포트폴리오 최적화를 위한 최신 컴퓨팅 인텔리전스와 머신러닝 기술 리뷰

초록

본 논문은 포트폴리오 최적화에 적용 가능한 주요 컴퓨팅 인텔리전스(CI)와 머신러닝(ML) 기법들을 체계적으로 정리하고, 각 방법의 원리·장점·제한점을 평가한다. 유전 알고리즘, 입자군집 최적화, 인공신경망, 강화학습 등 최신 기법들을 전통적인 현대 포트폴리오 이론과 연결시켜 향후 연구 방향을 제시한다.

상세 분석

논문은 먼저 컴퓨팅 인텔리전스와 머신러닝을 포트폴리오 최적화 문제에 적용하기 위한 이론적 배경을 제시한다. 유전 알고리즘(GA)은 적합도 함수를 기반으로 해 집합을 진화시키는 방식으로, 복잡한 비선형 제약조건을 가진 다자산 포트폴리오에서 전역 최적해를 탐색하는 데 강점을 가진다. 그러나 적합도 설계가 주관적이며, 파라미터(교배율, 변이율 등)의 민감도가 높아 실무 적용 시 튜닝 비용이 크다는 한계가 있다. 입자군집 최적화(PSO)는 입자들의 위치와 속도를 업데이트하는 물리적 메타휴리스틱으로, 연속형 변수에 대해 빠른 수렴성을 보인다. 다만 탐색 단계에서 지역 최적에 빠질 위험이 있으며, 전역 탐색을 위한 파라미터 조정이 필요하다. 인공신경망(NN)은 비선형 함수 근사에 탁월해 시계열 가격 예측이나 위험 요인 모델링에 활용된다. 그러나 과적합 위험, 학습 데이터의 비정상성(예: 비정상적 가격 변동) 등에 취약하며, 금융 데이터의 비정상성(극단값, 구조적 변동) 때문에 일반화 성능이 제한된다. 강화학습(RL)은 환경으로부터 보상 신호만을 이용해 정책을 학습한다는 점에서 전통적인 모델링을 회피한다. 온‑폴리시와 오프‑폴리시 학습을 구분하고, Temporal‑Difference(TD) 학습을 통해 실시간 정책 업데이트가 가능하다. 하지만 연속적인 행동 공간과 높은 차원의 상태‑행동 공간에서 안정적인 수렴을 보장하기 어려우며, 보상 설계가 포트폴리오 수익·위험 트레이드오프를 정확히 반영해야 하는 난점이 있다. 논문은 또한 현대 포트폴리오 이론(MPT)과 포스트‑MPT(분산·반분산, VaR, CVaR 등)와의 연계성을 검토한다. 전통적인 평균‑분산 프레임워크는 가격 변동을 정규분포로 가정하지만, 실제 시장은 비정규성, 자기상관, 급격한 변동성을 보인다. 따라서 GA·PSO·RL 같은 메타휴리스틱과 비선형 모델을 결합해 비정규 위험을 직접 모델링하는 접근이 필요하다. 마지막으로 논문은 데이터 품질(고빈도 데이터, 비정형 뉴스 텍스트)과 계산 자원의 한계가 연구 적용에 미치는 영향을 강조한다. 전반적으로 각 기법의 강점은 복합 포트폴리오 최적화에 유용하지만, 파라미터 튜닝, 과적합 방지, 보상 설계, 계산 효율성 등 실무 적용을 위한 구체적 가이드라인이 부족한 것이 주요 결함으로 지적된다.