양자 어닐링 기반 종합 포트폴리오 최적화 파이프라인

초록

본 논문은 평균‑분산·샤프 비율을 연속형으로 정의하고, 자산 선택을 D‑Wave 하이브리드 양자 어닐러의 QUBO/CQM 형태로 변환한 뒤, 선택된 자산에 대해 고전적 볼록 최적화로 가중치를 산정하고, 분기별 재조정을 수행하는 실용적인 엔드‑투‑엔드 포트폴리오 최적화 프레임워크를 제시한다. 인도 주식시 데이터를 이용해 펀드 매니저와 주요 지수와 비교했을 때 경쟁력 있는 수익률과 위험 관리가 가능함을 실증한다.

상세 분석

이 연구는 전통적인 평균‑분산(MVO)과 샤프 비율 최적화를 연속형 수식으로 시작하고, 이를 두 단계의 하이브리드 구조로 분할한다. 첫 번째 단계는 자산 선택 문제를 이산형 QUBO 혹은 CQM 형태로 변환한다. 논문은 위험 회피 계수 q와 예측 수익 µ, 공분산 행렬 Σ를 이용해 목표 함수를 q xᵀΣx − µᵀx 형태로 정의하고, 선택해야 할 자산 수 B를 제약식 (1ᵀx − B)²에 큰 라그랑주 계수 λ_b를 곱해 페널티 항으로 추가한다. 이렇게 구성된 QUBO는 이진 변수 x_i∈{0,1} 으로 표현되며, D‑Wave의 하이브리드 CQM 솔버에 입력된다. CQM은 이진·정수 변수와 등·부등식 제약을 동시에 다룰 수 있어, 단순 QUBO보다 제약이 많은 포트폴리오 문제에 적합함을 논문은 강조한다.

양자 단계에서 얻어진 이산 선택 결과는 연속형 볼록 최적화에 입력된다. 여기서는 선택된 자산 집합에 대해 평균‑분산 혹은 샤프 비율을 최대화하는 전통적인 convex 프로그램을 풀어 최적 가중치 w_i 를 산출한다. 이때 가중치는 실제 투자 금액 p_i 와 연계되어, 예산 제약을 만족하도록 추가적인 선형 제약을 부과한다.

재조정 메커니즘은 3개월마다 실행되며, (1) 최신 로그 수익률을 기반으로 평균 µ(k)와 공분산 Σ(k) 를 재계산하고, (2) 현재 보유 자산을 평균 수익률 기준으로 하위 K_sell 개를 식별·청산, (3) 남은 자산에 대해 위와 동일한 양자‑클래식 파이프라인을 재적용한다. 이 순환 구조는 포트폴리오의 위험·수익 프로파일을 동적으로 유지한다.

실험에서는 인도 NIFTY 50과 같은 벤치마크 지수, 그리고 현업 펀드 매니저의 실제 운용 결과와 비교하였다. 결과는 양자‑보조 선택이 자산 다변화를 촉진하고, 평균 수익률과 샤프 비율 면에서 기존 방법과 동등하거나 약간 우수함을 보여준다. 다만, 양자 하드웨어의 제한(쿼비트 수, 연결성, 임베딩 오버헤드)으로 포트폴리오 규모는 수십 개 자산으로 제한되었으며, λ_b와 같은 페널티 파라미터 튜닝이 성능에 민감함을 보고한다.

컴퓨팅 측면에서는 하이브리드 솔버가 초기 임베딩 단계에서 수분에서 수십 분 정도 소요되며, 이후 양자 어닐링 단계는 수백 마이크로초 수준이다. 전체 파이프라인의 실행 시간은 전통적인 메타휴리스틱(예: 유전 알고리즘)과 비슷하거나 약간 느리지만, 제약 충족 능력과 해의 다양성 측면에서 장점을 가진다.

결론적으로, 이 논문은 양자 어닐링을 자산 선택에 제한적으로 활용하고, 고전적 최적화와 결합함으로써 현재 하드웨어 한계 내에서 실용적인 포트폴리오 관리 워크플로우를 구현한 점이 의의이며, 향후 양자 장치가 스케일업될 경우 전면적인 포트폴리오 최적화에 대한 확장 가능성을 제시한다.