Explainable Regime Aware Investing

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

🌧️ 핵심 아이디어: "날씨에 맞는 옷차림"

투자란 결국 **"지금 시장이 어떤 '날씨' **(상황)를 결정하는 문제입니다.

**맑은 날 **(호황) 주식 같은 위험 자산을 많이 들고 가는 게 좋습니다.
**폭풍우 **(불황/공포) 주식은 내려놓고, 금이나 채권 같은 방패 자산을 챙기는 게 좋습니다.

기존의 많은 투자 전략은 "오늘이 맑은 날인지 폭풍우인지"를 매일매일 다시 추측하려다 보니, 날씨가 조금만 변해도 (예: 구름 한 점) (예: 갑자기 우산을 치고 다시 접고)를 반복했습니다. 이렇게 하면 수수료도 많이 나가고, 정신없고, 결국 큰 손해를 볼 수 있습니다.

이 논문은 **"날씨를 더 정확하게 예측하고, 옷을 너무 자주 갈아입지 않는 똑똑한 시스템"**을 제안합니다.

🛠️ 이 시스템의 3 가지 비밀 무기

이 논문이 제안한 **Wasserstein HMM **(워셔슈타인 HMM)이라는 시스템은 세 가지 핵심 기술로 작동합니다.

1. "날씨 예보관"의 눈 (HMM - 은닉 마르코프 모델)

기존 모델들은 과거 데이터를 단순히 쭉 나열해서 미래를 예측했습니다. 하지만 이 시스템은 **"지금은 '호황기'인가, '불황기'인가, '인플레이션기'인가?"**라는 **숨겨진 상태 **(Regime)를 찾아냅니다. 마치 기상 예보관이 "오늘은 장마철이 시작되는 중"이라고 감지하는 것과 같습니다.

2. "옷장 정리"의 지혜 (적응형 복잡도 조절)

가장 큰 문제는 "지금 몇 개의 날씨 상태가 필요한지"를 정하는 것입니다.

기존 방식: "일단 3 가지 날씨만 있다고 가정하자"라고 고정해 둡니다. (시장이 복잡해지면 틀림)
이 시스템: "오늘은 3 가지 상태가 필요하지만, 내일은 시장이 복잡해져서 4 가지 상태가 필요할 수도 있겠다"라고 매주 자동으로 조절합니다. 시장이 단순할 때는 단순하게, 복잡할 때는 세밀하게 분석합니다.

3. "이름표 붙이기"의 안정성 (워셔슈타인 거리 & 템플릿)

이게 이 논문의 가장 중요한 혁신입니다.
기존 시스템은 매일 다시 계산할 때, "어제 1 번 상태였던 게 오늘 3 번 상태가 된다"는 식으로 **상태의 이름이 뒤바뀌는 **(Label Switching) 문제가 있었습니다.

비유: 어제 "폭풍우"라고 불렀던 날씨가, 오늘 계산이 바뀌자 갑자기 "맑은 날"로 이름이 바뀐다면? 투자자는 당황해서 우산을 치고 다시 접을 것입니다.

이 시스템은 **워셔슈타인 **(Wasserstein)이라는 수학적 나침반을 사용합니다.

비유: 매일 새로운 날씨 데이터를 보고, **"어제 우리가 '폭풍우'라고 부른 패턴과 가장 비슷한 오늘의 패턴은 무엇일까?"**라고 찾아냅니다.
**템플릿 **(Template) 마치 "폭풍우"라는 **고정된 옷장 **(템플릿)을 만들어두고, 매일 들어오는 새로운 날씨 데이터가 그 옷장에 가장 잘 어울리는지 확인합니다.
결과: "폭풍우"는 항상 "폭풍우"로 불립니다. 이름이 바뀌지 않으므로, 투자자는 **"폭풍우가 왔으니 주식은 줄이고 금을 사자"**라고 일관되게 행동할 수 있습니다.

📊 실제 성과: "2025 년 대폭락"에서의 승리

논문의 실험 결과 (2005 년~2026 년 데이터) 는 놀라웠습니다.

**손실 방어 **(Drawdown)
- **일반적인 주식 투자 **(SPX) 2025 년 초 '해방의 날 (Liberation Day)'이라는 대폭락이 왔을 때, **14.62%**나 떨어졌습니다. (폭풍우에 우산도 없이 나간 셈)
- 이 시스템: 같은 폭락장에서 **5.43%**만 떨어졌습니다. (폭풍우를 미리 감지하고 방패를 든 셈)
**수수료와 정신건강 **(Turnover)
- **비교 대상 **(KNN 모델) 날씨를 매번 새로 계산해서 "지금 비인가? 안 비인가?"를 1 분도 안 되어 결정하려 했습니다. 그 결과 매일매일 포트폴리오를 50% 이상 갈아엎는 황당한 일이 벌어졌습니다. (수수료 폭탄 + 정신적 피로)
- 이 시스템: 상태가 명확히 변할 때만 천천히 옷을 갈아입습니다. 매일 0.8% 미만의 작은 변화만 있었습니다.
**수익률 **(Sharpe Ratio)
- 위험 대비 수익률 (샤프 지수) 에서 2.18을 기록해, 일반 주식 투자 (1.18) 나 단순 분산 투자 (1.59) 보다 훨씬 뛰어났습니다.

💡 결론: 왜 이것이 중요한가?

이 논문의 핵심 메시지는 "시장의 상태를 감지하는 것"도 중요하지만, "그 상태를 안정적으로 유지하며 해석하는 것"이 훨씬 더 중요하다는 것입니다.

과거의 방식: "오늘은 A 상태, 내일은 B 상태, 모레는 다시 A 상태 (하지만 이름은 C)"라고 혼란스럽게 예측함. → 투자자가 미쳐버림.
이 논문의 방식: "오늘은 A 상태, 내일은 B 상태, 모레는 다시 A 상태 (이름도 A)"라고 일관되게 예측함. → 투자자가 차분하게 대응함.

한 줄 요약:

"이 시스템은 시장의 '날씨'를 매일매일 새로 정의하는 게 아니라, 일관된 이름표를 붙여가며 날씨의 변화를 감지합니다. 덕분에 폭풍우가 올 때 당황하지 않고, 방패를 든 채로 더 안전하게, 그리고 더 많이 돈을 벌 수 있습니다."

이것은 단순히 "무엇을 살까?"를 묻는 것이 아니라, "지금 어떤 상황인가?"를 어떻게 안정적으로 이해할 것인가에 대한 해답을 제시한 연구입니다.

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

1. 연구 배경 및 문제 제기 (Problem)

일일 포트폴리오 구성은 시장 구조의 빠른 변화에 대한 적응과 추정 오차 및 거래 비용에 대한 견고성 (Robustness) 사이에서 균형을 맞춰야 하는 상충되는 두 가지 목표를 안고 있습니다.

고빈도 데이터의 불안정성: 고빈도 (일일) 데이터에서 조건부 평균과 공분산 추정은 매우 불안정하여, 작은 입력 변화가 최적화된 가중치에 큰 변동을 초래할 수 있습니다.
레짐 (Regime) 추론의 운영적 난제: 잠재적 시장 상태 (레짐) 를 기반으로 투자할 때, 다음과 같은 두 가지 주요 문제가 발생합니다.
1. 모델 차수 (Model Order) 의 변화: 시장 복잡도가 시간에 따라 변함에 따라 적합한 레짐의 수가 고정되지 않고 동적으로 변할 수 있습니다.
2. 레이블 스위칭 (Label Switching): 롤링 윈도우 방식으로 모델을 재추정할 때, 잠재 상태의 식별자 (레이블) 가 순열되어 변경될 수 있습니다. 이는 하류의 포트폴리오 최적화를 불안정하게 만들고, 경제학적 해석을 어렵게 하며, 과도한 거래 (Turnover) 를 유발합니다.

2. 제안된 방법론: Wasserstein Hidden Markov Model (Wasserstein HMM)

저자는 이러한 문제를 해결하기 위해 Wasserstein HMM이라는 새로운 레짐 추론 아키텍처를 제안합니다. 이 프레임워크는 다음과 같은 세 가지 핵심 요소를 결합합니다.

A. 엄격한 인과적 (Strictly Causal) 롤링 Gaussian HMM 추정

과거 데이터만 사용하여 미래의 포트폴리오를 구성하는 엄격한 인과적 프로토콜을 따릅니다.
시장 상태는 다변량 정규 분포 (Multivariate Gaussian) 로 모델링됩니다.

B. 예측 기반 모델 차수 선택 (Predictive Model-Order Selection)

고정된 정보 기준 (예: BIC) 이나 단순한 규칙 기반이 아닌, 1 단계ahead 예측 로그 가능도 (One-step-ahead log-likelihood) 성능을 기반으로 레짐 수 ( $K_t$ ) 를 동적으로 선택합니다.
이는 시장 복잡도 변화에 따라 모델의 복잡성을 적응적으로 조절하면서도 과적합을 방지합니다.

C. 2-Wasserstein 거리를 이용한 템플릿 기반 정체성 추적 (Template-Based Identity Tracking)

핵심 혁신: 재추정 시 발생하는 레이블 스위칭 문제를 해결하기 위해, Gaussian 성분들을 영구적인 레짐 템플릿 (Regime Templates) 에 매핑합니다.
Wasserstein 거리: 다변량 정규 분포 간의 2-Wasserstein 거리 (Closed-form expression 사용) 를 계산하여, 현재 추정된 Gaussian 성분을 가장 유사한 기존 템플릿에 매핑합니다.
지수 평활 (Exponential Smoothing): 템플릿 파라미터 ( $\mu, \Sigma$ ) 를 지수 평활로 업데이트하여 레짐의 정체성을 시간에 따라 부드럽게 진화시키면서도 안정성을 유지합니다.
이 방식은 이산적인 할당 최적화 (Combinatorial assignment) 를 피하고 기하학적으로 근거 있는 정체성 보존을 가능하게 합니다.

D. 포트폴리오 최적화

추론된 레짐 확률을 기반으로 조건부 모멘트 (평균, 공분산) 를 계산합니다.
거래 비용 인식 평균 - 분산 최적화 (Transaction-Cost-Aware MVO): 최적화 과정에 $L_1$ 정규화 항 (거래 비용 및 거래량 패널티) 을 포함하여 과도한 거래를 억제합니다.

3. 주요 기여 (Key Contributions)

기하학적 기반 레짐 추론 프레임워크: 예측 복잡도 제어와 Wasserstein 템플릿 추적을 결합하여 고빈도 배포에 적합한 새로운 레짐 추론 아키텍처를 제시했습니다.
레짐 정체성 안정성의 경제적 중요성 입증: 레짐 추론의 품질 (특히 정체성 보존과 복잡도 제어) 이 포트폴리오의 드로우다운, 거래량, 자본 성장의 안정성에 1 차적 결정 요인임을 실증적으로 증명했습니다.
비모수적 방법론 (KNN) 대비 우월성: 동일한 특징과 최적화 레이어를 사용하는 K-최근접 이웃 (KNN) 기반 비모수적 방법과 비교하여, 파라메트릭 모델이 훨씬 낮은 거래량과 더 매끄러운 가중치 진화를 보임을 입증했습니다.

4. 실증 결과 (Empirical Results)

2005 년부터 2026 년까지의 다양한 자산 (주식, 채권, 금, 원유, 달러) 으로 구성된 일일 데이터셋에서 전략을 평가했습니다.

성과 지표:
- 샤프 비율 (Sharpe Ratio): 제안된 Wasserstein HMM 전략은 2.18로, 등가중치 (1.59) 와 S&P 500 매수보유 (1.18) 를 크게 상회했습니다.
- 최대 드로우다운 (Max Drawdown): **-5.43%**로, S&P 500 의 -14.62% 에 비해 훨씬 낮았습니다.
거래량 및 안정성:
- 일일 거래량 (Turnover): KNN 전략은 평균 56.65% 의 높은 거래량을 보인 반면, Wasserstein HMM 은 **0.79%**로 극히 낮았습니다.
- 가중치 진화: KNN 은 이웃 집단의 불연속적 변화로 인해 가중치가 급변하는 반면, HMM 은 레짐의 지속성으로 인해 매끄러운 가중치 조정을 보였습니다.
2025 년 초 주식 시장 폭락 ("Liberation Day") 대응:
- 시장이 스트레스 레짐으로 전환될 때, 모델은 확률적으로 이를 감지하여 주식 노출을 줄이고 달러, 채권 등 방어적 자산으로 자산을 재배분했습니다.
- 그 결과, 수동적 벤치마크에 비해 피크 - 투 - 트로 (Peak-to-Trough) 손실이 현저히 완화되었습니다.

5. 레짐의 경제적 해석 (Economic Interpretation)

Wasserstein 템플릿을 통해 레짐의 정체성이 시간에 따라 안정적으로 유지되므로, 각 레짐별 자산 성과를 해석할 수 있습니다.

레짐 A (균형 잡힌 리스크 온): 주식과 금, 채권이 모두 양호한 성과.
레짐 B (광범위한 리스크 랠리): 주식, 채권, 금의 강력한 상승과 달러 약세.
레짐 C (방어적 채권 주도): 채권과 금이 주도, 주식은 둔화.
레짐 D (인플레이션/달러 강세): 원유와 달러 강세, 채권 약세.
레짐 E (주식 스트레스): 주식 급락, 금과 채권 등 안전자산으로의 피난 (Flight-to-safety).
의의: 단일 자산이 모든 상태에서 우월하지 않으며, 레짐별로 우월한 자산이 다르다는 것을 확인하고, 이에 따라 포트폴리오가 동적으로 회전합니다.

6. 결론 및 의의 (Significance)

이 논문은 레짐 인식 투자의 핵심이 단순히 "레짐의 존재"를 찾는 것이 아니라, **"어떻게 레짐을 추론하고 안정화하는가"**에 있음을 보여줍니다.

구현의 견고성: 구조화된 잠재 상태 모델 (Structured Latent-State Models) 과 예측 복잡도 제어, Wasserstein 정체성 고정 (Anchoring) 은 일일 교차 자산 배분에서 국소적 유사성 방법 (KNN 등) 보다 훨씬 우수한 구현 특성을 제공합니다.
실용적 가치: 추정 오차와 거래 비용을 고려한 환경에서도 레짐 추론의 안정성이 포트폴리오의 드로우다운 제어와 자본 보존에 직접적인 영향을 미친다는 점을 입증했습니다.

요약하자면, 이 연구는 Wasserstein HMM을 통해 레짐의 정체성을 기하학적으로 안정화시키고, 이를 통해 거래 비용을 줄이고 리스크 조정 수익을 극대화하는 설명 가능한 (Explainable) 포트폴리오 구축 프레임워크를 성공적으로 제시했습니다.