Spectral Portfolio Theory: From SGD Weight Matrices to Wealth Dynamics

이 논문은 확률적 경사 하강법 (SGD) 으로 학습된 신경망 가중치 행렬의 스펙트럼 구조를 포트폴리오 배분 행렬로 직접 동일시하여, SGD 의 세 가지 힘이 포트폴리오 역학으로 변환되고 스펙트럼 불변성 정리를 통해 포트폴리오 설계, 부의 불평등 측정, 세제 정책 및 신경망 진단을 통합하는 '스펙트럼 포트폴리오 이론'을 제시합니다.

핵심

🧩 핵심 아이디어: "인공지능의 두뇌 = 투자자의 포트폴리오"

상상해 보세요. 우리가 인공지능 (AI) 에게 주식 시장 데이터를 가르친다고 칩시다. AI 는 매일매일 주가 데이터를 보고 "어떤 종목을 사야 돈을 벌까?"를 학습합니다.

이 논문은 **"AI 가 학습하는 과정에서 머릿속에 저장하는 숫자 덩어리 (가중치 행렬)"**와 **"실제 투자자가 가진 자산 배분표 (포트폴리오)"**가 완전히 같은 것이라고 말합니다.

• AI 가 학습하는 것 = 투자자가 부를 쌓는 과정
• AI 의 실수 수정 (경사 하강법) = 투자자가 손실을 보고 자산을 재조정하는 것

즉, AI 가 데이터를 배우는 방식 자체가 이미 가장 효율적인 투자 전략을 자동으로 찾아내는 과정이라는 것입니다.

---

🌊 부를 움직이는 3 가지 힘 (AI 가 배우는 3 가지 규칙)

AI 가 학습할 때, 혹은 투자자가 자산을 관리할 때 세 가지 보이지 않는 힘이 작용합니다. 이를 일상적인 비유로 설명하면 다음과 같습니다.

1. "스마트 머니" (Gradient Signal)

• 비유: 맛있는 음식을 찾는 미각
• 설명: 투자자는 수익이 잘 나는 곳으로 자금을 옮깁니다. AI 가 "이게 더 잘되네?"라고 학습하며 가중치를 높이는 것처럼, 현명한 돈 (Smart Money) 은 수익률이 높은 자산으로 자연스럽게 흘러갑니다.

2. "생존의 본능" (Dimensional Regularisation)

• 비유: 식물에게 물을 주는 것
• 설명: 어떤 자산이 지금은 안 좋아서 비중을 0 으로 줄이고 싶을 때, AI 와 투자자는 그것을 완전히 없애지 않습니다. "아직 정보가 부족할 수 있으니, 아주 조금이라도 남겨두자"는 본능이 작동합니다. 이는 "아무것도 걸지 않는 것"보다 "적어도 하나라도 걸어두는 것"이 생존에 유리하기 때문입니다.

3. "자연스러운 분산" (Eigenvalue Repulsion)

• 비유: 사람들이 서로 밀어내는 성질
• 설명: 두 가지 자산이 거의 똑같은 수익을 낸다면, AI 는 그 둘을 똑같이 배분하지 않습니다. 마치 같은 자리에 서 있는 두 사람이 서로 밀어내듯, 자산들끼리도 서로 다른 역할을 하도록 자연스럽게 밀어냅니다.
• 결과: 투자자가 굳이 "분산 투자하라"는 규칙을 세우지 않아도, 시스템이 알아서 자산을 골고루 퍼뜨리게 됩니다.

---

🏰 부의 구조: "핵심 (Core)"과 "위성 (Satellite)"

학습이 끝난 AI 의 포트폴리오를 보면, 부의 분포가 매우 특이한 모양을 띱니다.

• 핵심 (Bulk): 대부분의 자산은 아주 작게 골고루 퍼져 있습니다. (안정적인 시장 전체에 투자하는 것)
• 위성 (Tail): 아주 드물게, 몇몇 자산은 엄청난 비중을 차지합니다. (대박이 날 것 같은 특정 종목에 거는 큰 배팅)

이것은 마치 우주와 같습니다. 수많은 작은 별들 (일반 자산) 사이에, 몇 개의 거대한 별 (대박 자산) 이 빛나는 구조입니다. 논문은 이것이 우연이 아니라, AI 가 데이터를 배우는 과정에서 자연스럽게 만들어지는 수학적 필연이라고 말합니다.

---

⏳ 시간의 마법: "하루"와 "100 년"의 차이

이론은 시간에 따라 부의 모습이 어떻게 변하는지도 설명합니다.

1. 짧은 시간 (하루~일주일): 주가는 더하기 (+) 방식처럼 움직입니다. (A+B=C)
   • 이때는 AI 의 학습 패턴이 무작위적인 소음에 가깝습니다.
2. 긴 시간 (10 년~100 년): 부는 곱하기 (×) 방식으로 움직입니다. (복리 효과)
   • 시간이 지날수록 부의 분포는 파레토 법칙 (20% 가 80% 를 가진다) 을 따르게 됩니다.
   • AI 가 학습하는 방식이 하루 단위의 '무작위'에서, 장기적인 '복리' 구조로 자연스럽게 변모한다는 것입니다.

---

🏛️ 세금과 정책: "공정한 세금"의 비밀

이 논문은 정책 입안자들에게도 중요한 메시지를 줍니다. 바로 **"세금의 종류"**에 대한 이야기입니다.

• 등방성 (Isotropic) perturbation: 모든 자산에 똑같이 세금을 매기는 경우 (예: 모든 자산에 1% 의 부유세).
  • 결과: 부의 구조가 바뀌지 않습니다. AI 가 학습하는 방식이 그대로 유지되므로, 투자자들이 자산을 재배분하지 않아도 됩니다. 이는 "세금이 중립적"이라는 뜻입니다.
• 이방성 (Anisotropic) perturbation: 자산마다 다르게 세금을 매기는 경우 (예: 주식은 20%, 부동산은 5%만 부과).
  • 결과: 부의 구조가 뒤틀립니다. 투자자들은 세금을 피하기 위해 자연스럽게 특정 자산으로 쏠리게 되고, 이는 시장의 왜곡을 만듭니다.

결론: "모든 자산에 똑같이 세금을 매기는 것"이 시장을 가장 자연스럽게 유지하는 길이라는 수학적 증명이 됩니다.

---

💡 한 줄 요약

"인공지능이 데이터를 배우는 방식은, 우리가 부를 쌓고 분배하는 방식과 똑같은 수학적 법칙을 따릅니다. 이 법칙을 이해하면, 왜 부자가 소수인지, 어떻게 공정한 세금을 매겨야 하는지, 그리고 어떻게 하면 더 나은 투자 포트폴리오를 만들 수 있는지 알 수 있습니다."

이 논문은 복잡한 수학으로 무장한 AI 와 경제학을 연결하여, "부 (Wealth)"라는 현상이 단순한 운이 아니라, 시스템이 자연스럽게 만들어내는 아름다운 (혹은 불평등한) 패턴임을 보여줍니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 기존의 단절: 기존 금융 이론에서는 포트폴리오 최적화, 부의 분포 (Pareto 분포), 그리고 신경망 학습 역학이 서로 다른 프레임워크로 다루어졌습니다. 특히, 신경망의 가중치 행렬이 학습 과정에서 어떻게 포트폴리오 할당 행렬로 작용하는지, 그리고 그 스펙트럼 (고유값/특이값) 구조가 장기적인 부의 불평등과 어떻게 연결되는지에 대한 통합된 수학적 기초가 부재했습니다.
• 핵심 질문: 확률적 과정 (Stochastic Process) 을 학습하는 신경망의 가중치 행렬은 포트폴리오 할당 행렬로 해석될 수 있는가? 그리고 SGD(Stochastic Gradient Descent) 의 역학이 포트폴리오의 분산, 생존, 그리고 부의 집중 패턴을 어떻게 결정하는가?

2. 방법론 (Methodology)

이 논문은 신경망 가중치 행렬과 포트폴리오 할당 행렬 간의 직접적인 동일시 (Identification) 를 기반으로 합니다.

• 기본 설정:

  • 확률 미분방정식 (SDE) $dx = v(x)dt + \sqrt{2D}dB$ 로 정의된 확률 과정을 신경망이 학습합니다.
  • 각 층의 가중치 행렬 $W \in \mathbb{R}^{m \times n}$ 은 포트폴리오 할당 행렬로 재해석됩니다. 여기서 행 (Rows) 은 시간 상태 (States), 열 (Columns) 은 자산 (Assets) 을 나타냅니다.
  • SGD 업데이트는 포트폴리오의 적응적 재조정 (Rebalancing) 으로 해석됩니다.

• 수학적 도구:

  • 특이값 분해 (SVD): $W = U\Sigma V^\top$ 를 통해 포트폴리오를 주성분 (Eigenportfolios) 으로 분해합니다.
  • 랜덤 행렬 이론 (RMT) 및 자유 확률론: SGD 의 가중치 행렬의 스펙트럼 분포를 분석하기 위해 Marchenko-Pastur 분포 (단기/가산적 regime) 와 역-위샷 (Inverse-Wishart) 분포 (장기/승법적 regime) 를 연결합니다.
  • Fokker-Planck 방정식: 행렬 수준의 역학을 스칼라 부 (Wealth) 역학으로 투영 (Radial Projection) 하는 과정을 통해 부의 분포를 유도합니다.

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

A. SGD 의 세 가지 힘과 포트폴리오 역학의 대응

Olsen et al. (2025) 의 특이값 진화 방정식을 포트폴리오 경제학적으로 해석하여 세 가지 핵심 힘을 도출했습니다:

1. 기울기 신호 (Gradient Signal) $\rightarrow$ 스마트 머니 (Smart Money): 손실 함수의 기울기는 수익을 추구하는 자본 흐름을 나타냅니다.
2. 차원 정규화 (Dimensional Regularization) $\rightarrow$ 생존 제약 (Survival Constraint): $1/\sigma_k$ 항은 어떤 포지션도 0 이 되는 것을 방지합니다. 이는 정보 채널의 생존을 위한 내생적 최소 포지션 제약으로 해석됩니다.
3. 고유값 반발 (Eigenvalue Repulsion) $\rightarrow$ 내생적 분산 (Endogenous Diversification): 고유값들이 서로 가까워지는 것을 방지하는 항으로, 명시적인 분산 제약 없이도 학습의 잡음 구조에서 자연스럽게 포트폴리오 분산이 발생합니다.

B. 스펙트럼 분포의 정적 구조 (Stationary Structure)

• 코어 - 위성 (Core-Satellite) 구조: 정상 상태의 특이값 분포는 집중된 '벌크 (Bulk)'와 멱함수 (Power-law) 꼬리를 가진 '테일 (Tail)'로 구성됩니다. 이는 기관 투자자와 가계 포트폴리오에서 관찰되는 코어 - 위성 구조를 수학적으로 설명합니다.
• 유효 스펙트럼 랭크 ($r_{eff}$): 포트폴리오의 복잡성을 측정하며, 데이터의 내재적 차원성과 직접적으로 연결됩니다.

C. 시간 척도 regime 전환 및 부의 역학 통합

• 가산적 $\rightarrow$ 승법적 전환: 단기 (일일) 수익률은 Marchenko-Pastur 통계 (가산적) 를 따르지만, 장기 (수년) 부의 복리 효과는 자유 로그 정규 (Free Log-Normal) 및 역-위샷 통계 (승법적) 로 전환됩니다.
• 행렬 Kesten 문제: 스칼라 Kesten 재귀식을 행렬로 일반화하여, 포트폴리오 할당 행렬의 역-위샷 스펙트럼 꼬리가 부의 분포의 Pareto 꼬리로 투영됨을 증명했습니다.
• 통합: Bouchaud-Mézard(교차-sectional 부 모델), Olsen et al.(포트폴리오 내부 역학), Frøseth(스칼라 Fokker-Planck) 의 세 가지 모델을 공통된 스펙트럼 기초로 통합했습니다.

D. 스펙트럼 불변성 정리 (Spectral Invariance Theorem)

• 등방성 섭동 (Isotropic Perturbation): 모든 자산에 균일하게 영향을 미치는 변화 (예: 균일한 부세, 관리 수수료) 는 스펙트럼의 형태 (Tail exponent, 방향) 를 보존하고 스케일만 변경합니다. 즉, 포트폴리오 구성 비율은 변하지 않습니다.
• 이방성 섭동 (Anisotropic Perturbation): 자산별로 다른 영향을 미치는 변화 (예: 자산별 다른 세율, 규제) 는 스펙트럼을 왜곡시키고 고유 포트폴리오 방향을 회전시킵니다. 왜곡의 크기는 자산 간 분산 ($Var(\delta_i)$) 에 비례합니다.
• 조세 중립성: 이 정리는 Frøseth (2026b) 의 조세 중립성 조건을 일반화하여, 자산별 차별적 과세가 포트폴리오 구조를 왜곡시킨다는 것을 수학적으로 증명했습니다.

4. 응용 분야 (Applications)

1. 포트폴리오 설계: 세 가지 힘 (스마트 머니, 생존, 분산) 을 기반으로 한 새로운 포트폴리오 구성 프레임워크 제시.
2. 부 불평등 측정: 포트폴리오 할당 데이터의 SVD 를 통해 부의 Pareto 지수를 직접 측정 가능.
3. 조세 정책: 등방성 세제는 포트폴리오 구조를 왜곡하지 않지만, 이방성 세제 (자산별 차등 과세) 는 왜곡을 유발함을 정량화. 노르웨이의 부세 개혁 사례를 통해 검증 가능.
4. 신경망 진단: 학습된 신경망의 가중치 스펙트럼이 목표 분포의 복잡성과 일치하는지 확인하여 학습 수렴 상태를 진단.

5. 의의 및 결론 (Significance)

• 이론적 통합: 랜덤 행렬 이론, 심층 학습, 포트폴리오 이론, 그리고 부의 분포 역학을 하나의 스펙트럼 이론으로 통합했습니다.
• 새로운 미시적 기초: 포트폴리오 분산이 단순히 위험 회피 (Risk Aversion) 에서 비롯된 것이 아니라, 불완전 정보 하의 학습 잡음 구조에서 내생적으로 발생함을 보였습니다.
• 정책적 함의: 조세 및 규제 정책이 포트폴리오 구성에 미치는 영향을 '스펙트럼 불변성' 관점에서 평가할 수 있는 새로운 도구를 제공합니다. 등방적 정책은 중립적이지만, 이방적 정책은 구조적 왜곡을 초래함을 명확히 합니다.
• 검증 가능성: 노르웨이의 부 데이터 (SSB) 와 같은 마이크로 데이터를 통해 포트폴리오의 SVD 특이값 분포와 부의 Pareto 지수 간의 관계를 실증적으로 검증할 수 있는 구체적인 예측을 제시합니다.

이 논문은 신경망 학습 역학과 금융 시장의 부의 분포 현상을 연결하는 획기적인 수학적 프레임워크를 제시하며, 향후 포트폴리오 최적화, 불평등 연구, 그리고 정책 설계에 중요한 통찰을 제공합니다.