투자 의무 내재화: 포트폴리오 배분을 위한 신경기호학적(Neurosymbolic) 강화학습(RL) 접근법

요약

본 논문은 금융 포트폴리오 배분에서 규칙 준수 문제를 해결하기 위해 신경기호학적(Neurosymbolic) 강화학습 접근법을 제시합니다. 연속적인 행동 공간에 맞춰 재매개변수화된 Monte Carlo 샘플링을 활용하여 투자 의무 충족 확률을 학습 목표에 통합하는 방법을 제안했습니다. 이 정책은 기존의 RL 방식보다 훨씬 낮은 수준으로 국면 조건부 의무 위반율을 낮추는 효과를 입증했습니다.

핵심 포인트

• Deep RL은 규칙 준수 강제가 어려워 실제 금융 배포에 한계가 있습니다.
• 연속 할당을 위해 Monte Carlo 샘플링 기반의 신경기호학적 정책을 제안합니다.
• 정책이 학습 과정에서 의무 충족 확률을 내재화하여 규칙 준수를 달성합니다.
• 제시된 방법은 기존 대비 국면 조건부 의무 위반율을 현저히 낮추었습니다.