기술 요약: 교차 자산 선물 타이밍을 위한 엔드 투 엔드 파라메트릭 포트폴리오 정책

1. 문제 제기

본 논문은 체계적 다자산 투자(글로벌 매크로 및 관리형 선물 전략)에서 **교차 자산 타이밍(cross-asset timing)**의 과제를 다룹니다. 타이밍 결정은 실현된 리스크와 수익을 결정짓는 핵심 요소이지만, 실행하기가 매우 까다롭습니다. 표준적인 퀀트 접근 방식은 기대 수익률과 공분산을 예측한 후 평균-분산 최적화를 통해 가중치를 결정하는 2단계 "예측 후 최적화(predict-then-optimize)" 프레임워크에 의존합니다. 저자들은 이 파이프라인이 취약하다고 주장합니다. 즉, 노이즈가 섞인 수익률 예측이 불안정한 포트폴리오 가중치로 이어질 수 있다는 것입니다.

핵리의 연구 질문은 실무적입니다: AI 기반의 엔드 투 엔드 할당 정책이 단순한 규칙 기반 전략(동일 가중, 리스크 패리티, 시계열 모멘텀 등)보다 얼마나 더 우수한 성과를 내어 그 추가적인 복잡성을 정당화할 수 있는가? 본 연구는 비유동성 프리미엄이 알파의 원천이 아닌, 모델의 순수한 타이밍 기술만을 격리하여 검증하기 위해 유동성이 높고 투자 가능한 유니버스에 초점을 맞춥니다.

2. 방법론

데이터 및 유니버스

본 연구는 6개 자산군(주식 지수, 금리, 외환, 에너지, 금속, 농산물)에 걸친 가장 유동성이 높은 16개의 CME 선물에 대한 일간 종가 데이터를 활용합니다. 데이터 기간은 2001년부터 2024년까지입니다. 저자들은 갭 없는 히스토리를 보장하고 선행 편향(look-ahead bias)을 피하기 위해 연속 계약 시리즈를 사용합니다. 피처 세트에는 로우 데일리 수익률과 경제적으로 해석 가능한 일련의 엔지니어링 피처(추세, 평균 회귀, 허스트 지수, 변동성, 상관관계 및 고차 모멘트)가 포함되지만, 주요 외표본(out-of-sample) 분석은 일간 수익률의 횡단면을 상태값으로 사용합니다.

정책 프레임워크

저자들은 엔드 투 엔드 파라메트릭 포트폴리오 정책 접근 방식을 채택합니다. 수익률을 예측하는 대신, 신경망이 미분 가능한 정책 함수 $\pi_\theta(X_t)$를 통해 시장 상태($X_t$)를 포트폴리오 가중치($w_t$)로 직접 매핑합니다.

• 목적 함수: 모델은 **미분 가능한 샤프 지수(Sharpe ratio)**를 최대화하도록(음의 샤프 지수를 최소화하도록) 학습됩니다. 이는 예측과 최적화를 단일 단계로 통합합니다.
• 제약 조건: 롱/숏 포지션이 허용되며 총 노출(gross exposure)은 단위(unit)입니다. 롱/숏 예산 제약은 사후적 제약이 아니라 정책 아키텍처 내에 내재되어 있습니다.
• 거래 비용: 현실적인 2bp(basis point)의 거래 비용($\lambda$)을 부과하여 턴오버를 페널티로 주는 비용 인식 목적 함수를 사용하며, 민감도 분석은 10bp까지 확장됩니다.

아키텍처

두 가지 신경망 아키텍처를 비교합니다:

1. LSTM (Long Short-Term Memory): 시퀀스 모델링을 위한 신경망 기반 베이스라인 역할을 합니다.
2. Transformer: 최근의 어텐션 기반 모멘텀 문헌을 따르는 커스텀 아키텍처입니다. 다음을 포함합니다:
   • Time2Vec 임베딩: 표준 어텐션이 순서 불변(order-agnostic)인 점을 보완하여 주기적 구조를 포착합니다.
   • 인코더-디코더: 게이트형 잔차 네트워크(GRN)를 포함한 4개 층의 멀티 헤드 셀프 어텐션 구조입니다.
   • 인과적 마스킹(Causal Masking): 가중치가 포지션 형성 시점에 가용한 정보에만 의존하도록 보장합니다.
   • 출력층: 부호가 있는 소프트맥스(signed-softmax) 레이어가 디코더 점수를 가중치로 변환하고 총 절대 노출을 정규화합니다.

실험 설계

평가는 확장 윈도우 워크 포워드(expanding-window walk-forward) 설계를 사용하여 수행됩니다. 모델은 초기 샘플의 40%에서 학습되며, 약 4년 단위 블록으로 재학습됩니다(90/10 훈련-검증 분할). 성능은 세 가지 표준 규칙인 동일 가중(1/N), 리스크 패리티, 시계열 모멘텀(TSMOM)과 비교됩니다.

3. 주요 결과

자산군별 성과

• 전체 순위: 학습된 정책(Transformer 및 LSTM)은 풀 크로스-자산 포트폴리오와 여러 단일 자산군 슬리브(예: 농산물, 금속)에서 단순 규칙보다 일반적으로 높은 순위를 기록하지만, 균일하게 나타나지는 않습니다.
• 자산군별 특이사항:
  • 주식 지수: LSTM이 가장 높은 샤프 지수(0.87)를 기록하며 동일 가중(0.78) 및 리스크 패리티(0.79)를 상회했습니다. 그러나 팩터 분해 결과, 이는 잔여 알파보다는 주로 **시장 노출($\beta$)**에 의한 것임이 밝혀졌습니다.
  • 금리 및 외환: 시계열 모멘텀이 여전히 지배적인 전략입니다. 학습된 모델들은 이 영역에서 TSMOM을 이기는 데 어려움을 겪습니다.
  • 농산물: Transformer가 가장 큰 개선을 보였으며, 최적의 롱 온리(long-only) 전략의 샤프 지수를 두 배 이상 높였습니다(0.34 대 0.16).
• 통계적 유의성: 다중 테스트에 대한 본페로니 교정(Bonferroni correction)을 적용한 후, 학습된 모델의 주식 지수 결과만이 0과 통계적으로 구별되는 것으로 나타났습니다. 크로스-자산 Transformer의 샤프 지수(0.55)는 동일 가중(0.52)보다 약간 높지만, 직접적인 비교에서 통계적으로 유의미하지는 않았습니다.

거래 비용의 영향

가장 중요한 발견은 턴오버와 비용 민감도에 관한 것입니다:

• 턴오버: Transformer는 매우 낮은 턴오버(~일간 0.02)를 보이는 반면, LSTM은 공격적으로 거래합니다(크로스-자산 포트폴리오 기준 일간 ~0.17).
• 순 성과: 2bp의 거래 비용을 적용한 후, LSTM의 샤프 지수는 급격히 하락하는 반면(크로스-자산 포트폴리오에서 0.50에서 0.33으로), Transformer의 샤프 지수는 안정적으로 유지됩니다(0.55에서 0.54로).
• 결론: Transformer는 덜 거래함으로써 자신의 총 수익(gross advantage)을 보존하기 때문에 가장 강력한 순(net) 정책을 생성합니다. LSTM의 높은 턴오버는 비용이 구현되면 알파를 갉아먹습니다.

복잡성 및 견고성

• 시드 민감도: Transformer는 무작위 초기화에 민감합니다. **시드 평균화(seed averaging, 독립적으로 시딩된 세 개의 모델을 평균 내는 것)**가 안정성과 경쟁력을 확실히 개선하는 유일한 방법이었습니다.
• 복잡성: 더 복잡한 구조(Mixture-of-Experts, 더 큰 피처 세트, 크로스 모델 앙상블)가 외표본 성과를 일관되게 개선하지는 못했습니다. 단순한 시드 평균화된 Transformer가 이러한 추가 요소들보다 우수했습니다.

기술(Skill) vs 노출(Exposure)

주식 지수에서 Transformer의 성과는 잔여 알파보다는 **리스크 효율적인 방향성 노출(sub-unit beta)**에 기인합니다. LSTM은 주식에서 일부 잔여 알파를 보였으나, 이는 다른 자산군에서는 일관되지 않았습니다. 엄격한 테스트 후 잔여 알파가 0과 구별되는 유니버스는 없었습니다.

4. 의의 및 주장

본 논문은 엔드 투 엔드 AI 할당의 가치는 보편적인 것이 아니라 조건적이라고 결론짓습니다.

• 효과적인 경우: 단순한 규칙이 취약한 영역(예: 변동성이 큰 상품 시장)이나 모델이 거대한 계약의 횡단면 전체에서 폭을 활용할 수 있는 곳에서 엔드 투 엔드 정책이 가치를 더합니다.
• 실패하는 경우: 단순한 분산(동일 가중)이나 표준 추세 규칙(TSMOM)이 이미 대부분의 수익을 포착하는 영역(예: 금리, 외환)에서는 이 접근 방식의 매력이 떨어집니다.
• "Transformer"의 우위: Transformer 아키텍처가 LSTM보다 선호되는 이유는 단순히 더 우수한 원시 예측 능력 때문이 아니라, 낮은 턴오버 덕분에 현실적인 거래 비용을 견뎌낼 수 있기 때문입니다.
• 실무적 시사점: 본 연구는 AI 모델을 단순히 동일 가중 방식과 비교하는 것이 아니라, 실무자가 실제로 운용할 구체적인 단순 규칙들과 벤치마킹할 것을 권고합니다. 또한 턴오버와 비용 민감도가 총 샤프 지수만큼이나 중요하다는 점을 강조합니다. 결과적으로 AI가 유용한 저턴오버 할당 규칙을 생성할 수는 있지만, 그것이 자동으로 시장 중립적 알파를 생성하는 것은 아니며, 거래 비용에 대한 엄격한 주의를 기울여 평가해야 함을 시사합니다.

저자들은 본 연구를 유동적인 일간 빈도의 설정에서 수행된 "보수적인 테스트"로 규정하며, 더 높은 빈도나 더 넓은 유니버스가 모델이 활용할 수 있는 신호를 더 많이 제공할 수 있다고 언급했습니다.