Diversification and Stochastic Dominance: When All Eggs Are Better Put in One Basket

Each language version is independently generated for its own context, not a direct translation.

이 논문은 우리가 평소 믿어온 **"위험을 줄이기 위해 알을 여러 바구니에 나누어 담는 것 (분산 투자)"**이라는 상식이, 아주 특수한 상황에서는 오히려 위험을 키우는 역설을 일으킬 수 있음을 증명합니다.

저자 레오나르 빈센트는 이를 **"모든 알을 한 바구니에 담는 것이 더 나을 수도 있다"**는 충격적인 결론으로 설명합니다.

이 복잡한 수학적 논리를 일상적인 비유로 쉽게 풀어보겠습니다.

1. 일반적인 상식: "알을 여러 바구니에 나누어라"

우리는 보통 다음과 같이 생각합니다.

상황: 당신이 10 개의 바구니에 알을 나누어 담고, 한 바구니가 깨지면 나머지 9 개는 안전합니다.
원리: 이는 '대수의 법칙'이나 '현대 포트폴리오 이론'으로 설명됩니다. 위험한 사건이 한곳에 집중되지 않도록 분산하면, 전체 손실의 변동성이 줄어들어 더 안전해집니다.
결론: 분산 투자는 항상 안전합니다.

2. 이 논문이 말하는 예외 상황: "거대한 재앙 (무한한 평균)"

하지만 이 논문은 **"만약 알이 깨졌을 때 그 피해가 상상을 초월할 정도로 거대하다면?"**이라는 질문을 던집니다.

비유: imagine imagine 당신이 10 개의 바구니에 알을 담았는데, 그 알들이 **'핵폭탄'**이나 '전염병' 같은 것이었습니다.
- 한 바구니에 담을 때 (집중): 운이 나쁘게 그 바구니 하나만 선택되면, 그 알이 터져서 모든 것을 잃습니다. 하지만 99% 의 확률로는 아무 일도 일어나지 않습니다.
- 여러 바구니에 나눌 때 (분산): 당신은 10 개의 바구니에 각각 알의 1/10 만큼의 '파편'을 담습니다.
  - 여기서 놀라운 일이 발생합니다. 파편들이 합쳐져서 전체적인 폭발의 규모가 커질 수 있다는 것입니다.
  - 특히 **'무한한 평균 (Infinite Mean)'**을 가진 위험 (예: 핵사고, 사이버 공격, 초대형 지진 등) 의 경우, 분산해서 담는 것이 오히려 "어떤 기준선 (문턱) 을 넘을 확률"을 100% 높여버립니다.

3. 핵심 개념: "한 바구니 vs 여러 바구니의 대결"

논문은 두 가지 시나리오를 비교합니다.

한 바구니 (집중 포트폴리오):
- 동전을 던져서 10 개 중 하나만 골라 그 알 하나를 모두 가져갑니다.
- 결과: 운이 좋으면 안전하고, 운이 나쁘면 대참사입니다. 하지만 '대참사'가 날 확률은 상대적으로 낮습니다.
여러 바구니 (분산 포트폴리오):
- 10 개 알을 모두 조금씩 섞어서 평균을 냅니다.
- 결과: 논문은 **"분산된 상태가 한 알을 고르는 상태보다, '어떤 큰 손실'을 겪을 확률이 더 높다"**고 증명합니다.
- 왜? 거대한 재앙 (무한한 평균을 가진 위험) 은 분산될 때 그 위력이 합쳐져서, 개별적인 재앙보다 더 자주, 더 큰 규모로 발생하기 때문입니다.

4. 수학적 비유: "스케일링 (Scale) 의 저항"

논문은 이를 **'하위 확장성 (Subscalability)'**이라는 개념으로 설명합니다.

비유: 어떤 괴물 (위험) 이 있습니다. 이 괴물은 몸집을 1/10 으로 줄이면 (분산), 그 위험이 1/10 으로 줄어드는 게 아니라, 오히려 더 무서운 형태로 변질됩니다.
예시:
- 파레토 분포 (Pareto): 소수의 극단적인 사건이 전체를 좌우하는 분포입니다.
- 세인트 피터스버그 로또: 코인을 던져 앞면이 나올 때까지 배당금이 2 배씩 늘어납니다. 이론상 기대값은 무한대지만, 실제로는 큰 손실을 입을 확률이 분산될 때 더 커집니다.

5. 결론: 언제 "한 바구니"가 더 나을까?

이 논문은 **"모든 알을 한 바구니에 담는 것"**이 더 안전한 상황을 다음과 같이 정의합니다.

조건: 위험이 '무한히 거대할 수 있는 (Heavy-tailed)' 경우입니다.
발견: 우리가 흔히 쓰는 '분산'은 작은 손실 (예: 주가 하락) 에는 효과적이지만, 예측 불가능하고 끝없는 재앙 (무한한 평균) 앞에서는 오히려 독이 됩니다.
메시지:
- 일반적인 투자에서는 "여러 바구니"가 맞습니다.
- 하지만 핵전쟁, 팬데믹, 사이버 재앙처럼 "한 번 터지면 끝장"인 위험을 다룰 때는, 오히려 **"한 바구니에 집중하는 것 (혹은 그 위험을 완전히 피하는 것)"**이 분산하는 것보다 수학적으로 더 안전할 수 있습니다.

요약

이 논문은 **"분산은 만능이 아니다"**라고 경고합니다.
일상적인 위험 (비, 폭풍) 에는 우산 여러 개를 쓰는 것이 좋지만, **아주 거대한 쓰나미 (무한한 평균의 위험)**가 올 때는 우산을 여러 개 나누어 쓰는 것보다, **단단한 방파제 하나를 만드는 것 (집중)**이 오히려 더 큰 파도를 막아낼 확률이 높다는 것입니다.

수학적으로 증명된 이 사실은, 우리가 '위험 관리'를 할 때 단순히 '분산'만 믿지 말고, **위험의 성질 (특히 꼬리 부분의 위험)**을 정확히 파악해야 함을 일깨워줍니다.

Each language version is independently generated for its own context, not a direct translation.

이 논문은 **"다양화 (Diversification) 와 확률적 우세 (Stochastic Dominance): 모든 계란을 한 바구니에 담는 것이 더 나을 때"**라는 제목으로, 리스크 관리의 고전적인 통념인 "다양화가 리스크를 줄인다"는 명제가 특정 조건 하에서는 반대로 작용할 수 있음을 수학적으로 증명하고 분석한 연구입니다.

저자 L´eonard Vincent 는 무한한 기댓값을 가진 중꼬리 (heavy-tailed) 손실 분포에서 다양화가 오히려 꼬리 리스크를 증가시킬 수 있음을 보여주며, 이를 설명하는 새로운 정리인 **"원-바스켓 정리 (One-basket theorem)"**를 제시합니다.

아래는 논문의 상세한 기술적 요약입니다.

1. 연구 배경 및 문제 제기 (Problem)

전통적 관점: 현대 포트폴리오 이론 (MPT) 과 대수의 법칙에 기반하여, 독립적이거나 약하게 상관된 리스크를 분산시키는 것 (다양화) 이 전체 변동성을 줄이고 리스크를 감소시킨다는 것이 정설로 여겨져 왔습니다.
문제 상황: Chen et al. (2025a) 등의 최근 연구는 무한한 기댓값을 가진 파레토 (Pareto) 분포와 같은 극단적으로 두꺼운 꼬리 (extremely heavy-tailed) 를 가진 리스크의 경우, 다양화가 오히려 **1 차 확률적 우세 (First-order Stochastic Dominance, FOSD)**의 관점에서 리스크를 증가시킨다는 것을 보였습니다. 즉, 분산된 포트폴리오가 단일 리스크보다 모든 임계값 (threshold) 에서 초과 손실 확률이 더 높아집니다.
연구 목적: 기존 연구들이 주로 동일한 분포 (iid) 를 가진 리스크나 특정 조건에 국한되었던 반면, 본 논문은 **비동일 분포 (non-identically distributed)**인 독립 리스크에 대해, 특정 가중치 벡터 하에서 다양화가 실패하는 조건을 일반화하고, 이를 검증할 수 있는 새로운 프레임워크를 제시하는 것을 목표로 합니다.

2. 방법론 및 설정 (Methodology & Setting)

논문은 두 가지 포트폴리오 구성을 비교합니다.

다양화된 포트폴리오 (Diversified Portfolio): $n$ 개의 독립 리스크 $X_1, \dots, X_n$ 을 가중치 $\theta = (\theta_1, \dots, \theta_n)$ 로 가중 평균한 것 ( $\sum \theta_i X_i$ ).
집중된 포트폴리오 (Concentrated Portfolio / One-basket Benchmark): 동일한 가중치 $\theta_i$ 에 따라 확률적으로 선택된 단 하나의 리스크 $X_i$ 에 전액 노출되는 것 ( $\sum I_i X_i$ , 여기서 $I_i$ 는 카테고리 분포를 따르는 베르누이 변수).

비교 지표: 1 차 확률적 우세 (FOSD). 즉, 모든 $x$ 에 대해 $P(\text{다양화} > x) \ge P(\text{집중} > x)$ 가 성립하는지 확인합니다. 이는 모든 감수성 있는 의사결정자가 단일 리스크를 선호함을 의미합니다.
핵심 도구:
- 서브스케일링 (Subscalability): 리스크 $X$ 의 생존 함수 $F(x) = P(X>x)$ 가 $\theta F(x) \le F(x/\theta)$ ($0 < \theta < 1$) 를 만족하는지 분석합니다. 이는 리스크를 축소할 때 초과 확률이 비례적으로 줄지 않음을 의미합니다.
- 구간 분할 (Partitioning): 표본 공간을 다양한 임계값에 따라 분할하여 (Lemma A.1), 다양화된 포트폴리오의 생존 함수 하한을 유도합니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

A. 원-바스켓 정리 (The One-basket Theorem)

논문은 독립 리스크에 대해 다음과 같은 충분 조건을 제시합니다.

정리 내용: 가중치 벡터 $\theta$ $θ$ 와 모든 부분집합 $K$ $K$ 에 대해, 각 리스크 $X_i$ $X_{i}$ 의 생존 함수가 조건 $\theta_K F_i(x) \le F_i(x/\theta_K)$ $θ_{K} F_{i} (x) \leq F_{i} (x / θ_{K})$ 를 모든 $x \ge 0$ $x \geq 0$ 에서 만족한다면, 다양화된 포트폴리오가 집중된 포트폴리오보다 1 차 확률적 우세 관계 ( $\le_{st}$ ) 를 가집니다.
- 수식: $I_1 X_1 + \dots + I_n X_n \le_{st} \theta_1 X_1 + \dots + \theta_n X_n$
의의: 이 정리는 가중치 벡터마다 조건을 개별적으로 검증할 수 있게 하여, 기존 연구들이 요구했던 "모든 가중치에 대해 균일하게 성립해야 한다"는 강력한 제약을 완화했습니다. 이를 통해 균일한 결과가 성립하지 않는 경우에도 특정 가중치 (예: 등가중치) 에서는 다양화 실패가 발생함을 증명할 수 있습니다.

B. 서브스케일링 (Subscalability) 개념의 도입

정리의 조건을 해석하기 위해 두 가지 리스크 클래스를 정의했습니다.

$\theta$ -서브스케일 가능 (θ-subscalable): 특정 $\theta$ 에 대해 $\theta F(x) \le F(x/\theta)$ 를 만족하는 리스크.
완전 서브스케일 가능 (Completely subscalable): 모든 $\theta \in (0, 1)$ $θ \in (0, 1)$ 에 대해 위 조건을 만족하는 리스크.
- 결과: 완전 서브스케일 가능 리스크는 $x F(x)$ 가 증가하는 함수인 것과 동치이며, 이는 무한한 기댓값을 가지는 매우 두꺼운 꼬리 (extremely heavy-tailed) 분포임을 증명했습니다.
- 연계: 기존 문헌의 Super-Fréchet, Super-Pareto, InvSub 등의 분포 클래스가 이 서브스케일링 클래스에 포함되거나 관련됨을 보였습니다.

C. 새로운 적용 사례 (Applications)

이산 파레토 분포 (Discrete Pareto): 무한한 기댓값을 가진 이산 파레토 분포의 경우, 모든 가중치에 대해 다양화 실패가 성립하지는 않지만, 등가중치 (equal-weighted) 평균의 경우 단일 리스크보다 우세함을 증명했습니다 (Proposition 5.1).
세인트 피터스버그 로또 (St. Petersburg Lottery): 이 로또 게임의 평균에 대해서도 유사한 우세 관계가 성립함을 보였습니다.

D. 국소적 효과에서 전역적 효과로의 확장 (Local-to-Global Perspective)

국소적 현상: 어떤 리스크든 0 에 가까운 작은 임계값 ( $x \approx 0$ ) 에서는 항상 다양화된 포트폴리오가 집중된 포트폴리오보다 초과 확률이 높습니다 (Proposition 7.1). 이는 생존 함수의 우연성 (right-continuity) 에 기인합니다.
전역적 확장: 원-바스켓 정리는 이 국소적 효과가 모든 임계값 ( $x \to \infty$ ) 으로 확장되는 경우를 기술합니다. 즉, 다양화 실패는 특이한 예외가 아니라, 국소적 현상이 특정 조건 하에서 전역화되는 경계 사례 (boundary case) 임을 보여줍니다.

4. 의의 및 시사점 (Significance)

리스크 관리의 패러다임 전환: "계란을 한 바구니에 담지 말라"는 격언이 무한한 기댓값을 가진 극단적 리스크 (핵사고, 사이버 공격, 대유행 등) 에서는 오히려 위험할 수 있음을 수학적으로 엄밀하게 증명했습니다.
비동일 분포 리스크의 분석: 기존 연구가 주로 iid(동일 분포) 가정을 전제했으나, 본 논문은 서로 다른 분포를 가진 리스크에 대해 가중치별 검증이 가능한 유연한 프레임워크를 제공했습니다.
확률적 재보험 (Randomized Reinsurance) 에 대한 함의: 재보험 계약에서 무작위성을 도입하는 방식 (예: 확률적으로 전체 손실을 보상하거나 아예 보상하지 않음) 이 고정된 비율의 재보험 (Quota-share) 보다 오히려 보험사와 재보험사 모두에게 유리할 수 있음을 보여줍니다 (Lemma 4.1 및 Section 5.3).
이론적 확장: 기존에 알려진 Super-Pareto, Super-Cauchy 등의 클래스를 포괄하는 더 넓은 '서브스케일링' 클래스를 정의함으로써, 다양한 중꼬리 분포에서의 다양화 실패 현상을 통합적으로 설명할 수 있는 토대를 마련했습니다.

결론

이 논문은 무한한 기댓값을 가진 중꼬리 리스크 환경에서 다양화가 리스크 감소가 아닌 리스크 증가로 이어질 수 있는 메커니즘을 규명했습니다. 제시된 원-바스켓 정리는 특정 가중치 하에서 이러한 현상이 발생하는지 검증할 수 있는 실용적인 도구를 제공하며, 리스크 관리 전략 수립 시 분포의 꼬리 특성과 가중치 배분을 신중하게 고려해야 함을 강조합니다.