기존 포트폴리오 최적화 방식은 시장의 불확실성과 복잡한 상호작용을 충분히 반영하지 못하는 한계가 있었습니다. 특히 순차적 의사 결정, 꼬리 위험(tail risk), 그리고 거래 비용(transaction costs)과 같은 시장 마찰을 포착하는 데 어려움을 겪었습니다. 이러한 문제점을 해결하기 위해 새로운 연구에서는 심층 강화 학습(Deep Reinforcement Learning, DRL) 기반의 다목적 신뢰성 포트폴리오 최적화(MORP-DRL) 프레임워크를 제안했습니다.
MORP-DRL은 기대 수익과 하방 위험을 동시에 최적화하는 것을 목표로 합니다. 이를 위해 분산(variance), 조건부 위험 가치(Conditional Value-at-Risk, CVaR), 엔트로피 위험 가치(Entropic Value-at-Risk, EVaR)라는 세 가지 보완적인 위험 측정 지표를 활용합니다. 또한, GARCH(1,1) 모델, 극단값 이론(Extreme Value Theory), t-코퓰라(t-copula) 의존성 구조를 사용해 자산 수익률의 불확실성과 두터운 꼬리(heavy-tailed) 시장 행동을 모델링하며, 준 몬테카를로(quasi-Monte Carlo) 시뮬레이션을 통해 현실적인 시나리오를 생성합니다. 근접 정책 최적화(Proximal Policy Optimization, PPO) 기반 전략을 사용하며, 거래 비용 및 포트폴리오 제약과 같은 실제 투자 환경을 반영했습니다. 이 모델은 팬데믹 이전, 중, 이후의 글로벌 주식 지수 데이터를 통해 기존 NSGA-II 방식과 비교했을 때, 경쟁력 있는 위험-수익 성과를 보였고, 시장 스트레스 기간 동안 하방 위험을 효과적으로 줄이는 것으로 입증되었습니다.
이 연구는 투자 관리 분야에 심층 강화 학습을 적용하여 기존 정적 최적화 모델의 한계를 극복하고, 더욱 동적이고 현실적인 투자 전략 수립 가능성을 제시합니다. 특히 예측 불가능한 시장 상황에서 투자자들이 더 안정적인 수익을 추구하고 위험을 관리하는 데 실질적인 도움을 줄 수 있습니다. 이는 복잡한 금융 시장의 불확실성 속에서 투자 의사 결정의 질을 높이고, 궁극적으로 투자자들의 자산 보호와 성장에 기여할 수 있는 중요한 발전으로 평가됩니다.