포트폴리오 최적화 파이프라인 설명을 위한 입력 분포 생성

우리는 특정 포트폴리오 결과를 유도하는 거시 경제 조건을 식별함으로써 다양한 포트폴리오 모델을 해석하기 위해, 그래디언트 기반 샘플 생성 (gradient-based sample generation)을 사용하는 예측-최적화-설명 (predict-optimize-explain) 프레임워크를 제안합니다. 전통적인 특성 중요도 (feature-importance) 방법과 달리, 이 접근 방식은 경제적으로 의미 있는 '만약 ~라면 (what-if)' 질문을 구성함으로써 의사결정 파이프라인 (예측 모델과 포트폴리오 최적화가 결합된 형태)을 직접 조사합니다. 우리는 다음과 같은 네 가지 질문에 집중합니다: 어떤 거시 경제 조건에서 예측 후 최적화 (predict-then-optimize) 파이프라인이 예측 및 최적화 (predict-and-optimize) 파이프라인과의 수익률 격차를 줄이거나 역전시키는지; 어떤 조건이 파이프라인으로 하여금 자산 배분을 집중하기보다 분산하게 만드는지; 평온한 시장에서 학습된 파이프라인이 위기 상황을 통해 학습된 파이프라인을 언제 추월하는지; 그리고 어떤 조건이 파이프라인이 벤치마크 수익률을 따라가게 만드는지입니다. 이러한 예시들은 우리의 프레임워크가 다양한 의사결정 파이프라인 간의 핵심적인 행동 차이를 어떻게 밝혀내는지 보여줍니다. 이러한 사례를 넘어, 제안된 프레임워크는 유연하며 특정 포트폴리오 목표에 맞춤화된 광범위한 조사 질문을 지원할 수 있습니다. 우리의 연구 결과는 더 견고하고 투명한 포트폴리오 전략을 생성하기 위해 예측 (prediction), 최적화 (optimization), 그리고 설명 (explanation)을 통합하는 것의 가치를 강조합니다.