Comparative Evaluation of Modern Deep Learning Methodologies for Portfolio Optimization

"포트폴리오 최적화를 위한 현대 딥러닝 방법론의 비교 평가" 논문에 대한 상세한 기술적 요약입니다.

1. 문제 제기

현대 포트폴리오 이론 (MPT), 자본자산 가격 결정 모델 (CAPM), 블랙 - 리터만 모델과 같은 전통적인 포트폴리오 최적화 방법은 정적 가정 (예: 정규 분포를 따르는 수익률, 정적 공분산 행렬) 과 선형 관계에 크게 의존합니다. 이러한 모델들은 다음과 같은 특징을 지닌 현대 금융 환경에서 어려움을 겪습니다:

• 비정상성과 비선형성: 시장은 정적 모델이 포착할 수 없는 시변 상관관계와 복잡하고 비선형적인 의존성을 보입니다.
• 고차원성: 자산과 데이터 소스 (뉴스, 감성, 펀더멘털) 의 sheer volume 이 전통적인 특징 공학을 압도합니다.
• 추정 오차: MVO 는 입력 매개변수에 매우 민감합니다. 기대 수익률이나 공분산 추정치에서의 작은 오차도 불안정하고 비최적의 포트폴리오로 이어질 수 있습니다.

본 연구는 고급 딥러닝 아키텍처와 전통적인 금융 이론을 통합하여 견고하고 적응적이며 리스크를 인지하는 포트폴리오 전략을 창출하는 것과 관련된 문헌의 격차를 해소합니다.

2. 방법론

본 연구는 다양한 자산 클래스 (주식, ETF, 채권, 금) 에 걸친 2015 년부터 2023 년까지의 역사적 일일 데이터를 사용하여 비교 프레임워크를 적용합니다. 방법론은 7 가지 서로 다른 전략을 구축, 훈련 및 백테스팅하는 과정을 포함합니다.

A. 데이터 및 전처리

• 자산: AAPL, TLT, AMZN, SPY, EFA, GLD, MSFT.
• 특징: 일일 수익률, 기술적 지표 (변동성, 이동평균, 모멘텀) 를 포함하며, 모델 안정성을 보장하기 위해 표준화되었습니다.
• 백테스팅: 거래 비용, 동적 재조정, 리스크 제약 (최대 변동성/추락) 을 포함한 시뮬레이션 트레이딩.

B. 모델 아키텍처

본 연구는 4 가지 주요 딥러닝 패러다임과 이들의 하이브리드 조합을 평가합니다:

1. 심층 강화 학습 (DRL):

   • 목표: 샤프 비율을 극대화하기 위해 포트폴리오 가중치를 동적으로 학습합니다.
   • 메커니즘: 시장 환경과 상호작용하는 PPO(Proximal Policy Optimization) 에이전트를 사용합니다.
   • 테스트된 한계: 독립적인 DRL 은 종종 샘플 비효율성과 구조적 인식 부족으로 고통받습니다.

2. 오토인코더 (AE):

   • 목표: 차원 축소 및 노이즈 필터링.
   • 메커니즘: 고차원 수익률 스트림을 저차원 잠재 공간 ($Z$) 으로 인코딩하고 이를 재구성합니다.
   • 사용: DRL 입력을 위한 특징 압축기 또는 독립적인 공분산 추정기로 사용됩니다.

3. 그래프 신경망 (GNN):

   • 목표: 자산 간 의존성과 진화하는 상관관계 구조를 모델링합니다.
   • 메커니즘: 자산을 그래프 ($\mathcal{G} = (\mathcal{V}, \mathcal{E})$) 의 노드로 간주하고 메시지 전달을 사용하여 이웃에 기반한 노드 표현을 업데이트합니다.
   • 사용: 최적화를 위한 공분산 행렬 추정에 특히 사용됩니다.

4. 트랜스포머 (Transformers):

   • 목표: 자산 수익률의 장기 시간적 의존성을 포착합니다.
   • 메커니즘: 자기 주의 (self-attention) 메커니즘을 사용하여 미래 수익률 예측을 위해 과거 시간 단계의 중요도를 가중합니다.
   • 사용: 예측된 수익률 벡터 ($\mu$) 를 생성합니다.

C. 하이브리드 전략

• 오토인코더 + DRL: DRL 훈련을 안정화하기 위해 AE 의 잠재 특징을 사용합니다.
• 트랜스포머 + GNN: 트랜스포머가 예측한 수익률과 GNN 이 추정한 공분산 행렬을 결합하여, 둘 다 평균 - 분산 최적화 (MVO) 프레임워크에 입력합니다.

D. 벤치마크

딥러닝 모델은 다음과 비교됩니다:

• 마코위츠 MVO: 예측된 입력을 사용.
• 등가중치 (1/N): 간단한 정적 기준선.
• 60/40 포트폴리오: 전통적인 고정 배분 전략.

E. 평가 지표

• 수익: 누적 수익률, 연평균 수익률 (CAGR).
• 리스크: 연평균 변동성, 최대 추락 (MDD).
• 효율성: 샤프 비율.

3. 주요 기여

1. 하이브리드 아키텍처 검증: 상호 보완적인 딥러닝 모델 (예: 시계열을 위한 트랜스포머와 관계형 데이터를 위한 GNN) 을 결합하는 것이 독립적인 모델보다 우수한 리스크 통제를 제공함을 입증합니다.
2. 전통적 모델의 재평가: MVO 가 구식이라는 서사를 도전합니다. 본 연구는 고품질의 딥러닝 기반 입력과 결합될 때 MVO 가 여전히 매우 경쟁력 있으며 (종종 순수 수익률에서 우월함) 있음을 보여줍니다.
3. 특징 압축의 영향: 오토인코더를 통한 차원 축소가 DRL 훈련을 크게 안정화시켜 '순진한' DRL 의 부진을 방지함을 증명합니다.
4. 포괄적인 백테스팅 프레임워크: 다양한 시장 체제를 포함한 8 년 기간 동안 실제적인 제약 (거래 비용, 재조정) 하에 7 가지 전략을 엄격하게 비교합니다.

4. 결과

실증 분석은 논문 표 2 를 기반으로 다음과 같은 주요 발견을 도출했습니다:

전략	누적 수익률 (%)	변동성 (%)	샤프 비율	최대 추락 (%)
MVO (DL 입력 사용)	461.31 (최고)	19.38	1.0885 (최고)	-31.82
오토인코더	287.79	15.45	1.0546	-27.70
오토인코더 + DRL	273.76	15.26	1.0390	-26.52
트랜스포머 + GNN	269.71	14.67 (최저)	1.0659	-18.81 (최저)
60/40	332.89	21.09	0.8798	-32.64
등가중치	287.79	15.45	1.0546	-27.70
독립 DRL	50.06	15.71	0.3671	-37.36

• 수익 성과: 딥러닝 입력을 활용한 MVO 전략이 가장 높은 누적 수익률 (461.31%) 과 샤프 비율 (1.09) 을 달성하여 모든 딥러닝 전용 전략을 능가했습니다.
• 리스크 관리: 트랜스포머 + GNN 하이브리드가 최상의 리스크 통제를 보여주어 가장 낮은 변동성 (14.67%) 과 가장 낮은 최대 추락 (-18.81%) 을 기록했습니다.
• DRL 성과: 독립 DRL 은 부진하게 수행되었습니다 (샤프 0.37). 이는 구조적 사전 지식이나 특징 압축 없이 DRL 이 노이즈가 많은 금융 데이터에서 최적 정책을 학습하는 데 어려움을 겪음을 확인시켜 줍니다.
• 오토인코더 행동: 독립 오토인코더 전략은 등가중치 포트폴리오를 모방했는데, 이는 동적 배분 메커니즘 없이 특징 압축만으로는 알파를 생성하지 못함을 시사합니다.

5. 중요성 및 결론

본 연구는 어떤 단일 방법론도 보편적으로 우세하지 않다고 결론지었습니다. 대신 최적의 접근법은 전통적 금융 이론과 현대 딥러닝 간의 시너지에 있습니다:

• 상호 보완성: 딥러닝은 특징 추출 (시간을 위한 트랜스포머, 구조를 위한 GNN, 노이즈 감소를 위한 오토인코더) 에 뛰어나며, 전통적 최적화 (MVO) 는 이러한 입력을 기반으로 효율적인 포트폴리오 구축에 뛰어납니다.
• 견고성: 하이브리드 모델 (특히 트랜스포머+GNN) 은 우수한 안정성과 하방 보호를 제공하여 리스크에 민감한 기관 환경에 이상적입니다.
• 실용성: 본 연구는 전통적 모델이 구식이지 않음을 검증합니다. 오히려 그 성능은 입력 데이터의 품질에 달려 있습니다. 수동 추정을 딥러닝 예측으로 대체함으로써 MVO 는 경쟁력을 회복합니다.

향후 방향: 저자들은 대규모 기관 배포에서 확장성과 해석 가능성을 더욱 향상시키기 위해 잠재 금융 표현을 전통적 최적화 프레임워크에 직접 통합하는 것을 탐구할 것을 제안합니다.