연속 최적화 기반 차등볼록 프로그래밍으로 푸는 카드리티 제약 포트폴리오 선택

초록

**
본 논문은 선형 거래비용과 자산 수 제한(카드리티) 조건을 포함한 마코위츠 평균‑분산 모델을 혼합정수 2차계획(MIP)으로 정의하고, 차등볼록(DC) 함수 프로그래밍과 DC 알고리즘(DCA)을 이용해 연속적인 근사 해법을 제시한다. 실험 결과는 상용 MIP 솔버 CPLEX에 비해 1초 이내의 짧은 시간에 거의 최적에 근접한 해를 얻음으로써 제안 방법의 효율성을 입증한다.

**

상세 분석

**
이 연구는 전통적인 마코위츠 평균‑분산 포트폴리오 모델에 두 가지 실무적 제약을 추가함으로써 문제의 복잡성을 크게 높였다. 첫 번째는 선형 형태의 거래비용(구매·판매 모두에 비례)이며, 두 번째는 포트폴리오에 포함될 자산 수를 제한하는 카드리티 제약이다. 이러한 제약을 도입하면 모델은 이진 변수 z_j(자산 포함 여부)를 포함하는 혼합정수 2차계획(MIP)으로 변형된다. MIP는 NP‑hard 특성을 가지므로 대규모 인스턴스에 대해 정확 해를 찾는 것이 비현실적이다.

저자는 DC 프로그래밍(차등볼록 함수의 차이)이라는 프레임워크를 활용해 문제를 연속형 형태로 변환한다. 핵심 아이디어는 카드리티 제약을 “정확 페널티” 기법을 통해 부드러운 concave 함수 α(z)=θ∑_j z_j(1−z_j) 로 대체하고, 이를 원래 목적함수에 가감함으로써 전체 목표를 convex – concave 형태의 DC 문제로 재구성하는 것이다. 이렇게 하면 기존의 비선형·비볼록 구조를 두 개의 볼록 함수 g(x)와 h(x)로 분리할 수 있다.

DC 알고리즘(DCA)은 매 반복마다 현재 해의 h‑함수에 대한 서브그라디언트를 계산하고, 이를 이용해 g‑함수의 선형 근사를 만든 뒤, 선형화된 두 볼록 문제를 교대로 풀어가며 해를 갱신한다. 구체적으로는 (12)식에 나타난 2차 목표함수와 선형 제약을 갖는 QP를 해결하는 단계와, 서브그라디언트 계산을 위한 간단한 폐쇄형 식(11)을 수행하는 단계로 구성된다. 이 과정은 수렴성이 보장되며, 실험에서는 대부분 4회 이하의 반복으로 수렴한다.

실험 설계는 홍콩 Hang Seng 지수(31종)와 독일 DAX 100 지수(85종) 두 데이터셋을 사용했으며, 카드리티 파라미터를 515 범위로 변동시켰다. 초기점은 연속 완화 문제의 해를 라운딩하여 얻었다. 결과는 CPLEX가 1200초 제한 내에 최적값을 찾지 못하거나 매우 긴 시간을 소요하는 반면, DCA는 0.020.00002 수준의 목표값 차이를 0.09~0.12초의 CPU 시간으로 달성했다. 특히 DAX 100의 경우 CPLEX는 시간 제한에 걸려도 최적값을 제공하지 못했으나, DCA는 일관된 해를 빠르게 제공하였다.

이 논문의 주요 기여는 다음과 같다. (1) 카드리티와 선형 거래비용을 포함한 포트폴리오 모델을 정확히 DC 형태로 변환하는 수학적 기법을 제시, (2) 해당 DC 모델에 특화된 DCA 절차를 설계하여 매우 짧은 시간에 고품질 근사 해를 얻음, (3) 상용 MIP 솔버와의 비교 실험을 통해 제안 방법의 실용성을 입증. 한계점으로는 현재 실험이 중소 규모(≤85자산) 데이터에 국한되어 있어, 대규모(수천 자산) 상황에서의 확장성 및 전역 최적성 보장은 아직 검증되지 않았다. 향후 연구에서는 DCA와 분지·경계 기법을 결합하거나, 비선형 거래비용(계단형, 구간별) 모델로 확장하는 방향이 제시된다.

**