본 논문은 Markowitz의 평균-분산 최적화(MVO) 프레임워크에서 불확실한 자산 수익률의 기대값, 분산, 공분산 추정의 어려움을 해결하기 위해 등장한 의사결정 중심 학습(DFL)의 작동 원리를 이론적으로 분석합니다. 기존 머신러닝 기반 예측 모델들이 평균 제곱 오차(MSE)를 최소화하는 과정에서 자산 간 상관관계를 고려하지 못하는 한계를 지적하며, DFL이 이를 어떻게 극복하는지 밝힙니다. DFL의 그래디언트를 분석하여, DFL이 MSE 기반 오차에 역공분산 행렬을 곱하여 가중치를 부여함으로써 자산 간 상관관계를 학습 과정에 통합하는 것을 보여줍니다. 이는 포트폴리오에 포함된 자산의 수익률은 과대평가하고, 제외된 자산의 수익률은 과소평가하는 체계적인 예측 편향을 유도하지만, 이러한 편향이 오히려 최적의 포트폴리오 성과를 달성하는 데 기여함을 밝힙니다.
