연구 프레임워크
이 보고서는 매수 후 보유 및 동일 금액 DCA와 대조하여 다양한 기간 및 자산에 걸쳐 DCAUT(변동성 적응형 DCA)를 조사합니다.

샘플 및 주요 데이터
동일한 정량적 제품에서 4가지 백테스트:

• BTC (약 5개월): 실현 수익률 +16.59%, 최대 낙폭 21.12%, 샤프 1.17, 연간 +42.55%, 승률 100%, 2,581 거래.

• BTC (약 6개월): +29.43% / 10.52% / 2.38 / +76.95% / 99.04% / 2,630.

• BTC (약 18개월): +111.86% / 74.40% / 1.08 / +62.28% / 100% / 8,431.

• ETH (약 8개월): +28.67% / 9.70% / 1.43 / +44.06% / 99.09% / 3,364.
  단면: 평균 연간 수익률 56.46% (중앙값 53.17%), 중앙값 샤프 1.30, 중앙값 최대 낙폭 15.82%. 총 거래 17,006. 거의 100%에 달하는 승률은 진입/청산 계산 방식과 함께 해석되어야 합니다.

시각적 증거 및 관찰
녹색 “실현 수익” 곡선은 일반적으로 연한 파란색의 매수 후 보유 PnL보다 위에 있으며 더 부드럽습니다. 일방적인 하락 후, DCAUT 자산 곡선은 더 빨리 0 위로 다시 교차하여 계속 상승하며, 이는 “낙폭 계층화 가중치 + 변동성 적응”으로 인한 비용 절감을 반영합니다. 가장 긴 기간에서 이 전략은 −74.40% 최대 낙폭을 보였지만, +111.86% 실현 수익률로 마감하여 “물타기”로 인한 이연 이익을 나타내지만, 더 강력한 자본 허용 오차를 요구합니다.

메커니즘 (작동 원리)

• 변동성 스케일링: 각 매수를 ATR/중앙값-ATR로 크기 조정; 변동성이 클수록 달러당 더 많은 단위, 그 반대도 마찬가지로 반사적인 비용 곡선을 형성합니다.
• 낙폭 계층: 가격 낙폭이 지역 고점 대비 심화될 때, 1.2×/1.6× 크기 조정을 통해 “비용 우위” 영역에서 노출을 확대합니다.
• 실현 및 평활화: 많은 분산된 진입은 실현 PnL을 안정화합니다; 곡선은 단일 지점 노이즈에 덜 민감합니다; 대부분의 기간에서 샤프 비율 >1.

위험 및 경계

• 미시 구조: 높은 거래량은 수수료/슬리피지에 대한 민감도를 의미합니다; 높은 승률은 손익비와 보유 시간을 고려하지 않으면 이익과 같지 않습니다.
• 자본 허용 오차: 깊은 주기적 낙폭은 위험 예산이 빠듯할 경우 초기 약세 스케일링이 명목 변동성을 증폭시킬 수 있음을 의미합니다.
• 자산 이질성: 일률적인 규칙 대신 자산별(BTC 대 ETH)로 계층 임계값과 변동성 요소를 설정합니다.

플랫폼 구현
저희는 다중 스타일 템플릿—보수적(낮은 계층, 작은 승수), 균형(기준), 공격적(큰 승수, 빠른 반응)—을 제공하며 다음을 공개합니다: 기간 승률, 낙폭 분포, 자본 대비 자산 효율성, 수수료 민감도 스트레스 테스트, 그리고 재현 가능한 백테스트 로그 및 스크립트.

결론DCAUT의 강점은 가격 예측이 아니라 변동성 수확입니다. 변동성이 발생해야 할 곳에 더 많이 할당하고, 비용 곡선을 변동성과 일치시키며, 무작위성을 평균 자본 효율성 이득으로 전환합니다. 투명한 숫자로 장기적인 복리 효과를 추구하는 사용자에게 DCAUT는 포트폴리오에 추가할 가치가 있는 '꾸준한 공격' 곡선입니다.