자동상관 최적화‑추정: 예측‑후‑최적화와 유한표본 최적화의 비교

초록

본 논문은 시계열의 자동상관성을 고려한 VARMA(p,q) 모델 하에서, 데이터‑드리븐 최적화의 두 패러다임인 예측‑후‑최적화(PTO)와 유한표본 최적화(O‑VE)를 비교한다. 저자들은 Autocorrelated‑OVE(A‑OVE) 모델을 제안하고, 이를 포트폴리오 최적화(거래비용 포함) 문제에 적용해 완전 정보 오라클 대비 낮은 후회(regret)를 달성함을 실증한다.

상세 분석

이 연구는 데이터‑드리븐 최적화 분야에서 최근 부상하고 있는 “유한표본 최적화”(finite‑sample optimal) 접근법을, 전통적인 “예측‑후‑최적화”(predict‑then‑optimize, PTO)와 “추정‑후‑최적화”(estimate‑then‑optimize, ETO)와 직접 비교한다는 점에서 의미가 크다. 특히, 불확실성이 시간에 따라 상관관계를 갖는 VARMA(p,q) 프로세스로 모델링된 상황을 다루어, 기존 O‑VE 프레임워크를 시계열 맥락에 자연스럽게 확장한다.

핵심 이론적 기여는 두 부분으로 나뉜다. 첫째, VARMA 모델의 충분통계(sufficient statistics)를 Fisher‑Neyman 분해 형태로 명시한다. 기존 문헌에서는 일변량 ARMA 혹은 VARMA(1,1) 정도만 다루었으나, 저자들은 일반적인 차수(p,q)에 대해 전방 변환 과정 {Wₜ}와 예측값 {Ŵₜ}를 정의하고, 정확한 로그우도 L(Y;ξ)=g₀(Y)·g₁(Y,ξ) 형태를 도출한다. 여기서 g₁은 예측 오차의 공분산 Σₜ에 의존하는 지수형식이며, 이는 충분통계가 실제로 계산되지 않아도 O‑VE 최적화를 수행할 수 있게 한다.

둘째, 이 충분통계를 활용해 포트폴리오 최적화 문제에 대한 해를 구한다. 문제는 위험‑보정 수익과 거래비용을 동시에 고려하며, 거래비용은 다음 기간 로그 거래량 Y_{T+1}에 대한 역지수 형태의 대각 행렬 Λ(Y_{T+1})=λ̄·Diag(exp{−Y_{T+1}}) 로 모델링된다. 위험‑자산 수익률은 고정된 평균·공분산으로 가정하고, 따라서 최적화는 이차형식으로 축소된다. PTO는 예측된 Ŷ_{T+1}을 사용해 D₂를 고정하고 닫힌 형태 해 x_{PTO}= (D₁+D₂^{PTO})^{-1}