[논문 리뷰] Spectral Portfolio Theory: From SGD Weight Matrices to Wealth Dynamics

A. G. Frøseth|arXiv (Cornell University)|2026. 03. 09.

Stochastic Gradient Optimization Techniques인용 수 0

한 줄 요약

이 논문은 확률적 과정에서 학습된 신경망 가중치 행렬과 포트폴리오 할당 간의 직접 식별을 확립하고, 이들의 스펙트럼 구조가 단기 및 장기 구간의 자본 요인 분해와 부의 역학을 어떻게 인코딩하는지 보여준다. Spectral Invariance Theorem를 도입하고, 스펙트럼 분석을 통해 교차 섹션 부 축적 모델, 포트폴리오 내 다이나믹스, 그리고 스칼라 Fokker–Planck 프레임워크를 통합한다.

ABSTRACT

We develop spectral portfolio theory by establishing a direct identification: neural network weight matrices trained on stochastic processes are portfolio allocation matrices, and their spectral structure encodes factor decompositions and wealth concentration patterns. The three forces governing stochastic gradient descent (SGD) -- gradient signal, dimensional regularisation, and eigenvalue repulsion -- translate directly into portfolio dynamics: smart money, survival constraint, and endogenous diversification. The spectral properties of SGD weight matrices transition from Marchenko-Pastur statistics (additive regime, short horizon) to inverse-Wishart via the free log-normal (multiplicative regime, long horizon), mirroring the transition from daily returns to long-run wealth compounding. We unify the cross-sectional wealth dynamics of Bouchaud and Mezard (2000), the within-portfolio dynamics of Olsen et al. (2025), and the scalar Fokker-Planck framework via a common spectral foundation. A central result is the Spectral Invariance Theorem: any isotropic perturbation to the portfolio objective preserves the singular-value distribution up to scale and shift, while anisotropic perturbations produce spectral distortion proportional to their cross-asset variance. We develop applications to portfolio design, wealth inequality measurement, tax policy, and neural network diagnostics. In the tax context, the invariance result recovers and generalises the neutrality conditions of Frøseth (2026).

연구 동기 및 목표

• 확률적 과정에서 학습된 신경망 가중치 행렬을 포트폴리오 배분 행렬로 식별하는 것을 동기부여하고 형식화한다.
• 가중치 행렬의 정상 스펙트럴 분포를 특징지우고 그에 따른 core–satellite 포트폴리오 구조를 규명한다.
• 스펙트럴 다이나믹의 합산적(additive) 및 곱적(multiplicative) 구간을 설명하고 이를 단기 및 장기 부의 과정과의 관계를 설명한다.
• 스펙트럼 분해를 통해 Bouchaud–Mézard의 부의 다이나믹, Olsen 등 내부 포트폴리오 다이나믹, 그리고 스칼라 Fokker–Planck 프레임워크를 일치시킨다.
• 포트폴리오 설계, 부의 불평등 측정, 세제 정책, 및 신경망 진단에 대한 응용을 개발한다.

제안 방법

• 가중치 행렬 W를 상태를 행으로, 자산을 열로 하는 포트폴리오 배분 행렬로 모델링한다.
• 특이값 분해 W = U Σ V^T를 적용하여 고유 포트폴리오와 요인 구조를 얻는다.
• 세 가지 힘(그레이디언트 신호, 생존 제약, 고유값 반발)과 함께 SGD 구동 특이값 진화 dσ_k를 사용하고 이를 스마트 머니, 생존 제약, 내재적 다각화로 해석한다.
• 정적 스펙트럴 분포 p(σ) ∝ σ^{m−n+1} exp(−(β1/4ηD) σ^2)를 도출하고 core–satellite 구조를 정의한다.
• Spectral Invariance Theorem을 증명한다: 등방성 섭동은 스펙트럼 형태를 규모 및 이동으로 보존하고, 비등방성 섭동은 교차자산 분산에 비례하여 스펙트럼을 왜곡한다.
• 행렬 수준의 다이나믹스를 Itô 사영을 통해 x = ||W||_F로 스칼라 부에 연결하고, 반지름 방향의 Fokker–Planck 프레임워크를 통해 Pareto 꼬리에 연결한다.

실험 결과

연구 질문

• RQ1 확률적 과정에서 학습된 신경망 가중치 행렬을 어떻게 포트폴리오 배분 행렬로 해석할 수 있는가?
• RQ2 SGD 가중치 행렬의 정상 스펙트럴 분포는 무엇이며, 이것이 어떻게 core–satellite 포트폴리오 구조를 시사하는가?
• RQ3 단기적 합산 구간과 장기적 곱적 구간이 가중치 행렬의 스펙트럼 특성과 부의 분포에 어떻게 나타나는가?
• RQ4 Spectral Invariance Theorem은 무엇이며 등방성 섭동과 비등방성 섭동이 스펙트럼에 어떻게 영향을 미치는가?
• RQ5 스펙트럼 프레임워크가 교차 섹션 부 동학, 포트폴리오 내 다이나믹스, 그리고 스칼라 부의 과정들을 어떻게 통합하고, 정책 및 진단에 대한 실용적 시사점은 무엇인가?

주요 결과

• 세 가지 SGD 힘은 포트폴리오 개념에 매핑된다: 그레이디언트 신호를 스마트 머니로, 생존 제약을 내재적 보호로, 고유값 반발을 내재적 다각화로.
• 정적 스펙트럴 밀도는 감마형 벌크와 거듭제곱 꼬리를 가지며, core–satellite 포트폴리오 구조를 낳는다.
• 합산적(Marchenko–Pastur)에서 곱적(inverse-Wishart) 구간으로의 스펙트럼 전이가 자유 로그-정규 분포와 매트릭스 Kesten 문제에 의해 지배된다.
• Itô 사영은 행렬 스펙트럼을 스칼라 부의 과정과 연결하고, 반지름 방향의 드리프트와 유효 확산에 연결된 지수의 Pareto 꼬리를 산출한다.
• Spectral Invariance Theorem은 등방성 섭동이 스펙트럼 모양을 규모/이동으로 보존하는 반면, 비등방성 섭동은 교차 자산 분산에 비례하여 스펙트럼을 왜곡한다를 보여준다.
• 응용 분야는 포트폴리오 설계, 부의 불평등 측정, 세제 정책, 및 신경망 진단을 포괄하며, 모델 전반에 걸친 통일된 스펙트럴 기초를 제공한다.