포트폴리오 관리: AI가 현대 자산 전략을 변화시키는 모든 방법

AI의 부상은 분명히 다양한 산업에 영향을 미쳤으며, 금융 산업은 가장 큰 영향을 받은 산업 중 하나 입니다. 예를 들어, 작년에 GPT-3.5와 같은 모델이 공개되면서 AI를 활용하여 분석, 위험 관리 및 의사 결정 분야에서 펀드 매니저의 능력을 높이는 데 대한 관심이 높아졌습니다.

따라서 시장 평가를 보다 정확하게 하고 위험을 보다 효과적으로 관리하기 위해 AI 도구가 구현됩니다. 포트폴리오 관리자는 기계 학습 알고리즘, 자연어 처리, 인공 지능 도구를 거래에 적용할 때 시장 움직임을 보다 명확하게 평가하고, 적절한 투자 선택을 좁히고, 위험을 관리할 것으로 예상됩니다.

기계 학습 알고리즘과 자연어 처리 도구를 주요 플레이어의 거래 전략에 통합하면 이러한 프로세스의 효율성을 높이고 더 빠르고 정확한 투자 결정과 예측 분석을 통해 경쟁 우위를 확보하는 데 도움이 됩니다.

지난 수십 년 동안 AI는 금융 산업의 다양한 부문에서 구현되었습니다. 백오피스에서는 ML 알고리즘을 사용해 실행 로그의 이상 징후를 찾아내고 의심스러운 거래를 감지하며 위험을 관리해 효율성과 보안을 높인다. 프론트 오피스에서 AI는 고객을 세분화하고, 고객 지원 프로세스를 자동화하고, 파생상품 가격을 최적화하는 데 도움을 줍니다.

그러나 가장 흥미로운 부분은 금융 구매측을 위한 AI 기능입니다. 즉, 상당한 양의 데이터를 가능한 한 빨리 분석하여 시장 소음 속에서 예측 신호를 식별합니다. 예를 들어, 이러한 애플리케이션에는 시계열 예측, 시장 세분화, 자산 포트폴리오 관리 등이 포함될 수 있습니다. 방대한 데이터 세트를 처리하고 분석하는 AI의 기회는 기존 방법이 놓칠 수 있는 미묘한 패턴을 찾는 데 도움이 됩니다.

포트폴리오 최적화는 수십 년 동안 일반적인 관행이었으며 데이터 과학의 발전과 고급 계산 기술의 구현에 따라 크게 발전했습니다. Markowitz의 현대 포트폴리오 이론(1952) 및 자본 자산 가격 책정 모델(1964)과 같은 고전적인 접근 방식은 50년 전에 도입되었지만 여전히 관련성이 있습니다. 그러나 비선형 위험을 처리하는 데 한계가 있고 과거 데이터에 대한 의존도가 점점 더 분명해지고 있습니다.

Renaissance Technologies, DE Shaw 및 Two Sigma Investments와 같은 주요 업체가 광범위하게 구현한 위험 모델링, 시나리오 분석 및 퀀트 거래와 같은 관행을 통해 더욱 복잡하고 고급 알고리즘이 구현되었습니다. 또한, 최근 몇 년 동안 업계는 AI의 영향을 많이 받았습니다. 머신러닝과 인공지능이 예측 분석을 더욱 정확하게 만들고 개인화된 투자 전략과 복잡한 의사결정 프로세스를 자동화했기 때문입니다.

이러한 AI 기반 혁신을 통해 포트폴리오 관리자는 방대한 데이터를 실시간으로 처리하고 세 가지 주요 과제를 해결할 수 있었습니다.

• 확장성: 이제 여러 자산과 글로벌 시장의 대규모 데이터를 관리하고 분석하는 것이 더욱 쉬워졌습니다.

• 복잡한 의사 결정: AI는 의사 결정 과정에서 심리적, 행동 분석을 포함한 더 많은 요소를 "유지"할 수 있습니다.

• 적응성: AI 시스템은 끊임없이 학습하고 새로운 시장 상황에 적응할 수 있어 관리자가 신속하게 전략을 조정할 수 있습니다.

에 따르면 글로벌 시장 통찰력 , 자산관리 시장의 AI는 25억 달러 규모로 평가되며 향후 10년간 연평균 성장률(CAGR) 24%로 성장할 것으로 예상됩니다. 흥미롭게도 포트폴리오 최적화는 애플리케이션별 글로벌 시장 세분화를 주도하고 데이터 분석이 그 뒤를 따릅니다. 시장점유율 25% .

AI 기반 자산 관리 솔루션에 대한 채택 및 투자가 증가하고 포트폴리오 최적화에서 AI의 실제 사용이 강조됩니다.

포트폴리오 관리에 AI 채택:

자산 관리 업계에서 AI를 채택하는 것은 새로운 추세가 아닙니다. 최근 몇 년 동안 성장을 보였지만 여전히 IT 서비스를 사용하는 헤지 펀드, 퀀트 관리 사무소, 대규모 연구 부서 및 금융 기관과 같은 소수의 시장 참여자에 국한되어 있습니다.

이미 AI를 적용할 수 있는 분야는 다양합니다.

포트폴리오 최적화

AI는 포트폴리오 구성 최적화 프로세스를 크게 개선합니다. 예를 들어, 볼록 최적화 개념에 의존하는 Markowitz의 현대 포트폴리오 이론의 고전적 접근 방식은 현대 AI 기반 방법론의 선구자 역할을 합니다. 이 기초 이론이 그토록 중추적인 이유는 AI 알고리즘이 투자 전략을 더욱 변화시키고 개선할 수 있는 기반을 형성하기 때문입니다.

오늘날 AI는 새로운 차원의 데이터를 탐색하고 고급 분석 기술을 통합하여 이 이론을 확장합니다. 이러한 확장된 데이터 기능을 통해 보다 미묘하고 정보에 기반한 의사 결정이 가능하며, 이는 업계에서 널리 사용되는 관행입니다.

기초분석

특정 AI 기술은 회사 펀더멘털, 거시경제 환경 또는 시장 상황에 대한 대량의 데이터를 사용하여 정량적 관리와 완벽하게 호환됩니다. 기계 학습 알고리즘은 다양한 변수 간의 복잡한 비선형 관계를 찾을 수 있으며 물론 분석가가 할 수 없는 추세도 감지할 수 있습니다.

텍스트 분석

텍스트 분석은 기본 분석에 AI를 적용하는 또 다른 방법입니다. AI는 자연어 처리(NLP)를 사용해 기업 실적 보고서, 중앙은행 보도 자료, 금융 뉴스 등 텍스트 소스를 처리하고 분석합니다. AI는 NLP를 통해 이러한 비정형 데이터에서 경제적, 재정적으로 중요한 정보를 추출할 수 있습니다. 이를 통해 인간의 해석을 개선하고 돕는 정량적이고 체계적인 척도를 제공합니다.

거래 활동

AI의 능력은 거래의 복잡성과 속도의 필요성이 균형을 이루는 거래에서 매우 유용합니다. AI는 프로세스의 여러 단계를 자동화하여 알고리즘 거래를 지원하고 금융 시장에서 관리되는 거래의 효율성을 향상시킵니다.

투자 자문 서비스

AI는 더 저렴한 비용으로 더 폭넓은 맞춤형 투자 자문 서비스를 제공할 수 있는 기회를 열었습니다. 이러한 시스템은 복잡한 알고리즘을 사용하여 실시간 시장 데이터를 처리하고 수익 목표와 위험 프로필을 기반으로 개별 고객 요구에 가장 적합한 전략을 제시합니다.

위기 관리

위험 관리에서 AI는 다양한 '가능성이 높지만 바람직하지 않은' 시나리오를 모델링하여 지원하며, 이는 결과적으로 대부분 가능한 결과에만 초점을 맞추는 기존 관행을 향상시킵니다.

포트폴리오 관리의 인공 지능(AI) 기술 및 도구

기계 학습 알고리즘:

기존 기계 학습 방법은 포트폴리오 관리에서 여전히 널리 사용되며 일반 최소 제곱, 능선 회귀 및 올가미 회귀를 포함한 선형 모델입니다. 이는 자산 관계를 이해하고 포트폴리오 할당을 최적화하는 데 기초가 되는 SVD(특이값 분해) 및 PCA(주성분 분석)와 같은 평균-분산 최적화 절차 및 행렬 분해 기술과 자주 결합됩니다.

이러한 고전적인 접근 방식과 보다 현대적인 방법 사이에 SVM(Support Vector Machine)이 있습니다. SVM은 실제로 사용되지만 일반적으로 배포되지는 않지만 특히 재고 성과 예측을 목표로 하는 분류 작업에서 중요한 역할을 합니다.

이러한 작업에는 일반적으로 주식이 이익 또는 손실을 경험할지 예측하고, 주가 변동 및 거래량을 포함한 과거 재무 데이터를 사용하여 자산을 범주에 분류하고 성과를 예측하는 것이 포함됩니다.

보다 현대적인 방법에 대해 말하자면, 신경망은 포트폴리오 관리를 위한 기계 학습의 주요 발전을 보여주고 기존 모델로는 포착하기 어려운 복잡한 비선형 패턴을 모델링하는 향상된 기능을 제공합니다. 신경망 외에도 지도 및 비지도 학습과 같은 다른 고전적인 접근 방식은 데이터 분석을 더욱 개선하고 개선하여 미묘한 시장 신호를 발견하고 활용하는 것을 가능하게 합니다.

강화 학습 및 Deep Q-Learning과 같은 새로운 접근 방식은 이러한 품질을 빠르게 진행되는 의사 결정 환경에 도입하여 시장 피드백에서 학습한 시스템을 기반으로 재무 결과를 최적화하기 위해 포트폴리오를 실시간으로 조정할 수 있습니다.

자연어 처리(NLP):

감정 분석과 같은 자연어 처리 기술은 신문 기사, 소셜 미디어 게시물, 분석가 보고서 등에서 공통된 의견을 선택하는 데 도움이 될 수 있습니다. 또한 포트폴리오 관리자는 기업의 수익 보고서를 포함하여 금융 매체에서 사용되는 언어를 분석하여 투자 심리를 파악하고 시장 동향을 예측할 수 있으며, 이 모든 것은 의사 결정 과정에서 중요한 정보입니다.

정량적 거래 전략:

AI 기반 정량 거래 알고리즘을 사용하는 회사와 같이 초단타 거래(HFT)를 전문으로 하는 회사는 시장에서 순간적으로 발생하는 비효율성을 이용해 돈을 벌 수 있습니다. 이들 회사는 기계 학습 기술을 사용하여 매우 빠른 속도로 관련 시장 정보를 분석하고 1000분의 1초라는 짧은 시간에 정확한 타이밍에 주문을 합니다.

이러한 신속한 실행을 통해 그들은 경쟁사보다 더 빠르게 가격 불일치에 대한 조치를 취함으로써 차익거래 기회로부터 이익을 얻고 이익을 극대화할 수 있습니다. Renaissance Technologies는 정량적 거래 접근 방식으로 유명하지만 주로 속도에 초점을 맞춘 전통적인 HFT 관행의 다양한 보유 기간을 포괄하는 광범위한 전략을 염두에 두는 것이 중요합니다.

설명 가능한 AI(XAI):

LIME(Local Interpretable Model-agnostic Descriptions)은 복잡한 기계 학습 모델의 출력을 보다 이해하기 쉽게 만드는 데 사용되는 대표적인 XAI 방법입니다. 포트폴리오 관리에서 이 방법은 블랙박스 모델이 예측하는 방식을 해석하는 데 매우 유용할 수 있습니다. LIME은 입력 데이터를 사용하고 모델 출력에 미치는 영향을 분석함으로써 포트폴리오 관리자와 데이터 과학자가 다른 기능보다 투자 결정에 더 많은 영향을 미치는 기능을 정의하는 데 도움을 줍니다.

이 프로세스는 AI 기반 결정의 투명성을 높이는 데 도움이 되며 이러한 모델을 얼마나 쉽게 이해할 수 있는지 확인하고 개선하려는 노력을 지원합니다. 그러나 LIME은 모델 동작에 대한 이해를 향상시키는 반면, 모델의 전반적인 신뢰성을 평가하려면 추가적인 검증 기술이 필요합니다.

규정 준수 및 모니터링 분야의 AI:

AI 기술은 금융 산업 내에서 규제 프레임워크를 준수하고 투자 제한을 모니터링하는 데 중요한 역할을 합니다. AI 시스템은 이러한 프로세스를 자동화함으로써 금융회사가 법적 표준을 보다 효율적이고 정확하게 준수하며 문제가 발생하지 않도록 돕습니다. 이 기술은 대량의 거래와 다양한 포트폴리오 활동 전반에 걸쳐 규정 준수를 모니터링하는 데 매우 유용하며, 규제 요구 사항이나 내부 지침의 편차를 신속하게(실제로 즉시) 식별할 수 있습니다.

또한 AI를 사용하면 인적 오류의 위험을 최소화하는데, 이는 실수로 인해 법적, 재정적 결과가 발생할 수 있는 고위험 규제 환경에서 매우 중요합니다.

포트폴리오 재조정:

자동화된 재조정의 AI 애플리케이션은 시간이 지남에 따라 이상적인 자산 배분을 유지하는 데 중요합니다. 그들은 시장 변화나 투자자의 위험 프로필 변화에 대응하여 포트폴리오를 조정할 수 있으므로 전략적 투자 목표에 맞게 조정할 수 있습니다.

더 넓은 관점에서

투자를 위해 특별히 설계된 애플리케이션 외에도 자산관리 사업 내부에서 인공지능의 발전 가능성은 무궁무진해 보인다. 그러나 우리는 운영 체인의 다양한 단계에서 특정 작업을 자동화할 수 있는 가능성을 본능적으로 보고 있음에도 불구하고 인공 지능의 파괴적인 힘을 완전히 예측하기는 여전히 어렵습니다. AI가 추가적인 발전을 거듭할수록 새로운 응용분야가 탄생할 것으로 기대되기 때문이다.

인공지능을 사용하여 기술 발전과 생산성 향상을 가능하게 했음에도 불구하고 우리는 인공지능의 한계와 포트폴리오 관리의 일부 측면에 미치는 위험을 염두에 두어야 합니다. 우선, 인공 지능과 기계 학습 접근 방식은 학습 알고리즘을 제공하는 데 사용되는 데이터에 의존합니다.

이 데이터는 업데이트, 정확성, 완전성 및 대표성 측면에서 고품질이어야 합니다.

항상 사용할 수 없는 대용량 데이터에 대한 요구 사항 외에도 이 데이터의 품질이 좋아야 합니다. 다른 경우에는 예측 모델을 사용하여 얻은 결과가 신뢰할 수 없거나 회복력이 없습니다.

더욱이 알고리즘은 분석된 데이터 세트에서 관련 없는 추세를 선택하여 잘못된 가정을 할 수도 있으며, 이는 잘못된 결론으로 이어질 수 있습니다. 이로 인해 대규모 잡기, 너무 날카로운 점프 및 가장 작은 충돌이 발생할 수 있습니다. 동일한 AI 알고리즘을 관리하는 많은 시장 운영자가 동시에 잘못된 결정을 내리거나 실시간 상황과 유사한 방식으로 반응할 수 있기 때문에 시장 경쟁의 상실이 발생할 수 있습니다. 그러한 위험은 치명적일 수 있습니다.

모든 분야와 마찬가지로 포트폴리오 관리에서 AI의 잠재적 이점에도 불구하고 우리가 명심하고 궁극적으로 해결해야 할 과제가 많이 있습니다. 가장 큰 어려움 중 하나는 AI 모델의 투명성과 해석 문제가 부족할 수 있다는 것이며, 이로 인해 관리자가 AI와의 협업 결과를 설명하기가 어려울 수 있습니다. 이러한 사용 복잡성은 유럽 펀드에서 AI 채택이 상대적으로 낮은 이유 중 하나일 수 있습니다. 2022년 9월 기준, 22,000개 펀드 중 65개만 유럽연합에 본사를 둔 한 회사는 투자 프로세스에 AI를 사용한다고 주장했습니다.

유럽금융시장청(ESMA) 확인했습니다 명확한 규제 프레임워크 및 펀드 매니저의 AI 기술 부족 등 채택률이 낮은 데 기여할 수 있는 요인. 그러나 모델 복잡성으로 인해 AI 결과를 설명하는 데 어려움이 있다는 점도 낮은 채택률을 정당화하는 요인 중 하나일 수 있습니다. 시간이 지나면 알게 될 것 같아요.

현시점에서 자산운용업계에서 인공지능이 실제 사람을 완전히 대체하기에는 아직 갈 길이 먼 것으로 보인다. 즉, 투명성, 신뢰 관계, 고객과 경영 전문가 간의 접촉은 그 어느 때보다 중요한 특성으로 자리잡고 있습니다.

그러나 우리는 인공 지능이 가치 사슬에서 사용할 수 있는 새롭고 흥미로운 도구를 제공하며 이러한 도구의 잠재력이 오늘날 업계의 모습을 실제로 바꿀 수 있다는 사실을 부인할 수 없습니다.