Photonic Quantum Computing vs. Classical Solvers in Constrained Factor Portfolio Optimization

당신이 거대한 배의 선장이 되어 가장 가치 있는 보물을 찾기 위해 폭풍우 치는 대양을 항해하고 있다고 상상해 보십시오. 당신의 목표는 단순히 금을 찾는 것이 아니라, 배가 가라앉는 것을 방지하고, 거대한 파도를 피하며, 선원들이 모두 같은 사람(모두가 동시에 멀미를 하면 위험하니까요)이 되지 않도록 하면서도 '가장 많은' 금을 찾는 것입니다. 수십 년 동안 선장들은 오래되고 신뢰할 수 있는 지도와 나침반(고전 수학)을 사용하여 경로를 계획해 왔습니다. 하지만 최근, 두 가지 새롭고 기발한 기술이 등장했습니다. 하나는 우주의 기묘하고 신비로운 법칙을 사용하여 최적의 경로를 즉각적으로 추측하는 '양자 나침반'이고, 다른 하나는 항해하면서 바다의 규칙을 익히기 위해 시행착오를 통해 배우는 '로봇 조수'입니다.

현대 금융의 큰 질문은 이것입니다: 이 새로운 첨단 도구들이 과연 기존의 신뢰할 수 있는 방법들보다 더 나은 성과를 낼 수 있을까요? 구체적으로, 이들은 더 높은 수익을 올리면서도 리스크를 줄이는 '포트폴리오'(투자 자산의 집합)를 구축할 수 있을까요? 이 논문은 바로 그 지점을 깊이 파고듭니다. 이 논문은 동일한 복잡한 퍼즐을 풀기 위해 세 명의 서로 다른 '선장'을 테스트합니다: 광자를 사용하는 광학 양자 컴퓨터, 매우 엄격한 규칙을 따르는 수학자인 초지능형 고전 컴퓨터 솔버, 그리고 게임을 하며 규칙을 배워가는 딥 강화 학습 에이전트입니다. 연구진은 이들이 시장의 까다로운 규칙(예: 거대한 손실을 피하거나 포트폴리오의 균형을 유지하는 것)을 다루면서도 파산하지 않을 수 있는지 확인하고자 했습니다.

위대한 해결사들의 대결

이 연구에서 연구진은 164개월간의 역사적 주식 시장 데이터를 바탕으로 거대한 경주 트랙을 설정했습니다. 그리고 세 명의 매우 다른 '드라이버'에게 13가지의 서로 다른 투자 스타일(예: '가치', '모멘텀', '퀄리티' 등)로 구성된 포트폴리오를 운전하도록 요청했습니다. 목표는 수익을 극대화하는 동시에 파멸적인 폭락의 위험을 최소화하는 것이었습니다.

세 명의 도전자:

1. 양자 빛줄기 (Dirac-3): 이것은 마법의 빛나는 수정구슬과 같습니다. 이것은 '광자 어닐링(photonic annealing)'을 사용하는데, 이는 마치 미로 속의 거울들을 통과하는 빛줄기를 보내 순식간에 출구를 찾는 것과 같습니다. 이것은 믿을 수 없을 정도로 빠르며, 다른 이들이 놓치는 지름길을 찾아내기도 합니다.
2. 엄격한 회계사 (Gurobi): 이것은 초강력한 고전 수학자입니다. 이것은 추측하지 않습니다. 대신 '분기 한정법(branch-and-bound)'이라는 방법을 사용하여 모든 가능성을 일일이 확인합니다. 이는 마치 범인이 누구인지 확실히 증명될 때까지 범죄 현장을 떠나기를 거부하는 탐정과 같아서, 답이 완벽하고 안정적임을 보장합니다.
3. 로봇 조수 (SAC로 학습하는 에이전트): 이것은 좋은 움직임에는 보상을, 나쁜 움직임에는 벌칙을 주며 최선의 운전 방식을 배우는 학습 로봇입니다. 이것은 유연하고 창의적이지만, 규칙이 너무 빠르게 변하면 혼란에 빠질 수 있습니다.

결과: 누가 경주에서 승리했는가?

연구 결과, 단 하나의 '최고'인 드라이버는 없다는 것이 밝혀졌습니다. 대신, 각자 특정한 초능력과 약점을 가지고 있었습니다.

1. 양자 빛줄기: 고위험 고수익의 스타
광자 양자 컴퓨터(Dirac-3)는 주인공이었지만, 오직 매우 조심스럽게 운전했을 때만 그러했습니다. 연구진이 설정을 완벽하게 조정했을 때(구체적으로 '변동성 페널티'를 매우 낮은 특정 수치로 설정했을 때), 이 모델은 최고의 성과를 달성했습니다.

• 승리: 이 모델은 샤프 지수(Sharpe ratio) 0.760과 칼마 비율(Calmar ratio) 0.567의 정점을 찍었습니다. 쉽게 말해, 수익 대비 리스크의 균형이 가장 좋았고, 수익 대비 '최악의 날이 얼마나 나빴는지'에 대한 비율이 가장 높았습니다. 또한 최적의 구성에서 최대 낙폭(drawdown)을 단 **-2.63%**로 억제했습니다.
• 함정: 이 마법은 아주 좁고 미세한 구간에서만 작동했습니다. 연구진이 설정을 조금만 비틀어도 성과가 떨어졌습니다. 또한, 양자 컴퓨터는 거의 모든 달걀을 몇 개의 바구니에 담는 경향이 있었습니다. 이 모델은 종종 자산을 단 두세 개의 요인(예: '유보 이익'과 '투자')에 집중시켜, 상위 5개 요인이 전체 비중의 90% 이상을 차지하는 포트폴리오를 만들었습니다. 이는 해당 요인들이 계속 작동한다면 훌륭하지만, 작동을 멈춘다면 매우 위험한 방식입니다.

2. 엄격한 회계사: 안전 제일의 챔피언
고전 솔버(Gurobi)는 '최고 점수' 대회에서 승리하지는 못했지만, 가장 신뢰할 수 있었습니다.

• 승리: 이 모델은 최악의 시나리오에 대한 최고의 보호책을 제공했습니다. 이 모델은 **CVaR(조건부 가치 위험) -0.863%**라는 가장 낮은 수치를 기록했는데, 이는 재난 상황에서 자금이 얼마나 손실될지를 제한하는 데 가장 뛰어났음을 의미합니다. 또한 포트폴리오를 매우 잘 분산시켜, 상위 5개 요인이 너무 많이 장악하지 않도록 관리했습니다.
• 함정: 최고 점수(샤프 지수 0.718)는 양자 컴퓨터의 정점보다 약간 낮았습니다. 하지만 이 모델은 결코 무너지지 않았으며, 테스트를 몇 번을 다시 실행하더라도 항상 동일한 답을 내놓았습니다. 이는 실패하지 않는 '지루하지만 안전한' 선택지였습니다.

3. 로봇 조수: 불안정한 와일드카드
강화 학습 로봇(SAC)은 가장 예측 불가능했습니다.

• 승리: 특정 저위험 설정에서는 좋은 수익을 찾아내고 포트폴리오를 매우 넓게 분산시키는 모습을 보이기도 했습니다.
• 함정: 논문은 이 로봇에게 심각한 결함이 있음을 발견했습니다. 연구진이 강력한 안전망 없이 '왜도(skewness, 수익 곡선의 모양을 뜻하는 전문 용어)'에 대해 특별히 주의를 기울라고 요구하자, 로봇은 패닉에 빠졌습니다. 로봇은 모든 돈의 **57.9%**를 단 두 개의 요인에 몰아넣기 시작했고, 한 사례에서는 단 하나의 요인이 포트폴리오의 **45.5%**를 차지하기도 했습니다. 이는 결국 '파멸적인 실패'로 이어져, 낙폭이 **-14.64%**에 달하는 성과 붕괴를 초래했습니다. 논문은 규칙이 복잡해질 때 이 로봇이 잘못된 전략을 '환각(hallucinate)'하여 발생할 수 있는 위험을 경고하며, 현재 형태로는 고액 투자에 사용하는 것을 명시적으로 금지했습니다.

핵심 요약

이 논문의 결론은 단순히 "양자가 더 낫다"거나 "AI가 더 낫다"라고 말할 수 없다는 것입니다. 중요한 것은 도구를 작업에 맞게 매칭하는 것입니다.

• 만약 당신이 몇 가지 요인에 집중된 포트폴리오를 감수하더라도 절대적으로 높은 수익을 원하는 위험 감수가라면, **양자 빛줄기(Dirac-3)**가 승자입니다. 단, 완벽하게 튜닝해야 합니다.
• 만약 당신이 포트폴리오가 폭락하지 않을 것을 보장받아야 하는 신중한 투자자라면, **엄격한 회계사(Gurobi)**가 최선의 선택입니다. 이 모델은 가장 안정적인 꼬리 위험(tail-risk) 보호를 제공합니다.
• **로봇 조수(SAC)**는 유망하지만, 현재로서는 너무 취약합니다. 논문은 엄격한 가드레일 없이는 이 로봇이 잘못된 곳에 모든 돈을 집중시켜 막대한 손실을 입히는 함정에 빠지기 쉽다고 경고합니다.

요약하자면, 투자의 미래는 양자 컴퓨터를 사용하여 높은 수익을 위한 '비법 소스'를 찾되, 배가 가라앉지 않도록 엄격한 회계사에게 의지하는 형태가 될 수 있습니다. 그리고 로봇 조수가 더 안정적으로 학습하기 전까지는, 아마도 훈련실에 머물러 두는 것이 상책일 것입니다.