[Paper] Long-only 암호화폐 포트폴리오 관리: 자산 순위를 통한 신경망 접근법

Source: arXiv - 2512.08124v1

Overview

Zijiang Yang은 암호자산 배분에 대한 새로운 접근법을 제시한다. 각 코인의 가격을 개별적으로 예측하는 대신, 신경망이 암호화폐 바스켓 전체의 기대 수익률을 순위화(rank) 하도록 학습하고, 그 순위에 따라 자본을 배분한다. 2020‑2023 전체 시장 사이클의 일일 데이터를 사용해 테스트한 결과, 샤프 비율이 1 이상, 연간 수익률이 ~64 %에 달해 여러 기존 베이스라인을 능가한다.

Key Contributions

• 교차섹션 순위 모델 – 다수의 암호자산 간 상대 수익 순서를 예측하는 최초의 연구로, 절대 가격 변동을 예측하는 기존 방식과 차별화된다.
• 롱‑온리(Long‑only), 순위 기반 가중치 스킴 – 예측된 순위를 포트폴리오 가중치로 변환하되 공매도를 배제하여 대부분 트레이더에게 현실적인 전략을 제공한다.
• 견고한 백테스팅 – 상승·하락·횡보 기간을 모두 포함하는 3.5년 일일 시장 데이터를 광범위하게 평가하고, 거래 비용에 대한 민감도 분석을 수행한다.
• 성능 우위 – 샤프 비율 1.01과 연간 64.26 % 수익률을 달성, 클래식 모멘텀, 평균‑분산, 강화학습 베이스라인을 모두 제치었다.

Methodology

1. 데이터 준비 – 2020년 5월부터 2023년 11월까지 주요 암호화폐(예: BTC, ETH, BNB, SOL 등)의 일일 OHLCV(시가, 고가, 저가, 종가, 거래량)를 수집한다.
2. 특징 엔지니어링 – 각 자산·각 일에 대해 짧은 기간의 기술 지표(이동 평균, RSI, 변동성, 거래량 스케일링 수익률)를 고정 크기 특징 벡터로 구성한다.
3. 신경 순위 네트워크 – 피드포워드 네트워크(또는 경량 트랜스포머)가 시점 t에 모든 자산의 특징 벡터를 연결(concatenate)하여 입력하고, 자산별 점수를 출력한다. 점수를 정렬해 다음 날 수익률의 예측 순위를 만든다.
4. 가중치 구성 – 상위 k 개의 순위에 오른 자산에 순위에 비례하는 양의 가중치를 부여(선형 또는 지수 감쇠 등)하고, 나머지는 0으로 둔다. 포트폴리오는 일일 리밸런싱되며 롱‑온리 제약을 유지한다.
5. 학습 목표 – 쌍별 순위 손실(예: 힌지 손실)을 사용해 실제 다음 기간에 더 높은 수익을 낸 자산에 더 높은 점수를 부여하도록 네트워크를 학습시킨다.
6. 평가 – 현실적인 슬리피지와 다양한 거래 수수료(0 %–0.5 %)를 적용한 시뮬레이션 거래를 통해 견고성을 테스트한다.

Results & Findings

• 모델은 모든 시장 상황(상승, 하락, 횡보)에서 일관되게 우수한 성과를 보였다.
• 거래 수수료가 거래당 0.3 %까지 상승해도 성능 저하가 미미해 전략의 비용 효율성을 확인했다.
• Ablation 테스트 결과, 전체 교차섹션 입력(모든 자산을 동시에 사용)​이 핵심이며, 코인별로 별도 모델을 학습하면 샤프 비율이 ~0.6으로 급락한다.

Practical Implications

• 암호펀드 포트폴리오 구성 – 순위 기반 배분은 기존 실행 파이프라인에 최소한의 변경만으로 통합 가능하며, 매일 특징을 업데이트하고 소규모 신경망을 한 번 전방패스(forward pass)하면 된다.
• 위험 조정 수익 – 높은 샤프 비율과 낮은 최대 손실률은 롱‑온리 노출을 선호하는 위험 회피형 기관 투자자에게 매력적이다.
• 확장성 – 모델이 고정된 자산 집합에 대해 작동하므로 새로운 토큰을 추가하려면 특징 행렬만 확장하면 된다. 동일한 네트워크를 재학습하거나 파인튜닝할 수 있어 시스템 전체를 재설계할 필요가 없다.
• 자동화 – 일일 리밸런싱 주기가 일반적인 암호화폐 거래소 API와 일치해, 개별 가격 급등에 반응하기보다 시장 전체 변동에 대응하는 완전 자동화 봇 구현이 가능하다.

Limitations & Future Work

• 데이터 기간 – 연구가 2023년 11월까지의 데이터만 사용했으며, 급변하는 암호생태계(새로운 DeFi 토큰, 규제 충격 등)는 샘플 외 성능에 영향을 줄 수 있다.
• 모델 단순성 – 해석 가능성을 위해 비교적 얕은 피드포워드 구조를 사용했으며, 더 깊거나 어텐션 기반 모델이 풍부한 시계열 동역학을 포착할 가능성이 있다.
• 롱‑온리 제약 – 많은 트레이더에게 현실적이지만, 공매도나 파생상품(선물, 옵션)에서 얻을 수 있는 잠재적 이익을 무시한다. 순위에 상대 숏 시그널을 포함하는 방안이 향후 연구 과제이다.
• 거래 비용 모델 – 백테스트는 일관된 수수료를 가정했지만, 실제 슬리피지는 거래소·유동성 수준에 따라 다르다. 향후 작업에서는 주문서 시뮬레이션을 도입해 보다 정밀한 비용 추정을 시도할 수 있다.

핵심 요약: 절대 가격 움직임을 예측하는 대신 암호바스켓 전체의 기대 수익을 순위화하는 접근을 통해, Yang의 신경‑순위 프레임워크는 높은 샤프 비율과 견고한 롱‑온리 전략을 제공한다. 이는 자동화된 암호자산 관리자를 구축하는 개발자들이 바로 적용할 수 있는 실용적인 솔루션이다.

Authors

• Zijiang Yang

Paper Information

• arXiv ID: 2512.08124v1
• Categories: cs.LG, cs.AI, cs.NE
• Published: December 9, 2025
• PDF: Download PDF