[논문 리뷰] Growth-Optimal Portfolio Selection under CVaR Constraints

Guy Uziel, Ran El‐Yaniv|arXiv (Cornell University)|2017. 05. 27.

Advanced Bandit Algorithms Research참고 문헌 20인용 수 5

한 줄 요약

이 논문은 조건부가치의손실(CVaR) 제약 조건 하에 장기적 자산 증식을 극대화하는 새로운 온라인 포트폴리오 선택 전략인 CANN(CVaR-조정형 근접 이웃)을 제안한다. 비모수적 근접 이웃 추정과 위험 조정 메커니즘을 융합함으로써, 정(stationary)이고 에르고딕(ergodic) 시장에서 CANN은 점점 최적의 성능에 수렴하며, 사용자가 정의한 임계값 이하로 CVaR가 유지됨을 보장한다. 뉴욕증권거래소(NYSE) 및 MSCI 데이터셋에서의 검증을 통해 뛰어난 위험 조정 수익률을 확보하였다.

ABSTRACT

Online portfolio selection research has so far focused mainly on minimizing regret defined in terms of wealth growth. Practical financial decision making, however, is deeply concerned with both wealth and risk. We consider online learning of portfolios of stocks whose prices are governed by arbitrary (unknown) stationary and ergodic processes, where the goal is to maximize wealth while keeping the conditional value at risk (CVaR) below a desired threshold. We characterize the asymptomatically optimal risk-adjusted performance and present an investment strategy whose portfolios are guaranteed to achieve the asymptotic optimal solution while fulfilling the desired risk constraint. We also numerically demonstrate and validate the viability of our method on standard datasets.

연구 동기 및 목표

• 실제 금융 시장에서 매우 중요한 역할을 하는 위험을 고려하지 않는 경향이 있는 온라인 포트폴리오 선택 분야의 격차를 보완하기 위해.
• 장기적 자산 증식에서 점점 최적의 성능을 달성하면서도 CVaR 위험 제약 조건을 강제하는 보편적이고 위험 인식 전략을 개발하기 위해.
• 스토케스틱하고 i.i.d.가 아닌 시장 환경에서 비모수적 근접 이웃 방법을 조율된 위험 측정법(CVaR 등)에 통합하기 위해.
• 실제 금융 데이터에서 장기적 성과를 희생시키지 않고도 위험 통제를 달성할 수 있음을 입증하기 위해.
• 일반적인 정적이고 에르고딕 과정 하에서 위험 조정형 보편 포트폴리오 선택의 프레임워크를 제공하기 위해.

제안 방법

• 이 방법은 이전 가격 패턴을 활용하여 시장 수익의 조건부 분포를 비모수적 근접 이웃 접근법으로 추정한다.
• 수익 잠재력과 CVaR 노출을 모두 고려하여 포트폴리오 가중치를 조정하는 새로운 메커니즘을 도입하여, 위험이 사용자가 정의한 임계값 이내로 유지되도록 보장한다.
• 다양한 위험-수익 프로필을 가진 전문가(실험에서는 50명)의 유한 집합을 사용하며, 각 전문가는 이전 시장 벡터에서 유도된 특정 포트폴리오 할당에 해당한다.
• 사전 확률을 전문가들에 대해 균일하게 설정하고 최근 성과에 대한 할인 인자 α=0.95를 사용하여 베이지안 유사 집계 방식으로 포트폴리오 가중치를 동적으로 갱신한다.
• CVaR는 신뢰 수준 0.95(γ=0.05)를 사용한 분위수 기반 접근법으로 계산되며, 알고리즘은 위험 노출를 조절하기 위해 γ를 조정한다.
• 정적이고 에르고딕 과정 하에서 점점 최적의 성능을 보장하는 이론적 보장이 유도되었으며, 최적의 위험 조정 수익률로 수렴함을 보장한다.

실험 결과

연구 질문

• RQ1 보편적인 온라인 포트폴리오 전략이 원하는 임계값 이하로 CVaR를 엄격히 제약하면서도 장기적 자산 증식을 최적화할 수 있는가?
• RQ2 스토케스틱하고 i.i.d.가 아닌 시장 환경에서 비모수적 근접 이웃 방법을 조율된 위험 측정법(CVaR 등)에 어떻게 통합할 수 있는가?
• RQ3 보편적 포트폴리오 프레임워크에서 위험(CVaR로 측정)과 기대 성장률 사이의 트레이드오프는 어떠한가?
• RQ4 점점 최적의 비모수적 전략의 유한 시간 구현이 실제 금융 데이터에서 뛰어난 실증 성능을 달성할 수 있는가?
• RQ5 실제로 CVaR의 신뢰 수준(γ)을 선택할 때 위험과 수익의 균형은 어떻게 영향을 받는가?

주요 결과

• NYSE 데이터셋(1985–1995)에서 CANN은 최종 자산 가치 58.8을 달성하여 BCRP(12.53), UP(5.05), EG(5.03), ONS(5.83), 그리고 장기 보유형 근접 이웃 전략(39.56)을 크게 앞섰다.
• MSCI 데이터셋(2006–2010)에서 CANN은 최종 자산 가치 6.06×10³를 달성하여 BCRP(1.51), UP(0.92), EG(0.93), ONS(0.86), 그리고 장기 보유형 근접 이웃 전략(13.47)을 압도적으로 뛰어넘었다.
• CANN의 0.95 분위수에서의 CVaR는 기준값 $γ=0.05$일 때 6.3%에서 γ를 0.01로 낮추자 NYSE에서 1.24%로, MSCI에서는 1.59%로 감소하여 효과적인 위험 통제를 입증하였다.
• 평균-CVaR 트레이드오프 곡선은 오목형을 띠었으며, γ를 낮추면 위험-수익 효율성이 향상됨을 나타내었고, 최적 성능는 중간 수준의 γ 값에서 달성 가능했다.
• 수익률의 경험적 밀도함수는 CANN이 $β^{L}_{NN}$에 비해 왼쪽 꼬리 손실을 크게 감소시켰음을 보여주었으며, 이는 더 나은 하방 보호 기능을 의미한다.
• 전체적으로 CANN의 성능는 다양한 데이터셋에서 뛰어난 안정성을 유지하였으며, 항상 벤치마크 알고리즘을 앞서면서도 CVaR를 엄격하게 통제하였다.