Markowitz to Deep Portfolio: 3번 리팩터에서의 마이그레이션

Source: Dev.to

Introduction

내가 본 대부분의 포트폴리오 최적화 코드베이스는 PortfolioOptimizer 클래스로 scipy.optimize.minimize를 감싸고, 제약조건을 람다 함수로 하드코딩하며, 252일치 수익률로 공분산 행렬을 추정하는 형태이다. 작동한다. 간단하다. 그리고 동적 위험 예산, 거래 비용 모델링, 혹은 평균‑분산 최적화를 넘어서는 어떤 것을 원할 때 바로 작동을 멈춘다.

Markowitz 평균‑분산 최적화(1952)는 여전히 정량 금융의 핵심이지만, 고전적인 이차 프로그래밍에서 딥러닝 기반 포트폴리오 구성으로 마이그레이션한다는 것은 SciPy를 Torch로 교체하는 것 이상의 작업이다.

Migration Challenges

나는 지난 분기 동안 폐쇄형 최적화에서 자산 배분을 위한 정책 네트워크를 학습시키는 하이브리드 아키텍처로 생산 포트폴리오 시스템을 리팩터링했다. 이 마이그레이션 과정에서 여러 문제점이 드러났다:

• 하드코딩된 제약조건은 람다로 쉽게 표현할 수 있었지만, 신경망 손실 함수에 넣으려니 번거로워졌다.
• 동적 위험 예산은 옵티마이저가 변하는 시장 상황에 맞춰 적응해야 하는데, 정적인 이차 프로그램은 광범위한 재설계 없이는 이를 처리할 수 없다.
• 거래 비용 모델링은 비선형 항을 추가해 고전적인 이차 솔버의 가정을 깨뜨린다.

이러한 문제들 때문에 리팩터링은 예상치 못한 디버깅 악몽으로 변했다.

Results

하이브리드 시스템은 원래 평균‑분산 구현에 비해 샘플 외 데이터에서 위험 조정 수익률이 18 % 향상되었다. 그러나 개선에는 트레이드오프가 따랐다:

• 리밸런싱 속도가 3배 느려져 운영 비용에 대한 우려가 제기되었다.
• 복잡성이 증가하면서 코드베이스 테스트 및 유지보수 난이도가 높아졌다.

이 경험은 딥러닝 접근법이 성능을 끌어올릴 수 있지만, 속도, 단순성, 해석 가능성이 가장 중요한 상황에서는 고전적인 Markowitz 프레임워크가 여전히 우위에 있음을 보여준다.