잠재 시장 시뮬레이션과 몬테카를로 트리 탐색을 이용한 포트폴리오 관리 기법

초록

본 연구는 강화학습 기반 포트폴리오 관리에서 에이전트의 행동이 잠재적 상태 전이를 일으키며, 이러한 전이 과정을 추정함으로써 잠재 세계 모형(latent world model)을 학습하고 이를 바탕으로 포트폴리오 전략을 설계하는 방법을 제안한다. 이를 위해 강화학습과 몬테카를로 트리 탐색(Monte Carlo Tree Search, MCTS)을 결합한 새로운 접근을 도입하여 단순한 보상 극대화를 넘어 환경 구조에 대한 내재적 이해를 가능하게 하였다. 실증 분석 결과, 제안된 방법은 네 개의 독립된 50일 일간 테스트 구간에서 평균 약 31.617%의 누적 수익률을 기록하며, 기존 알고리즘을 일관되게 상회하였다. 특히 50일 성과를 연환산하면 약 365.667%에 해당해 단기와 장기 모두에서 우수성을 보였다. MuZero 기반 탐색 구조는 금융시장의 불확실성과 복잡성 속에서도 잠재 세계 모형을 통한 환경 이해와 성과 달성을 동시에 가능하게 함을 입증했다.

키워드