베이지안 VAR 및 타원 분포 기반 블랙-리틀먼 모델을 이용한 포트폴리오 최적화: 시장 환경 변화 및 두꺼운 꼬리를 갖는 수익률에 대한 접근

Addressing Market Regime Changes and Heavy-Tailed Returns in Portfolio Optimization via Bayesian VAR and Elliptical Black-Litterman

포트폴리오 최적화를 위한 심층 강화 학습(DRL) 프레임워크는 시장 데이터를 통해 동적으로 자산 배분 규칙을 학습하는 능력으로 잠재력을 보여주었습니다. 그러나 이러한 모델은 실제 시장의 특징인 빈번한 극단적인 사건을 나타내는 '두꺼운 꼬리' 수익률을 고려하지 못합니다. 또한, 과거 데이터가 시간적 중요성을 고려하지 않고 균일하게 처리되어, 시장 환경 변화 시 모델이 실패하는 경우가 발생합니다. 본 연구에서는 베이지안 평균 벡터 자기회귀(BAVAR) 및 블랙-리틀먼 모델에서 파생된 방법과 타원 분포(BLED)를 TD3 아키텍처 내에서 결합한 새로운 BAVAR-BLED 알고리즘을 제안합니다. BAVAR은 다중 스케일의 시간적 특징을 고려하는 벡터 자기회귀 표현 세트를 포착하여, 시장 환경에 대한 이해를 바탕으로 수익률 기대치와 분산 행렬 추정치를 사용하여 적응적인 자산 배분 결정을 내립니다. 이러한 추정치는 BLED 모델의 사전 입력으로 사용되며, BLED는 Student's t 분포를 사용하여 보다 현실적인 두꺼운 꼬리를 갖는 수익률 추정치를 제공합니다. BAVAR-BLED 알고리즘은 시장 상황에 따라 동적 자산 배분 결정을 수정하기 위해 트랜스포머 네트워크를 사용하여 시각화를 수행하고 CNN을 사용하여 위험 회피 정도를 추정합니다. 10년 동안의 Dow Jones Industrial Average 구성 종목 29개에 대한 평가 결과, BAVAR-BLED 알고리즘이 최첨단 방법보다 훨씬 우수한 성능을 보임을 확인했으며, 샤프 비율과 소르티노 비율은 각각 1.72와 2.70이며, 총 수익률은 57.26%를 달성했습니다.

Deep reinforcement learning (DRL) frameworks for portfolio optimization have shown promise for their ability to learn allocation rules dynamically from market data. However, these models fail to account for fat-tailed returns, which characterize actual market behavior with more frequent extreme events. Furthermore, historical data is treated homogeneously, without accounting for temporal importance, leading models to fail during regime changes. We propose a new BAVAR-BLED algorithm that combines methods derived from Bayesian-Averaging Vector Autoregressive (BAVAR) and the Black-Litterman model using Elliptical Distributions (BLED) within a TD3 architecture. BAVAR captures a set of vector autoregressive representations that consider multi-scale temporal features, enabling adaptive allocation decisions based on regime-aware estimates of return expectations and dispersion matrices. These estimates serve as prior inputs to BLED, a model that uses Student's t-distributions, allowing for more realistic fat tail return estimates. The BAVAR-BLED algorithm uses transformer networks for view construction and CNNs for risk-aversion estimates, which modify dynamic allocation decisions based on market conditions. An evaluation of 29 Dow Jones Industrial Average constituents over a decade-long market period shows that BAVAR-BLED significantly outperforms state-of-the-art methods, achieving Sharpe and Sortino ratios of 1.72 and 2.70, respectively, and total returns of 57.26%.