[논문 리뷰] Learning Time Varying Risk Preferences from Investment Portfolios using Inverse Optimization with Applications on Mutual Funds.

Shi Ming Yu, Yuxin Chen외 1명|arXiv (Cornell University)|2020. 10. 04.

Financial Markets and Investment Strategies인용 수 3

한 줄 요약

이 논문은 동시 시장 데이터와 포트폴리오 데이터를 사용하여 공동 펀드 포트폴리오에서 시간에 따라 변하는 위험 선호도를 학습하기 위한 역최적화 프레임워크를 제안한다. 실시간으로 동적으로 위험 선호도를 추정함으로써 개인화되고 자동화된 포트폴리오 관리가 가능해지며, 기존의 확립된 위험 측정 기준과 비교하여 출력 결과를 검증한다.

ABSTRACT

The fundamental principle in Modern Portfolio Theory (MPT) is based on the quantification of the portfolio's risk related to performance. Although MPT has made huge impacts on the investment world and prompted the success and prevalence of passive investing, it still has shortcomings in real-world applications. One of the main challenges is that the level of risk an investor can endure, known as \emph{risk-preference}, is a subjective choice that is tightly related to psychology and behavioral science in decision making. This paper presents a novel approach of measuring risk preference from existing portfolios using inverse optimization on the mean-variance portfolio allocation framework. Our approach allows the learner to continuously estimate real-time risk preferences using concurrent observed portfolios and market price data. We demonstrate our methods on real market data that consists of 20 years of asset pricing and 10 years of mutual fund portfolio holdings. Moreover, the quantified risk preference parameters are validated with two well-known risk measurements currently applied in the field. The proposed methods could lead to practical and fruitful innovations in automated/personalized portfolio management, such as Robo-advising, to augment financial advisors' decision intelligence in a long-term investment horizon.

연구 동기 및 목표

• 현대 포트폴리오 이론(MPT)에서 투자자의 주관적이고 동적인 위험 선호도에 대한 격차를 보완하기 위해.
• 위험 선호도를 가정하는 대신 관측된 투자 포트폴리오에서 이를 유추하는 방법을 개발하기 위해.
• 동시 시장 데이터와 포트폴리오 데이터를 사용하여 실시간으로 위험 선호도를 추정하기 위해.
• 추정된 위험 매개변수를 기존의 확립된 위험 측정 프레임워크와 비교하여 검증하기 위해.
• 로보 어드바이저 시스템과 같은 자동화되고 개인화된 포트폴리오 관리의 발전을 지원하기 위해.

제안 방법

• 관측된 포트폴리오 배분에서 위험 선호도를 역최적화 기법을 통해 추론하기 위해 평균-분산 포트폴리오 프레임워크 내에서 역최적화를 적용한다.
• 이동 윈도우를 사용한 연속 학습 방식을 통해 동시 시장 수익률과 공동 펀드 보유 현황 데이터를 이용해 시간에 따라 변하는 위험 선호도를 추정한다.
• 역최적화 프레임워크는 역사적 20년간의 자산 가격 결정 데이터와 10년간의 공동 펀드 포트폴리오 데이터를 활용해 위험 매개변수를 학습하고 추정한다.
• 예측된 최적 포트폴리오가 관측된 펀드 보유 현황과 일치하도록 하는 최적화 문제를 풀어 위험 선호도 매개변수를 추론한다.
• 평균-분산 모델과의 일관성을 유지하면서도 시간에 따라 변화하는 위험 감수성의 이동을 허용한다.
• 검증된 출력 결과는 신뢰성과 해석 가능성을 확보하기 위해 두 가지 확립된 위험 측정 기준과 비교된다.

실험 결과

연구 질문

• RQ1 관측된 투자 포트폴리오에서 실시간 투자자 행동을 반영하는 방식으로 위험 선호도를 어떻게 추정할 수 있는가?
• RQ2 역최적화를 통해 추론된 위험 선호도가 기존의 확립된 위험 측정 프레임워크와 어느 정도 일치하는가?
• RQ3 장기 투자 기간 동안 동시 시장 데이터와 포트폴리오 데이터를 사용해 시간에 따라 변하는 위험 선호도를 신뢰성 있게 추정할 수 있는가?
• RQ4 제안된 방법이 자동화된 포트폴리오 관리 시스템의 정확성과 개인화 수준을 어떻게 향상시키는가?
• RQ5 실제 시장 조건에서 알려진 위험 지표와 비교했을 때 추정된 위험 매개변수의 실증적 타당성은 어떠한가?

주요 결과

• 제안된 역최적화 프레임워크는 실제 시장 데이터를 사용하여 공동 펀드 포트폴리오에서 시간에 따라 변하는 위험 선호도를 성공적으로 추론한다.
• 추정된 위험 선호도 매개변수는 분야 내에서 잘 알려진 두 가지 위험 측정 기준과 강력한 일치를 보인다.
• 이 방법은 실시간으로 지속적인 위험 선호도 추정이 가능하여 시간에 따라 변화하는 투자자 행동의 이동을 포착한다.
• 로보 어드바이저 플랫폼을 포함한 자동화된 포트폴리오 관리 시스템 향상에 실용적인 타당성을 보여준다.
• 결과적으로 이 방법은 관측된 투자 결정에서 의미 있고 행동적으로 일관된 위험 선호도를 효과적으로 추출할 수 있음을 검증한다.
• 실제 포트폴리오 배분과 시장 조건에 기반하여 위험 선호도를 설정함으로써 장기 투자 의사결정 지능을 지원한다.