[논문 리뷰] Robust Optimal Portfolio in a Mixture Setting with Partial Ambiguity

N. D. Shyamalkumar, Tianrun Wang|arXiv (Cornell University)|2026. 03. 01.

Risk and Portfolio Optimization인용 수 0

한 줄 요약

논문은 mean-variance 및 mean-CVaR 목표를 위한 혼합-암묵성 로버스트 포트폴리오 프레임워크를 개발하고, 투영 서브그래디언트 하강법으로 해결하며 수렴 속도가 보장되고 시나리오는 암묵성이 증가함에 따라 같은 가중치로 수렴하는 것을 보여준다.

ABSTRACT

Managing insurance and financial risk when data is limited is a key task in the insurance industry. In this paper, we focus on cases where the risk distribution is modeled as a mixture with some components estimable to high precision or known, and others, along with their weights, are not. Our paper addresses two robust portfolio optimization problems with partial ambiguity, where the loss function involves either variance or conditional value-at-risk (CVaR). We use a projected subgradient descent algorithm to solve the optimization problems. The problem reduces to a convex-nonconcave minimax problem. We show that, while the general problem converges at an $O(1/\sqrt{k})$ rate, where $k$ denotes the number of iterations, exponential convergence is possible in some cases. Lastly, we provide numerical examples to show the effectiveness of our approach and the attainment of a geometric convergence rate. This work aims to provide more effective solutions for actuarial decision-making under model uncertainty.

연구 동기 및 목표

• 적은 데이터 환경에서 수익률을 두 구성 성분 혼합으로 모델링하고 그 가중치를 모르는 상태에서 강건한 자산 배분을 동기화한다.
• 혼합 모호성 집합 내 최악의 분포 하에서 비효율성을 최소화하는 분포론적 강건화 최적화(DRO) 문제를 형식화한다.
• 강건한 포트폴리오를 계산하기 위한 tractable한 최소-최대 재구성 및 알고리즘을 개발한다.
• 모호성이 커짐에 따른 수렴 속도와 강건한 포트폴리오의 점점 더 커지는 모호성 하에서의 거동을 확립한다.

제안 방법

• 두 가지 규칙의 혼합으로 수익률 R을 모델링하고 알려진 규칙 주위의 모호성 집합을 Wasserstein 공으로 사용한다.
• 옵션 1 문제를 명목 혼합 가중치의 근방에서의 구속 최대(q에 대한 이웃에서의 최고) 및 Wasserstein 공 안에서의 분포에 대한 극대화를 포함하는 최소-최대 문제로 변환한다.
• 예산 제약을 강제하기 위해 simplex에 대한 투영으로 차원 축소를 수행하는 투영 서브그래디언트 하강 알고리즘을 통해 결과의 강건한 문제를 풀이한다.
• 단면에 대해 투영( simplex에의 투영 )에 대한 폐쇄형 표현과 Danskin의 정리 및 이중성 결과를 이용한 서브그래디언트를 제공한다.
• 맥스-민 구조를 표현하고 계산 용이성을 가능하게 하기 위해 보조 함수 psi 및 V를 도출하고 활용한다.
• 일반적으로는 O(1/√T)이고 특정 매끄러움/볼록성 조건하에서 지수적 수렴이 가능하며 모호성이 커질수록 강건 해가 1/N 포트폴리오로 접근하는 조건을 제시한다.

실험 결과

연구 질문

• RQ1 수익률 분포가 두 구성 성분으로 이루어져 있고 가중치가 미정인 상황에서 평균-분산 및 평균-CVaR 포트폴리오 문제를 어떻게 강건하게 형식화할 수 있는가?
• RQ2 이러한 혼합 모호성 DRO 문제에 대해 무엇이 tractable한 최소-최대 재구성이고 이를 어떻게 효율적으로 풀이할 수 있는가?
• RQ3 이 문제들에 대한 투영 서브그래디언트 방법의 수렴 속성은 어떠하며 언제 지수 수렴이 달성될 수 있는가?
• RQ4 모호성 반경이 커짐에 따라 강건 포트폴리오가 어떻게 거동하는가(예: 동일 가중치 포트폴리오로 수렴하는가)?

주요 결과

• 부분 혼합 모호성으로의 최적화 문제가 최소-최대 문제로 축약되며 투영 서브그래디언드 하강 방법으로 해결할 수 있다.
• 일반적으로 O(1/√T)의 수렴 속도를 달성하며 추가적 매끄러움/볼록성 조건 하에서 지수적 수렴이 가능할 수 있다.
• mean-variance 설정의 경우, 보조 함수 및 Wasserstein 성분에 대한 이중 표현을 통해 실용적 표현을 얻는다.
• mean-CVaR 설정의 경우 비효용성(disutility)에서 CVaR을 포함하도록 프레임워크를 확장하되 계산 용이성을 유지한다.
• 수치 결과는 DRO 포트폴리오가 SAA에 비해 샘플 밖의 비효용성을 개선하고 모호성 반경이 커짐에 따라 최적 포트폴리오가 1/N(동등 가중치) 포트폴리오로 수렴하는 것을 보인다.