1.
로보어드바이저. 우후죽순(雨後竹筍)이 딱 맞는 표현입니다. 이와 관련하여 최근 로보어드바이저와 관련한 저의 트윗입니다.
로보어드바이저의 세가지 '불편한 진실' https://t.co/geuJB9XjRT 세가지중 마지막. 알고리즘 공개.. 구체적이지 않더라도 최소한 wealthfront처럼 방법론이라도 자세히 공개해야. 역시사 투명성의 원칙이 중요합니다.
— smith Kim (@smallake) April 25, 2016
한국경제신문의 기사를 인용하였는데 제가 공감하는 부분입니다.
로보어드바이저의 자산배분 모델이 공개되지 않아 근본적으로 문제가 있다는 지적도 있다. 최창규 NH투자증권 투자전략2팀장은 “로보어드바이저가 인공지능 시스템으로 포장돼 있지만 자산배분 알고리즘이 공개되지 않아 실제 어떤 방식으로 운용하는지 확인이 불가능하다”고 말했다.
위의 기사가 인용한 원문을 살펴보겠습니다. NH투자증권 최창규 위원의 보고서입니다.
로보 어드바이저 업체들의 자산배분 모델이 블랙박스라는 것도 심각한 우려사항 중 하나이다. 업체들의 자산배분 알고리즘은 공개되지 않기 때문에 실제로 어떤 방식으로 운용이 이루어지는지 확인이 불가능하다. 이는 리밸런싱에도 해당한다. 현재 로보 어드바이저 업체에 따라서 머신러닝, 빅데이터 분석 등을 내세우고 있지만, 어떻게 사용되고 있는지는 확인하기 어렵다.
이 때문에 로보어드바이저가 한바탕 홍역을 치를 듯 합니다.
지금 불고 있는 로보어드바이저 열풍은 시간이 흐르면 잠잠해지리라 생각합니다. 이후 진짜 경쟁이 나옵니다. 알고리즘을 둘러싼 진짜 경쟁. 그래서 로보어드바이저의 핵심이 포트폴리오 선택과 리발란싱 알고리즘을 주제로 교육을 기획중인데 강의하실 수 있는 분?
— smith Kim (@smallake) April 20, 2016
2.
로보어드바이저의 핵심인 포트폴리오 선택 알고리즘입니다. 일반적으로 Modern Portfolio Theory는 1952년 Markowitz의 논문을 기초로 하고 평균-분산 모형을 따르고 단일기간을 전제로 합니다. 이에 반하여 ‘Online’ 을 수식어로 한 포트폴리오 선택은 Thoms. Cover가 1991년에 쓴 Universal Portfolios와 1996년 T. Cover와 Ordentlich가 같이 쓴 On-line portfolio selection의 영향을 받았습니다. 즉 Online은 단일기간이 아닌 복수의 기간, 여러 기간에 이어진다, 자산선택에 영향을 주는 정보를 입수한 후 바로 이어서 의사결정을 한다는 두가지 의미(multi-period/sequential portfolio selection)를 가지고 있습니다.
We consider a sequential portfolio selection procedure for investing in the stock market with the goal of performing as well as if we knew the empirical distribution of future market performance.
Ben Li는 중국 Wuhan University의 교수입니다. Online Portfolio Selection가 주된 연구주제입니다.
Bin Li가 하려는 주제를 잘 보여주는 논문은 2014년 발표한 Online Portfolio Selection: A Survey 입니다.
위 논문에 등장하는 알고리즘입니다.
Bin Li가 On-Line Portfolio Selection via Machine Learning 라는 프로젝트에 참여하면서 관련한 프로그램도 개발하여 Gihub에 Online Portfolio Selection toolbox로 공개하고 있습니다. 참고로 Mathlab 소스입니다.
OLPS: A Toolbox for On-Line Portfolio Selection
위 프로젝트의 일환으로 아래와 같은 논문도 발표하였습니다.
On-line portfolio selection, a fundamental problem in computational finance, has attracted increasing interest from artificial intelligence and machine learning communities in recent years. Empirical evidence shows that stock’s high and low prices are temporary and stock prices are likely to follow the mean reversion phenomenon. While existing mean reversion strategies are shown to achieve good empirical performance on many real datasets, they often make the single-period mean reversion assumption, which is not always satisfied, leading to poor performance in certain real datasets. To overcome this limitation, this article proposes a multiple-period mean reversion, or so-called “Moving Average Reversion” (MAR), and a new on-line portfolio selection strategy named “On-Line Moving Average Reversion” (OLMAR), which exploits MAR via efficient and scalable online machine learning techniques. From our empirical results on real markets, we found that OLMAR can overcome the drawbacks of existing mean reversion algorithms and achieve significantly better results, especially on the datasets where existing mean reversion algorithms failed. In addition to its superior empirical performance, OLMAR also runs extremely fast, further supporting its practical applicability to a wide range of applications.
On-Line Portfolio Selection with Moving Average Reversion
이상에서 Bin Li의 이론에 관심이 있다고 하시면 Online Portfolio Selection: Principles and Algorithms을 보시면 survey에서 나열한 알고리즘을 아주 자세히 설명하고 있습니다. 더불어 OLPS가 제시한 기계학습기반의 알고리즘도 설명하고 있습니다.
3.
참고로 Online Portfolio Selection을 Universal Portfolios라고 표현하는 분도 있습니다. 앞서 Cover의 논문도 그렇고 Unversial Portfolios도 그렇습니다. 앞서 OLPS와 비슷한 작업이 Gihub에 올라온 Collection of algorithms for online portfolio selection입니다.
Quantopian을 보면 위의 오픈소스를 이용하여 전략을 구현한 분도 있습니다.
