Functional Clustering of Discount Functions for Behavioral Investor Profiling

기술적 요약: 행동적 투자자 프로파일링을 위한 할인 함수의 기능적 군집화

문제 제기
전통적인 금융 모델은 이용 가능한 모든 정보를 활용하는 합리적 투자자를 전제로 작동하며, 이는 시간 간격을 둔 선택과 불확실성 하의 의사결정에서 발생하는 이상 현상을 포착하는 데 종종 실패합니다. 기존의 모수적 모델은 선호도의 개인적 차이, 특히 서로 다른 성격 기질이 현재와 미래 결과 간의 트레이드오프 평가에 미치는 영향을 설명하는 데 어려움을 겪습니다. Pompian 의 네 가지 행동적 투자자 유형 (BITs) 모델인 축적가, 보존가, 추종자, 독립가는 Keirsey 의 기질 이론을 금융 의사결정과 연결하지만, 시간적 할인 (temporal discounting) 의 세밀하고 역동적인 특성을 완전히 포착하지 못할 수 있는 정적 분류에 의존합니다. 저자들은 이러한 기질들이 시간 간격을 둔 의사결정에 구체적으로 어떻게 나타나는지, 그리고 이러한 광범위한 범주 내에서 유의미한 이질성이 존재하는지에 대한 이해의 공백을 확인했습니다.

방법론
본 연구는 시간적 할인 행동을 조사하기 위해 **함수형 데이터 분석 (FDA)**과 함수형 군집화 기법을 결합하여 수행되었습니다. 연구는 다음과 같은 방법론적 틀에 기반합니다:

• 데이터 수집: 2023 년 2 월 200 명의 자원봉사자 (유효 응답 170 명) 를 대상으로 온라인 설문조사가 실시되었습니다. 설문 도구에는 개별 할인 함수를 구성하기 위해 설계된 시간 간격 선택 과제가 포함되어 있었으며, 참가자를 장인 (Artisan), 수호자 (Guardian), 이상주의자 (Idealist), 합리주의자 (Rational) 기질로 분류하기 위한 Keirsey Temperament Sorter II 가 포함되었습니다. 시간 간격 과제는 20 초 타이머를 사용하여 서두름을 유발하도록 설계되었으며, 이를 통해 행동적 이상 현상을 드러내는 것을 목표로 했습니다.
• 할인 함수 구성: 개별 응답은 보간되어 시간과 불확실성에 대한 주관적 인식을 나타내는 연속적인 할인 함수 $f(t)$를 생성했습니다. 연구는 재구성된 함수가 할인 함수의 필수 제약 조건인 $f(0)=1$, $f(t)>0$, 그리고 엄격한 단조 감소를 만족하도록 보장하기 위해 단조 평활화 방법 (monotone smoothing method)(Ramsay, 2005) 을 활용했습니다.
• 함수형 지표: 분석은 투자자 프로파일 간의 근접성을 측정하기 위해 곡선의 $r$차 도함수에 기반한 $L_2$-거리와 준거리 (semi-metrics) 를 활용했습니다. 이를 통해 그룹 내 변동성 (기질 내 이질성) 과 그룹 간 변동성 (기질 간 차이) 을 정량화할 수 있었습니다.
• 군집화 접근법:
  1. 조건부 군집화: 네 가지 사전 정의된 기질 그룹 내부에서 잠재적 하위 그룹 (하위 기질) 을 식별하기 위해 함수형 k-평균 군집화를 적용했습니다. 최적의 하위 군집 수는 Within-Cluster Sum of Squares (WCSS) 에 적용된 **팔꿈치 방법 (Elbow method)**의 확장판을 사용하여 결정했습니다.
  2. 무조건부 군집화: 기질 레이블에 대한 사전 지식 없이 전체 데이터셋에 대해 별도의 함수형 k-평균 분석을 수행하여 시간 간격 선택 패턴에만 기반한 잠재적 투자자 프로파일을 발견했습니다.

주요 결과

• 기질 내 이질성: 예비 기술적 분석과 함수형 분산 계산은 네 가지 Keirsey 기질 각각 내에서 상당한 내부 이질성이 있음을 드러냈습니다. 예를 들어, 장인과 이상주의자는 할인 패턴에서 높은 변이성을 보여주어, 이러한 그룹에 대한 단일 "평균" 프로파일로는 부족함을 시사했습니다.
• 하위 그룹 식별: 조건부 함수형 군집화는 원래 BITs 내에서 distinct 한 하위 그룹을 식별했습니다. 팔꿈치 방법은 장인과 이상주의자가 내부 변이성을 적절히 포착하기 위해 최대 네 개의 하위 군집이 필요함을 나타냈으며, 수호자와 합리주의자는 각각 세 개와 네 개의 하위 군집이 필요함을 보여주었습니다.
• 새로운 투자자 프로파일: 사전 정의된 기질을 무시한 무조건부 함수형 k-평균 분석은 할인 함수의 모양에 기반하여 네 가지 distinct 한 투자자 프로파일로 수렴했습니다:
  1. 그린 군집: 급격히 감소하는 곡선으로, 강한 충동성과 미래 결과의 과소평가를 나타냅니다.
  2. 청록 군집: 완만한 감소로, 약간의 단기 선호를 보이지만 장기 옵션에 대한 개방성을 가진 균형 잡힌 접근 방식을 나타냅니다.
  3. 보라 군집: 평평한 할인 함수로, 높은 인내심과 미래 보상에 대한 안정적인 평가를 나타냅니다.
  4. 빨강 군집: 초기에는 급격히 떨어지다가 안정화되는 역동적 패턴으로, 즉각적인 수익에 따라 단기에서 장기 초점으로 전환됨을 시사합니다.
• 도함수 분석: 1 차 및 2 차 도함수 분석은 할인 행동의 변화율 (속도) 과 가속도가 그룹과 시간에 따라 크게 달라지며, 의사결정 과정이 정적이 아니라 역동적임을 추가로 확인했습니다.

의의 및 주장
본 논문은 FDA 와 함수형 군집화의 통합이 행동 금융 분야에서 전통적인 모수적 접근법보다 방법론적 진전을 제공한다고 주장합니다. 주요 의의는 전통적인 행동적 투자자 유형 (BITs) 이 실제 세계의 투자자 행동의 복잡성을 포괄하기에는 너무 경직되어 있음을 입증하는 데 있습니다.

• 분류의 정교화: 이 연구는 이러한 광범위한 범주 내에서 상당한 하위 패턴이 존재함을 드러냄으로써 정적 분류 (예: Pompian 의 BITs) 의 적절성에 도전합니다. 연구 결과는 투자자 프로파일이 이전에 생각했던 것보다 훨씬 다양함을 시사합니다.
• 역동적 이해: 함수형 도함수를 분석함으로써 저자들은 시간적 선호도가 정적이지 않고 감정적 동기와 상황적 맥락에 영향을 받아 진화한다고 주장합니다.
• 실무적 함의: 정교화된 분류는 금융 자문가들이 경직된 템플릿을 넘어설 수 있는 기반을 제공합니다. 대신 그들은 전통적인 기질 그룹 내의 다양성을 인정하면서 개별 고객의 특정 시간적 할인 행동과 위험 선호도에 맞춰 전략을 맞춤화할 수 있습니다.

저자들은 연구 결과가 하위 패턴 식별의 중요성을 검증하지만, 식별된 하위 그룹의 일반화 가능성을 검증하기 위해 더 크고 다양한 표본에 이러한 방법을 적용하기 위한 후속 연구가 필요하다고 결론지었습니다.