기술 요약: 포트폴리오 최적화를 위한 양자 확률적 보행 (Quantum Stochastic Walks)

문제 정의

마코위츠의 평균-분산 프레임워크에 뿌리를 둔 고전적 포트폴리오 최적화는 이론적 우아함에도 불구하고 심각한 실무적 한계에 직면해 있습니다. 주요 문제는 다음과 같습니다:

• 추정 오차 및 취약성: 고차원 공간(예: 자산 $n=500$)에서 공분산 행렬은 $10^5$ 개 이상의 파라미터를 포함합니다. 기대 수익률($\mu$)과 공분산($\Sigma$)을 추정할 때 발생하는 미세한 오차는 극단적이고 불안정한 포트폴리오 가중치로 이어집니다.
• 집중도 및 회전율: 평균-분산 최적화 도구는 종종 매우 집중된 포트폴리오(낮은 유효 주식 수)와 과도한 회전율(연간 300~500%)을 생성하여 샤프 지수의 미미한 개선을 쫓습니다. 이러한 "오차 극대화(error maximization)" 현상은 거래 비용과 시장 충격으로 인해 전략을 운영 불가능하게 만듭니다.
• 대안의 한계: 단순 등가 가중치($1/N$) 포트폴리오는 견고하고 분산되어 있지만, 횡단적 정보를 무시합니다. 반대로, 딥러닝 접근 방식(predict-then-optimize 또는 end-to-end 강화 학습)은 종종 해석 불가능한 "블랙박스"로 작용하며, 비정상성(non-stationary) 금융 데이터에 대해 과적합 문제를 겪고 리스크 관리를 위한 해석 가능성이 부족합니다.

본 논문은 이러한 실패가 고전적 최적화가 자연스러운 분산이나 입력 노이즈에 대한 견고성을 강제하는 구조적 제약의 결여에서 비롯된다고 주장합니다.

방법론: 양자 확률적 보행 (QSW) 프레임워크

저자들은 포트폴리오 배분을 가중치 기반 금융 네트워크 상의 동적 과정으로 모델링하는 양자 확률적 보행(QSW) 프레임워크를 제안합니다.

1. 그래프 구축

자산은 유향 가중 그래프 $G=(V, E)$의 노드로 매핑됩니다. 이 그래프는 두 가지 채널을 통해 금융 데이터를 인코딩합니다:

• 노드 속성 (Self-Loops): 자산별 위험 조정 수익률(샤프 지수)을 인코딩합니다.
• 에지 가중치 (Edge Weights): 쌍방향 관계를 인코딩합니다. 자산 $i$와 $j$ 사이의 가중치 $W_{ij}$는 다음과 같이 정의됩니다:
  $$W_{ij} = \begin{cases} \exp(\alpha \cdot SR_j - \beta \cdot \Sigma_{ij}) & i \neq j \\ \exp(\lambda \cdot SR_i) & i = j \end{cases}$$
  여기서 $\alpha$는 수익 추종을 조절하고, $\beta$는 상관관계가 높은 자산 간의 전이를 억제하여(분산을 강제함), $\lambda$는 보유 계수로 작용합니다.

2. 이중 채널 역학 (Dual-Channel Dynamics)

포트폴리오 가중치는 GKLS(Gorini–Kossakowski–Lindblad–Sudarshan) 마스터 방정식에 의해 제어되는 하이브리드 양자-고전적 보행의 정상 상태(stationary distribution)로부터 도출됩니다:
$$\frac{d\rho}{dt} = -i(1-\omega)[H, \rho] + \omega \sum_{i,j} c_{ij} \left( L_{ij}\rho L_{ij}^\dagger - \frac{1}{2}\{L_{ij}^\dagger L_{ij}, \rho\} \right)$$

• 결맞음 채널 (양자 - Coherent Channel): 헤르미션 해밀토니안 $H$에 의해 구동되며, 중첩과 간섭을 허용하여 보행자가 상관관계가 있는 자산 클러스터를 동시에 탐색할 수 있게 합니다.
• 확률적 채널 (고전 - Stochastic Channel): $c_{ij}$를 갖는 구글형 생성기(PageRank와 유사)를 통해 구현됩니다. 이 채널은 에르고드성(ergodicity)을 보장하고, 고유한 정상 상태로의 수렴을 보장하며, 밀집된 클러스터 내의 확률 질량을 감소시켜 자본을 과소 대표된 영역으로 재분배합니다.
• 혼합 파라미터 ($\omega$): 양자 탐색($\omega=0$)과 고전적 확산($\omega=1$) 사이의 균형을 조절합니다.

3. 구현

• 정상 상태: 포트폴리오 가중치 $w_i$는 정상 밀도 행렬 $\rho_\infty$의 대각 성분으로 정의됩니다 ($w_i = \rho_{\infty, ii}$).
• 계산: 저자들은 밀도 행렬을 진화시키기 위해 Kraus 연산자를 사용하는 솔버를 구현하였으며, 효율성을 위해 GPU 가속(NVIDIA A100)을 활용했습니다. 이를 통해 약 100개의 자산을 가진 포트폴리오를 몇 초 만에 최적화할 수 있습니다.

주요 기여

1. 네트워크 기반 표현: 본 논문은 평균-리스크 트레이드오프를 가중치가 부여된 유향 그래프로 매핑합니다. 여기서 셀프 루프는 샤프 정보를 인코딩하고, 노드 간 에지는 상관관계를 억제하여 분산의 구조적 표현을 제공합니다.
2. "스마트 1/N" 배분: QSW 프레임워크는 자연스럽게 "스마트 1/N" 포트폴리오로 수렴합니다. 이는 단순 등가 가중치 전략의 구조적 안정성과 분산 효과를 유지하면서도, 양자-고전 역학에 기반한 미세한 데이터 기반 편향(tilt)을 도입합니다.
3. 구조적 견고성: 인위적인 제약 없이도 극단적인 리밸런싱을 억제하도록 설계된 QSW 역학은 추정 오차에 구조적으로 저항합니다.
4. 실무적 설계 규칙: 광범위한 그리드 서치를 통해 저자들은 간단한 설계 규칙을 식별했습니다. 최적의 전략은 일반적으로 최소한의 수익 추종($\alpha \approx 0.1$), 최대한의 분산 압력($\beta \approx 500$), 그리고 주로 "회전율 조절 다이얼" 역할을 하는 조절 가능한 혼합 파라미터 $\omega$를 포함합니다.

실증 결과

프레임워크는 세 단계의 실험을 통해 검증되었습니다:

단계 1: 파라미터 탐색 (2018–2024)

• 안정성: QSW 포트폴리오는 $1/N$ 벤치마크와 거의 동일한 샤프 지수($\approx 0.96–0.98$)와 변동성($\approx 17\%$)을 보였습니다. 반면, 평균-분산(MPT) 벤치마크는 훈련 윈도우 길이에 따라 극도로 민데 민감하게 반응했으며(1년에서 2년으로 이동 시 샤프 지수가 0.86에서 1.36으로 급변), 매우 집중된 포트폴리오(HHI $\approx 0.26$)를 생성했습니다.
• 회전율: QSW는 설정값에 따라 2%80%의 적절한 회전율로 이러한 결과를 달ian했으나, MPT는 320%480%의 회전율이 필요했습니다.
• 견고성: 몬테카를로 충격 테스트 결과, MPT는 미세한 입력 섭동을 거대한 가중치 변화(표준편차 $\approx 7.8\%$)로 증폭시킨 반면, QSW는 안정적인 상태(표준편차 $< 4\%$)를 유지했습니다.

단계 2: 종합 그리드 서치

$(\alpha, \beta, \lambda, \omega)$에 대한 625개 지점의 그리드 서치는 "스마트 1/N" 영역이 미세 조정의 결과가 아니라, 파라미터 공간 내의 넓고 구조적으로 견고한 영역임을 확인시켜 주었습니다. 상위 성능을 보이는 구성은 일관되게 수익 추종을 최소화하고 분산 페널티를 최대화했습니다.

단계 3: 장기적 견고성 (1990–2024)

• 멀티 유니버스 연구: 생존 편향을 피하기 위해 34년간 동적으로 유지되는 100개 주식 유니버스를 사용하여 30개의 독립적인 시험을 수행했습니다.
• 성과: 동적 QSW 최적화 도구는 평균 CAGR 23.3%와 샤프 지수 0.98을 달성하여, MPT(샤프 0.48), $1/N$ (샤프 0.74), 그리고 S&P 500 지수(샤프 0.37)를 모두 능가했습니다.
• 리스크 지표: QSW는 MPT 및 지수보다 낮은 최대 낙폭(MDD)과 더 나은 칼마 비율(Calmar ratio)을 유지하면서도, 변동성은 $1/N$과 MPT 사이 수준을 유지했습니다.
• 적응성: 분기별 재최적화(약 200% 회전율 발생)를 수행하더라도, QSW는 MPT의 약 330% 회전율보다 훨씬 낮은 수준을 유지하면서도 더 우수한 위험 조정 수익을 제공했습니다.

의의 및 주장

본 논문은 QSW 프레임워크가 단순한 분산 투자와 취약한 고차원 최적화 사이의 원칙적인 대안을 제공한다고 주장합니다. 그 의의는 다음과 같습니다:

• 구조적 정규화: 양자 영감을 받은 역학은 별도의 임의적 제약 없이도 최적화 도구가 취약하고 집중된 포트폴리오로 붕괴되는 것을 방지하는 자연스러운 정규화 역할을 합니다.
• 해석 가능성: 딥러닝의 "블랙박스"와 달리, QSW 파라미터는 분산 브레이크로서의 $\beta$, 노이즈/회전율 조절 다이얼로서의 $\omega$와 같이 명확한 물리적 해석을 제공하여 모델을 감사 가능하고 신뢰할 수 있게 만듭니다.
• 실무적 실행 가능성: $1/N$의 견고함과 데이터 기반 편향의 유연성을 결합함으로써, QSW는 거래 비용과 추정 오차가 불가피한 실제 환경에서 구현 가능한 수준의 높은 위험 조정 수익을 제공합니다.

저자들은 QSW의 이점이 "마법 같은" 양자 효과에서 오는 것이 아니라, 원하는 포트폴리오 특성(분산 및 견고성)을 설계 단계부터 강제하는 하이브리드 보행의 구조적 속성에서 비롯된다고 결론짓습니다.