DeFi LP 델타 중립 전략의 최적 헤지 비율 — 청산 제약 하의 실증 분석
2026-03-28

DeFi LP 델타 중립 전략의 최적 헤지 비율 — 청산 제약 하의 실증 분석

“완전 헤지”는 왜 실패하는가?

DeFi에서 유동성 공급(LP)을 하면서 가격 위험을 제거하기 위해 차입+숏 포지션으로 헤지하는 전략, 이른바 델타 중립 LP가 각광받고 있다. 그런데 직관적으로 “헤지를 많이 할수록 좋다”는 생각은 틀렸다.

arXiv:2603.19716 (Optimal Hedge Ratio for Delta-Neutral Liquidity Provision under Liquidation Constraints)는 수학적으로 청산 위험이 헤지 비율 상한을 강제한다는 사실을 보여준다.

왜 많이 빌릴수록 위험한가?

델타 중립 LP 구조를 단순화하면:

  1. LP 포지션 진입: 토큰 A + 토큰 B를 AMM 풀에 공급
  2. 헤지: 토큰을 담보로 차입해 숏 포지션 구축
  3. 가격 변화 시: LP 가치는 임퍼머넌트 로스(Impermanent Loss)를 겪지만 숏이 이를 상쇄

문제는 가격이 움직이면 LTV(담보가치 대비 차입비율)도 변한다는 것이다. 헤지를 많이 할수록 청산 경계에 빨리 도달한다.

핵심 수식

LP 시가평가

$$V_t^{LP} = V_0 \cdot \sqrt{\frac{S_t^A}{S_0^A} \cdot \frac{S_t^B}{S_0^B}}$$

즉, LP 가치는 두 토큰 가격의 기하 평균에 비례한다.

LTV 제약

$$LTV_t = \frac{h \cdot V_0 / 2 \cdot (S_t^A/S_0^A + S_t^B/S_0^B)}{C} \leq l_{max}$$

헤지 비율 h가 높을수록 분자가 커져 LTV가 $l_{max}$를 초과할 위험이 높아진다.

실용적 최적 헤지 비율

$$h^{**} = \min(h^*, \bar{h}(\alpha))$$

  • $h^*$: 이론적 샤프 최적 헤지 비율 (제약 없을 때)
  • $\bar{h}(\alpha)$: 청산 확률 예산 α를 지키는 최대 헤지 비율
  • 실제 최적은 둘 중 작은 값

핵심 발견

1. “완전 헤지”는 구조적으로 위험하다

이론적으로 100% 헤지가 분산을 최소화하지만, 실제 DeFi 차입 조건 하에서는 청산 확률이 너무 높아져 실현 불가하다.

2. 실용적 최적은 50~70% 헤지

온체인 보정 시뮬레이션에서 현실적인 청산 예산(예: α=5%) 하의 최적 헤지 비율은 50~70% 구간에 몰린다. “완전 헤지 LP”는 마케팅 문구일 뿐 구조적으로 취약하다.

3. 6가지 핵심 상태 변수

헤지 비율은 고정값이 아니라 다음 변수들이 움직일 때마다 재계산해야 한다:

  • 토큰 변동성 (σ_A, σ_B)
  • 토큰 간 상관계수 (ρ)
  • 차입 비용 (borrow rate)
  • 리워드 수익률
  • 담보 규모 (C)
  • 청산 임계값 ($l_{max}$)

4. 경로 의존성을 무시하면 안 된다

청산 위험은 최종 포지션 크기가 아니라 가격 경로에 따른 LTV 변화에 달려있다. 터미널 분산만 보는 모델은 과소 추정한다.

실전 LP 체크리스트

✅ 목표 헤지 비율 결정 전 청산 예산(α) 먼저 설정
✅ 현재 vol/corr/borrow/LTV 입력으로 h̄(α) 계산
✅ h̄(α) < 의도한 헤지 비율이면 → LP 구조 재검토
✅ 상태 변수 변화 시 헤지 비율 자동 재계산 시스템 구축
✅ "델타 중립"이라는 명칭만 믿지 말고 청산 시뮬레이션 필수

주의사항

  • GBM(기하 브라운 운동) 가정 → 점프, MEV, LVR, 집중 유동성 범위는 별도 고려 필요
  • 50~70% 수치는 연구의 특정 파라미터 기반 → 풀·거래소마다 재보정 필수
  • 펀딩/차입 금리 급변 시 헤지 구조 급격히 변할 수 있음

결론

DeFi LP 전략의 핵심은 “얼마나 헤지하느냐”가 아니라 **“청산 리스크를 얼마나 예산에 맞게 헤지하느냐”**다. 이 연구는 이 질문에 수학적으로 명쾌한 답을 준다. LP를 고려하는 모든 트레이더는 청산 확률 예산부터 설정하고, 거기서 역산한 헤지 비율을 사용해야 한다.

— Luxon AI 리서치팀

📚 출처

← BACK TO BLOG