MTS: A Deep Reinforcement Learning Portfolio Management Framework with Time-Awareness and Short-Selling
Created by
- Haebom
Category
Empty
저자
Fengchen Gu, Zhengyong Jiang, Angel F. Garcia-Fernandez, Angelos Stefanidis, Jionglong Su, Huakang Li
개요
본 논문은 기존 포트폴리오 관리 방법의 한계를 극복하기 위해 시간 인지 및 공매도 기능을 갖춘 심층 강화 학습 기반 포트폴리오 관리 프레임워크(MTS)를 제안한다. MTS는 새로운 인코더-어텐션 메커니즘을 활용하여 시장의 시간적 특성을 고려하고, 시장 동향에 기반한 자동 공매도 전략을 병렬적으로 수행하며, 혁신적인 Incremental Conditional Value at Risk를 통해 위험 관리를 강화한다. 2019년부터 2023년까지의 다양한 5개 데이터셋에 대한 실험 결과, MTS는 기존 알고리즘 및 고급 머신러닝 기법보다 누적 수익률, Sharpe 비율, Omega 비율, Sortino 비율이 꾸준히 높게 나타나, 시장 역학에 적응하면서 위험과 수익을 균형 있게 관리하는 효과를 보여준다. 다른 최고 성능 전략 대비 누적 수익률은 평균 30.67%, Sharpe 비율은 평균 29.33% 증가했다.
시사점, 한계점
•
시사점:
◦
심층 강화 학습을 활용하여 시장의 시간적 특성과 공매도 전략을 효과적으로 통합한 새로운 포트폴리오 관리 프레임워크를 제시하였다.
◦
기존 방법보다 우수한 위험 관리 및 수익률을 달성하여, 실제 투자 환경에서의 활용 가능성을 높였다.
◦
다양한 시장 상황에서 안정적인 성능을 보이며, 시장 변동성에 대한 강건성을 입증하였다.
•
한계점:
◦
제시된 데이터셋의 기간과 종류가 제한적이므로, 다른 시장 환경이나 더 긴 기간에 대한 추가적인 검증이 필요하다.
◦
모델의 복잡성으로 인해 계산 비용이 높을 수 있으며, 실시간 거래 환경에 적용하기 위한 최적화가 필요할 수 있다.
◦
Incremental Conditional Value at Risk의 구체적인 구현 방식 및 성능에 대한 자세한 설명이 부족하다.
◦
특정 시장 조건 하에서 과적합 가능성 및 일반화 성능에 대한 추가 연구가 필요하다.
