A Deep Learning Framework for Medium-Term Covariance Forecasting in Multi-Asset Portfolios

기술 요약: 다중 자산 포트폴리오를 위한 중기 공분산 예측을 위한 딥러닝 프레임워크

문제 제기
정확한 공분산 행렬 예측은 포트폴리오 배분, 위험 관리, 자산 가격 결정의 기초입니다. 기존 문헌은 단기 전망 (종종 고빈도 데이터와 GARCH 기반 모델을 활용) 과 장기 전망 (요인 모델 또는 단순 축소 기법에 의존) 에 대한 견고한 해결책을 제시하지만, 중기 예측(수 주에서 수 개월의 기간) 에 있어서는 상당한 격차가 존재합니다. 이러한 격차는 이러한 기간 동안 포트폴리오를 재조정하는 기관 투자자들에게 특히 중요합니다. 또한, 고전적인 계량경제학 모델은 대규모 횡단면에서 '차원의 저주'에 직면하여 종종 어려움을 겪으며, 중기 역학을 정의하는 점진적인 구조적 변화나 체제 전환 (예: 주식 - 채권 상관관계 변화) 을 포착하지 못할 수 있습니다. 더 나아가, 이러한 기간에 걸쳐 공분산 예측에 원수익률과 초과수익률 중 어떤 선택이 체계적으로 영향을 미치는지에 대한 실증적 증거는 제한적입니다.

방법론
저자들은 다중 자산 포트폴리오의 복잡한 시공간적 의존성을 포착하도록 설계된 CAB라는 새로운 딥러닝 (DL) 프레임워크를 제안합니다. 이 아키텍처는 세 가지 고유한 구성 요소를 통합합니다:

1. 3 차원 합성곱 신경망 (CNN): 모델은 이동 공분산 행렬을 시간 축에 쌓인 $(N \times N)$ 그리드로 취급합니다. 3D CNN 계층은 시간 및 공간 차원에 걸쳐 필터를 적용하여 자산 부분집합 간의 국소적 상호작용 패턴을 식별하여 선형 가정을 넘어섭니다.
2. 양방향 장기 단기 기억 (BiLSTM): CNN 다음으로 평탄화된 시퀀스가 BiLSTM 에 의해 처리됩니다. 순방향 시퀀스만 처리하는 표준 LSTM 과 달리, BiLSTM은 룩백 윈도우 내의 과거 및 미래 데이터 포인트 모두에서 맥락을 포착하여 시간적 의존성을 이해하는 모델의 능력을 향상시킵니다.
3. 멀티헤드 셀프 어텐션: 시간적 의존성을 정제하기 위해 BiLSTM 출력에 멀티헤드 어텐션 메커니즘이 적용됩니다. 이를 통해 모델은 다양한 시간 단계의 중요성을 동적으로 가중치하여 예측에 가장 관련성이 높은 패턴에 집중할 수 있습니다.

데이터 처리 및 제약 조건:

• 입력: 모델은 일별 수익률 (원수익률과 초과수익률 모두 테스트됨) 에서 파생된 스케일링된 이동 공분산 행렬 시퀀스를 사용합니다.
• 출력 제약: 예측된 행렬이 유효한 공분산 행렬이 되도록 하려면 출력은 특정 후처리를 거쳐야 합니다:
  • 대칭화: 출력 행렬은 그 전치 행렬과 평균화됩니다.
  • 양반정부 (PSD): 고유값 분해가 수행되며, 재구성 전에 음수 고유값이 모두 0 으로 설정됩니다.
  • 축소 (Shrinkage): 최종 선형 축소 단계는 DL 출력과 최근 역사적 공분산 행렬을 혼합하여 최근 시장 조건에서 얻은 가치 있는 정보를 통합합니다.

실험 설정

• 데이터: 2017 년 1 월부터 2023 년 12 월까지의 14 개 주요 ETF(주식, 부동산, 고정 수익 포함) 의 일별 데이터. 더 큰 견고성 검증을 위해 260 개 ETF 를 활용했습니다.
• 벤치마크: CAB 모델은 다음 세 가지 범주로 분류된 10 개의 벤치마크와 비교됩니다:
  • 단순 (Naive): 지연 실현 공분산 (NA), 전체 표본 (NAF), 지수 가중 이동 평균 (EWMA).
  • 잡음 제거 (De-noising): 주성분 분석 (PCA), 무작위 행렬 이론 (RMT), Ledoit-Wolf 축소 (LW, LW F).
  • GARCH 기반: 상수 조건 상관관계 (CCC), 동적 조건 상관관계 (DCC), 비선형 축소 DCC (DCCNL).
• 평가 지표: 예측된 공분산 행렬과 실현된 공분산 행렬 간의 유클리드 거리 ($L_E$) 및 프로베니우스 거리 ($L_F$).
• 시장 체제: 테스트 기간 (2021–2023) 은 세 가지 체제로 나뉩니다: Bull-1(저수익률, 안정적인 주식), Bear(금리 상승, 시장 하락), Bull-2(고금리, 주식 상승세).

주요 결과

• 예측 정확도: CAB 모델은 전체 테스트 기간 동안 모든 고전적 벤치마크를 일관되게 능가했습니다. 이는 최상의 성능을 보이는 고전적 모델 (예: DCC 및 EWMA) 대비 유클리드 및 프로베니우스 거리 지표를 최대 **20%**까지 감소시켰습니다.
• 체제 간 견고성: CAB 는 세 가지 시장 체제 (Bull-1, Bear, Bull-2) 모두에서 우수한 성능을 보여주었습니다. 모든 모델이 혼란스러운 Bear 기간 동안 정확도가 감소했지만, CAB 는 특히 동적 교차 자산 이동이 특징인 Bull-2 기간에서 가장 낮은 오류율을 유지했습니다.
• 확장성: 고차원 설정 (260 개 ETF) 에서 CAB 는 벤치마크를 계속 능가하여 차원의 저주를 효과적으로 처리할 수 있음을 확인했습니다.
• 수익률 명세: 모델의 성능 우위는 원수익률이든 초과수익률이든 입력으로 사용되었는지 여부에 관계없이 유지되었습니다. 이는 프레임워크의 효과가 무위험 금리 차감에 의존하지 않음을 시사합니다.
• 예측 기간: 모델은 중기 기간 (예: $F=20, 40, 90$일) 에서 탁월한 성능을 발휘했습니다. GARCH 모델은 매우 짧은 기간에서 경쟁력 있는 성능을 보였지만, 기간이 길어질수록 성적이 부진했습니다. CAB 는 중기부터 장기 기간까지 최상위 성능을 유지했습니다.

포트폴리오 관리에서의 경제적 가치
저자들은 매도 공매도 제약이 없는 글로벌 최소 분산 (GMV) 포트폴리오 전략을 사용하여 예측의 경제적 유용성을 평가했습니다.

• 위험 감소: CAB 예측을 사용하여 구성된 포트폴리오 는 다른 모델을 사용한 포트폴리오 및 등가중치 ($1/N$) 벤치마크보다 낮은 표본 외 변동성을 달성했습니다.
• 회전율: 중요한 점은 CAB 가 적당한 회전율로 이러한 위험 감소를 달성했다는 것입니다. 일부 동적 모델이 한계 분산 감소를 달성하기 위해 빈번한 재조정 (높은 회전율) 을 요구한 것과 달리, CAB 는 시장 변화에 대한 대응력과 거래 비용 효율성 사이의 안정적인 균형을 제공했습니다.
• 체제 적응: Bear 체제에서 CAB 는 일별 및 주간 기간에서 상위에 랭크되어 변동성에 대한 낮은 회전율을 균형 있게 유지했습니다.

의의 및 주장
본 논문은 3 차원 합성곱, 양방향 LSTM, 어텐션 메커니즘을 결합한 고급 딥러닝 아키텍처가 미탐구된 중기 공분산 예측 과제에 대한 실용적인 해결책을 제공한다고 주장합니다. 이 연구는 다음과 같은 점을 강조합니다:

1. 하이브리드 접근법: 데이터 기반 DL 기법을 축소와 같은 전통적인 계량경제학 개념과 통합하면, 특히 시장 스트레스 기간에 예측 정확도에서 상당한 이득을 얻습니다.
2. 실용적 적용성: 이 프레임워크는 과도한 거래 비용을 발생시키지 않으면서 포트폴리오 변동성을 감소시킴으로써 기관 투자자에게 실질적인 경제적 혜택을 제공합니다.
3. 견고성: 모델의 성능은 다양한 수익률 명세 (원수익률 대 초과수익률) 에 견고하며 대규모 자산 우주로 효과적으로 확장됩니다.

저자들은 그들의 작업이 머신러닝 혁신과 금융 원칙 사이의 격차를 메우지만, 향후 연구는 꼬리 위험 포착을 개선하기 위해 두꺼운 꼬리 분포를 수용하고 최적화 과정에 거래 비용을 명시적으로 통합하는 것을 탐구해야 한다고 결론지었습니다.