💰 quantitative finance

Time consistent portfolio strategies for a general utility function

이 논문은 비일관적인 할인율을 가진 완전시장에서의 메르톤 포트폴리오 문제를 연구하여, 점근적 가정 하에 가치 함수에 의존하는 유틸리티 가중 할인율을 도입함으로써 시간 일관적인 하위 게임 완벽 전략이 최적 전략과 동일함을 보였습니다.

원저자: Oumar Mbodji

게시일 2026-02-23

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Oumar Mbodji

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

📝 핵심 주제: "내일의 나"와 "오늘의 나"의 싸움

상상해 보세요. 오늘 당신은 다이어트를 결심했습니다. "내일 아침부터는 채소만 먹고, 운동도 열심히 하겠다!"라고 다짐합니다. 하지만 내일 아침이 되면, "아, 오늘 하루는 맛있는 피자 한 조각 정도는 괜찮겠지?"라고 생각이 바뀝니다.

이처럼 사람의 선호나 판단은 시간이 지나면 변합니다. 경제학에서는 이를 '시간 불일치 (Time Inconsistency)'라고 부릅니다.

이 논문은 이런 변덕스러운 인간의 심리를 반영한 투자 모델을 만들었습니다.

전통적인 모델: "오늘 결정한 계획을 죽을 때까지 끝까지 지킨다." (비현실적)
이 논문의 모델: "내일의 내가 계획을 바꿀 것을 미리 예측해서, 오늘도 내일도 모두 만족할 수 있는 '최적의 중간 지점'을 찾는다."

🏦 이 논문이 해결하려는 문제

상황: 주식과 예금 두 가지 자산이 있는 시장이 있습니다.
목표: 평생 동안 소비를 하면서, 마지막에 남은 돈도 최대한 많이 남기고 싶지만, 할인율 (미래 가치를 현재로 환산하는 비율) 이 일정하지 않습니다.
- 예: "내일 받을 100 원은 지금 100 원보다 가치가 낮지만, 10 년 후의 100 원은 지금 100 원보다 훨씬 더 가치가 낮게 느껴진다." (이 비율이 시간에 따라 변함)
문제: 이런 상황에서는 "오늘 최적이라고 생각한 계획"이 "내일이 되면 더 이상 최적이지 않게 됩니다." 그래서 매번 계획을 수정하게 되는데, 이러면 결국 아무것도 잘 못하게 됩니다.

💡 이 논문의 해법: "마법 같은 할인율" 찾기

저자는 **"서브게임 완전 전략 (Subgame Perfect Strategy)"**이라는 개념을 사용합니다. 쉽게 말해, **"미래의 내가 바꿀 계획을 미리 내 손으로 통제하는 전략"**입니다.

이를 위해 저자는 아주 흥미로운 아이디어를 제시합니다.

1. "만능 나침반" (Fixed Point Iteration)

이 문제는 마치 **"거울 속의 거울"**처럼 복잡합니다.

"내가 내일 어떻게 행동할지 알면, 오늘 어떻게 행동할지 안다."
"내가 오늘 어떻게 행동할지 알면, 내일 어떻게 행동할지 안다."
이 두 가지가 서로 맞물려야 합니다. 저자는 이걸 해결하기 위해 **반복 계산 (Fixed Point Iteration)**이라는 방법을 썼습니다.

비유: "내가 지금 이 길을 걸으면, 10 분 뒤에는 어디에 서 있을까? 그 위치를 기준으로 다시 길을 정하면, 10 분 뒤에는 어디에 있을까?" 이 과정을 계속 반복하다 보면, 결국 **가장 안정된 길 (고정점)**이 하나만 남게 됩니다. 그 길이 바로 우리가 찾아야 할 정답입니다.

2. "감정 반영 할인율" (Utility Weighted Discount Rate)

기존에는 단순히 "시간이 지날수록 가치가 떨어진다"고만 계산했습니다. 하지만 이 논문은 **"내가 그 돈을 쓸 때 얼마나 기뻐할지 (만족도)"**를 고려한 새로운 할인율을 도입했습니다.

기존: "내일 100 원은 90 원 가치가 있어." (기계적)
이 논문: "내일 내가 배가 고플 때 100 원은 120 원 가치가 있어. 하지만 배가 부를 때는 80 원 가치야." (상황과 감정 반영)

이 **'감정 반영 할인율'**을 찾아내는 과정이 바로 이 논문의 핵심 기술입니다. 이 값을 찾으면, 투자자가 언제 얼마를 소비하고, 얼마를 주식에 투자해야 할지 자동으로 계산되는 공식이 나옵니다.

🚀 결과: 어떻게 적용할까요?

이 논문의 결론은 매우 실용적입니다.

피드백 방식 (Feedback Form):
투자자는 매 순간 "내 현재 자산이 얼마인지"만 보면 됩니다.
- 자산이 많으면 -> 조금 더 안전하게 (주식 비중 줄이기)
- 자산이 적으면 -> 조금 더 공격적으로 (주식 비중 늘리기)
- 그리고 지금 당장 얼마나 소비할지도 자산 규모에 따라 자동으로 결정됩니다.
시뮬레이션 (몬테카를로):
이 복잡한 공식을 손으로 풀 수는 없습니다. 하지만 컴퓨터로 수만 번의 시뮬레이션을 돌리면 (몬테카를로 방법), 그 '마법 같은 할인율'을 찾아낼 수 있고, 그걸 바탕으로 최적의 투자 계획표를 만들 수 있습니다.

🌟 한 줄 요약

"내일의 내가 변덕을 부릴 것을 미리 예측하여, 오늘과 내일 모두를 만족시키는 '시간에 따른 변덕'을 다스리는 현명한 투자 지도를 만들었다."

이 연구는 단순히 돈을 버는 방법을 넘어, 인간의 심리적 변화까지 고려한 더 현실적인 금융 모델을 제시했다는 점에서 의미가 큽니다. 마치 "내일의 나"와 "오늘의 나"가 서로 싸우지 않고 손잡고 최선의 길을 찾도록 도와주는 나침반 같은 것입니다.

1. 연구 배경 및 문제 정의 (Problem Definition)

시장 모델: 완전 시장 (Complete Market) 을 가정하며, 위험자산 (주식) 은 기하 브라운 운동 (Geometric Brownian Motion) 으로, 무위험 자산은 일정한 이자율로 모델링됩니다.
투자자의 목표: 소비와 최종 부 (terminal wealth) 에 대한 기대 효용을 극대화하는 것입니다.
핵심 문제: 할인 함수가 지수 함수 형태가 아닌 비일정한 할인율 (variable discount rate) 을 가질 때, 최적 전략은 시간 불일치 (time inconsistency) 를 보입니다. 즉, 시점 $t$ 에서 최적이라고 판단한 전략이 시점 $s > t$ 에 도달했을 때 더 이상 최적이 아니게 되어, 투자자가 미래에 계획을 변경하려는 유인이 생깁니다.
해결 접근: 전통적인 최적 제어 이론 (HJB 방정식) 대신, 서브게임 완벽 균형 (Subgame Perfect Equilibrium) 개념을 도입하여 시간 일관성 (time consistency) 을 갖춘 전략을 구합니다. 이는 현재 시점의 의사결정자가 미래의 자신의 행동이 최적일 것이라고 가정하고, 그 조건 하에서 현재 시점의 행동을 최적화하는 방식입니다.

2. 방법론 (Methodology)

논문은 다음과 같은 수학적 도구를 사용하여 문제를 해결합니다.

확장된 HJB 방정식 (Extended HJB Equation):
- Björk 등 [2] 의 이론을 바탕으로, 시간 불일치 문제를 해결하기 위해 비국소적 항 (non-local term) 을 포함하는 확장된 HJB 방정식을 유도합니다.
- 가치 함수 $V(t, x)$ 는 단순히 최적 효용이 아니라, 미래의 최적 전략이 현재 전략과 일치하도록 하는 고정점 (fixed-point) 성질을 만족해야 합니다.
한계 효용 가중 할인율 (Marginal Utility Weighted Discount Rate, $\rho$ ):
- 저자는 새로운 개념인 $\rho(t, x)$ (효용 가중 할인율) 를 도입합니다. 이는 시간 $t$ 와 부 $x$ 에 의존하며, 미래 효용의 한계 효용 (marginal utility) 으로 가중된 평균 할인율입니다.
- 이 $\rho$ 를 사용하면 확장된 HJB 방정식을 기존의 형태와 유사하게 재구성할 수 있으며, 이는 해의 구조를 명확히 합니다.
변수 변환 및 고정점 반복법 (Fixed Point Iteration):
- 가치 함수 $V(t, x)$ 대신 한계 가치 함수 (marginal value function) $v(t, x) = V_x(t, x)$ 를 직접 다룹니다.
- $v(t, x)$ 의 역함수 $p(t, x)$ 를 도입하여 비선형 편미분방정식 (PDE) 을 선형 PDE로 변환합니다.
- $\rho(t, x)$ 는 미분방정식의 계수로서, 고정점 연산자 (Fixed Point Operator) $F$ 를 통해 계산됩니다. 즉, $\bar{\rho} = F[\bar{\rho}]$ 를 만족하는 $\bar{\rho}$ 를 찾는 문제로 귀결됩니다.
Feynman-Kac 공식:
- 변환된 선형 PDE 의 해를 확률 과정 (SDE) 을 통해 표현하기 위해 Feynman-Kac 공식을 적용합니다. 이를 통해 해를 몬테카를로 시뮬레이션 (Monte-Carlo simulation) 으로 효율적으로 계산할 수 있는 경로를 제공합니다.

3. 주요 결과 (Key Results)

서브게임 완벽 전략의 명시적 표현:
- 최적 소비 비율 $c^*(t, x)$ 와 투자 비율 $\pi^*(t, x)$ 는 가치 함수의 미분값을 사용하여 피드백 형태 (feedback form) 로 주어집니다.
- $\bar{c}(t, x) = \frac{I(V_x(t, x))}{x}$
- $\bar{\pi}(t, x) = -\frac{\theta V_x(t, x)}{\sigma x V_{xx}(t, x)}$
- 여기서 $I(\cdot)$ 는 한계 효용 함수의 역함수입니다.
$\rho(t, x)$ 의 고정점 특성:
- 시간 일관성 전략을 구성하기 위해 필요한 $\rho(t, x)$ 는 연산자 $F$ 의 유일한 고정점으로 존재하며, 이는 점근적 근사법 (successive approximations) 을 통해 수치적으로 구할 수 있습니다.
- $\rho(t, x)$ 는 원래 할인율의 범위 내에 있으며, 효용 함수의 형태와 시장 파라미터에 의해 결정됩니다.
부 과정 (Wealth Process) 의 특성:
- 최적 전략 하에서의 부 과정 $\bar{X}_s$ 는 변환된 변수 $y = \log v(t, x)$ 를 따르는 확률 과정 $\bar{Y}_s$ 와 함수 $\bar{p}(t, y)$ 를 통해 $\bar{X}_s = \bar{p}(s, \bar{Y}_s)$ 로 표현됩니다.
- 이는 복잡한 비선형 문제를 선형 PDE 와 SDE 를 결합하여 해결할 수 있음을 의미합니다.
점근적 가정 하의 동등성:
- 효용 함수에 대한 특정 점근적 가정 하에서, 이 서브게임 완벽 전략은 할인율을 $\rho(t, x)$ 로 대체한 경우의 전통적 최적 전략과 일치함을 보였습니다.

4. 알고리즘 (Algorithm)

논문의 3 장에서는 서브게임 완벽 전략을 구성하는 구체적인 알고리즘을 제시합니다:

고정점 탐색: 연산자 $F$ 에 대한 고정점 $\bar{\rho}$ 를 찾기 위해 $\phi_0 = 0$ 에서 시작하여 $\phi_{n+1} = F[\phi_n]$ 을 반복합니다.
함수 $\bar{p}$ 계산: 구해진 $\bar{\rho}$ 를 사용하여 Feynman-Kac 공식을 통해 함수 $\bar{p}(t, y)$ 를 계산합니다.
전략 도출: 초기 부 $x_0$ 에 대응하는 $y_0$ 를 찾고, $\bar{p}$ 와 그 도함수를 이용해 최적 소비 및 투자 전략을 피드백 형태로 도출합니다.

5. 의의 및 기여 (Significance and Contributions)

이론적 기여: 일반적 효용 함수와 비일정한 할인율이라는 더 넓은 범주에서 시간 일관성 포트폴리오 문제를 해결하는 체계를 정립했습니다. 기존 연구들이 특정 효용 함수 (예: CRRA) 에 국한되었던 것과 달리, 일반성을 확보했습니다.
방법론적 혁신: 가치 함수 $V$ 대신 한계 가치 함수 $V_x$ 와 그 역함수를 사용하여 비선형 PDE 를 선형화하고, 고정점 반복법을 통해 해를 구하는 새로운 접근법을 제시했습니다.
실용성: 계산된 할인율 $\rho(t, x)$ 가 몬테카를로 시뮬레이션을 통해 효율적으로 계산 가능함을 보여주어, 실제 금융 공학 응용에 대한 실용적인 통찰을 제공합니다.
경제적 통찰: 시간 불일치 문제를 해결하기 위해 "효용 가중 할인율"이라는 개념을 도입함으로써, 투자자의 시간 선호가 부의 수준과 결합되어 어떻게 변형되는지에 대한 경제적 직관을 제공합니다.

결론

이 논문은 비일정한 할인율 하의 Merton 문제를 시간 일관성 관점에서 재해석하고, 확장된 HJB 방정식과 고정점 이론을 결합하여 해를 구하는 강력한 수학적 프레임워크를 제시합니다. 특히, 복잡한 비선형 문제를 선형 PDE 와 확률적 표현으로 변환하여 계산 가능성을 높였다는 점에서 포트폴리오 최적화 이론과 실증 연구에 중요한 기여를 합니다.