Black-Litterman 모델 하에서의 포트폴리오 구성은 투자자가 자산 수익률에 대한 관점과 명시적 불확실성 추정치를 함께 지정해야 하며, 이 과정은 여전히 대체로 주관적이고 확장하기 어렵다. 우리는 신경 술어(neural predicates)가 관점 생성을 위한 구조화된 확률적 메커니즘으로 작동하는 공식적 접근법을 제안한다. 우리의 공식화에서는, 구조화된 금융 분석 데이터가 신경 술어의 조합적 계층(compositional hierarchy)을 통해 처리되며, 그 출력—시장 입장(market stances)에 대한 확률 분포—은 Black-Litterman 모델의 pick 행렬 $\mathbf{P}$, 관점 수익률 벡터 $\mathbf{q}$, 관점 불확실성 행렬 $\boldsymbolΩ$에 매핑된다. 관점 신뢰도는 술어 출력 분포로부터 도출되어, 주관적 불확실성 도출(elicitation)에 대한 데이터 기반 대안을 제공한다. 결과적으로 이 접근법은 해석 가능하며—어떤 포트폴리오 가중치든 술어의 논리적 연쇄를 통해 기초 데이터까지 역추적할 수 있다는 의미에서—완전히 미분 가능하여 종단간(end-to-end) 학습을 가능하게 한다.
예측 후 최적화(Predict-then-optimize) 시스템은 일반적으로 불확실성을 점 예측(point forecast)으로 압축한 뒤, 해당 예측이 신뢰 가능한 것처럼 가정하고 다운스트림 최적화 문제를 풀어낸다. 분포 강건 최적화(DRO, Distributionally Robust Optimization)는 잘못된 명세(misspecification)에 대한 보호를 제공하지만, 모호성 집합(ambiguity set)은 흔히 과거 샘플을 중심으로 하며 고정된 반지름을 사용한다. 본 논문에서는 학습된 예측적 모호성 집합(LPAS, learned predictive ambiguity sets)을 제안한다: 심층 컨텍스트 모델이 유한한 명목 시나리오 분포, 상태 의존적 와서스테인(Wasserstein) 반지름, 그리고 선택적으로 비등방성 기저 거리(anisotropic ground metric)를 출력한다. 이 출력들은 DRO 의사결정 층에 공급되는 컨텍스트 모호성 집합을 정의한다. 반지름은 조건부 분위수 보정, 크기 정규화, 그리고 다운스트림 의사결정 손실의 조합으로 학습되어, 강건성이 전역 고정값이 아닌 적응적으로 조정된다. 의사결정 층에서 사용되는 유한 쌍대 형식(finite dual form)을 유도하고, 단계적 학습 알고리즘을 제시하며, 2018년부터 2026년까지의 S&P 500 구성 종목 20개를 대상으로 한 분포 강건 포트폴리오 최적화에서 방법론을 평가한다. 제안된 방법은 동일 가중치, 예측 후 최적화, 과거 와서스테인 DRO 기준선을 크게 상회하며, 26.28%의 연환산 수익률, 샤프 비율 1.30, 최종 자산 1.61을 달성하고, 더 작은 평균 반지름을 사용하면서도 심층 고정 반지름 DRO 기준선보다 낮은 테일 손실을 기록한다. 결과는 학습된 모호성 반지름이 불필요한 보수성을 줄이고 레짐 적응성(regime adaptivity)을 개선하면서 강력한 고정 반지름 DRO의 성능 대부분을 회복할 수 있음을 보여준다.
금융 시장에서 이용 가능한 대안의 수가 증가함에 따라 의사결정은 투자자들에게 점점 더 어려운 과제가 되고 있다. 지난 수십 년간 활발히 연구되어 온 분야 중 하나는 투자자가 어떤 자산에 얼마를 투자해야 하는지를 결정하는 포트폴리오 최적화(portfolio optimization)이다. 최적화 모델에 현실적인 조건을 도입하면 문제가 NP-난해 문제로 변환되어 정확한 방법으로는 해를 구하기 어렵기 때문에, 연구자들은 근사해를 구하기 위해 진화 알고리즘(evolutionary algorithms)에 주목해 왔다. 본 논문에서는 카디널리티 제약 조건 하에서의 포트폴리오 최적화 문제에서 빠른 수렴 속도와 광범위한 탐색 능력을 제공할 수 있는 다목적 진화 알고리즘(multi-objective evolutionary algorithms)의 강화 전략을 제안한다. 이러한 특성을 구현하기 위해, 포트폴리오 내 자산 수에 하한 및 상한을 설정하는 해당 문제를 해결하기 위한 고유한 해 표현 방식, 새로운 연산자, 그리고 새로운 복구 메커니즘(repair mechanisms)이 도입된다. 이를 위해 새로운 교배 전략(mating strategies)과 앞서 언급한 패키지가 잘 알려진 다목적 진화 알고리즘에 구현되어 문제를 해결한다. 맞춤화된 알고리즘은 이후 잘 알려진 시장 지수를 벤치마크로 사용하여 기존 알고리즘과 비교 평가된다. 결과는 제안된 전략이 시장 내 자산 수가 증가하더라도 성능 손실 없이 더 나은 근사해를 제공할 뿐만 아니라 더 빠르게 수렴함을 보여준다.
공분산 추정 오차가 전역 최소분산 포트폴리오(GMVP) 성능 저하로 이어지는 정확한 메커니즘을 규명하여, GMVP regret이 p²차원 오차 행렬 중 (p-1)차원 부분공간에만 의존하는 의사결정 기하(decision geometry)를 증명한다. Heavy-tailed 수익률(tail index κ ∈ (2,4)) 환경에서 비점근적 regret 상계와 수렴률을 확립하고, 이를 통해 최근 의사결정 중심 학습(decision-focused learning) 연구에 부재했던 일관성 이론과 정확한 추정 기하를 제공한다.
본 논문은 분류기 모델을 활용하여 성능을 향상시키는 금융 트레이딩 전략에서 앙상블 강화학습(RL) 모델 사용에 관한 포괄적 연구를 제시한다. A2C, PPO, SAC와 같은 RL 알고리즘을 서포트 벡터 머신(SVM), 의사결정 트리, 로지스틱 회귀와 같은 전통적 분류기와 결합하여, 서로 다른 분류기 그룹을 어떻게 통합하면 위험-수익 트레이드오프를 개선할 수 있는지 조사한다. 본 연구는 누적 수익(Cumulative Returns), 샤프 비율(Sharpe Ratios, SR), 칼마 비율(Calmar Ratios), 최대 낙폭(Maximum Drawdown, MDD) 등 주요 금융 지표를 기준으로 다양한 앙상블 방법의 효과를 평가하고, 이를 개별 RL 모델과 비교한다. 우리의 원래 실험 결과는 앙상블 방법이 위험 조정 수익 측면에서 종종 기본 모델보다 우수한 성능을 보이며, 낙폭 관리와 전반적 안정성을 더 잘 제공함을 보여준다. 그러나 원래 분석과 본 버전에서 보고된 추가 재현 모두, 앙상블 성능이 분산 임계값 \(τ\), 분류기 그룹, RL-에이전트 쌍, 시장 유니버스의 선택에 민감함을 보여준다. 재현 증거는 분류기 보조 앙상블 선택이 견고성을 개선할 수 있다는 결론을 강화하는 동시에, 그 이점이 모든 데이터셋에 걸쳐 자동적이기보다는 조건부적임을 명확히 한다. 본 연구는 적응적 의사결정을 위해 RL과 분류기를 결합하는 가치를 강조하며, 이는 금융 트레이딩, 로보틱스, 기타 동적 환경에 시사점을 제공한다.
본 논문에서는 일반적인 시간 비일치 제어 문제에서 결정론적 균형 정책을 학습하기 위한 연속 시간 모델 프리(model-free) 강화학습 알고리즘을 개발합니다. 확장된 Hamilton-Jacobi-Bellman(HJB) 시스템을 활용하여, 원래의 시간 비일치 문제를 동등한 2단계 문제로 재구성합니다. 첫 번째 단계에서, 주어진 보조 함수(auxiliary functions)에 대해 결정론적 정책 그래디언트 접근 방식을 사용하여 보조 시간 일치 제어 문제에서 최적 정책을 학습합니다. 두 번째 단계에서, 업데이트된 정책이 주어지면 보조 함수를 학습하기 위해 내부 고정점 반복(inner fixed point iterations) 및 일부 마팅ale 특성(martingale characterizations)을 활용합니다. 이론적 기여로서, 몇 가지 약한 모델 가정을 제시하고 내부 고정점 반복의 수렴(convergence)을 증명합니다. 두 단계에 걸쳐 이 액터-크리틱(actor-critic) 스타일의 반복을 수행함으로써, 우리의 알고리즘은 다양한 시간 비일치의 원인 하에서 균형을 통합적인 방식으로 학습하는 것을 목표로 합니다. 제안된 알고리즘의 우수한 성능은 시간 비일치성을 가진 두 가지 고전적인 금융 응용 분야인 평균-분산 포트폴리오 관리 및 비지수 할인(non-exponential discounting) 하의 최적 추적 포트폴리오를 통해 입증됩니다.