비정상 포트폴리오 VaR를 위한 가중 컨포멀 위험 제어

초록

본 논문은 금융 시장의 비정상적·시계열적 변동성을 고려해, 기존 컨포멀 예측을 확장한 “Regime‑Weighted Conformal Risk Control (RWC)” 방법을 제안한다. 과거 예측 오차에 시간 감쇠와 시장 상황을 나타내는 레짐 특징 기반 가중치를 부여해 안전 버퍼를 동적으로 보정함으로써, 목표 초과율(α)을 유지하면서도 레짐별 안정성을 확보한다. 이론적으로 가중 교환가능성 하에서 유한 표본 보장을 증명하고, 부드러운 레짐 드리프트 상황에서 근사 커버리지를 분석한다. 실증에서는 CRSP 미국 주식 포트폴리오 데이터를 이용해 시간 가중 컨포멀(TWC)이 기본적으로 강력한 성능을 보이며, 레짐 가중을 추가한 RWC가 특정 레짐에서 변동성을 감소시키는 효과를 확인한다.

상세 분석

이 논문은 전통적인 컨포멀 예측이 전제하는 교환가능성(exchangeability)이 금융 시계열에서는 성립하지 않는다는 점을 출발점으로 삼는다. 특히 VaR와 같은 일변량 위험 지표는 “한쪽 초과율”을 목표로 하므로, 양측면을 동시에 고려하는 기존 컨포멀 구간보다 단순히 상향 버퍼를 추가하는 형태가 더 적합하다. 저자는 이러한 버퍼를 과거의 “컨포멀 점수”(실제 손실 − 예측된 1‑α 분위수)에서 추출한다. 핵심 아이디어는 두 가지 가중치를 결합하는데, 첫 번째는 지수적 시간 감쇠 λ를 이용해 최신 데이터에 더 큰 비중을 두는 시간 가중치이며, 두 번째는 레짐 임베딩 zₜ = g(xₜ) 사이의 유클리드 거리를 기반으로 하는 커널 K_h(z_i, z_t)로, 비슷한 시장 상황(예: 변동성 클러스터, 경기 사이클)에서 발생한 점수를 선별한다. 이렇게 정의된 가중치 w_i(t) ∝ exp(−λ(t−i))·K_h(z_i, z_t) 를 정규화해 ˜w_i(t) 로 만든 뒤, 1‑α 분위수에 해당하는 가중된 점수를 안전 버퍼 ˆc_t 로 설정한다.

이론적 기여는 크게 두 부분으로 나뉜다. 첫째, “가중 교환가능성(weighted exchangeability)”이라는 가정을 도입해, 가중된 점수 집합이 교환가능성의 일반화 형태를 만족한다면 유한 표본 수준에서 정확히 P(y_t ≤ U_t | x_t, z_t) ≥ 1‑α 를 보장한다는 정리를 제시한다(정리 5.2). 여기서 ρ_t 라는 보정 계수를 사용해 전통적인 (m+1) 보정과 동일한 효과를 얻는다. 둘째, 실제 금융 데이터는 완전한 교환가능성을 만족하지 않으므로, 레짐 드리프트가 부드럽게 변한다는 가정(Assumption 5.3) 하에 근사 커버리지를 분석한다. 이때 커버리지 갭 ε_t 은 세 가지 항으로 분해된다: 레짐 거리 L_z·h, 시간 드리프트 L_t·τ_t, 그리고 표본 크기와 가중 분산에 의존하는 통계적 오차 O(1/√n_eff(t)). 이 결과는 h와 λ를 조절해 레짐 유사성 vs. 샘플 효율성 사이의 트레이드오프를 명시적으로 보여준다.

실험 설계는 CRSP 가치 가중 시장 포트폴리오(1990‑2024) 데이터를 사용해, 훈련‑검증‑테스트 기간을 시간 순으로 구분한다. 기본 예측기는 롤링 윈도우 Quantile Regression, GARCH‑VaR 등 다양한 블랙박스 모델을 적용하고, RWC는 이들 모델 위에 레짐‑가중 보정을 얹는다. 비교 대상은 (i) Sliding‑Window Conformal (SWC), (ii) Time‑Weighted Conformal (TWC), (iii) Adaptive Conformal Inference (ACI). 결과는 TWC가 대부분의 경우 충분히 보수적이면서도 목표 초과율을 잘 맞추는 “강력한 기본값”임을 보여준다. 레짐 가중을 추가한 RWC는 변동성 급등기(예: 2008년 금융 위기, 2020년 코로나 쇼크)에서 초과율 변동성을 감소시켜 레짐별 안정성을 향상시키지만, 전체적인 보수성은 약간 증가한다. 또한, 가중된 유효 표본 크기 n_eff(t)가 충분히 클 때(예: λ가 너무 크지 않을 때) 보정 효과가 크게 나타난다.

전체적으로 이 논문은 “컨포멀 위험 제어”라는 프레임을 비정상 금융 시계열에 적용하는 방법론을 체계화하고, 가중 교환가능성이라는 새로운 이론적 토대를 제공한다. 특히 레짐‑가중 접근은 기존의 시간‑가중만을 사용하는 방법보다 레짐 재현성을 보장하면서도 실용적인 구현 복잡도는 크게 증가시키지 않는다. 향후 연구는 다변량 포트폴리오 VaR·CVaR, 비선형 레짐 임베딩(예: 딥러닝 기반 클러스터링), 그리고 강한 의존성을 가진 고주파 데이터에 대한 확장 가능성을 탐색할 여지를 남긴다.