Regret-Driven Portfolios: LLM-Guided Smart Clustering for Optimal Allocation

기술 요약: 후회 기반 포트폴리오: 최적의 배분을 위한 LLM 가이드형 스마트 클러스터링

문제 정의
본 논문은 중장기 포트폴리오 관리에서 위험과 수익의 균형을 맞추는 지속적인 과제를 다룹니다. 패시브 인덱스 펀드(예: S&P 500)는 명목 수익률 측면에서 많은 액티브 헤지펀드를 역사적으로 능가해 왔으나, 기관 및 개인 투자자들은 종종 단순한 수익보다는 위험 조정 수익률과 하락 방어(downside protection)를 우선시합니다. 전통적인 액티브 전략은 높은 변동성, 거래 비용을 피하기 위한 불충착한 리밸런싱, 그리고 높은 수익을 위해 더 높은 위험을 감수해야 하는 트레이드오프 문제로 인해 어려움을 겪는 경우가 많습니다. 저자들은 과도한 위험이나 지나친 거래 빈도 없이 우수한 수익을 달anim하기 위한 솔루션을 제안하며, 특히 위험 회피 성향이 강한 투자자와 펀드 매니저를 대상으로 합니다.

방법론
저자들은 **무후회 온라인 학습(no-regret online learning)**과 대규모 언어 모델(LLM) 가이드를 통합하는 새로운 프레임워크를 제안합니다. 이 접근 방식은 에이전트가 "후회(regret)"—즉, 에이전트의 누적 성과와 사후적으로 가장 좋았던 고정 포트폴리오 간의 차이—를 최소화하도록 동적으로 포트폴리오 비중을 선택하는 순차적 의사결정 문제로 구조화됩니다.

이 프레임워크는 네 가지 주요 구성 요소로 이루어집니다:

1. 데이터 준비 및 감성 필터링(Data Preparation & Sentiment Filtering): 시스템은 자산 가격 데이터와 시장 감성 지표(특히 CNN의 공포와 탐욕 지수)를 처리합니다. 이진 감성 필터는 거친 입도의 위험 제어 장치로서 작동하며, 극단적인 감성 조건 발생 시 포트폴리오 리밸런싱 또는 전량 매도를 트리거합니다.
2. LLM 가이드형 헤징 및 클러스터링(LLM-Guided Hedging and Clustering): LLM은 과거 감성 추세를 해석하여 섹터 수준의 조정을 제안합니다.
   • 동적 클러스터링(Dynamic Clustering): LLM은 12개월간의 감성 시계열 데이터를 입력받아 유망한 섹터를 추천합니다. 분산을 완화하기 위해 프롬프트는 다섯 번 반복 실행되며, 가장 빈번하게 나타나는 추천안이 선택됩니다.
   • 의사 헤징(Pseudo-Hedging): LLM은 선택된 클러스터에 대응하여 변동성을 줄이고 샤프 지수(Sharpe ratio)를 개선하기 위한 보완적 섹터를 식별하도록 질의됩니다.
3. 후회 가이드형 배분(Regret-Guided Allocation - 핵심 엔진): 배분 메커니즘은 "리더를 따르기(Follow-the-Leader, FTL)"에서 영감을 받은 전략을 활용합니다.
   • 게임 이론적 정식화: 문제는 에이전트가 각 타임스텝마다 $n$개의 자산에 대해 포트폴리오 벡터 $a(t)$를 선택하는 단일 에이전트 게임으로 모델링됩니다.
   • 액션 생성: 클래식한 Hedge 알고리즘처럼 전문가들의 가중 혼합(weighted mixtures of experts)을 유지하는 대신, 시스템은 현재의 기준 배분을 미세하게 조정(perturbing)하여 후보 액션을 생성합니다. 구체적으로, 사전 정의된 범위 내에서 단일 자산의 비중을 수정하고, 합계가 1이 되는 제약 조건을 충족하도록 나머지 배분을 조정합니다.
   • 선택: 에이전트는 특정 룩백 윈도우($k$) 동안 가장 높은 절대 성과(예: 샤프, 칼마, 또는 소르티노 비율 극대화)를 달성한 후보 액션을 선택합니다.
4. 백테스팅 메커니즘: 시스템은 거래 비용, 상장 폐지 처리(자산 블랙리스트 지정), 채권 및 현금의 일일 가격 추적을 포함한 현실적인 제약 조건 하에서 거래를 시뮬레이션합니다.

주요 기여
본 논문은 세 가지 기여를 명시합니다:

• 탐욕적 후회 기반 포트폴리오 전략(Greedy Regret-based Portfolio Strategy): 사후적 후회를 최소화하기 위해 자산을 동적으로 리밸런싱하는 새로운 최적화 프레임워크입니다. 정적인 방법과 달리, 이 접근 방식은 변화하는 시장 역학에 적응하면서 위험 조정 성과 지표를 명시적으로 최적화합니다.
• LLM 가이드형 클러스터링 및 헤징: LLM의 통찰력을 포트폴리오 구축 파이프라인에 직접 통합했습니다. 저자들은 LLM이 감성 데이터만으로 고수익 섹터를 예측하는 데는 어려움이 있을 수 있으나, 보완적인 헤징 섹터를 식별하는 데는 효과적임을 입증함으로써 행동 재무학 신호와 배분 결정 사이를 체계적으로 연결했습니다.
• 실증적 우위(Empirical Outperformance): 프레임워크는 두 가지 서로 다른 자산 유니버스인 미니멀한 "COCKROACH" 조합(현금, 금, 채권, SPY)과 51개의 섹터 기반 ETF 세트를 통해 검증되었습니다. 연구는 리밸런싱 빈도, 룩백 윈도우, 감성 필터에 대한 광범위한 민감도 분석을 제공합니다.

결과
ETF 유니버스에 대한 백테스팅 결과(2011년 1월 – 2024년 6월)는 전통적인 벤치마크 대비 상당한 성과 향상을 보여줍니다:

• 수익률 및 위험 조정 지표: 제안된 전략은 SPY 보유(buy-and-hold) 베이스라인 대비 누적 수익률에서 68.6% 상회하였으며, 119% 더 높은 샤프 지수를 달성했습니다.
• 낙폭 제어(Drawdown Control): 전략은 동일 기간 동안 SPY(34%)에 비해 현저히 낮은 최대 낙폭(약 16%)을 기록하여 탁월한 하락 방어력을 입증했습니다.
• LLM의 영향: LLM 가이드형 헤징은 위험 조정 수익을 실질적으로 개선하여, 특정 설정(분기별 리밸런싱)에서 샤프 지수를 최대 **63%**까지 높였습니다. 반면, 동적 섹터 클러스터링 단독으로는 전체 자산 유니버스를 능가하지 못했는데, 이는 이 맥락에서 LLM이 주된 섹터 선정보다는 헤징에 더 적합함을 시사합니다.
• 리밸런싱 빈도: 분기별 리밸런싱 일정이 중기 추세를 포착하는 것과 거래 비용을 최소화하는 것 사이의 균형을 맞추는 데 최적임이 밝혀졌습니다.

의의 및 주장
본 논문은 자사의 프레임워크가 온라인 학습과 행동 신호를 성공적으로 통합하여 저빈도 자산 관리를 위한 견고하고 적응 가능한 솔루션을 제공한다고 주장합니다. 다양화된 베이스라인 주변의 점진적 조정을 통해 탐색 공간을 제한하고, 순수한 알파 창출보다는 위험 상쇄를 위해 LLM을 활용함으로써, 이 방법은 표준 벤치마크를 지속적으로 능가하면서도 낮은 변동성을 가진 포트폴리오를 생성합니다.

저자들은 이 연구를 고전적 최적화, 무후회 학습 이론, 그리고 현대적 NLP 역량 사이의 가교로 위치시킵니다. 이 접근 방식은 하락 방어력을 제공하면서도 전통적인 액티브 운용의 높은 수수료나 저조한 성과를 피하고자 하는 위험 회피형 투자자 및 기관 매니저들에게 특히 가치가 있다고 단언합니다. 연구는 고정된 빈도의 리밸런싱 및 LLM의 예측적 한계와 같은 제약이 존재함에도 불구하고, "무후회" 업데이트와 경량화된 감성 컨디셔닝의 통합이 실질적인 포트폴리오 구축의 중요한 진전임을 결론짓습니다.