핵심 개념
본 논문에서는 GNN을 사용하여 거래 비용을 예측하고 다익스트라 알고리즘을 통해 비용 효율적인 리밸런싱 경로를 식별하여 포트폴리오 리밸런싱을 최적화하는 새로운 하이브리드 모델을 제시합니다.
초록
GNN과 다익스트라 알고리즘 기반 포트폴리오 리밸런싱 최적화 연구 논문 요약
본 논문에서는 그래프 신경망(GNN)과 다익스트라 알고리즘을 결합하여 포트폴리오 리밸런싱을 최적화하는 새로운 하이브리드 모델을 제시합니다. 현대 포트폴리오 관리에서 리밸런싱은 시장 상황 변화에 따라 투자자의 위험-수익 프로파일을 유지하는 데 필수적입니다. 하지만 리밸런싱 과정에서 발생하는 거래 비용은 포트폴리오 수익률을 저해할 수 있습니다. 특히 고빈도 거래 전략에서는 빈번한 리밸런싱이 필요하기 때문에 이러한 거래 비용을 최적화하는 것이 매우 중요합니다.
기존의 거래 비용 절감 방법(예: 거래 빈도 최소화, 정적 최적화 모델 사용)은 역동적이고 변동성이 큰 시장에서는 한계가 있습니다. 시장 데이터의 복잡하고 비선형적인 특성 때문에 변화하는 조건에 실시간으로 적응할 수 있는 더욱 정
본 연구에서는 GNN을 사용하여 거래 비용을 예측하고 다익스트라 알고리즘을 통해 포트폴리오 리밸런싱 프로세스를 최적화하는 하이브리드 접근 방식을 적용했습니다. 방법론은 데이터 수집, 그래프 구성, 모델 설계, 최단 경로 알고리즘을 통한 최적화로 구성된 체계적인 접근 방식을 따릅니다. 각 단계는 금융 시장에서 정확한 거래 비용 예측과 비용 효율적인 리밸런싱 결정을 보장하도록 설계되었습니다.
데이터 수집 및 전처리
본 연구에서는 Yahoo Finance에서 주요 기술 회사 5곳(Apple, Microsoft, Alphabet, Amazon, Tesla)의 2023년 1월부터 2024년 8월까지의 일일 종가 데이터를 사용했습니다. 종가는 분석의 기본 데이터 포인트로 사용됩니다. 거래 비용을 나타내기 위해 각 자산에 대해 연속 일 사이의 일일 가격 차이(절대 변화)를 계산했습니다.
금융 자산 그래프 구성
본 연구에서는 금융 자산(주식)을 완전히 연결된 무방향 그래프의 노드로 나타냅니다. 이러한 노드 간의 가장자리는 자산의 일일 가격 차이를 기반으로 하는 거래 비용을 나타냅니다. 자산 쌍 간에 자본을 재할당할 가능성을 고려하기 위해 완전히 연결된 그래프를 사용합니다.
그래프 신경망 모델
GNN 모델은 과거 가격 움직임을 기반으로 금융 자산 쌍 간의 미래 거래 비용을 예측하도록 설계되었습니다. 예측된 거래 비용은 자산 그래프의 가장자리에 대한 가중치 역할을 하며 나중에 다익스트라 알고리즘을 통한 포트폴리오 최적화에 사용됩니다.
경로 최적화를 위한 다익스트라 알고리즘 적용
GNN에서 거래 비용을 예측한 후 다익스트라 알고리즘을 사용하여 자산 쌍 간의 가장 저렴한 리밸런싱 경로를 찾습니다. GNN에서 동적으로 예측한 거래 비용을 자산 그래프의 가장자리 가중치로 사용했습니다. 이를 통해 다익스트라 알고리즘은 누적 거래 비용을 최소화하여 리밸런싱을 위한 최적의 경로를 식별할 수 있습니다.