[논문 리뷰] Robo-Advising in Motion: A Model Predictive Control Approach

Tomasz R. Bielecki, Igor Cialenco|arXiv (Cornell University)|2026. 01. 14.

Risk and Portfolio Optimization인용 수 0

한 줄 요약

본 논문은 Model Predictive Control을 이용한 동적 다기간 로보어드바이저링 프레임워크를 개발하고, Hidden Markov Models와 Black-Litterman 예측을 결합하여 실무 제약 하에서 자산 배분을 최적화한다. 또한 동적 mean-variance와 동적 risk-budgeting 기준을 비교한다.

ABSTRACT

Robo-advisors (RAs) are automated portfolio management systems that complement traditional financial advisors by offering lower fees and smaller initial investment requirements. While most existing RAs rely on static, one-period allocation methods, we propose a dynamic, multi-period asset-allocation framework that leverages Model Predictive Control (MPC) to generate suboptimal but practically effective strategies. Our approach combines a Hidden Markov Model with Black-Litterman (BL) methodology to forecast asset returns and covariances, and incorporates practically important constraints, including turnover limits, transaction costs, and target portfolio allocations. We study two predominant optimality criteria in wealth management: dynamic mean-variance (MV) and dynamic risk-budgeting (MRB). Numerical experiments demonstrate that MPC-based strategies consistently outperform myopic approaches, with MV providing flexible and diversified portfolios, while MRB delivers smoother allocations less sensitive to key parameters. These findings highlight the trade-offs between adaptability and stability in practical robo-advising design.

연구 동기 및 목표

• 정적이고 단일 기간 방식보다 개선된 로보-자문(RA) 시스템을 위한 동적이고 다기간 자산배분 프레임워크를 제안한다.
• 실무 RA 시스템에 적합한 차선의(dynamic)하지만 효과적인 동적 전략을 생성하기 위해 Model Predictive Control (MPC)을 통합한다.
• 자산 수익률과 공분산을 예측하기 위해 Hidden Markov Model(HMM)과 Black–Litterman을 결합한다.
• 턴오버 한도, 거래 비용, 목표 포트폴리오와 같은 현실적인 제약을 MPC 프레임워크에 통합한다.

제안 방법

• 로보 어드바이징을 롤링 호라이즌을 갖는 확률적 SMPC 문제로 형식화한다.
• merged HMM–Black-Litterman 접근법을 사용하여 자산의 평균과 공분산을 예측한다.
• 동적 평균-분산(MV)과 동적 리스크 예산(MRB) 두 가지 최적화 기준을 연구한다.
• 롱-온리 포지션, 자기자금조달, 턴오버 한도, 목표 포트폴리오를 포함한 실용적 제약을 부과한다.
• 거래비용 함수가 볼록일 때 SMPC 하위문제를 볼록 프로그램으로 해결한다.
• MRB의 경우 표준 편차 및 Euler 리스크 기여에 기반한 리스크 측정을 사용하고, 문제를 tractable하게 만들기 위한 볼록 근사를 적용한다.

실험 결과

연구 질문

• RQ1 동적이고 다기간의 MPC 프레임워크가 근시적이고 한기간 로보어드바이징 전략을 능가할 수 있는가?
• RQ2 MV와 MRB 기준이 현실적인 제약 하에서 유연한 포트폴리오와 안정적인 포트폴리오를 제공하는 데 어떻게 비교되는가?
• RQ3 HMM–BL 예측 모듈이 동적 배분을 위한 평균과 공분산 추정에 어떤 영향을 미치는가?
• RQ4 턴오버 한도와 거래 비용이 MPC 기반 로보어드바이저의 성능에 미치는 영향은 무엇인가?
• RQ5 변하는 기간 및 위험 매개변수에서 MRB 접근법은 강건한가?

주요 결과

• 테스트된 시나리오 전반에서 MPC 기반 전략이 근시적 접근법을 지속적으로 능가한다.
• BL이 결합된 MV는 더 다양한 포트폴리오를 산출하지만 변화하는 위험 프로파일에 민감한 편이다.
• MRB는 수평선 범위와 매개변수 설정에 걸쳐 더 매끄럽고 안정적인 배분을 생성하며 강건성을 보인다.
• 소프트 거래비용 페널티는 종종 충분하지 않으며 하드 제약이 실제로 거래 활동을 안정시키는 데 도움이 된다.
• 적응성 (MV)과 안정성 (MRB) 사이의 균형이 존재하며 이는 최적화 기준 선택과 제약 설계에 가이드가 되어야 한다.