2022년 6월 AI 투자 연구 요약 — 불확실성을 시스템 안에 넣는 방법

매달 수백 펇의 AI·금융 논문이 쏟아집니다. 그중에서 실제 투자에 의미 있는 연구만 골라, 쉽게 풀어드립니다.

들어가며

비가 오는 날 우산을 가져갈지 말지 고민할 때, 대부분의 사람들은 "오늘 비 올 확률이 몇 퍼센트인가"를 봅니다. 그런데 더 중요한 질문이 있습니다. "만약 비가 오는데 내가 우산을 안 가져가면 얼마나 젖는가?" 즉, 예측이 틀렸을 때의后果를 고려하는 것이 더 중요하다는 뜻입니다.

2022년 6월에 발표된 AI 투자 연구들을 살펴보면, 이 "틀렸을 때怎么办"에 집중하는 논문들이 유독 많았습니다. 예측 모델의 오차를 포트폴리오에 직접 반영하는 방법, 강화학습에서 꼬리위험을 직접 제어하는 방법, 심지어 변동성을 만드는 법칙 자체가 모든 종목에 공통적이라는 놀라운 발견까지. 이 달의 연구를 다섯 가지 테마로 정리했습니다.

---

테마 1: 예측이 틀려도 괜찮은 포트폴리오 만들기

문제: 예측과 실제 사이의 간극

투자에서 가장 흔한 실수 중 하나는 "예측을 잘하면 포트폴리오도 잘 짜진다"고 믿는 것입니다. 안타깝게도 그렇지 않습니다. 수익률 예측 모델이 아무리 정확해도, 그 예측값을 가지고 포트폴리오 최적화를 하면 예측 오차가 포트폴리오에 그대로 전달됩니다. 예를 들어, 특정 종목의 수익률을 0.5% 높게 예측하면 포트폴리오가 그 종목에 과도하게 집중될 수 있습니다.

해결: 예측과 의사결정을 한 번에 학습하기

Costa와 Iyengar가 제안한 방법은 elegante합니다. 예측 모델과 포트폴리오 최적화를 하나의 시스템으로 합치는 것입니다. 기존에는 "먼저 예측하고, 그다음 최적화"라는 2단계 과정이었는데, 이 두 단계를 하나로 연결해 동시에 학습합니다.

그런데 여기서 한 단계 더 나아갑니다. 실제 수익률 분포가 우리가 추정한 분포와 조금 다를 수 있다는 사실을 인정하고, 그 차이의 범위(모호성 집합) 안에서 가장 나쁜 경우에도 성적이 나쁘지 않은 포트폴리오를 찾습니다. 이것이 바로 분포강건 최적화(distributionally robust optimization)라는 방법입니다.

쉽게 비유하면 이렇습니다. 맛집을 고를 때 "평점이 높은 집"을 고르는 것(예측 기반)과 "리뷰가 나빠도 최악은 아닌 집"을 고르는 것(분포강건)의 차이입니다. 후자가 더 안전하겠죠?

가장 실용적인 부분은 위험선호도와 강건성 크기这两个 핵심 파라미터를 데이터에서 직접 학습한다는 점입니다. 기존에는 투자자가 직접 "나는 위험을 얼마나 싫어하는가"를 숫자로 정해야 했는데, 이제는 포트폴리오 성과를 기준으로 자동으로 찾아줍니다.

📄 논문: Distributionally Robust End-to-End Portfolio Construction (Costa, Iyengar, 2022)

---

테마 2: 강화학습에서 꼬리위험 직접 제어하기

문제: 기대수익만 최대화하면 위험하다

강화학습으로 투자 전략을 학습할 때, 대부분의 연구는 기대수익(expected return)을 최대화합니다. 그런데 현실에서는 "평소에 조금 벌더라도, 큰 손실이 나는 순간을 피하는 것"이 더 중요합니다. 예를 들어, 100일 중 99일에 1%씩 벌다가 하루에 50%를 잃으면 전체 수익은 마이너스입니다.

해결: 조건부 elicitation으로 꼬리위험 학습하기

Coache, Jaimungal, Cartea 세 연구자가 제안한 방법은 "미래의 불확실성을 직접 시뮬레이션하지 않고, 점수 함수로 대체한다"는 아이디어입니다.

기존의 리스크 민감 강화학습은 중첩 시뮬레이션을 사용했습니다. 미래 시나리오를 안쪽 루프에서 수천 번 돌려야 해서 계산비용이 매우 컸습니다. 이 논문은 조건부 elicitation이라는 수학적 도구를 이용해 이 문제를 우회합니다.

쉽게 말하면, "내가 지금 이 행동을 했을 때, 미래에 얼마나 나빠질 수 있는가"를 시뮬레이션하지 않고, 점수 함수라는 수학적 도구로 직접 계산합니다. 이 점수 함수는 CVaR(조건부 가치-at-위험)이나 스펙트럴 리스크 측도를 정확하게 추정하도록 설계됩니다.

결과적으로 중첩 시뮬레이션 없이도 동적 꼬리위험을 학습할 수 있는 액터-크리틱(actor-critic) 프레임워크를 만들었습니다. 통계차익과 포트폴리오 배분 두 가지 금융 환경에서 검증했는데, 기대수익을 최대화하는 것보다 꼬리위험을 직접 제어하는 것이 훨씬 안정적인 성과를 보였습니다.

📄 논문: Conditionally Elicitable Dynamic Risk Measures for Deep Reinforcement Learning (Coache, Jaimungal, Cartea, 2022)

---

테마 3: 변동성의 비밀 — 모든 종목에 같은 법칙이 적용된다

문제: 종목마다 변동성 모형을 따로 만들어야 하는가

변동성은 투자에서 가장 중요한 변수 중 하나입니다. 포지션 사이징(얼마나 투자할지), 옵션 헤지(위험을 어떻게 관리할지), 리스크 한도(최대 손실을 얼마로 설정할지) 모두 변동성 예측에 달려 있습니다.

문제는 종목마다 변동성 모형을 따로 만들어야 한다는 것입니다. A 종목에 맞는 모형이 B 종목에는 안 맞을 수 있고, 시장 상황이 바뀌면 모형을 다시 추정해야 합니다. 이 과정이 번거롭고 비용이 큽니다.

해결: 보편적 변동성 생성 메커니즘 발견

Rosenbaum과 Zhang의 연구는 놀라운 발견을 담고 있습니다. 수백 개 종목, 미국과 유럽 시장에 걸쳐 변동성을 만드는 메커니즘이 동일하다는 것입니다.

먼저 수백 개 유동성 높은 종목의 데이터를 하나로 합쳐 범용 LSTM을 학습시켰습니다. 이 LSTM은 모든 종목에 대해 다음 날의 실현변동성을 예측합니다. 놀랍게도 이 범용 LSTM이 종목별로 따로 학습한 모형들보다 일관되게 성적이 좋았습니다. 이것은 "변동성의 생성 법칙이 종목마다 다르지 않다"는 비모수적 증거입니다.

더 흥미로운 것은 다음 단계입니다. 데이터 기반의 LSTM과 전혀 다른 접근인 러프 분수 확률변동성 모형과 이차 러프 헤스턴 모형을 결합한 간결한 파라미터 모형을 만들었는데, 고정 파라미터로도 LSTM과 같은 수준의 성능을 냈습니다. 머신러닝과 수학 모형이 같은 결론에 도달한 것입니다.

이것이 의미하는 바는 큽니다. 종목별로 변동성 모형을 재추정할 필요 없이, 하나의 보편적 모형으로 모든 종목의 변동성을 예측할 수 있다는 뜻입니다.

📄 논문: On the universality of the volatility formation process (Rosenbaum, Zhang, 2022)

---

테마 4: 소셜 미디어로 암호화폐 버블 탐지하기

문제: 암호화폐 버블은 어떻게 감지하는가

2021년부터 2022년까지 암호화폐 시장은 극심한 버블과 붕괴를 반복했습니다. 도지코인, 시바이누 같은 밈 코인은 소셜 미디어의 과열로 급등했다가 급락했습니다. 이런 버블을 사전에 감지할 수 있다면, 투자자는 위험을 회피하거나 이익을 얻을 수 있습니다.

해결: 쌍곡 기하학으로 소셜 미디어 과열 모델링하기

Sawhney 등 6명의 연구자가 제안한 CryptoBubbles는 암호화폐 버블을 탐지하는 새로운 과제와 데이터셋입니다.

데이터셋의 규모가 인상적입니다. 9개 거래소에서 400개 이상의 암호화폐, 5년간의 데이터, 200만 개 이상의 트윗을 수집했습니다. 과제는 시계열 안에서 여러 개의 버블 구간을 동시에 식별하는 것입니다.

핵심 기여는 암호화폐와 소셜 미디어 사용자 행동이 멱법칙(power-law) 동역학을 보인다는 관찰에서 출발합니다. 쉽게 말하면, 소셜 미디어에서 특정 코인에 대한 관심이 갑자기 폭발하는 패턴이 있는데, 이 패턴이 일반적인 정규분포가 아니라 "극단이 훨씬 자주出现"하는 멱법칙을 따른다는 것입니다.

일반적인 유클리드 공간의 모형으로는 이런 위계적·무척도 특성을 제대로 포착할 수 없습니다. 그래서 쌍곡 모형(hyperbolic models)을 도입했습니다. 쌍곡 기하학은 위계적 구조를 자연스럽게 표현할 수 있어, 소셜 미디어의 바이럴 확산과 암호화폐 가격의 급등을 같은 공간에서 모델링할 수 있습니다.

일반화 성능도 검증했습니다. 암호화폐 데이터로 학습한 모형을 밈 주식(GameStop, AMC 등)의 Reddit 데이터에 제로샷으로 적용했는데, 의미 있는 성능을 보였습니다. 이것은 "소셜 미디어의 과열 패턴이 암호화폐와 주식 사이에서도 공통적"이라는 뜻입니다.

📄 논문: Cryptocurrency Bubble Detection: A New Stock Market Dataset, Financial Task & Hyperbolic Models (Sawhney 등, 2022, NAACL)

---

테마 5: DeFi는 정말 탈중앙화되어 있는가

문제: "탈중앙화"라는 이름 뒤의 현실

탈중앙화 금융(DeFi)은 "중앙 기관 없이 누구나 참여할 수 있는 금융"을 표방합니다. 그런데 정말 그럴까요? Ao, Cong, Horvath, Zhang 네 연구자는 이 질문에 체계적으로 답하기 위해 4차원 프레임워크를 개발했습니다.

1. 참여 — 얼마나 많은 사람이 참여하는가
2. 활동 분포 — 활동이 고르게 분산되어 있는가
3. 구조적 위치 — 네트워크에서 특정 노드가 과도하게 중심적인가
4. 인프라 의존성 — 특정 체인이나 프로토콜에 과도하게 의존하는가

해결: Aave 데이터로 탈중앙화의 현실 분석하기

이 프레임워크를 Aave V3 풀의 195만6,216개 이벤트에 적용했습니다. 특히 두 가지 핵심 이벤트를 분석했습니다.

GHO 스테이블코인 이더리움 발행 (2023년 7월 15일)의 경우, 주간 활동 포지션홀더 주소가 91.0% 증가하고, 활동 집중도는 31.5% 감소했습니다. 성장과 분산이 함께 일어난 좋은 사례입니다.

그런데 GHO의 Arbitrum 크로스체인 확장 (2024년 7월 2일)의 경우, 주간 활동 포지션홀더 주소가 1.7% 증가하는 데 그쳤고, 활동 집중도는 오히려 58.1% 증가했습니다. 여러 체인으로 확장했지만, 오히려 소수의 큰 플레이어에게 집중된 것입니다.

결론은 명확합니다. 성장과 탈중앙화는 같은 것이 아닙니다. 사용자가 늘어나도 집중도가 높아질 수 있고, 여러 체인으로 확장해도 인프라 취약성이 줄지 않을 수 있습니다.

📄 논문: Is Decentralized Finance Actually Decentralized? (Ao, Cong, Horvath, Zhang, 2022)

---

그래서 투자/실무엔?

2022년 6월의 연구들이 공통적으로 말하는 것은 "불확실성을 회피하지 말고 시스템 안에 내장하라"는 것입니다.

• 포트폴리오를 짤 때, 예측 모델의 오차를 포트폴리오에 직접 반영하는 분포강건 최적화를 고려해 보세요.
• 강화학습으로 투자 전략을 설계할 때, 기대수익만 최대화하지 말고 꼬리위험을 직접 제어하는 방법을 적용해 보세요.
• 변동성 모형을 만들 때, 종목별로 따로 만들지 말고 보편적 메커니즘을 활용해 보세요.
• 소셜 미디어 신호를 이용할 때, 쌍곡 기하학으로 과열 패턴을 모델링해 보세요.
• DeFi에 투자할 때, "탈중앙화"라는 이름만 믿지 말고 실제 집중도를 확인하세요.

이 연구들은 아직 프로토타입 단계이지만, 방향성은 분명합니다. 불확실성을 무시하는 것이 아니라, 불확실성까지 설계에 반영하는 것이 실전 투자에서의 경쟁력이라는 것입니다.

---

함께하기

이 글이 도움이 되셨다면:

• 📬 구독: ohselab.com에서 최신 연구 요약을 받아보세요
• 💬 상담: AI 기반 투자 전략에 대해 궁금한 점이 있으시면 연락주세요
• 🐦 팔로우: 최신 연구 동향을 실시간으로 확인하세요

---

더 알아보기

이 글은 2022년 6월 arXiv에 공개된 논문 중 ohselab KB 기준 A등급 이상을 선별하여 작성되었습니다. 모든 수치와 주장은 원문 논문에 근거하고 있습니다.