엘로 평점 시스템: 레이팅 차이를 예상 승률로 바꾸는 로지스틱 함수

레이팅 1600인 플레이어와 1400인 플레이어가 경기하면 누가 얼마나 유리할까요? 일반적인 엘로 평점 공식에 200점 차이를 넣으면 높은 쪽의 기대점수는 약 75.97%, 낮은 쪽은 약 24.03%가 됩니다. 단순히 200점이 높다고 말하는 데서 끝나지 않고, 두 실력 차이를 0과 1 사이의 예측값으로 바꾸는 핵심 장치가 로지스틱 함수입니다.

경기가 끝나면 실제 결과와 기대점수의 차이만큼 두 선수의 평점을 고칩니다. 예상대로 강자가 이기면 조금 움직이고, 예상 밖으로 약자가 이기면 크게 움직입니다. 이 과정을 반복하면 최근 경기 결과가 평점에 누적돼 플레이어의 상대적 경기력을 나타내게 됩니다.

‘엘로’는 약자가 아니라 개발자인 아르파드 엘로의 성입니다. 국제체스연맹에 따르면 엘로는 물리학자이자 체스 선수였으며, 국제체스연맹은 1970년에 그의 평점 체계를 채택했습니다. 오늘날 엘로라는 이름은 체스뿐 아니라 여러 스포츠, 게임과 비교 평가 시스템에 적용되는 평점 모형 계열을 가리키기도 합니다.

엘로 평점 시스템이 측정하는 것

엘로 평점은 절대적인 능력 단위를 직접 재는 검사가 아닙니다. 같은 경쟁 집단 안에서 한 플레이어가 다른 플레이어에 비해 어느 정도 성과를 낼 것으로 예상되는지를 숫자로 나타냅니다. 한 사람의 레이팅만 보는 것보다 상대와의 레이팅 차이를 보는 것이 중요합니다.

예를 들어 1600과 1400의 차이는 200점이고, 2600과 2400의 차이도 200점입니다. 같은 공식과 같은 조건이라면 두 대결의 기대점수는 같습니다. 모든 레이팅에 500점을 더해도 차이가 변하지 않으므로 예상 결과 역시 변하지 않습니다. 레이팅의 기준점은 임의적이고 차이가 정보를 담는 구조입니다.

레이팅 차이를 기대점수로 바꾸는 공식

플레이어 A의 레이팅을 R_A, 상대 B의 레이팅을 R_B라고 하겠습니다. 밑이 10이고 척도값이 400인 널리 쓰이는 로지스틱 엘로 공식에서 A의 기대점수 E_A는 다음과 같습니다.

E_A = 1 ÷ [1 + 10^((R_B-R_A)/400)]

같은 식을 레이팅 차이 D=R_A-R_B로 쓰면 E_A=1/[1+10^(-D/400)]입니다. A가 B보다 높으면 D가 양수여서 E_A가 0.5보다 커지고, 낮으면 D가 음수여서 0.5보다 작아집니다. 두 레이팅이 같으면 D=0이고 10⁰=1이므로 기대점수는 정확히 1/2입니다.

E_A = 1 ÷ [1 + e^(-(ln10/400)D)]

밑이 10인 식을 자연상수 e로 바꾸면 전형적인 로지스틱 함수 형태가 됩니다. 레이팅 차이가 음의 큰 값일 때 0에 가까워지고, 차이가 0일 때 0.5를 지나며, 양의 큰 값일 때 1에 가까워지는 S자 곡선입니다. 어떤 유한한 차이에서도 결과가 정확히 0이나 1이 되지 않으므로 이변 가능성을 남깁니다.

레이팅 차이별 예상 승률 계산표

무승부가 없는 2인 경기에서는 기대점수가 그대로 승리 확률이 됩니다. 아래 표는 밑 10, 척도 400의 로지스틱 공식으로 계산한 높은 레이팅 플레이어의 값입니다.

차이가 100점에서 200점으로 두 배가 됐다고 기대점수가 64.01%에서 78.02%처럼 선형으로 늘지는 않습니다. 실제 값은 약 75.97%입니다. 로지스틱 함수는 중앙에서는 비교적 빠르게 변하고 양쪽 끝에서는 0과 1에 점점 가까워지는 비선형 함수입니다.

400점 차이가 의미하는 10대 1의 승산

기대점수 E의 승산은 E/(1-E)로 계산합니다. 엘로 공식에서는 두 선수의 기대점수 승산비가 10^(D/400)이 됩니다. 따라서 레이팅이 400점 높아질 때마다 기대점수의 승산이 정확히 10배가 됩니다.

D=400이면 승산비=10^(400/400)=10, 기대점수=10/(10+1)=90.91%

200점 차이의 승산비는 10^(1/2)=√10≈3.162이므로 기대점수는 3.162/(1+3.162)≈75.97%입니다. 100점 차이의 승산비는 10^(1/4)≈1.778이고 기대점수는 약 64.01%입니다. 이 구조 때문에 같은 400점 차이는 레이팅 구간과 상관없이 같은 배율의 기대 승산을 나타냅니다.

체스에서는 기대점수가 순수한 승리 확률이 아닙니다

무승부가 없는 게임이라면 결과를 승리 1, 패배 0으로 두므로 기대점수는 승리 확률과 같습니다. 하지만 체스처럼 무승부가 있는 경기에서는 승리 1점, 무승부 0.5점, 패배 0점으로 기록합니다. 이때 엘로 공식의 출력은 한 판에서 얻을 점수의 평균인 기대점수입니다.

기대점수 = P(승리) + 0.5×P(무승부)

예상 점수가 0.76이라고 해서 승리 확률이 반드시 76%라는 뜻은 아닙니다. 승리 60%, 무승부 32%, 패배 8%인 경우에도 기대점수는 0.60+0.5×0.32=0.76입니다. 승리 70%, 무승부 12%, 패배 18%도 같은 0.76을 만듭니다. 기대점수 하나만으로 승리·무승부·패배 확률 세 개를 각각 알아낼 수는 없습니다.

경기 결과를 반영하는 레이팅 갱신 공식

경기가 끝나면 실제 점수 S와 경기 전 기대점수 E를 비교합니다. 실제 결과가 예상보다 좋으면 평점이 오르고, 나쁘면 내려갑니다. 변화의 크기는 K값이 조절합니다.

새 레이팅 R′ = 기존 레이팅 R + K×(실제 점수 S-기대점수 E)

S-E는 예측 오차입니다. 기대점수 0.9인 선수가 이기면 오차는 0.1뿐이지만, 패하면 -0.9입니다. 예상된 승리에는 작은 보정을 하고 예상 밖 패배에는 큰 보정을 하는 구조가 별도의 예외 규칙 없이 공식 안에 들어 있습니다.

1600 대 1400 경기의 평점 변화를 직접 계산해 보기

A의 레이팅이 1600, B가 1400이고 두 선수 모두 K=20인 일반 로지스틱 엘로를 사용한다고 하겠습니다. A는 200점 높으므로 기대점수는 약 0.7597이고 B는 1-0.7597=0.2403입니다.

A가 이기는 것은 이미 가능성이 높은 결과이므로 약 4.81점만 얻습니다. 무승부도 A의 예상 점수 0.7597보다 낮은 실제 점수 0.5이므로 레이팅이 내려갑니다. A가 패하면 가장 뜻밖의 결과이므로 약 15.19점이 내려갑니다. B의 변화는 같은 K를 사용할 때 각각 반대 부호가 됩니다.

같은 K값이면 두 사람의 점수 합이 보존됩니다

두 선수의 실제 점수 합은 승패면 1+0=1, 무승부면 0.5+0.5=1입니다. 기대점수 합도 E_A+E_B=1입니다. 두 선수가 같은 K를 사용하면 두 평점 변화의 합은 K×[(S_A+S_B)-(E_A+E_B)]=0이 됩니다. 한 사람이 얻은 만큼 상대가 잃는 제로섬 이동입니다.

하지만 두 선수의 K값이 다르거나, 평점 하한·반올림·초기 평점·보너스 같은 운영 규칙이 있으면 한 경기의 두 변화량이 정확히 반대가 아닐 수 있습니다. 엘로 기반 서비스의 전체 평점 총합이 언제나 보존된다고 일반화해서는 안 됩니다.

K값은 무엇을 조절하나요?

K는 한 경기 결과를 평점에 얼마나 크게 반영할지 정하는 개발 계수입니다. K가 크면 새 결과에 빠르게 반응하지만 경기마다 평점이 크게 흔들립니다. K가 작으면 변화가 완만해 우연한 한두 경기의 영향은 줄지만 실력 변화가 평점에 반영되는 속도도 느려집니다.

어떤 K가 맞는지는 경쟁의 빈도, 결과의 변동성, 신규 참가자의 불확실성, 운영 목적에 따라 달라집니다. 따라서 서로 다른 플랫폼에서 같은 이름의 엘로를 사용하더라도 K와 갱신 주기가 다르면 평점 변화 속도가 같지 않습니다.

2026년 현재 FIDE의 K값 규정

국제체스연맹의 2024년 3월 시행 평점 규정과 이후 반영된 개정 사항에 따르면, 신규 등재 선수가 최소 30국을 완료하기 전까지는 K=40을 사용합니다. 평점이 2400 미만인 일반 선수는 K=20을 사용하고, 공식 발표 평점이 한 번이라도 2400에 도달하면 이후 K=10을 사용합니다.

18세가 되는 해의 연말까지 평점이 2300 미만인 선수에게는 K=40이 적용됩니다. 한 평점 산정 기간의 경기 수 n과 K의 곱이 700을 넘으면 K×n이 700을 넘지 않는 가장 큰 정수로 K를 조정합니다. 이는 FIDE의 구체적인 운영 규칙이며 모든 엘로 시스템에 공통인 수학 법칙은 아닙니다.

일반 로지스틱 공식과 FIDE 공식 평점 계산의 차이

많은 설명에서는 1/[1+10^(-D/400)]이라는 연속 로지스틱 공식을 사용합니다. 현재 FIDE 규정은 공식 산정에서 레이팅 차이 구간을 기대점수로 바꾸는 표를 사용합니다. 예를 들어 차이 198~206점은 높은 선수 0.76, 낮은 선수 0.24로 처리합니다. 연속 공식의 200점 결과 0.7597을 소수 둘째 자리로 나타낸 값과 매우 가깝습니다.

표는 구간별로 값을 반올림하므로 매 점수마다 부드럽게 변하는 연속 로지스틱 공식과 완전히 같지는 않습니다. FIDE 평점을 정확히 재현하려면 일반 공식만 쓰지 말고 해당 시점의 공식 기대점수 표, K 규정, 반올림 방식과 레이팅 차이 제한을 적용해야 합니다.

2025년 10월부터 FIDE는 평점 2650 미만 선수의 경기에서 차이가 400점을 넘으면 평점 계산상 400점 차이로 처리합니다. 평점 2650 이상 선수에게는 실제 차이를 사용합니다. 이 규정은 아주 큰 차이에서 낮은 선수의 기대점수가 지나치게 작아지는 것을 제한하는 운영 장치이며, 기본 로지스틱 함수 자체의 성질은 아닙니다.

레이팅 200점 차이가 4번 중 3번 승리를 뜻하나요?

무승부가 없는 경기이고 모형이 잘 보정돼 있다면 200점 높은 선수의 약 75.97%는 장기간 반복 경기에서 기대되는 승리 비율로 해석할 수 있습니다. 그러나 한 판의 결과는 승리 또는 패배 중 하나이고, 75.97%는 결과를 보장하지 않습니다. 낮은 선수도 약 24.03%의 확률을 가집니다.

무승부가 있는 체스에서는 약 0.76이 승률이 아니라 기대점수입니다. 열 판의 기대 합계가 약 7.6점이라는 뜻이며, 실제 승·무·패의 조합은 다양할 수 있습니다. 또한 색상, 시간 방식, 최근 기량 변화처럼 모형에 포함되지 않은 조건이 있다면 실제 결과 분포와 계산값이 달라질 수 있습니다.

엘로 평점이 스스로 보정되는 원리

현재 평점이 실제 경기력보다 낮은 선수는 같은 상대를 상대로 기대점수보다 높은 성적을 반복해서 냅니다. S-E가 계속 양수가 되므로 평점이 올라갑니다. 반대로 평점이 실제 경기력보다 높으면 결과가 기대에 미치지 못해 S-E가 음수가 되고 평점이 내려갑니다.

이 갱신식은 매 경기의 예측 오차를 이용하는 온라인 학습 형태로도 해석됩니다. 로지스틱 모형의 로그우도에 대한 확률적 경사 상승과 연결되며, K는 학습률과 비슷한 역할을 합니다. 다만 실제 운영 시스템은 반올림, K 구간, 초기 평점과 보호 규칙을 추가하므로 순수한 통계 모형과 세부 동작이 다를 수 있습니다.

절대 레이팅보다 같은 집단 안의 차이가 중요합니다

서로 경기하지 않는 두 플랫폼에서 한 사람의 레이팅이 모두 1800이라고 해도 같은 실력을 뜻한다고 볼 수 없습니다. 초기값, 참가자 집단의 실력 분포, K값, 경기 방식, 휴면 처리와 평점 정책이 다를 수 있기 때문입니다. 엘로 수치는 같은 평점 풀과 같은 규칙 안에서 비교할 때 가장 직접적인 의미를 가집니다.

시대가 다른 평점도 단순 비교에 주의해야 합니다. 참가자의 유입과 이탈, 초기 평점 정책, 경기 수와 규정 변화가 평점 풀의 분포를 바꿀 수 있습니다. 엘로 평점은 동시대 경쟁자 사이의 상대 성과를 정리하는 데 강점이 있지만 숫자 하나만으로 서로 연결되지 않은 집단의 절대 실력을 확정하지는 않습니다.

홈 이점과 선공 이점은 어떻게 처리하나요?

기본 공식은 레이팅 차이만 사용합니다. 특정 스포츠에서 홈 팀이 유리하거나 게임에서 선공이 유리하다면 레이팅 차이에 고정 보정값을 더하는 변형을 만들 수 있습니다. A가 홈이고 홈 이점을 H점으로 정했다면 D=R_A+H-R_B를 기대점수 공식에 넣는 방식입니다.

보정값은 임의로 정해진 자연상수가 아니라 해당 경기 자료로 추정해야 할 모형 매개변수입니다. 종목과 리그, 시대에 따라 이점이 다를 수 있으므로 다른 시스템의 값을 그대로 옮기면 같은 예측 성능이 보장되지 않습니다.

팀 경기와 다인 경기에서 필요한 변형

고전 엘로는 두 참가자의 단일 결과를 다루기 쉽도록 설계됐습니다. 팀 경기에서는 선수 레이팅의 평균이나 합으로 팀 레이팅을 만들거나 팀 자체에 별도 레이팅을 줄 수 있습니다. 다만 선수 조합, 출전 시간과 역할 차이가 크다면 단순 평균은 모든 정보를 반영하지 못합니다.

여러 명이 동시에 순위를 겨루는 경기는 모든 참가자 쌍을 가상 대결로 처리하거나 순위 전체의 확률 모형을 사용하는 방법이 있습니다. 어떤 방식을 택하느냐에 따라 기대값과 평점 이동이 달라집니다. 다인용 게임에서 사용되는 ‘Elo’가 고전 2인 공식을 그대로 쓴다는 보장은 없습니다.

엘로 시스템의 대표적인 한계

• 한 개의 숫자로 플레이어의 모든 경기력을 표현하므로 상대 유형별 상성은 직접 나타내지 못합니다.
• 기본형은 현재 레이팅의 불확실성을 별도 변수로 저장하지 않습니다.
• 실력이 빠르게 변하는 신규 선수는 K와 초기값에 따라 수렴 속도가 달라집니다.
• 경기를 오래 쉬어도 별도 규칙이 없으면 마지막 레이팅이 그대로 남습니다.
• 레이팅 차이만 쓰는 기본형은 홈, 선공, 맵과 경기 조건을 자동으로 구분하지 않습니다.
• 서로 거의 만나지 않는 하위 집단이 생기면 집단 사이의 상대적 척도를 연결하기 어렵습니다.
• 승·무·패 확률을 따로 모델링하지 않는 기본 기대점수만으로는 무승부 확률을 알 수 없습니다.

글리코처럼 평점과 함께 불확실성을 추적하는 모형, 팀과 다인 경기를 위한 확장 모형, 승·무·패를 분리하는 모형이 개발된 이유도 이런 한계를 보완하기 위해서입니다. 어느 모형이 적합한지는 경기 구조와 예측 목적, 데이터의 양에 따라 결정됩니다.

엘로 평점에 관해 자주 묻는 질문

레이팅이 높은 선수가 지면 시스템이 틀린 건가요?

그렇지 않습니다. 확률이 90%인 사건도 10%의 반대 결과를 남깁니다. 평점 시스템의 예측력은 한 경기의 적중 여부가 아니라 같은 기대점수 구간의 많은 경기를 모았을 때 실제 평균점수가 예측값과 가까운지로 평가해야 합니다.

같은 상대와 무승부했는데 왜 강자의 점수가 내려가나요?

강자의 기대점수가 0.5보다 높기 때문입니다. 200점 높은 선수는 일반 공식에서 약 0.7597점을 기대하지만 무승부의 실제 점수는 0.5입니다. 실제 점수가 기대보다 약 0.2597점 낮으므로 K를 곱한 만큼 레이팅이 내려갑니다.

400점 높은 선수는 반드시 이기나요?

아닙니다. 일반 로지스틱 공식의 기대점수는 약 90.91%이며 낮은 선수의 기대점수도 약 9.09% 남습니다. 체스에서는 이 수치가 순수 승률이 아니라 무승부 절반을 포함한 기대점수라는 점도 함께 봐야 합니다.

엘로 평점은 한 번 정해지면 계속 유지되나요?

경기 결과가 새로 들어오면 계속 갱신됩니다. 변화 속도는 K값과 경기 수에 달려 있습니다. 활동하지 않는 기간의 처리, 평점 유효기간과 휴면 표시는 운영 기관의 규정에 따라 다릅니다.

엘로 평점 시스템 핵심 정리

엘로 평점은 두 참가자의 레이팅 차이를 S자형 로지스틱 함수에 넣어 0과 1 사이의 기대점수로 바꿉니다. 널리 쓰이는 400점 척도 공식에서는 같은 레이팅이면 50%, 100점 차이는 약 64.01%, 200점 차이는 약 75.97%, 400점 차이는 약 90.91%입니다.

경기 뒤에는 K×(실제 점수-기대점수)를 기존 레이팅에 더합니다. 예상된 결과는 작게, 뜻밖의 결과는 크게 반영됩니다. 같은 K를 쓰는 두 선수의 평점 변화는 서로 반대가 되지만 K가 다르거나 별도 운영 규칙이 있으면 정확한 제로섬이 아닐 수 있습니다.

무승부가 없는 경기에서는 기대점수를 예상 승률로 읽을 수 있습니다. 체스에서는 승리 확률에 무승부 확률의 절반을 더한 기대점수이므로 순수 승률과 구분해야 합니다. 또한 FIDE는 연속 공식을 그대로 계산하지 않고 공식 표와 K값, 반올림, 레이팅 차이 제한을 적용합니다. 엘로의 기본 원리와 특정 기관의 실제 규정을 구분해야 정확한 계산이 됩니다.

참고 자료

• FIDE Handbook, FIDE Rating Regulations
• FIDE, Anniversary of Arpad Elo – Rating System That Changed Chess World
• Elo, The Rating of Chessplayers, Past and Present
• Weng and Lin, A Bayesian Approximation Method for Online Ranking
• Klinkenberg et al., Elo Rating in Computerized Practice Environments
• Pelánek, Applications of the Elo Rating System in Adaptive Educational Systems