(국문) 투자 의사 결정을 위한 KOSPI 시장 국면에 따른 자산 배분 모델에 관한 연구

Abstract

변동성이 높은 금융 시장에서 위험에 비해 높은 재무적 성과를 얻기 위해 자산을 하 나의 단일 상품보다는 2개 이상의 상품으로 포트폴리오를 구성하여 시장의 상황에 대 해 대응할 필요가 있다. 2003년부터 2022년까지의 20년 기간에 대해 실험하면 다양한 시장 상황을 살펴볼 수 있으며, 본 연구에서는 미래 정보가 아닌 현재 상태에서의 KOSPI 지수에 대한 국면전환 확률을 자산 배분 비율을 설정하는데 입력 변수로 사용 하는 것과 그렇지 않은 모델들의 성능을 비교하였다. KOSPI 시장에서 시가총액 상위 10개 종목에 대해 자산 배분 비율을 결정하는 모델로 Markowitz 평균분산 포트폴리 오 모델 2종과 심층 강화학습 모델인 Advanced Actor Critic 모델을 국면전환 확률을 입력 변수로 사용하는 모델과 그렇지 않은 모델 2종으로 총 4종의 모델에 대해 back-test를 실행하여 수익률 및 샤프비율의 결과를 비교하였다. 본 연구의 결과로 국 면전환 확률값을 입력 변수로 사용하는 Advanced Actor Critic 모델의 성능이 전반적 으로 우수한 결과를 보였으며, 일별 자산 배분 비율의 편차는 가장 낮았다. 실험 결과 국면전환 확률을 포함하여 학습한 후 자산 배분을 실행하는 Advanced Actor Critic 모델이 가장 높은 성능을 보였으며, 하락/보합/상승 국면 각각에 대해 세 부적으로 분석한 결과 하락 국면에서 전반적으로 Advanced Actor Critic 모델만 근소 하게 앞서는 성능을 보였으며, 보합 국면에서는 Markowitz Tangency 모델의 성능이 가장 낮게 나타났다. 마지막으로 상승 국면에서는 모든 모델이 KOSPI 지수 대비 높 은 성능을 보였다. 모델들의 자산 배분 비율은 심층 강화학습 모델의 경우 대상 자산 에 대해 상대적으로 균등하게, 즉 분산이 가장 낮게 배분하였으며, 어느 정도는 고른 배분을 보였다. 하지만, Markowitz Minimum Variance 모델과 Markowitz Tangency 모델은 모델링 기간에 따라 배분하는 자산의 쏠림 현상이 두드러지게 나타났다. 미래 정보가 포함되는 것이 아니더라도 전체 시장에 대한 현재 시점의 국면전환 확률을 산 출하여 강화학습 모델의 입력 변수로 사용하였을 때, 그렇지 않은 경우보다 높은 성 능을 보이는 것을 확인하였기에 유사한 상황, 즉 전체적인 시계열이 있고 주요 시계 열에 자원을 배분하는 상황에서 도움이 될 수 있다.