On Frequency-Based Optimal Portfolio with Transaction Costs

기술 요약: 거래 비용을 고려한 빈도 의존적 로그 최적 포트폴리오

문제 정식화
본 논문은 투자자의 자산에 대한 기대 로그 성장(Expected Logarithmic Growth, ELG)을 극대화하고자 하는 로그 최적 포트폴리오 문제를 조사하며, 기존 문헌에서 별도로 다루어지거나 무시되었던 두 가지 핵심 요소인 재조정 빈도(rebalancing frequency)와 비례 거래 비용(proportional transaction costs)을 명시적으로 통합한다. 저자들은 $N$개의 단계와 $m \ge 2$개의 자산(최소 하나 이상의 무위험 자산 포함)을 포함하는 이산 시간 프레임워크를 고려한다. 투자자는 단위 심플렉스(unit simplex) 상에 존재하는 선형 정책인 가중치 벡터 $K$를 채택한다(롱-온리 제약 조건).

핵심 과제는 비례 거래 비용이 0이 아닐 때, 표준적인 빈도 의존적 로그 최적 문제가 다루기 어려워질 수 있다는 점이다. 구체적으로, 비용의 존재는 계좌 가치 $V(n)$이 양의 확률로 0 또는 그 이하로 떨어지는 "생존 문제(survival issues)"를 야기할 수 있으며, 이는 로그 성장률을 정의할 수 없게 만든다. 또한, 비용이 포함된 정확한 최적화 문제는 항상 자명하거나 폐쇄형 해(closed-form solution)를 제공하지 않으므로, 제약 조건과 잠재적 파산을 처리하기 위한 엄격한 수학적 접근 방식이 필요하다.

방법론
본 논문은 볼록 최적화 이론, 확률 분석, 그리고 인트라데이(intraday) 및 일간 데이터를 활용한 경험적 검증을 결합하여 사용한다.

1. 오목 프로그램 등가성: 저자들은 먼저 거래 비용이 포함된 빈도 의존적 ELG 최적화 문제가 오목 프로그램(concave program)과 등가임을 증명한다. 수수료가 조정된 수익률 벡터 $\tilde{X}_n$을 $\tilde{X}_{n,i} = X_{n,i} - c_i$ (여기서 $c_i$는 거래 비용)로 정의함으로써, 목적 함수가 단위 심플렉스 위의 볼록 압축 집합(convex compact set) 상에서 오목함을 보여준다.
2. 비용을 고려한 지배 정리(Dominance Theorem): 지배 정리의 변형된 버전이 확립된다. 이는 투자자가 가용 자금의 100%를 단일 자산 $j$에 투자해야 하는 충분 조건을 제공한다. 이는 다른 자산 $i$의 수수료 조정 수익률과 자산 $j$의 기대 비율이 1보다 작거나 같을 때 발생한다.
3. 이차 오목 프로그램을 통한 근사: $V(n) \le 0$인 파산 문제를 해결하기 위해, 본 논문은 $K=0$ 근처에서 ELG 함수의 테일러 기반 이차 근사(Taylor-based quadratic approximation)를 제안한다. 이를 통해 문제는 오목 이차 프로그램으로 변환된다. 저자들은 이 근사 문제에 대한 필요충분 최적 조건(KKT 조건)을 도출한다.
4. 2-펀드 정리(Two-Fund Theorem): 근사 문제에 대한 2-펀드 정리의 버전이 증명된다. 이는 도출된 최적성 조건을 만족하는 두 최적 가중치 벡터의 임의의 볼록 조합이 그 자체로 최적해임을 입증한다.
5. 온라인 트레이딩을 위한 슬라이딩 윈도우: 실제 수익률 분포를 알 수 없는 동적 시장 상황에 적응하기 위해, 저자들은 데이터 기반의 슬라이딩 윈도우 접근 방식을 구현한다. 이 방법은 이동하는 윈도우 내의 과거 데이터를 사용하여 일련의 정적 오목 프로그램을 해결하며, 확률적 동적 계획법(stochastic dynamic programming)의 계산 복잡성을 피한다.

주요 결과 및 경험적 발견
이론적 프레임워크는 인트라데이 분 단위 데이터(ETF와 비트코인을 포함한 5개 자산)와 일간 데이터(Dow 30 주식과 비트코인을 포함한 32개 자산 포트폴리오)를 사용한 광범위한 경험적 연구를 통해 검증되었다.

• 근사 정확도: 경험적 결과는 이차 근사를 통해 도출된 최적 가중치($\hat{K}^*$)가 실제 로그 최적 가중치($K^*$)와 거의 동일함을 보여주며, 이는 실무적 구현을 위한 근사의 유용성을 입증한다.
• 거래 비용 및 빈도의 영향:
  • 높은 빈도의 재조정(예: 매 분마다)과 거래 비용이 결합되면 성과가 크게 저하되며, 종종 음(-)의 샤프 지수(Sharpe ratio)와 누적 손실을 초래한다.
  • 재조정 기간을 늘리면(예: 5분 또는 며칠 단위) 거래 비용의 영향이 완화되어, 빈번한 재조정보다 양(+)의 샤프 지수와 더 나은 성과를 나타낸다.
  • 높은 거래 비용 하에서, 최적 전략은 분산된 포트폴리오보다는 무위험 자산(은행 계좌)이나 단일 지배 자산을 보유하는 방향으로 이동한다.
• 중규모 포트폴리오에서의 지배력: 32개 자산 일간 데이터 예시에서, 지배 정리는 거래 비용이 존재할 때 단일 지배 자산(Chevron)을 정확히 식별하였으며, 이는 모든 자본을 해당 자산에 집중하는 최적 전략으로 이어졌다.
• 슬라이딩 윈도우 성과: 슬라이딩 윈도우 접근 방식을 사용한 온라인 트레이딩 시나리오에서, 로그 최적 전략(정확한 방식과 근사 방식 모두)은 특히 윈도우 크기가 추정 노이즈를 완화할 만큼 충분히 클 때(예: 30일), 동일 가중치를 가진 바이 앤 홀드(buy-and-hold) 전략보다 일반적으로 우수한 성과를 보였다.

의의 및 주장
본 논문은 로그 최적 포트폴리오 프레임워크에 재조정 빈도와 거래 비용을 엄격하게 통합함으로써 문헌의 공백을 메운다고 주장한다. 주요 기여는 다음과 같다:

1. 이론적 엄밀성: 비용이 포함된 문제를 오목 프로그램과 등가로 증명하고 파산 회피 조건을 확립하였다.
2. 실무적 해결 가능성: 필요충분 최적 조건을 갖춘 다루기 쉬운 이차 근사를 제공하여, 실제 포트폴리오에서 문제를 해결할 수 있게 하였다.
3. 빈도-비용 트레이드오프: 재조정 빈도와 거래 비용 사이의 상충 관계를 정량화하여, 거래 비용이 존재할 때 빈번한 재조정이 해롭다는 것을 입증하였다.
4. 온라인 적응: 슬라이딩 윈도우 접근 방식을 통해 정적 최적화 프레임워크를 온라인 트레이딩 환경으로 확장하여, 동적 계획법에 대한 계산 효율적인 대안을 제시하였다.

저자들은 이차 근사가 수익률이 작을 때 가장 정확하다는 점을 인정하며, 향후 연구에서 공매도, 배당 모델링, 그리고 수익률 분포의 추정 오차를 다루기 위한 분포 강건성(distributional robustness)을 탐구할 수 있음을 언급하며 겸허한 어조를 유지한다.