[논문 리뷰] Performance-based regularization in mean-CVaR portfolio optimization

Noureddine El Karoui, Andrew E. B. Lim외 1명|arXiv (Cornell University)|2011. 11. 09.

Risk and Portfolio Optimization참고 문헌 1인용 수 3

한 줄 요약

이 논문은 평균-CVaR 포트폴리오 최적화에서 추정 위험을 줄이기 위해 성과 기반 정규화(PBR)를 도입한다. 두 가지 방법을 제안한다: 비모수적 PBR는 볼록 최적화를 통해 표본 평균과 CVaR 추정치의 변동성을 페널티 처리하며, 모수적 PBR는 타원형 분포 하에서 마르코위츠와 평균-CVaR 경계가 동치임을 이용해 더 안정적인 마르코위츠 문제를 대신 해결한다. 시뮬레이션 결과 PBR는 추정치의 변동성을 줄이고 진정한 경계에 더 가까운 효율적 경계를 도출한다.

ABSTRACT

We introduce performance-based regularization (PBR), a new approach to addressing estimation risk in data-driven optimization, to mean-CVaR portfolio optimization. We assume the available log-return data is iid, and detail the approach for two cases: nonparametric and parametric (the log-return distribution belongs in the elliptical family). The nonparametric PBR method penalizes portfolios with large variability in mean and CVaR estimations. The parametric PBR method solves the empirical Markowitz problem instead of the empirical mean-CVaR problem, as the solutions of the Markowitz and mean-CVaR problems are equivalent when the log-return distribution is elliptical. We derive the asymptotic behavior of the nonparametric PBR solution, which leads to insight into the effect of penalization, and justification of the parametric PBR method. We also show via simulations that the PBR methods produce efficient frontiers that are, on average, closer to the population efficient frontier than the empirical approach to the mean-CVaR problem, with less variability.

연구 동기 및 목표

• 노이즈가 있거나 역사적 수익률 데이터가 제한된 경우 데이터 기반 평균-CVaR 포트폴리오 최적화에서 발생하는 추정 위험을 해결한다.
• 외부 샘플 성능을 향상시키기 위해 새로운 정규화 프레임워크인 성과 기반 정규화(PBR)를 개발한다.
• 비모수적 및 모수적 설정 모두에서 PBR에 대한 이론적 근거와 실증적 검증을 제공한다.
• 기존의 경험적 평균-CVaR 최적화에 비해 PBR가 더 안정적이고 정확한 효율적 경계를 도출함을 보여준다.

제안 방법

• 비모수적 PBR는 평균 및 CVaR 추정기의 표본 분산을 페널티 처리하여 추정 불안정성을 줄인다.
• 해결된 조합 최적화 문제는 증명된 바에 따라 타당한 볼록 최적화 문제로 완화된다.
• 모수적 PBR는 타원형 로그수익률 분포를 가정하고, 평균-CVaR 문제 대신 경험적 마르코위츠 문제를 해결한다. 이는 인구 집단에서 두 문제의 동치성을 이용한다.
• 이 방법은 PBR 문제를 확률 제약 프로그램으로 간주하여 평균 및 CVaR 추정치의 큰 이격 발생 확률을 제약한다.
• 이론적 분석을 통해 비모수적 PBR 해의 渐近적 행동을 유도하여 정규화 효과를 정당화한다.
• 시뮬레이션을 통해 PBR와 경험적 평균-CVaR 최적화를 비교하여 진정한 효율적 경계에 더 가까운 결과를 도출함을 보였다.

실험 결과

연구 질문

• RQ1 데이터 기반 정규화를 통해 평균-CVaR 포트폴리오 최적화에서 발생하는 추정 위험을 체계적으로 줄일 수 있는가?
• RQ2 비모수적 PBR 해의 渐近적 행동은 무엇이며, 이는 정규화 효과를 어떻게 정당화하는가?
• RQ3 어떤 분포 가정 하에서 평균-CVaR 효율적 경계와 마르코위츠 효율적 경계가 일치하는가?
• RQ4 경험적 평균-CVaR 문제 대신 경험적 마르코위츠 문제를 해결하면 더 안정적이고 정확한 포트폴리오를 얻을 수 있는가?
• RQ5 PBR는 기존의 경험적 평균-CVaR 최적화에 비해 진정한 효율적 경계에 더 가까운가, 그리고 결과의 변동성이 더 적은가?

주요 결과

• 비모수적 PBR 방법은 타당한 볼록 최적화 문제로 완화되며, 정규화 문제의 효율적 해를 가능하게 한다.
• 비모수적 PBR 해의 渐近적 분석 결과, 추정기 분산을 페널티 처리하면 최적화의 안정성이 향상되고 외부 샘플 성능이 향상됨을 확인하였다.
• 타원형 분포 하에서는 인구 집단에서 평균-CVaR와 마르코위츠 효율적 경계가 동치이며, 이는 마르코위츠 문제를 대체로 사용할 수 있음을 정당화한다.
• 경험적 마르코위츠 문제를 해결하는 모수적 PBR 방법은 직접적인 경험적 평균-CVaR 최적화보다 더 안정적이고 정확한 포트폴리오를 도출한다.
• 시뮬레이션 결과 PBR 방법은 평균적으로 진정한 경계에 더 가까운 효율적 경계를 도출하며, 경험적 평균-CVaR 접근법보다 결과의 변동성이 더 적음을 보여주었다.
• 성과 기반 정규화는 특히 고차원적이거나 노이즈가 많은 데이터 환경에서 추정 오차의 영향을 효과적으로 줄인다.