공하지 않는 거래에 맞춰 사이징됩니다. 작은 포지션 크기가 이기면, 다음 거래가 실패할 때 크게 잃지 않기 위해 지불하는 세금입니다.

이 프레임워크가 끝나는 곳

이것은 전략이 아닙니다. 프레임워크는 거래 아이디어가 주어진 포지션 크기를 결정합니다 — 어떤 거래를 할지 말해주지 않습니다. 엣지는 다른 곳에서 나와야 합니다: 셋업, 시장 구조, 온체인 신호, 코호트 포지셔닝 패턴, 당신의 실제 분석 작업이 생산하는 무엇이든. 사이징은 엣지를 분산이 아닌 복리 수익으로 변환하는 레이어입니다.

55% 적중률과 타이트한 사이징을 가진 트레이더는 의미 있는 샘플에 걸쳐 60% 적중률과 일관성 없는 사이징을 가진 트레이더를 능가할 것입니다. 위의 프레임워크는 최대 수익을 위해 최적화되지 않았습니다 — 생존 가능성을 위해 최적화되었습니다. 200개의 거래 후에도 여전히 게임에 남아있는 트레이더가 거래 47에서 폭파한 사람보다 더 많은 복리 활주로를 가집니다. 그 사이의 신호가 아무리 좋았더라도.

사이징 결정을 위한 코호트 포지셔닝 데이터 얻기 →

더 큰 프레이밍

포지션 사이징은 암호화폐 무기한 선물 거래에서 가장 과소평가된 엣지입니다. 대부분의 소매 트레이더는 시간의 95%를 셋업을 찾는 데 쓰고 5%를 얼마나 크게 갈지 결정하는 데 씁니다. 수학은 실제로 그것을 뒤집습니다 — 충분히 큰 샘플에 걸쳐 사이징 결정이 최종 계정 자본을 결정하는 데 셋업 결정을 압도합니다. 다른 포지션 사이징 프레임워크로 같은 전략을 실행하는 두 트레이더는 시간이 지남에 따라 극적으로 분기할 것입니다.

위의 네 변수 프레임워크에 코호트 품질 승수를 더하면 $1K 테스트 계정에서 수백만 달러 거래 장부까지 확장되는 구조를 얻습니다. 메커니즘은 동일합니다. 실제로 사용할 규율이 복리하는 트레이더와 자금을 소진하는 트레이더를 구분합니다. Hyperliquid의 투명성은 이것을 엄격하게 수행하는 데 필요한 데이터가 한 번의 API 호출만으로 가능하다는 것을 의미합니다 — 나머지는 당신에게 달려있습니다.