금융 시계열 잔차 요인 추출을 위한 PCA‑MTP2 계층 그래프 모델

초록

본 논문은 금융 자산 수익률에서 시장 공통 요인을 PCA로 제거한 뒤, 양의 부분 상관관계를 강제하는 MTP2 제약을 갖는 Gaussian Graphical Model(GGM)로 남은 약한 요인을 추가적으로 제거한다. 이 계층적 절차는 잔차 요인의 직교성을 크게 향상시키며, S&P 500 및 TOPIX 500 종목에 대한 실험에서 보다 높은 Sharpe Ratio를 보이는 트레이딩 전략을 구현한다.

상세 분석

이 연구는 금융 시계열의 특수성을 두 단계로 모델링한다. 첫 단계에서는 전통적인 주성분 분석(PCA)을 이용해 가장 큰 고윳값에 대응하는 시장‑전반 요인을 제거한다. PCA는 공분산 행렬이 거의 특이(singular)한 경우에도 큰 고윳값에 집중하므로 수치적 안정성을 제공하지만, 섹터 수준의 약한 상관관계와 같은 미세 요인을 충분히 억제하지 못한다는 한계가 있다. 이를 보완하기 위해 두 번째 단계에서는 PCA 후 남은 잔차 행렬 Z에 대해 Gaussian Graphical Model을 적용한다. GGM은 조건부 독립 구조를 파악하는데 유리한데, 금융 데이터는 대체로 양의 상관관계를 보이므로 정밀 행렬(precision matrix) Λ가 M‑matrix, 즉 모든 비대각 원소가 비양(≤0)이고 양의 반정치성을 갖는 형태로 제한된다(MTP2 제약). 이 제약은 부분 상관계수가 모두 양수가 되도록 강제함으로써, 동일 섹터 혹은 연관된 자산 간의 공동 움직임을 효과적으로 포착한다.

알고리즘적으로는 로그우도와 정규화 항을 결합한 목적함수를 gradient ascent 방식으로 최적화하고, 매 반복마다 Λ를 M‑matrix 집합에 투사한다. 투사는 Dykstra 알고리즘을 이용해 양의 반정치성 집합과 비대각 원소 비양성 집합의 교집합으로 분해함으로써 효율적으로 수행된다. 최적 Λ가 얻어지면, 각 자산의 기대값 E