Decision-focused Sparse Tangent Portfolio Optimization

기술 요약: 의사결정 중심의 희소 탄젠트 포트폴리오 최적화 (Decision-focused Sparse Tangent Portfolio Optimization)

문제 정의
희소 탄젠트 포트폴리오 최적화는 평균-분산 프런티어(mean-variance frontier) 상에서 샤프 지수(Sharpe ratio, 단위 위험당 초과 수익)를 극대화하는 해석 가능하고 낮은 카디널리티(low-cardinality)를 가진 포트폴리오를 구축하는 것을 목표로 한다. 그러나 이 과제는 두 가지 주요 과제에 직면해 있다:

1. 계산 복잡성: 비제로 자산 가중치(non-zero asset weights)의 수를 제한하는 카디널리티 제약 조건을 적용하면, 최적화 문제는 매끄러운 연속적 작업에서 NP-난해(NP-hard)한 조합 탐색 문제로 변한다.
2. 예측-의사결정 불일치(Prediction-Decision Misalignment): 전통적인 "예측 후 최적화(Predict-then-Optimize, PFL)" 파이프라인은 자산 수익률을 예측하기 위해 통계적 손실(예: 평균 제곱 오차, MSE)을 사용하여 예측 모델을 훈련한다. 이후 이 모델들은 별도의 최적화기에 입력된다. 이러한 방식은 하류(downstream)의 의사결정 구조를 고려하지 못한다. 즉, 작은 예측 오차가 이산적인 자산 선택 단계들을 거치며 연쇄적으로 작용하여, 특히 엄격한 희소성 제약 조건 하에서 최종 포트폴리오 성능의 심각한 하위 최적화(suboptimality)를 초래할 수 있다.

방법론
저자들은 예측, 자산 선택, 그리고 포트폴리오 재최적화를 하나의 미분 가능한 파이프라인으로 통합하는 엔드 투 엔드(end-to-end) 의사결정 중심 학습(Decision-Focused Learning, DFL) 프레임워크를 제안한다. 핵심 방법론은 세 가지 기술적 혁신을 포함한다:

1. 미분 가능한 샤프 지수 재정식화:
   그래디언트 흐름(gradient flow)을 최적화 계층을 통해 가능하게 하기 위해, 저자들은 비볼록(non-convex) 샤프 지수 극대화 문제를 **규율된 매개변수 프로그래밍(Disciplined Parametrized Programming, DPP)**을 준수하는 볼록 프로그램(convex program)으로 재정식화한다.

   • 이들은 스케일링 변수 $t$를 도입하고 $y = tw$로 정의하는 동차화(homogenization) 기법을 활용한다.
   • 공분산 행렬에 촐레스키 분해($\Sigma = L_\Sigma L_\Sigma^\top$)를 적용하여, 문제를 다음과 같은 이차 제약 이차 계획법(QCQP) 형태로 변환한다:
     $$\max_{y,t} y^\top \mu \quad \text{s.t.} \quad \mathbf{1}^\top y = t, \quad \|L_\Sigma y\|_2 \leq 1, \quad t \geq 0$$
   • 이 공식은 DPP 규칙을 충족하므로, 예측된 평균 수익률 $\hat{\mu}$에 대한 그래디언트를 계산하기 위해 CVXPYlayers와 같은 솔버를 사용할 수 있다.

2. 미분 가능한 Soft Top-k 연산자:
   카디널리티 제약(k개의 자산)의 이산적 특성을 처리하면서 미분 가능성을 유지하기 위해, 저자들은 하드(hard) top-k 선택을 부드러운 연산자로 대체한다.

   • 자산은 변환된 가중치 $|L_\Sigma^\top w|$의 크기에 따라 순위가 매겨진다.
   • Soft top-k 마스크는 학습 가능한 시프트 파라미터 $t$를 가진 로지스틱 시그모이드 함수 $\sigma$를 사용하여 생성된다. 시프트 값은 마스크 값들의 합이 정확히 $k$가 되도록 일차원 이분 탐색(bisection search)을 통해 결정된다.
   • 역전파(backward pass) 과정에서는 폐쇄형 벡터-자코비안 곱(closed-form vector-Jacobian product)을 활용하여, 거대한 자코비안 행렬을 명시적으로 형성하지 않고도 계산 효율성과 수치적 안정성을 보장한다.

3. 엔드 투 엔드 훈련 목적 함수:
   예측 모델은 순수한 예측 손실이 아닌 태스크 특화 손실을 최소화하도록 훈련된다. 목적 함수는 다음을 결합한다:

   • 후회 손실(Regret Loss, $L_{DFL}$): 실제 파라미터 하에서의 최적 포트폴리오 수익률과 모델의 예측치를 사용했을 때의 수익률 간의 차이.
   • 예측 손실(Prediction Loss, $L_{MSE}$): 훈련을 안정화하기 위한 표준 평균 제곱 오차 항.
   • 총 손실은 다음과 같이 가중 합으로 계산된다: $L_{Task} = \alpha L_{DFL} + (1-\alpha) L_{MSE}$.

주요 기여

1. 희소 탄젠트 포트폴리오에 대한 DFL의 첫 적용: 본 연구는 의사결정 중심 학습과 희소 포트폴리오 최적화를 연결하며, 기존 DFL 적용 사례들이 주로 피했던 명시적 카디널리티 제약 문제를 해결한다.
2. 미분 가능한 의사결정 계층: 저자들은 샤프 지수 극대화를 위한 DPP 준수 볼록 재정식화와 부드러운 top-k 연산자를 결합한 새로운 계층을 구축하였다. 이를 통해 예측, 이산 선택, 그리고 재최적화 과정을 관통하는 그래디언트 전파가 가능해졌다.
3. 실증적 검증: 제안된 DFL 프레임워크는 다양한 자산 유니버스와 카디널리티 수준을 가진 네 가지 주요 주식 시장(EuroStoxx50, FTSE100, KOSPI200, Nikkei225)에서 검증되었다.

실험 결과
제안된 DFL 프레임워크를 다음 모델들과 비교하였다:

• 베이스라인: 과거 데이터 기반 평균-분산(historic mean-variance) 및 예측 중심 학습(PFL) 파이프라인.
• 최적화 모델: OSCAR(휴리스틱), SD-relaxation(반정부호 계획법), mSSRM-PGA(근사 구배법).

결과:

• 우수한 성능: DFL 프레임워크는 PFL 및 과거 데이터 기반 베이스라인에 비해 일관되게 경쟁력 있거나 더 우수한 표본 외(out-of-sample) 샤프 지수를 달성하였다.
• 확장성: 성능 향상은 조합적 복잡성이 가장 높은 대규모 자산 유니버스(예: 162개 자산을 가진 KOSPI200 및 208개 자산을 가진 Nikkei225)에서 가장 두드러졌다.
• 안정성: 일부 PFL 변형(특히 SD-relaxation)이 소규모 시장에서 평균 성능과 유사한 수치를 보이기도 했으나, DFL 방식은 무작위 시드(random seed)에 따른 표준 편차가 더 낮아 훈련의 무작위성에 대해 더 높은 강건성(robustness)을 보였다.
• 수익률 시계열: DFL 포트폴리오는 대부분의 기간 동안 PFL 베이스라인보다 높은 실현 수익률을 기록했다.

의의 및 주장
본 논문은 학습 목적 함수를 하류의 포트폴리오 품질(위험 조정 성과)과 직접 정렬하는 것이 희소 최적화에서 매우 중요하다고 주장한다. 예측 모델 내에 제약된 최적화 문제의 구조를 내재화함으로써, 이 프레임워크는 "예측 후 최적화"의 불일치 문제를 완화한다. 저자들은 이 접근 방식이 대규모 자산 유니버스와 엄격한 카디널리티 제약이 있는 경우처럼 선택 문제가 조합론적으로 어려울 때 특히 효과적이라고 단언한다.

한계점
저자들은 세 가지 주요 한계를 인정한다:

1. 계산 오버헤드: soft top-k 연산자를 통해 미분하는 과정은 자산 유니버스의 크기에 따라 계산 비용이 증가한다.
2. 제약 범위: 현재의 공식은 공매도(short selling)를 허용하며, 롱 온리(long-only) 포지션, 레버리지 제한, 또는 회전율(turnover) 페널티와 같은 실무적 제약 조건을 포함하지 않는다.
3. 일반화 가능성: 이 접근 방식은 희소 탄젠트 포트폴리오 최적화에 특화되어 있으며, 다른 하류 목표를 가진 다른 카디널리티 제약 목적 함수로 확장하기 위해서는 비사소한(non-trivial) 수정이 필요하다.