alpha50: छत्ते के पीछे की पूरी गणित

Copy-trading एक सपना बेचता है: कोई एक genius पकड़ो, उसका wallet mirror करो, अमीर बन जाओ। असलियत यह है कि एक wallet यानी एक ही sample। एक ही रास्ते पर skill और luck में फ़र्क करना नामुमकिन है, और जिस दिन आपका genius उड़ता है, उसी दिन आप भी उसके साथ उड़ जाते हैं। उसका tilt, उसकी किसी एक venue तक सीमित edge, रात के तीन बजे का उसका revenge trade — सब आपके खाते में आता है, पूरे size के साथ।

alpha50 इसकी उल्टी सोच से चलता है। portfolio theory में आधी सदी से भी पुराना एक नतीजा है जो कई कमज़ोर signals को एक दमदार signal में बदल देता है। Ray Dalio के Bridgewater ने इसे निवेश का Holy Grail कहा। copy-trading पर इसे शायद ही किसी ने आज़माया, क्योंकि इसके लिए skilled traders का साफ़, real-time, verifiable feed किसी के पास था ही नहीं। on-chain perps ने यह बात बदल दी।

यह लेख शुरू से आख़िर तक गणित है: बाज़ार में diversification अकेली free lunch क्यों है, इसे लगाने की सबसे अच्छी जगह चुने हुए traders की एक भीड़ क्यों है, और पचास लाइव conviction signals से आप एक अकेली, risk-managed position कैसे बनाते हैं।

एक लाइन में पूरी थीसिस: alpha50 की edge statistical है, predictive नहीं। यह भाव का अंदाज़ा नहीं लगाता। यह skilled पर शोर भरे signals के एक ensemble से variance घटने का फ़ायदा उठाता है — और पूरा खेल इन signals के आपसी correlation का है।

1. निवेश का Holy Grail

Dalio की बात ऊपर से जितनी आसान लगती है, उतनी है नहीं। ऐसी return streams लीजिए जिनमें से हर एक का expected return धनात्मक हो और risk करीब-करीब बराबर हो। जैसे-जैसे आप ऐसी streams जोड़ते जाएं जो आपस में correlated नहीं हैं, portfolio का return वही रहता है पर risk गिरता जाता है — और तेज़ी से। पंद्रह सचमुच uncorrelated streams जोड़ दीजिए, तो expected return का एक basis point गंवाए बिना volatility करीब 80% तक घटाई जा सकती है।

इसके पीछे बस यही बात है कि variance कैसे जुड़ता है। बराबर weight वाली $N$ streams के लिए, जहां हर एक की volatility $\sigma$ हो और औसत pairwise correlation $\rho$ हो, portfolio का risk इतना होता है:

इस square root से दो बातें निकलती हैं, और वही दो बातें पूरी कहानी हैं।

streams जोड़िए और risk गिरता है — पर हर curve σ·√ρ के एक तले पर आकर सपाट हो जाती है। ρ = 0.25 पर आप कितनी भी streams जोड़ लें, एक अकेली stream के risk के ~50% से नीचे नहीं जा सकते।

पहली बात: जब ρ शून्य के पास हो, risk 1/√N की दर से घटता है — वही जाना-पहचाना diversification curve जो शून्य की ओर लुढ़कता है। दूसरी और ज़्यादा अहम बात: N बढ़ने पर भी portfolio का risk शून्य तक नहीं जाता। वह σ·√ρ के एक तले पर आकर रुक जाता है। इस तले की ऊंचाई streams की गिनती नहीं, correlation तय करता है। ρ = 0.25 पर पचास streams उतनी ही सुरक्षित हैं जितनी ρ = 0.25 पर दस। diversification की हद correlation तय करती है, बात ख़त्म। इसे याद रखिए; cohort कैसे बनता है, इसका सारा दारोमदार इसी पर है।

2. Traders भी return streams हैं — asset classes से बेहतर वाले

Dalio asset classes के बीच diversify कर रहे थे। यह मुश्किल है, क्योंकि asset classes गिनी-चुनी हैं और जब सबसे ज़्यादा ज़रूरत होती है, ठीक तभी एक साथ चलने लगती हैं। एक skilled trader इससे कहीं बेहतर बुनियादी इकाई है। हर trader अपने आप में एक strategy है — एक जीती-जागती, हालात के साथ ढलती return stream, जिसका drift धनात्मक है और जो out-of-sample असलियत की भट्ठी पहले ही पार कर चुकी है: असली fills, असली drawdowns, असली funding चुकाया हुआ।

और on-chain तो यह दायरा बहुत बड़ा है। Hyperliquid पर हम जिन ~13,000 wallets को index करते हैं, उनमें से बमुश्किल कुछ सौ ही सख़्त skill की छंटाई पार करते हैं। यही बहुतायत वह मौज है जो Holy Grail को चलने देती है: हमें किसी asset allocator की तरह जो मिले उसी को उठाने की मजबूरी नहीं है। हम decorrelation के लिए चुन सकते हैं। majors पर एक momentum scalper, mid-caps पर एक mean-reversion desk, HIP-3 पर stock-index का swing trader, एक funding-carry का माहिर — ये अलग-अलग दांव हैं, एक ही beta के अलग-अलग flavour नहीं। गणित को यही कच्चा माल चाहिए।

हम alpha को diversify कर रहे हैं, beta का ढेर नहीं लगा रहे। असल में यह तरीका काम ही इसी फ़र्क की वजह से करता है।

3. Risk घटाने से Sharpe बढ़ाने तक

उसी समीकरण को पलटकर देखिए। अगर हर सदस्य में skill है — यानी per-trade Sharpe S — तो औसत correlation ρ के साथ N सदस्यों को जोड़ने पर portfolio का Sharpe बनता है:

$A(N,\rho )$ पूरे value proposition को एक ही संख्या में निचोड़ देता है: छत्ते का risk-adjusted return औसत सदस्य से कितने गुना आगे है। असल में यही वह चार्ट है जो मायने रखता है।

ρ = 0 पर factor √N होता है — पचास wallets के लिए करीब 7×। असली correlation पर यह इससे काफ़ी कम रहता है, पर फिर भी 1 से साफ़-साफ़ ऊपर।

आंकड़ों को सीधे-सीधे देखिए। पूरी स्वतंत्रता (ρ = 0) पर √50 ≈ 7.1× मिलता है, पर यह ख़याली पुलाव है — skilled traders उसी बाज़ार में कुछ न कुछ साझा exposure रखते ही हैं। ρ ≈ 0.2 के असली औसत correlation पर भी factor करीब 2.1× रहता है। अकेले-अकेले मामूली दिखने वाले traders की एक cohort, जिनमें से हर किसी का Sharpe 1.0 है, मिलकर Sharpe-2 वाली book बन जाती है। यही वह फ़र्क है जो एक ऐसी strategy को, जिसमें कोई पैसा नहीं डालता, उस strategy से अलग करता है जिसमें घुसने के लिए desk आपस में लड़ते हैं।

4. छत्ता बनाना decorrelation की पहेली है, leaderboard नहीं

यहीं पर "टॉप traders की नकल करो" वाले ज़्यादातर products चुपचाप ढेर हो जाते हैं, और यहीं गणित एक ऐसा design सामने रखता है जो पहली नज़र में समझ नहीं आता।

सीधा-सादा तरीका यह है कि हर eligible wallet को Sharpe से रैंक करो और टॉप पचास उठा लो। यह ग़लत है। अगर आपके टॉप पचास सब के सब उन्हीं majors पर सवार momentum traders हैं, तो उनका ρ 0.7 है और आपका amplification ~1.2× — यानी आपने एक अकेले trader का महंगा, leveraged version खड़ा कर लिया। रैंकिंग हर trader की अलग-अलग quality को तो अधिकतम करती है, पर उस इकलौते variable को अनदेखा कर देती है जो असल में payoff तय करता है।

सही मकसद है स्वतंत्र दांवों की effective गिनती:

ρ = 0.25 पर पचास wallets मिलकर चार से भी कम स्वतंत्र दांवों के बराबर हैं। चुनाव को गिनती के लिए नहीं, decorrelation के लिए मशक्कत करनी पड़ती है।

ρ = 0.25 पर पचास wallets आपको चार से कम effective दांव देते हैं। तो cohort बनाना एक portfolio-optimization की पहेली है: skill की एक न्यूनतम शर्त के भीतर रहते हुए N_eff को अधिकतम करो, औसत skill को नहीं। व्यवहार में इसका मतलब है — उम्मीदवारों को उनकी return streams के correlation और उनके instrument exposure के हिसाब से strategy के अलग-अलग साँचों में बाँटना, फिर हर समूह से सबसे अच्छे बचे हुए को draft करना — जान-बूझकर थोड़ी individual Sharpe की कुर्बानी देकर बहुत सारी स्वतंत्रता ख़रीदना। जो wallet आठवां-सबसे-अच्छा momentum trader है पर funding-carry का इकलौता माहिर है, वह छत्ते के लिए तीसरे-सबसे-अच्छे momentum trader से ज़्यादा कीमती है।

दो और quant अनुशासन यहां ज़रूरी हैं, क्योंकि कच्चा चुनाव overfit कर बैठता है:

• Shrinkage. किसी wallet का मापा हुआ Sharpe एक अनुमान भर है, और सबसे ऊंचे Sharpe के अनुमान ही luck की वजह से सबसे ज़्यादा फूले होते हैं (winner's curse)। हर सदस्य के Sharpe को cohort के औसत की ओर सिकोड़िए — एक James–Stein / empirical-Bayes खिंचाव, जिसका ज़ोर इस बात से तय होता है कि अनुमान के पीछे कितने कम trades हैं। इससे आप एक अच्छी लय की पूरी क़ीमत चुकाना बंद कर देते हैं।
• Correlation भी अनुमान है, और टिकाऊ नहीं है। एक सिकोड़ा हुआ covariance estimator (Ledoit–Wolf) इस्तेमाल कीजिए ताकि चुनाव किसी झूठी decorrelation के पीछे न भागे जो अगले हफ़्ते हवा हो जाए।

फिर cohort का लगातार पुनर्मूल्यांकन होता है, hysteresis के साथ: किसी wallet को cutoff से अच्छा-ख़ासा नीचे गिरना पड़ता है, तभी उसे हटाया जाता है — ताकि सीमा के आसपास के rank के शोर से book बार-बार न मथी जाए।

5. सहमति को position में बदलना

Aggregation का फ़ायदा तभी है जब आप उसे exposure में ढालें और वह अकेले-wallet वाला risk दोबारा न बुला लें जिसे अभी-अभी diversify करके हटाया था। हर instrument के लिए signal एक signed, conviction-weighted, risk-normalized सहमति होती है:

जहां, instrument $c$ रखने वाले हर cohort wallet $i$ के लिए:

• $s_i=\pm 1$ — वे किस तरफ़ हैं (long या short)।
• ${\kappa }_i=|{\text{notional}}_i|/{\text{equity}}_i$ — conviction: उनकी अपनी book के मुक़ाबले position का size।
• $w(S_i)$ — सिकोड़े हुए Sharpe का weight: $S=1$ से नीचे $0$, और $S\approx 5$ तक चढ़कर $1$।
• ${\pi }_i={\sigma }_{\text{target}}/{\sigma }_{\text{realized}}(c)$ — risk-parity scalar: बराबर risk, बराबर डॉलर नहीं।
• $c_{\max }$ — हर wallet के योगदान की ऊपरी हद, ताकि कोई एक whale अकेले पूरी book न ढोए।

हर पद अपनी एक ज़रूरी भूमिका निभा रहा है। Conviction position के size को trader की अपनी equity के मुक़ाबले पढ़ता है, तो जो whale किसी नाम पर अपनी book का 40% झोंक रहा है, उसकी बात उस whale से ज़्यादा वज़न रखती है जो बस पैर की उंगली डुबो रहा है। Sharpe weight किस्मत के धनी को कम तवज्जो देता है। Risk parity वह हिस्सा है जिसे भोले-भाले copiers छोड़ देते हैं: आप risk के हिसाब से scale करते हैं, डॉलर के हिसाब से नहीं — तो 120-vol वाली किसी memecoin की position उतने ही notional वाली BTC position पर चुपके से हावी नहीं हो जाती। cap ही थीसिस को लागू करता है — कोई एक wallet अकेले signal को दूर तक नहीं खिसका सकता, इसलिए size बनाने के लिए सचमुच कई wallets की सहमति चाहिए। वही सहमति, confluence, इस बात का व्यावहारिक पैमाना है कि "यह असली alpha है, किसी एक trader की सनक नहीं।"

एक संजीदा implementation model को दो और सुधार देने ही होंगे:

• Funding-adjusted edge. perps पर carry असली पैसा है। एक भीड़ भरी long जो सालाना 60% funding चुका रही है, कच्चे भाव-signal के मुक़ाबले कम net expected return देती है; size तय करने से पहले इसे घटा दीजिए।
• Cost-basis matching. आप हमेशा cohort के बाद घुसते हैं — यही follower drag है, इस पूरे कारोबार पर लगने वाला टैक्स। किसी 5% पुरानी चाल के पीछे भागने के बजाय ताज़ा opens पर घुसिए, ठीक वहीं आसपास जहां cohort ने असल में position खोली थी। इससे आपका risk बिलकुल उसी trader जैसा रहता है जिसका signal आप ले रहे हैं, और edge को पकड़ने और उसे spread के हवाले कर देने के बीच का फ़र्क यही है।

6. Sizing: Volatility Targeting और Fractional Kelly

एक signal आपको दिशा और भरोसा बताता है। यह नहीं बताता कि कितना। size ग़लत बैठाना ही वह वजह है जिससे असली edge वाली strategies भी दम तोड़ देती हैं।

दो परतें। पहली, portfolio के स्तर पर volatility targeting: एक target risk चुनिए — मान लीजिए सालाना 15% — और gross exposure को realized volatility के उलटे अनुपात में scale कीजिए।

जब बाज़ार में तूफ़ान आता है, realized vol चढ़ती है और book अपने-आप सिकुड़ जाती है ($L_t$ गिरता है)। जब हालात सबसे ख़राब हों, ठीक तभी आपका risk फूलने के बजाय लगभग एक-सा बना रहता है।

दूसरी, signal की तीव्रता पर fractional Kelly। Kelly कहता है कि growth-optimal दांव edge को variance से भाग देने पर scale करता है, $f^{\ast }=\mu /{\sigma }^2$। full Kelly हद से ज़्यादा आक्रामक होने के लिए बदनाम है — वह मान लेता है कि आपको $\mu$ बिलकुल ठीक-ठीक पता है, जो कभी नहीं होता। ऊंचाई पर estimation की ग़लती बेरहम होती है, इसलिए एक अंश पर size कीजिए (half-Kelly या उससे कम): जब सहमति मज़बूत और चौड़ी हो तब ज़्यादा दांव लगाइए, जब पतली हो तब कम, और किसी एक पढ़त पर कभी पूरा ढेर मत लगाइए। मज़बूत signal, कई uncorrelated आवाज़ों की सहमति, कम funding — यही वह पल है जब आप ज़ोर लगाते हैं। पतले signal पर अकेली whale का कोई ख़ास असर नहीं पड़ता।

7. जब Grail टूटता है: Correlation Risk

अब ईमानदारी वाला हिस्सा, वह जिसे कोई marketing pitch चट कर जाती है। Holy Grail का एक ही failure mode है, और वह ढांचे में गुंथा हुआ है: ρ स्थिर नहीं रहता। संकट में सब कुछ correlate करने लगता है। skilled momentum trader, mean-reversion desk, stock-index का swinger — किसी हिंसक liquidation cascade में ये सब बस long risk भर रह जाते हैं, और सब एक साथ लहूलुहान होते हैं। ρ भागकर 1 की ओर पहुंचता है, और ठीक जब diversification की सबसे ज़्यादा दरकार होती है, A(N, ρ) ढहकर 1× की ओर आ जाता है।

वही पचास-wallet वाला curve। correlation के उछलते ही शांत दौर की 2.1× edge गिरकर ~1.1× रह सकती है। diversification "नाकाम" नहीं होती — वह ठीक वही करती है जो गणित कहता है, और इसीलिए risk की परत को optional नहीं रखा जा सकता।

यह कोई ऐब नहीं जिस पर पर्दा डाला जाए; यही वह वजह है कि risk management यहां पहली-श्रेणी का नागरिक है, ऊपर से चिपकाया हुआ पुर्ज़ा नहीं। बचाव के इंतज़ाम dynamic और correlation-aware होने ही चाहिए:

• cohort के भीतर realized correlation पर real time में नज़र रखिए। जब ρ उछले — यही regime बदलने की चुगली है — तो gross घटाइए, vol target कसिए, और जब तक हालात सामान्य न हों, सहमति को कम भरोसे लायक मानिए।
• नरम इंतज़ामों के नीचे सख़्त इंतज़ाम भी: हर position पर stop-losses, और portfolio के स्तर पर एक drawdown circuit जो दिन भर के नुक़सान की हद पार होते ही सब कुछ सपाट कर देता है और नया risk रोक देता है। ये tail को बांधते हैं; उसका अंदाज़ा लगाने की कोशिश नहीं करते।

strategy tail की चोट को टालने के लिए नहीं बनी। वह उसे बांधने, झेलने, और बाक़ी 95% वक़्त उस 2× edge को compound करने के लिए ज़िंदा बचे रहने के लिए बनी है।

8. Live Data पर Model: पिछले 30 दिन

Theory सस्ती चीज़ है। तो लीजिए Hyperliquid पर cohort के पिछले तीस दिन, ठीक उसी तरह पेश जैसे model उन्हें बरतता है: हर wallet का realized दैनिक P&L, उसके account value से normalized, एक return stream बन जाता है; फिर ये streams मिलकर एक बराबर-weight वाली book बनाती हैं — छत्ता। पचास में से तीस wallets ने इस window में इतना trade किया कि एक stream दर्ज हो सके।

हर धुंधली लकीर एक cohort सदस्य है; मोटी लकीर बराबर-weight वाली book है। सदस्य बिखरे हुए हैं — कुछ छलांग लगाते हैं, कुछ आड़े-तिरछे चलते रहते हैं। छत्ता वह चिकना रास्ता है जो उन सबके बीच से निकलता है: ज़्यादातर ऊपर की चाल, डगमगाहट का बस एक अंश।

असली बात return नहीं है — वह उसकी शक्ल है। छत्ते ने आम सदस्य से ज़्यादा कमाया, और वह भी करीब एक-तिहाई drawdown लेकर — यह Holy Grail को ठीक वही करते देखना है जिसका बीजगणित वादा करता था: वही drift, कहीं कम शोर। ~3.4× का realized amplification मापे गए correlation से निकलती ~4.9× की सैद्धांतिक छत से नीचे बैठता है — यह finite-sample की हकीकत है, कोई free-lunch वाला सपना नहीं।

इसे उन्हीं शर्तों के साथ पढ़िए जिनका यह हक़दार है। यह realized closing P&L है: यह अब भी खुली positions के mark-to-market को अनदेखा करता है, इसलिए absolute volatility — और इसीलिए absolute Sharpe — कम आंका गया है और यह कोई tradeable आंकड़ा नहीं। जो चीज़ मज़बूत है वह है अनुपात, क्योंकि अंश और हर दोनों एक ही तरीके से निकाले गए हैं। और मापा हुआ ρ ≈ 0.01 लगभग पक्के तौर पर असली आर्थिक correlation को कम आंकता है — closing की घटनाएं छितरी हुई होती हैं और रोज़-ब-रोज़ शायद ही आपस में मिलती हैं — और यही ठीक वह वजह है कि §7 की वह tail, जहां correlation झटके से एक की ओर लपकता है, असली risk बनी रहती है। एक शांत महीना एक मिसाल भर है, कोई stress test नहीं।

9. सौदे के दो पहलू

जमा करने वाले के लिए। आपको वह मिलता है जिसके लिए पहले एक पूरी quant desk चाहिए होती थी: verified on-chain alpha की एक diversified, risk-targeted, लगातार rebalance होती book — बिना wallets चुने, बिना charts ताके, और बिना यह सीखे कि Ledoit–Wolf estimator आख़िर होता क्या है। exposure non-custodial रहता है; engine trades sign करता है, withdrawal कभी नहीं। बात "किसी genius की नकल करो" वाली नहीं है। बात यह है — "पूरे ensemble के मालिक बनो, risk engineer किया हुआ।"

protocol के लिए। model न कोई token emission जोड़ता है, न कोई भाव का अंदाज़ा लगाता है। यह पहले से मौजूद signals में risk का एक ज़्यादा समझदार बंटवारा है, जो पारदर्शी तरीके से और अपने-आप चलता है, और जिसकी fees किसी सपाट किराए के बजाय activity और performance से जुड़ी हैं। जानकारी भरा, aggregated flow जिन venues पर trade करता है, वहां price discovery के लिए भी चुपचाप अच्छा साबित होता है।

10. सीमाएं और Capacity

कोई ईमानदार quant लेख शर्तों के बिना ख़त्म नहीं होता:

• Follower drag एक पक्का टैक्स है। amplification को fees और slippage के बाद net में इससे ऊपर निकलना ही होगा; ख़ासकर पतली HIP-3 books पर P&L का फ़ैसला signal की quality नहीं, execution की quality करती है।
• Capacity और reflexivity. edge size के साथ घिसती जाती है। हद से ज़्यादा capital mirror कीजिए और आप उन्हीं बाज़ारों को हिला देंगे जिन्हें आप पढ़ रहे हैं, और signal में भीड़ भर जाती है। strategy की एक सीमित AUM की छत है और sizing को उसका लिहाज़ रखना होगा।
• Estimation की ग़लती और survivorship. हर Sharpe, हर correlation, हर cluster की सीमा एक सीमित, शोर भरे, कुछ हद तक overfit इतिहास से आंकी गई है। Shrinkage मदद करती है; इलाज नहीं करती।
• ρ-spike वाली tail, जिस पर ऊपर बात हुई, सबसे बड़ा risk है और वही जिसे बांधने के लिए पूरी risk की परत खड़ी है।

निष्कर्ष

alpha50 बाज़ार से बेहतर अंदाज़ा लगाने की कोशिश नहीं है। यह finance की सबसे पुरानी free lunch — uncorrelated, धनात्मक-edge वाली return streams में diversification — को एक ऐसी return stream पर engineer करने की कोशिश है जिसे दुनिया ने कभी पैकेज नहीं किया था: on-chain के सबसे तेज़ traders का लाइव, verifiable conviction।

edge correlation के ढांचे में बसती है। cohort को इस तरह बनाइए कि correlation कम से कम हो, risk और सिकोड़ी हुई skill के हिसाब से weight दीजिए, volatility और fractional Kelly के हिसाब से size कीजिए, और उस दौर के लिए पहरे पर खड़े रहिए जब correlation आपसे दग़ा करता है। यह कर लीजिए, और पचास शोर भरे, ग़लती करने वाले, अलग-अलग हराए जा सकने वाले traders एक ऐसा signal बन जाते हैं जिसे हराना मुश्किल है।

यही Holy Grail है। हमने बस इसे खर्च करने की एक नई जगह ढूंढ ली।

इसे लाइव देखिए। alpha50 छत्ते का dashboard cohort की लाइव conviction, खुली positions और drawdown संभालकर चलती equity curve — सब कुछ real time में दिखाता है। जब आप चाहें कि पूरा ensemble आपके लिए काम करे, तो एक क्लिक में इस strategy को copy कीजिए — पूरी तरह non-custodial, जहां engine trades sign करता है, withdrawal कभी नहीं।