Impact of Expert-Following Strategies in Financial Asset Recommendation

기술 요약: 금융 자산 추천을 위한 전문가 추종 전략

문제 정의
금융 자산 추천(Financial Asset Recommendation, FAR)은 두 가지 상충하는 목표 사이의 근본적인 트레이드오프에 직면해 있다: 즉, 실제 투자 수익률(Return on Investment, ROI)의 극대화와 투자자 선호도와의 정렬(정규화된 nDCG로 측정)이다. 기존의 접근 방식들은 대개 이 중 하나의 지표만을 최적화한다. 수익 기반 전략은 개인의 선호도를 무시하여 관련성이 낮아지는 경향이 있으며, 선호도 기반 전략(협업 필터링 또는 인기 모델 등)은 시장 평균과 유사한 수익률을 낼 뿐 유의미한 알파(alpha)를 창출하지 못하는 경향이 있다. 선 পূর্ব 연구[2]는 기존의 어떤 방법론도 ROI와 nDCG 모두에서 베이스라인을 동시에 능가하지 못한다는 점을 확인하였으며, 이는 행동 신호를 사용하여 이러한 기준들을 공동으로 최적화할 수 있는 프레임워크의 필요성을 시사한다.

방법론
본 논문은 고성과 투자자들의 거래 이력을 활용하여 수익성과 관련성 사이의 간극을 메우기 위해 설계된 전문가 추종 전략(Expert-Following Strategies) 프레임워크를 제안한다. 방법론은 다음과 같이 작동한다:

1. 전문가 식별: 시스템은 훈련 기간 동안의 과거 ROI를 기준으로 "전문가" 투자자($E_X$)의 하위 집합을 식별한다. 구체적으로, 상위 $X\%$의 투자자(여기서 $X \in \{5, 10, 15, 20\}$)가 선택된다. 투자자의 ROI는 순 주식 보유량(매수 마이너스 매도)을 고려하여 훈련 기간 $[t_0, t]$ 동안의 포트폴리오 수익률로 계산된다.
2. 자산 스코어링: 복잡한 모델 학습 대신, 본 프레임워크는 식별된 전문가들의 집단적 행동을 기반으로 자산을 스코어링한다. 각 자산 $i$에 대해, 추천 점수 $S_i$는 ROI 가중치가 적용된 매수 빈도의 합계로 계산된다:
   $$S_i = \sum_{u \in E_X} \max(\text{ROI}_u(t_0, t), 0) \cdot C_{u,i}$$
   여기서 $C_{u,i}$는 전문가 $u$가 자산 $i$를 매수한 횟수를 나타낸다. 이 공식은 고성과 투자자들이 빈번하게 매수한 자산이 더 높은 점수를 받도록 보장하며, 집단적 선호 신호와 수익성 가중치를 효과적으로 결합한다.
3. 추천: 가장 높은 점수를 받은 상위 $k$개의 자산($k=10$)이 사용자에게 추천된다.

실험 설정
본 연구는 2018년 1월부터 2022년 11월까지의 거래 이력을 포함하는 FAR-Trans 데이터셋을 활용한다. 평가는 견고한 다중 인스턴스 워크 포워드 검증(multi-instance walk-forward validation) 프레임워크를 통해 수행된다:

• 검증: 10개의 슬라이딩 윈도우 인스턴스가 생성되었으며, 각 인스턴스는 약 14개월의 훈련 기간과 10개월의 평가 기간을 갖는다.
• 지표: 성능은 ROI@10(평균 포트폴리오 수익률), SR@10(연율화된 샤프 지수), 그리고 nDCG@10(보유 기간 내 구매 항목의 관련성)을 사용하여 평가되었다.
• 베이스라인: 제안된 방법은 수익 기반 전략(Sharpe Ratio Optimization, Random Forest), 선호도 기반 전략(Popularity), 그리고 시장 평균(Market Average) 베이스라인과 비교되었다.

주요 결과
실험 결과, 전문가 추종 전략은 ROI–nDCG 트레이드오프를 성공적으로 해결함을 입증하였다:

• 동시 개선: 한 지표를 위해 다른 지표를 희생하는 베이스라인들(예: Random Forest는 높은 ROI를 달로 했으나 nDCG는 거의 0에 가까웠고, Popularity는 높은 nDCG를 달성했으나 유의미한 ROI 상승은 없었음)과 달리, 전문가 추종 변형 모델들은 네 가지 전문가 임계값 모두에서 ROI와 nDCG 모두에서 시장 평균 베이스라인 대비 통계적으로 유의미한 개선을 달enc성했다.
• 최고 성능: 상위 5% 전문가 변형 모델이 가장 높은 ROI(0.246)를 달성하면서도 유의미한 nDCG(0.176)를 유지하며, 성능 랜드스케이프 상의 고-ROI/고-nDCG 영역을 점유하였다.
• 통계적 유의성: 개선 사항은 본페로니 교정(Bonferroni correction, $\alpha' \approx 0.0071$)을 적용한 대응 표본 t-검정 및 윌콕슨 부호 순위 검정(Wilcoxon signed-rank test)을 통해 검증되었다.

의의 및 주장
본 논문은 전문가 추종 전략이 이중 목적 최적화 문제에 대한 단순하면서도 효과적인 솔루션을 제공한다고 주장한다. 핵심적인 의의는 고성과 투자자들이 수익 극대화 전략과 일반 투자자의 구매 행동과 일치하는 현실적인 구매 패턴을 모두 반영하는 거래 패턴을 본질적으로 보유하고 있다는 발견에 있다. 이러한 전문가들을 식별하고 추종함으로써, 본 프레임워크는 복잡한 모델 학습 없이도 견고한 균형을 달성한다. 저자들은 본 접근 방식이 거래 비용이 0이라고 가정하여 (높은 회전율을 가진 전략의 경우 ROI를 과대평가할 수 있음) 향후 실제 수수료 및 그래프 기반 모델을 포함하는 후속 연구를 위한 강력한 경험적 토대를 제공한다고 언급하였다.