사회적 책임 투자 포트폴리오 최적화를 위한 머신러닝 접근

초록

본 논문은 전통적인 평균‑분산 모델에 ESG 점수를 통합한 ESG‑MV 모델을 제안하고, 랜덤 포레스트 기반 ETF 가격 예측과 결합하여 사회적 책임 투자 포트폴리오의 샤프 비율과 ESG 평균 점수 간의 트레이드오프를 실증적으로 분석한다.

상세 분석

이 연구는 두 단계로 구성된다. 첫 번째 단계에서는 ETF 종가를 예측하기 위해 랜덤 포레스트(RF), 장기‑단기 메모리(LSTM), 합성곱 신경망(CNN) 세 가지 머신러닝 모델을 비교한다. 평가 지표로는 평균 절대 스케일 오류(MASE)와 평균 제곱근 스케일 오류(RMSSE)를 사용했으며, RF가 가장 낮은 오류값을 기록해 최종 예측 모델로 선정되었다. 두 번째 단계에서는 예측된 가격 데이터를 기반으로 전통적인 평균‑분산(MV) 최적화와 ESG‑MV 최적화를 수행한다. ESG‑MV는 목표 함수에 평균 ESG 점수를 가중치로 포함시켜, 샤프 비율을 최대화하면서 ESG 점수를 동시에 높이도록 설계되었다. 최적화는 순차 최소제곱 프로그래밍(SLSQP) 알고리즘을 이용했으며, 100개의 ETF를 무작위로 선택한 12번의 실험을 통해 평균 결과를 도출하였다. 결과는 ESG‑MV 포트폴리오가 전통 MV 대비 샤프 비율이 평균 12.29% 감소하지만, 평균 ESG 점수는 65.72% 상승함을 보여준다. 또한 위험은 20% 감소하고 수익은 21.32% 감소했으며, 이는 사회적 책임 투자자가 위험을 낮추는 대가로 기대수익을 포기한다는 전형적인 특성을 반영한다. 연구는 ESG 데이터가 충분히 확보된 경우, 기존 평균‑분산 프레임워크에 ESG를 통합함으로써 투자자의 가치관을 반영한 포트폴리오 설계가 가능함을 실증한다. 한계점으로는 ESG 점수의 시계열 변동성을 고려하지 않았으며, 모델 과적합을 방지하기 위한 정규화 기법이 미흡했다는 점을 지적한다. 향후 연구에서는 ESG 점수의 동적 변화를 모델에 포함하고, 보다 복합적인 제약조건(예: 탄소 배출량 한도)과 강화학습 기반 최적화를 탐색할 필요가 있다.