Return Prediction for Mean-Variance Portfolio Selection: How Decision-Focused Learning Shapes Forecasting Models
Created by
Haebom
Category
Empty
저자
Junhyeong Lee, Haeun Jeon, Hyunglip Bae, Yongjae Lee
개요
본 논문은 Markowitz의 평균-분산 최적화 (MVO) 프레임워크를 기반으로 한 포트폴리오 이론의 문제점을 제시하고, 머신러닝 기반의 Decision-Focused Learning (DFL)이 MVO에서의 의사결정을 어떻게 개선하는지 탐구한다. 특히, DFL이 MSE 기반의 예측 오차를 자산 간 상관관계를 고려하여 수정하는 메커니즘을 밝히고, DFL이 포트폴리오 내 자산에 대한 예측을 과대평가하고 제외된 자산에 대한 예측을 과소평가하는 체계적인 편향을 생성함으로써 우수한 포트폴리오 성과를 달성한다는 것을 밝힌다.
시사점, 한계점
•
시사점:
◦
Decision-Focused Learning (DFL)은 포트폴리오 최적화를 위해 예측 모델을 조정하는 효과적인 방법임을 확인.
◦
DFL의 Gradient는 MSE 기반 예측 오차를 자산 간 공분산 행렬의 역행렬로 가중하여 학습, 자산 간 상관관계를 학습에 통합.
◦
DFL은 포트폴리오 내 자산의 예측을 과대평가하고, 포트폴리오 외 자산의 예측을 과소평가하는 전략적 편향을 통해 우수한 포트폴리오 성과를 달성.
◦
DFL이 높은 예측 오차에도 불구하고 우수한 성과를 보이는 이유를 설명.
•
한계점:
◦
본 연구는 DFL의 특정 메커니즘에 초점을 맞추고 있으며, 다른 DFL 기반 방법론 또는 실제 시장 적용에 대한 추가적인 연구 필요.
