Zero Variance Portfolio

1. 연구 배경 및 문제 정의 (Problem)

• 고차원 포트폴리오 최적화의 난제: 현대 금융 시장은 자산 수 ($N$) 가 매우 많지만, 이를 학습할 수 있는 시계열 데이터의 크기 ($T$) 는 제한적입니다. 특히 $N \gg T$ (자산 수가 표본 크기보다 훨씬 큰) 인 고차원 환경에서 최소 분산 포트폴리오 (Minimum Variance Portfolio, MVP) 를 추정하는 것은 전통적인 방법론에서 큰 어려움을 겪습니다.
• 표본 공분산 행렬의 실패: 전통적인 MVP 는 표본 공분산 행렬 ($S_0$) 의 역행렬을 사용합니다. 그러나 $N > T$ 인 경우 $S_0$ 는 특이행렬 (rank-deficient) 이 되어 역행렬이 존재하지 않습니다.
• 기존 접근법의 한계:
  • Ridgeless (의역행렬 사용): $S_0$ 의 Moore-Penrose 의역행렬 ($S_0^+$) 을 사용하는 방법은 훈련 데이터에 완벽하게 적합 (interpolation) 하여 훈련 내 분산 (in-sample variance) 을 0 으로 만들지만, 테스트 데이터 (out-of-sample) 에서는 위험이 발산하여 일반화 성능이 극도로 나쁩니다.
  • 과적합에 대한 통념: 기존 통계학에서는 훈련 내 분산이 0 인 경우 (Zero Variance Portfolio, ZVP) 는 과적합 (overfitting) 의 전형적인 사례로 여겨져 테스트 성능이 나쁠 것이라고 가정했습니다.

2. 제안된 방법론 (Methodology)

저자들은 기계학습 (Machine Learning) 의 최근 발견, 특히 이중 하강 (Double Descent) 현상과 유해하지 않은 과적합 (Benign Overfitting) 이론을 포트폴리오 최적화에 적용합니다.

가. Ridgelet Estimator (Ridgelet1)

• 핵심 아이디어: 표본 공분산 행렬 $S_0$ 에 아주 작은 양의 상수 $\tau$ (예: $10^{-8}$) 를 더한 Ridgelet 추정량을 제안합니다.
  $$\hat{\omega}_{\tau} = \frac{S_{\tau}^{-1}\mathbf{1}}{\mathbf{1}^\top S_{\tau}^{-1}\mathbf{1}}, \quad \text{where } S_{\tau} = S_0 + \tau I_N$$
• 동작 원리:
  • 이 방법은 $N > T$ 일 때 존재하는 무수히 많은 ZVP 해 중 유클리드 노름 ($\ell_2$-norm) 이 최소가 되는 해를 근사적으로 찾습니다.
  • $\tau$ 는 튜닝 파라미터가 아니라 수치적 안정성을 위한 매우 작은 고정 상수입니다.
  • Ridgeless ($S_0^+$) 와의 차이: Ridgeless 는 $S_0$ 의 열공간 (column space) 에만 의존하는 반면, Ridgelet 은 $S_0$ 의 영공간 (null space) 을 활용하여 훈련 내 분산을 0 으로 만들면서도 테스트 데이터에서 안정적인 성능을 냅니다.

나. 개선된 Ridgelet (Ridgelet2)

• 요인 모델 (Factor Model) 적용: 주식 수익률이 공통 요인과 개별적 (idiosyncratic) 오차로 구성된 요인 모델을 따른다고 가정합니다.
• 개별 공분산 행렬 추정: Ridgelet1 은 개별 공분산 행렬 $\Omega$ 를 단위 행렬 ($I_N$) 로 가정합니다. 하지만 실제 시장은 $\Omega$ 가 희소 (sparse) 한 구조를 가질 수 있습니다.
• POET 추정량 활용: Fan et al. (2013) 의 POET (Principal Orthogonal Complement Thresholding) 방법을 사용하여 $\Omega$ 를 일관성 있게 추정하고, 이를 Ridgelet 식에 대입합니다.
  $$\hat{\omega}_{\tau} = \frac{S_{\tau, \hat{\Omega}}^{-1}\mathbf{1}}{\mathbf{1}^\top S_{\tau, \hat{\Omega}}^{-1}\mathbf{1}}, \quad \text{where } S_{\tau, \hat{\Omega}} = S_0 + \tau \hat{\Omega}$$
• 이점: $N \gg T$ regime 에서 $\Omega$ 를 정확히 추정할 수 있다면, Ridgelet2 는 오라클 (Oracle, 참 분산 행렬을 아는 경우) 과 동일한 최적의 아웃-오브-샘플 위험을 달성할 수 있습니다.

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

가. 이중 하강 (Double Descent) 현상의 입증

• 포트폴리오 위험 곡선이 자산 수 $N$ 에 대해 이중 하강 형태를 보입니다.
  1. 첫 번째 하강: $N < T$ 구간에서 $N$ 이 증가함에 따라 위험 감소.
  2. 피크: $N \approx T$ 일 때 위험이 최대화됨.
  3. 두 번째 하강: $N > T$ 구간에서 $N$ 이 더욱 증가할수록 위험이 다시 급격히 감소하여 오라클 수준에 수렴함.
• Ridgelet vs Ridgeless:
  • Ridgelet: $N > T$ 구간에서 두 번째 하강을 보이며, 테스트 위험이 오라클 위험과 유사하게 유지됨 (일반화 가능).
  • Ridgeless: $N > T$ 구간에서 위험이 발산하거나 다시 증가하여 일반화 실패 (과적합).

나. 무작위 행렬 이론 (RMT) 기반의 점근적 분석

• Ridgelet1: $N/T \to \infty$ 일 때, 포트폴리오의 상대적 위험 (Relative Variance) 이 일정한 상수 범위 내에 머무르며 발산하지 않음을 증명.
• Ridgelet2: 개별 공분산 행렬 $\Omega$ 를 일관성 있게 추정할 수 있다면, $N \gg T$ regime 에서 점근적으로 최적 (Asymptotically Optimal) 이 됨을 증명. 즉, 오라클 포트폴리오의 위험과 통계적으로 구별할 수 없는 수준까지 도달합니다.

다. 시뮬레이션 및 실증 분석

• 시뮬레이션: 다양한 시나리오 (동질적/이질적 개별 공분산, 정규/heavy-tailed 분포) 에서 Ridgelet 방법론이 기존 방법 (선형 축소, 비선형 축소, 등가중치 등) 보다 우수한 성능을 보임.
• 실증 분석 (S&P 500 및 닛케이 225):
  • S&P 500 구성종목 및 닛케이 225 를 포함한 다국적 포트폴리오에서 적용.
  • Ridgelet2 는 1 개월의 일일 데이터 ($T=22$) 로 700 개 이상의 주식 ($N \approx 725$) 에 대한 포트폴리오를 구성할 때, 기존 최고 성능의 방법론 (FNLS 등) 과 경쟁하거나 더 나은 위험 감소 효과를 보임.
  • 특히 $N > T$ 환경에서 등가중치 (EW) 포트폴리오보다 훨씬 낮은 위험을 달성.

4. 연구의 의의 및 결론 (Significance)

1. 패러다임의 전환: 고차원 포트폴리오 최적화에서 "단순한 표본 공분산 행렬 + 아주 작은 Ridge 항"이 복잡한 축소 (shrinkage) 기법이나 요인 모델보다 효과적일 수 있음을 보여줌.
2. 과적합의 재해석: 훈련 데이터에 완벽한 적합 (Zero Variance) 을 보이는 포트폴리오가 반드시 나쁜 것은 아니며, 적절한 구조 (Ridgelet) 를 통해 오히려 유해하지 않은 과적합 (Benign Overfitting) 을 달성하여 테스트 데이터에서 최상의 성능을 낼 수 있음을 입증.
3. 실용적 가치: 데이터가 부족한 금융 시장에서 더 많은 자산에 투자하면서도 위험을 통제할 수 있는 강력한 도구를 제공. 특히 Ridgelet2는 개별 공분산 구조를 활용하여 이론적으로 최적의 성능을 보장합니다.
4. 기계학습과 금융의 융합: 딥러닝과 고차원 통계학의 최신 이론 (Double Descent, Benign Overfitting) 을 전통적인 포트폴리오 이론에 성공적으로 적용한 사례입니다.

요약하자면, 이 논문은 $N \gg T$ 환경에서 Ridgelet 추정량 (특히 Ridgelet2) 을 사용하여 훈련 내 분산을 0 으로 만들면서도 아웃-오브-샘플에서 최적의 위험을 달성할 수 있음을 이론적, 실증적으로 증명했습니다.