포트폴리오 거래를 하나로 학습하는 AllocFlow 등장
원제 AllocFlow: End-to-End Portfolio Trading Action Generation from Raw Market Data
추천 72댓글 4
Key Point
포트폴리오 관리의 예측과 실행을 처음부터 끝까지 하나의 신경망으로 학습하는 새로운 접근 방식으로, 금융 AI의 실무 적용 방법이 달라질 가능성을 보여준다.
핵심 요약
- 현실의 포트폴리오 관리는 여러 자산에 걸친 동시적 배분을 자본 제약 조건 하에서 결정해야 하는데, 기존 방식은 신호 예측과 포트폴리오 구성 단계를 분리해 학습 목표가 실제 거래와 맞지 않는 문제가 있다.
- AllocFlow는 흐름 매칭 프레임워크를 기반으로 시장 데이터로부터 여러 자산의 포지션 가중치를 한 번에 생성하는 엔드-투-엔드 접근법을 제시한다.
- 크로스-자산 플로우 Transformer를 사용해 자산 간 의존성을 포착하고, 각 도구에서 연속적이고 부호가 있는 가중치를 동시에 출력한다.
- 표본 효율성과 학습 안정성을 높이기 위해 두 단계 훈련 방식을 적용한다: 전략 감시 모방 학습으로 후보 포트폴리오 분포를 구조화한 뒤, 그룹 상대 강화 학습으로 포트폴리오 수준의 금융 보상을 활용해 미세 조정한다.
- 시간당 거래 기준 암호화폐 선물에서 강화 학습 개선 후 연간 순수익이 27.79%에서 51.38%로, 칼마 비율이 0.955에서 4.043으로 상승했으며 모든 지표에서 교사 모델을 초과한다.
- 재훈련 없이 2026년 미공개 데이터 6개월 테스트에서 칼마 비율 4.90을 기록했다.