[논문 리뷰] Robust Utility Maximization in a Multivariate Financial Market with Stochastic Drift

Jörn Saß, Dorothee Westphal|arXiv (Cornell University)|2020. 09. 30.

Stochastic processes and financial applications참고 문헌 24인용 수 4

한 줄 요약

이 논문은 필터링 기법에서 유도된 시간에 따라 변하는 불확실성 집합을 활용하여 확률적 드리프트를 가진 다변량 금융 시장에서 강건한 유틸리티 최적화 프레임워크를 제안한다. 지역 최적화 문제에 대해 최소 최대 정리를 수립하고, 모델 잘못 설정 상황에서 강건 전략이 비강건 전략보다 유의미하게 뛰어난 성능을 보임을 입증한다. 특히 추가 정보가 가용할 경우 더욱 두드러진다.

ABSTRACT

We study a utility maximization problem in a financial market with a stochastic drift process, combining a worst-case approach with filtering techniques. Drift processes are difficult to estimate from asset prices, and at the same time optimal strategies in portfolio optimization problems depend crucially on the drift. We approach this problem by setting up a worst-case optimization problem with a time-dependent uncertainty set for the drift. Investors assume that the worst possible drift process with values in the uncertainty set will occur. This leads to local optimization problems, and the resulting optimal strategy needs to be updated continuously in time. We prove a minimax theorem for the local optimization problems and derive the optimal strategy. Further, we show how an ellipsoidal uncertainty set can be defined based on filtering techniques and demonstrate that investors need to choose a robust strategy to be able to profit from additional information.

연구 동기 및 목표

• 역사적 자료로부터 드리프트를 추정하기 어려우며 최적 전략에 결정적인 영향을 미치는 드리프트 추정 불확실성 문제를 다루기 위해.
• 최악의 경우 접근법을 사용하여 시간에 따라 변하는 드리프트 과정의 불확실성을 반영하는 강건 최적화 프레임워크를 개발하기 위해.
• 유입 정보(예: 수익률 또는 전문가 의견)에 기반해 동적으로 불확실성 집합을 업데이트하는 필터링 기법을 통합하기 위해.
• 지역 최악의 경우 최적화에서 유도된 강건 전략이 비강건 전략(필터링된 드리프트 추정 기반)보다 성능이 뛰어나며, 특히 모델 잘못 설정 상황에서 그러한 성능 향상이 두드러짐을 입증하기 위해.
• 투자자가 강건 전략을 채택할 경우에만 추가 정보로부터 이점을 얻을 수 있으며, 드리프트의 점 추정에 의존할 경우 그렇지 않음을 보여주기 위해.

제안 방법

• 각 시점 t에서 시간에 따라 변하는 불확실성 집합 Kt 내에서 가장 나쁜 드리프트 과정을 가정하고 지역 최악의 경우 최적화 문제를 수립한다.
• 투자자의 필터링 정보에 적응하는 시간에 따라 변하는 타원형 불확실성 집합 Kt를 사용하며, 이는 숨겨진 드리프트 과정을 필터링하여 유도된다.
• 지역 최적화 문제를 해결하고 각 시점 t에서 최적의 강건 전략 π∗t를 도출하기 위해 최소 최대 정리를 적용한다.
• 불확실성 집합 Kt의 구축을 위한 정보를 제공하기 위해 확률적 필터링을 사용하여 드리프트 과정의 조건부 평균을 추정한다.
• 드리프트 과정을 dRt = νt dt + σ dWt의 동역학을 가진 확산 과정으로 모델링하며, 여기서 νt는 투자자가 필터링한 드리프트 추정치이다.
• 다양한 정보 설정(H = N, R, E, C)과 전략(π∗, ˆπ) 하에서 기대 유틸리티를 비교하기 위해 10,000회 반복하는 몬테카를로 시뮬레이션을 실시한다.

실험 결과

연구 질문

• RQ1 최악의 경우 최적화 프레임워크는 확률적이고 시간에 따라 변하는 드리프트 과정을 가진 금융 시장에 어떻게 적용될 수 있는가?
• RQ2 시간에 따라 변하는 타원형 불확실성 집합으로 표현된 드리프트에 대한 불확실성이 존재할 때 최적의 전략은 무엇인가?
• RQ3 모델 잘못 설정 상황에서, 필터링된 드리프트 추정 기반의 비강건 전략과 비교해 강건 전략의 성능은 어떻게 되는가?
• RQ4 추가 정보(예: 수익률 또는 전문가 의견)의 가용성이 투자 성과를 향상시키는가? 어떤 조건에서 그러한 향상이 이루어지는가?
• RQ5 추정된 드리프트에 대한 과도한 자신감이 최악의 시나리오에서 열악한 성능을 초래하는 정도는 어느 정도인가?

주요 결과

• 모델 전용 설정(H = N)에서 최악의 경우 기대 유틸리티 Eµ∗[Uγ(Xπ∗T)]는 1.6179로 가장 낮으며, 추가 정보가 제공될수록 크게 증가한다(예: H = C에서 전문가 의견 10개일 경우 1.7854).
• 필터링된 드리프트 추정 기반의 비강건 전략 ˆπ는 진짜 드리프트 ν 하에서는 가장 잘 작동하며(H = N에서 평균 유틸리티 2.0426), 그러나 최악의 경우 드리프트 µ∗ 하에서는 심각한 성능 저하를 보이며(H = R에서 평균 유틸리티 0.7754), 이는 매우 낮은 수준이다.
• 최악의 경우 시나리오에서 강건 전략 π∗는 항상 ˆπ를 능가하며, Eµ∗[Uγ(Xπ∗T)] 값은 H = N일 때 1.6179에서 H = C일 때 1.7854로 변화함을 보여, 강건화가 안정성 확보에 필수적임을 입증한다.
• 기대 유틸리티의 표본 표준편차는 π∗의 경우(H = C에서 0.4027) 비강건 전략 ˆπ의 경우(H = C에서 134.5858)에 비해 극적으로 낮아, 불확실성 하에서 강건 전략이 훨씬 더 안정적임을 보여준다.
• 수익률 관측치와 이산적 전문가 의견의 조합(H = C)은 최악의 경우 기대 유틸리티를 최고 수준(1.7854)으로 이끌어내어, 정보가 강건한 성능 향상에 기여함을 입증한다.
• 결과는 드리프트 추정에 대한 과도한 자신감이 최악의 시나리오에서 열악한 성능을 초래함을 확인하며, 추가 정보가 가용하더라도 강건 전략의 필요성을 재확인한다.