Large-Scale Asset Selection via Metric Dependence with Enriched High Frequency Information

기술적 요약: 고빈도 정보 강화에 기반한 거리 의존성을 통한 대규모 자산 선정

1. 문제 제기

대규모 포트폴리오 구성은 본질적으로 추정 오차에 민감하며, 특히 자산 수 ($p$) 가 표본 크기 ($n$) 에 비해 클 때 더욱 그렇습니다. 이를 완화하기 위해 2 단계 절차 (선별 후 최적화) 가 표준적으로 사용되지만, 기존 자산 선정 규칙은 일반적으로 스칼라 수익률이나 고빈도 데이터의 저차원 요약 (예: 일일 수익률, 실현 변동성) 에 의존합니다.

저자들은 일중 가격 경로를 스칼라 요약으로 축소하는 것이 "일중 위험 역학" (변동성 급증의 타이밍과 집중도 등) 과 같은 귀중한 정보를 버린다고 주장합니다. 일일 수익률은 유사하지만 일중 위험 프로파일이 상이한 자산들의 경우, 스칼라 기반 선별은 이를 구별하지 못해 2 단계 최적화기를 위한 하위 최적의 후보 집합을 초래할 수 있습니다. 핵심 문제는 형태 정보를 잃는 공격적인 차원 축소 없이 고빈도 객체 값 일중 정보를 자산 선별 과정에 통합하는 방법입니다.

2. 방법론: 거리 의존성 선별 (MDS)

본 논문은 고빈도 자산 정보를 유클리드 벡터가 아닌 거리 공간의 랜덤 객체로 취급하는 2 단계 절차인 거리 의존성 선별 (Metric Dependence Screening, MDS) 을 제안합니다.

A. 자산 표현 (점 - 곡선 객체)
스칼라 수익률을 사용하는 대신, 각 자산 $i$의 $t$일 데이터는 점 - 곡선 객체 $X_{i,t} = (R_{i,t}, v_{i,t}) \in \mathcal{X}$로 표현됩니다. 여기서:

• $R_{i,t}$는 일일 수익률입니다.
• $v_{i,t}$는 거래일 동안의 일중 절대 로그 가격 변화 크기를 나타내는 평활화된 곡선입니다.
• 공간 $\mathcal{X}$는 가중치 곱 거리를 갖습니다:
  $$d_{\mathcal{X}}(x, x')^2 = (r - r')^2 + w \|v - v'\|_{L^2}^2$$
  이 거리는 보상 정보 (점 성분) 와 일중 위험 역학 (곡선 성분) 을 모두 보존합니다.

B. 목표 변수
고빈도 샤프 비율을 기반으로 위험 조정 목표 시계열 $Y_t$가 구성됩니다. 주식은 일일 고빈도 샤프 비율로 순위가 매겨지며, 상위 10% 가 선정되고 이 부분집합의 가치 가중 수익률이 $Y_t$를 형성합니다. 이는 선별 목표를 원 수익률 예측이 아닌 위험 조정 포트폴리오 배분에 정렬시킵니다.

C. 선별 점수
MDS 는 프레체 (Fréchet) 변동 기반 의존성 점수를 사용하여 자산을 순위 매깁니다.

• 모집단 정의: 점수 $\rho$는 목표 $Y$가 설명하는 $X$의 거리 분산의 비율을 측정합니다. 이는 다음과 같이 정의됩니다:
  $$\rho = 1 - \frac{E[V(Y)]}{V_F}$$
  여기서 $V_F$는 $X$의 전역 프레체 분산이며, $V(Y)$는 $Y$가 주어졌을 때의 조건부 잔차 변동입니다. $\rho$가 높을수록 위험 조정 목표가 자산의 거리 분산을 더 많이 설명함을 의미합니다.
• 추정: 거리 공간에서 조건부 프레체 평균의 직접적인 비모수적 추정은 어렵기 때문에, 저자들은 목표 슬라이싱 추정기를 제안합니다. $Y$의 범위를 셀로 분할하고, 각 셀 내에서 경험적 프레체 평균과 분산을 계산합니다. 최종 점수는 설명된 변동 비율의 플러그인 추정기입니다.

D. 2 단계 파이프라인

1. 1 단계: 모든 $p$개 자산을 추정된 MDS 점수로 순위 매긴 후 축소된 부분집합 (예: 상위 $d$개 자산) 을 선정합니다.
2. 2 단계: 선정된 부분집합에 표준 평균 - 분산 또는 최소 분산 최적화를 적용합니다.

3. 이론적 기여

본 논문은 $\alpha$-혼합 시계열 의존성과 초고차원성 ($p \gg n$) 하에서 MDS 에 대한 엄격한 이론적 보장을 확립합니다.

• 집중성: 저자들은 목표 슬라이싱으로 인한 편향과 거리 공간 내 프레체 평균 추정 오차를 고려하여, 추정된 점수와 모집단 점수 간의 편차에 대한 지수형 꼬리 경계를 유도합니다.
• 확실한 선별 (Sure Screening): 최소 신호 강도 조건 하에서, 이 방법은 모든 실제 관련 자산이 확률이 1 에 수렴하는 방식으로 선별된 집합에 포함됨을 보장합니다.
• 순위 일관성: 경험적 순위는 점근적으로 활성 (관련) 자산과 비활성 (무관) 자산 간의 모집단 순서를 보존하여, 상위-$d$ 선정 규칙이 일관되도록 보장합니다.

4. 실증 결과

저자들은 2023 년 7 월부터 2025 년 12 월까지의 2,938 개 중국 A 주에 대한 5 분 일중 데이터를 사용하여 MDS 를 평가했습니다.

• 벤치마크: MDS 는 다음과 비교되었습니다:
  • D-SEVIS: 스칼라 요약에 기반한 의존성 선별 방법 (Wang et al., 2022).
  • MTM: 모멘텀 기반 순위 전략.
• 성능: 다양한 가중치 방식 (동일 가중, 점수 제곱, 전역 최적화, 축소 전역 최적화) 과 선정 크기 ($d=30, 60, 90$) 에서 MDS 는 일관되게 벤치마크를 능가했습니다.
  • 수익률: MDS 포트폴리오는 더 높은 누적 순자산가치를 달성했습니다 (예: 최상 구성에서 D-SEVIS 대비 1.90 대 1.22).
  • 위험 조정 수익률: MDS 는 D-SEVIS 대비 현저히 높은 샤프 비율 (최적 설정에서 1.0 초과) 을 기록했으며, MTM 은 음의 샤프 비율을 보였습니다.
  • 추락 (Drawdown): MDS 는 과도한 하방 위험으로 인한 성과 상승이 아님을 나타내는 벤치마크와 비교할 때 동등하거나 더 낮은 최대 추락을 유지했습니다.
• 시뮬레이션: 유클리드 및 비유클리드 (Wasserstein 공간) 설정 모두에서 수행된 몬테카를로 실험은 MDS 가 시계열 의존성과 초고차원성 하에서 효과적임을 확인했으며, 특히 전통적 스칼라 방법이 어려움을 겪는 비선형 및 비유클리드 시나리오에서 탁월한 성능을 보였습니다.

5. 중요성과 주장

본 논문은 MDS 가 복잡하고 객체 값인 고빈도 데이터와 전통적 포트폴리오 구성 간의 간극을 연결하는 통합 프레임워크를 제공한다고 주장합니다.

• 개념적 전환: 스칼라화를 넘어, 일중 경로를 기능적 객체로 취급하여 표준 요약에서 종종 손실되는 "일중 내 형태 정보" (변동성 급증 등) 를 보존합니다.
• 방법론적 혁신: 선별 맥락에 프레체 기반 의존성 측정을 적용하여, 위험 조정 배분에 특화된 거리 공간 대안을 제공합니다. 이는 선형 상관관계나 거리 공분산의 대안입니다.
• 실용적 가치: 실증 결과는 선별 단계에서 일중 위험 역학을 보존하는 것이 표외 포트폴리오 성과에 실질적이고 경제적으로 의미 있는 개선을 가져온다는 것을 보여주며, 일중 위험 상태가 위험 조정 수익률에 대한 예측력을 갖는다는 가설을 검증합니다.

저자들은 이 프레임워크가 현재 일중 절대 로그 가격 변화에 적용되고 있지만, 다른 고빈도 위험 시그니처에도 일반화될 수 있으며, 현대의 데이터가 풍부한 금융 시장에서 대규모 자산 선정을 위한 강력한 접근법을 제공한다고 결론지었습니다.