Machine Learning-based Asset Allocation Strategy and Digital Asset Investment for Portfolio Management

Abstract

자산 분산화와 위험 관리는 포트폴리오 관리의 핵심 요소이다. 자산 분산화란 자산간 상관관계를 추정하여 자산 배분을 기반으로 다중 자산 포트폴리오에 대한 분산 효과를 극대화하는 것을 의미한다. 위험 관리란 자산의 잠재적 위험과 변동성을 추정하여 자산 배분을 기반으로 주어진 포트폴리오에 대한 하방 위험을 최소화하는 것을 의미한다. 또한 포트폴리오 관리의 두 가지 중요한 절차는 다음과 같다. 첫째, 적절한 자산 배분 전략 시행을 위한 모형 개선 및 시행이다. 모형이 가진 내재적 한계로 인해 자산 배분 전략을 적절하게 수행하지 못하는 경우, 해당 포트폴리오 모형이 추구하는 목표를 달성하지 못하게 되어 바람직하지 않은 포트폴리오가 구축되는 문제가 발생할 수 있다. 이러한 목표는 여러 개의 자산을 포함하는 포트폴리오에 대한 분산 효과와 한가지 자산에 대한 포트폴리오 가치 방어를 통한 위험 관리를 포함한다. 둘째, 투자를 위한 자산군 선택이다. 기존의 자산군과 상관관계가 작은 새로운 자산군에 대한 선택이 효율적인 포트폴리오 구축에 있어 잠재적으로 큰 도움을 줄 수 있다. 본 논문은 포트폴리오 관리에 대한 이러한 두 가지 핵심과 절차에 초점을 맞추어 연구를 수행하였다. 자산 분산화와 위험 관리 각각의 관점에 대하여, 첫째, 기존 포트폴리오 모형의 구축 및 모수 추정에 대한 한계점을 개선하는 연구를 수행하였다. 둘째, 새로운 디지털 자산 시장에 대한 포트폴리오 분석을 수행하였다.

이에 따라, 본 논문의 구체적인 목표는 다음과 같이 두 가지로 정리될 수 있다. 첫째, 모형 구축 및 모수 추정에 대한 한계점을 갖는 기존 포트폴리오 관리 전략의 개선에 관한 연구를 수행하는 것이다. 구체적으로, 블랙-리터만 모형의 전망 구축과 합성 풋 옵션 전략의 모수 추정에 대한 문제를 다루었다. 둘째, 대체불가능 토큰과 암호화폐 시장을 포함하는 디지털 자산 시장에 관한 포트폴리오 분석 및 실증 결과를 살펴보는 것이다. 이때, 대체불가능 토큰에 대해서는 마코위츠의 평균-분산 모형을, 암호화폐에 대해서는 포트폴리오 보험 모형을 사용한다. 첫 번째 연구를 위해, 자산 수익률 이외의 외부적인 금융 데이터로부터 의미 있는 패턴을 추출할 수 있는 기계학습 모형을 사용하여 블랙-리터만 모형의 전망 구축을 수행하는 모형을 제안하였고, 이에 대한 실증 결과를 살펴 보았다. 또한, 합성 풋 옵션 전략에서 요구하는 변동성 모수 추정의 문제를 해결하기 위해 기계학습 기반 변동성 예측 모형을 사용하여 개선된 합성 풋 옵션 전략을 제안하고, 이에 대한 실증 연구를 수행하였다. 두 번째 연구를 위해서는, 기존 자산 기반 포트폴리오에 대해 대체불가능 토큰이 새로운 자산군으로써 분산 효과를 제공할 수 있는지를 살펴봄으로써 그 경제학적 가치를 검증해 보았고, 다양한 위험 측정 지표와 투자자 효용 측면에서 포트폴리오 보험 전략에 대한 암호화폐 시장에서의 실증 결과를 살펴보았다.

본 논문의 주요 실증 결과는 다음과 같다. 첫째, 기업 특성 변수를 결합하여 전망에 반영하였을 때, 블랙-리터만 모형에서 산출된 포트폴리오의 수익률 분포가 개선됨을 확인하였다. 또한, 기업 특성 변수를 반영할 때, 과거의 정보를 단순히 반영하는 것보다 기계학습 기법을 활용하여 미래에 대한 예측 방식으로 반영할 때 표본 외 성능 측면에서 훨씬 큰 개선이 나타났다. 해당 연구 결과는, 본 논문에서 제안된 기업 특성 변수 기반 전망 구축 방법론을 바탕으로 한 블랙-리터만 모형을 통해 더 잘 분산되고 더욱 효율적인 포트폴리오를 구축하는 것이 가능하다는 것을 보여준다는 점에서 의의가 있다.

둘째, 계량 경제 모형 및 포트폴리오 실증 분석 결과, 대체불가능 토큰은 기존 자산에 시장에 대해 헤지, 안전 피난처, 분산 효과를 갖는다는 증거를 발견하였다. 구체적으로, 대체불가능 토큰은 여러 국가의 주식 시장, 원유 시장, 채권 시장, 달러 지수에 대해 헤지 및 안전 피난처 효과를 보이며, 이러한 경향성은 자산 수익률 데이터의 해상도가 변함에 따라 그 정도가 달라진다. 특히 COVID-19 위기 동안, 채권 시장 및 달러 지수에 대해 더욱 강한 강도의 안전 피난처 효과를 보였다. 또한, 대체불가능 토큰 시장은 기존 자산 시장과 매우 구별되는 자산 시장으로써, 상관관계, 공행성, 변동성 스필오버 효과 및 마코위츠의 평균-분산 포트폴리오 모형을 통한 분석 결과, 대체불가능 토큰이 기존 자산군에 대한 강한 분산 효과를 가짐을 확인하였다. 이를 통해, 대체불가능 토큰의 편입이 균등 배분 포트폴리오 모형과 접점 포트폴리오 모형을 샤프 비율 측면에서 크게 개선 시킬 수 있음을 확인하였다.

셋째, 포트폴리오 가치 방어 오차 측면에서 합성 풋 옵션 전략에 변동성 모수 추정 오차에 의한 악영향이 존재함을 시뮬레이션 및 실제 금융 시장 데이터를 통해 확인하였다. 흥미롭게도, 포트폴리오 가치 방어 오차는 이러한 변동성 예측의 정확도와 직접적으로 연관되어 있다는 것을 통계적으로 확인하였다. 이는, 더욱 정확한 변동성 예측 모형을 통해 합성 풋 옵션의 모수 추정 오차 문제를 완화할 수 있다는 사실을 실증적으로 확인했다는 점에서 의의가 있다. 또 다른 결과로써, 전통적인 변동성 예측 방법론 및 기계학습 기반 변동성 예측 방법론 모두 단순 모형보다 성능이 좋다는 것을 확인하였다. 또한, 기계학습 모형이 가장 우수한 성능을 보였으며, 그중 익스트림 그라디언트 부스팅 (XGB) 모형이 포트폴리오 가치 방어 오차 및 변동성 예측 오차 측면에서 가장 좋은 성능을 보임을 확인하였다. 이러한 경향성은 기계학습 모형이 기존의 모형 보다 실현 변동성 (realized volatility)의 복잡한 파동 패턴을, 매우 변동성이 큰 시장 상황에서도 더욱 잘 잡아낸다는 사실을 지지하는 결과라 할 수 있다.

마지막으로, 하방 위험 측면에서, 포트폴리오 보험 전략들이 암호화폐 시장에서 벤치마크 방법론보다 더 좋은 성능을 보임을 실증적으로 확인하였다. 이러한 포트폴리오 보험 전략들은 매수 후 보유 전략보다 더 작은 위험을 보이는 것을 알 수 있었다. 또한, 흥미롭게도, 효용함수의 곡률 측면에서, 전망 이론 투자자의 포트폴리오 선택과 기대 효용 이론 투자자의 포트폴리오 선택의 경향성이 서로 반대로 나타남을 발견 하였다. 이러한 결과는, 전망 이론 투자자에 대하여 이익 대비 손실의 영향력이 더 클 수 있음을 나타낸다. 이와 더불어, 투자자의 손실 회피 경향이 포트폴리오 보험 전략에 대한 투자자의 선호를 더욱 강화시킬 수 있음을 확인하였다. 가장 놀라운 결과로써, 투자자가 어떤 효용 함수를 따르는지에 관계없이, 암호화폐 시장에서 포트폴리오 보험 전략이 매수 후 보유 전략 보다 높은 효용을 주는 영역이 기존 자산 시장에서보다 더 넓음을 확인하였다. 이는 포트폴리오 보험 전략이 더 많은 수의 암호화폐 투자자에 대해 위험 관리 측면에서 더 큰 경제학적 가치를 제공해 줄 수 있음을 실증하는 결과라는 점에서 의의가 있다.

본 논문은 블랙-리터만 모형의 다중 자산 포트폴리오와 합성 풋 옵션 전략의 개별 자산 포트폴리오에 대한 포트폴리오 관리 모형을 자산 분산화와 위험 관리 측면에서 개선하는 연구를 수행하였다. 또한, 마코위츠의 평균-분산 모형과 포트폴리오 보험 모형을 사용하여 대체불가능 토큰과 암호화폐 시장을 포함한 새로운 디지털 자산 시장에서의 포트폴리오 분석을 수행하였다. 본 논문의 결과를 바탕으로, 투자자들은 자산 분산화와 위험 관리 관점에서 더욱 개선된 포트폴리오 전략을 달성할 수 있으며, 이를 통해 개선된 포트폴리오 관리를 위한 더욱더 효율적이고 바람직한 투자 포트폴리오를 구축할 수 있게 될 것으로 기대된다.

The core of portfolio management is asset diversification and risk management. Asset diversification is to maximize the diversification effect for a multi-asset portfolio based on asset allocation by estimating the correlation between assets. Risk management is to minimize the downside risk for a given portfolio based on asset allocation by estimating the potential risk and volatility of an asset. The essential portfolio management procedure is twofold; (i) model improvement and implementation for appropriate model specifications and portfolio construction and (ii) asset class selection for investment. The first part is necessary to implement the strategy adequately to achieve the aim of that model, such as robust multi-asset portfolio management via asset diversification and single asset risk management via robust protection level maintenance. The second part is vital because a new asset class uncorrelated to the traditional asset class has potential opportunities for efficient portfolio construction. Accordingly, this dissertation focuses on research from two perspectives dealing with the above two essential procedures. Regarding the perspective of asset diversification and risk management, the first is a study on addressing and improving the existing portfolio strategy models' limitations in model construction and estimation of input parameters for appropriate model specification. The second is a portfolio analysis of new emerging asset markets.

The first aim of this dissertation is to improve the existing portfolio management strategy in model construction for the Black–Litterman framework and input parameter estimation for the synthetic put strategy for the appropriate model specification. The second aim is to investigate the empirical results using portfolio analysis in the emerging digital asset markets, including Non-Fungible Tokens (NFTs) and the cryptocurrency market, based on the mean-variance framework or portfolio insurance framework. For the first aim, we propose to use machine learning-based models to extract the meaningful pattern of external financial data for the Black–Litterman model using firm characteristics. Furthermore, we propose to use machine learning-based forecasting models to estimate the input parameters required for portfolio insurance strategy to mitigate the difficulty of addressing complex financial data. For the second aim, we examine the economic value of NFT in terms of diversification effect on traditional asset-based portfolios and portfolio insurance strategy results regarding various risk measures and investor's utility in the cryptocurrency market.

The main findings in this dissertation are summarized as follows. First, our empirical results show that combining characteristics into view improves the distribution of portfolio returns in the Black–Litterman approach. Furthermore, prediction via machine learning affects improvement in the out-of-sample performance compared to using past information. Our study suggests that using the proposed model can result in a more efficient and diversified portfolio of the Black–Litterman framework.

Second, our empirical results of portfolio analysis in the NFT market show evidence of the hedge, safe haven, and diversification properties of NFTs, confirming two main findings: (i) NFTs act as a hedge and safe haven for several country's stock markets and oil, bond, and USD indices and these effects in stock markets fade as frequency changes, especially showing stronger safe haven benefits for bond and USD indices during the COVID-19 periods, and (ii) NFTs are distinct from traditional assets, potentially resulting in portfolio diversification which is confirmed by preliminary analysis including correlation, co-movement, and volatility spillover and portfolio analysis based on Markowitz's mean–variance framework, improving the performance of equally weighted and tangency portfolio strategies in terms of Sharpe ratio.

Third, our findings indicate that the adverse effect of volatility misestimation exists in terms of protection level error in the synthetic put strategy. We surprisingly find the protection error of insured portfolios directly linked to the precision of volatility forecasting, implying that this misestimation issue can be mitigated by employing more accurate volatility forecasting models. Another finding is that all methodologies, including traditional and machine learning-type, are better than the naive approach. Moreover, machine learning-type models, especially XGB, are the best in terms of protection and forecasting error in implementing the synthetic put strategy. This tendency supports the evidence that machine learning is better than traditional models in capturing the complex fluctuation pattern of realized volatility in highly volatile market conditions.

Finally, our findings demonstrate the outperformance of portfolio insurance strategies in terms of skewness and downside risks in the cryptocurrency market. It reveals the lower-risk feature of these strategies compared to buy-and-hold. Moreover, we surprisingly find that, in terms of curvature, the portfolio choice of prospect theory investors is opposite to the expected utility theory investors. It implies the greater impact of losses than gains on the prospect theory investors. The larger loss-aversion propensity reinforces investors' preference for portfolio insurance strategies. As the most shocking result, we find portfolio insurance, when compared to the buy-and-hold strategy, provides a better opportunity to offer a higher utility in the cryptocurrency market than the traditional stock market, regardless of the investor's utility. It implies that portfolio insurance strategies can provide greater economic value in terms of risk management for a larger number of cryptocurrency investors.

By improving the portfolio management models in terms of asset diversification of the multi-asset portfolio of the Black–Litterman model and risk management of a given portfolio or a single asset of synthetic put strategy, and by examining the portfolio analysis in new digital asset markets such as NFT and cryptocurrency market based on mean-variance and portfolio insurance framework, this dissertation's overall findings can help investors achieve an improved portfolio strategy and obtain a more efficient and well-diversified portfolio for the improved portfolio management.