마르코프 국면전환과 LightGBM을 활용한 자산배분전략 추천 시스템 = An Asset Allocation Strategy Recommendation System using Markov Regime Switching and LightGBM

다국어 초록 (Multilingual Abstract)

This study proposes an asset allocation strategy recommendation system that
reflects the structural inefficiency and nonlinear dynamics of financial markets.
Specifically, a Markov Switching Model (MSM) is employed to classify market
conditions into two distinct regimes—bull and bear—while a machine learning
technique, the Light Gradient Boosting Machine (LightGBM), is applied to predict the
optimal asset allocation strategy for each regime. This framework overcomes the
limitations of traditional static asset allocation approaches by providing a dynamic
and adaptive investment methodology, thereby offering both academic and practical
implications.
The traditional Mean–Variance Optimization (MVO) model (Markowitz, 1952)
derives the optimal portfolio based on expected returns and the covariance matrix of
assets. However, in practice, its application is constrained due to the difficulty of
estimating expected returns and the model’s high sensitivity to input parameters.
Furthermore, the time-varying and structurally changing nature of asset returns
often diminishes predictive accuracy under fixed model assumptions. To address
these challenges, various alternative approaches such as the Risk Parity model—
which allocates assets based on risk contributions rather than expected returns—
and simpler strategies like the Minimum Variance Portfolio (MVP), Equal Weight
(EW), Dynamic Momentum (DM), and Traditional Asset Allocation (TAA) have been
widely employed in practice.
Building on this background, this study quantitatively identifies market regimes
through the MSM and evaluates the daily performance of five asset allocation
strategies: Dynamic Momentum, Risk Parity, Minimum Variance, Traditional Asset
Allocation, and Equal Weight. Subsequently, a LightGBM-based classification model
is trained on regime-dependent patterns of strategy performance, enabling the
system to recommend the strategy expected to yield the highest return under similar
market conditions.
The empirical analysis utilizes daily return data from major U.S. ETFs between
August 2003 and 2024, with Winsorization applied to mitigate the influence of
outliers. The backtesting results demonstrate that the proposed machine learning–
based recommendation system achieved an annualized return of 17.45%, a Sharpe
ratio of 1.655, and a maximum drawdown of 14.22%. Compared with the unadjusted
model (18.82%, 1.412, and –19.69%, respectively), the proposed system exhibited
slightly lower returns but achieved a 17% improvement in risk-adjusted
performance and a 5.47% reduction in drawdown.
Moreover, this study empirically confirms that the LightGBM classifier effectively
captures complex nonlinear interactions among variables, thereby improving both
regime identification accuracy and strategy recommendation precision compared
with traditional statistical models. Nevertheless, this research does not consider
transaction costs, taxes, or slippage, and it simplifies the regime structure into two
states (bull and bear). Future studies could extend this framework by incorporating
multi-regime models, macroeconomic indicators, and time-series forecasting
methods to further enhance its practical applicability and predictive performance.

국문 초록 (Abstract)

마르코프 국면전환과 LightGBM을 활용한 자산배분전략 추천 시스템 본 연구는 시장의 구조적 비효율성과 비선형적 특성을 반영하여, 국면 전환에 기반한 자산배분 전략 추천 시스템을 제안한다. 특히 마르코프 국면전환 모형(Markov Switching Model, MSM)을 활용하여 금융 시장을 상승 국면과 하락 국면의 두 가지 상태로 구분한 후, 머신러닝 기법인 Light Gradient Boosting Machine(LightGBM)을 활용하여 각 국면에 최적화된 자산배분 전략을 예측하도록 설계하였다. 이는 전통적인 정적 자산배분 접근 방식의 한계를 극복하고, 동태적이고 적응적인 전략 구성의 가능성을 제시한다는 점에서 학술적 · 실무적 의의가 있다. 전통적인 평균-분산(Mean-Variance Optimization, MVO) 모형(Markowitz, 1952)은 자산의 기대수익률과 공분산 행렬을 기반으로 최적 포트폴리오를 도출하였으나, 현실적으로 기대수익률 추정의 어려움과 민감도 높은 해석으로 인해 실무 적용에 있어 제약이 많다. 특히 자산 수익률의 시계열적 특성과 구조적 변화는 고정된 모형 가정하에 예측력을 저하시킬 수 있으며, 이를 보완하기 위한 다양한 연구들이 지속되어 왔다. 예컨대 위험균형(Risk Parity)모형은 기대수익이 아닌 각 자산의 위험 기여도에 기반하여 보다 안정적인 포트폴리오 구성을 가능케 했으며, Minimum Variance Portfolio, Equal Weight, Dynamic Momentum 그리고 Traditional Asset Allocation 전략은 단순성에 기반한 대안적 접근으로 실무적으로도 자주 활용되고 있다. 이러한 배경에서 본 연구는 마르코프 국면전환 모형을 통해 시장 국면을 정량적으로 식별하고, 이를 바탕으로 다섯 가지 자산배분 전략(Dynamic Momentum, Risk Parity, Minimum Variance Portfolio, Traditional Asset Allocation, Equal Weight)의 일별 성과를 측정하였다. 이후 각 국면에 따른 전략 선택 패턴을 학습한 LightGBM 분류 모델을 구축함으로써, 향후 동일한 시장 상황에서 수익률이 가장 높을 것으로 기대되는 전략을 사전적으로 추천할 수 있도록 하였다. 실증 분석은 2003 년 8 월부터 2024 년까지의 기간 동안 미국 주요 ETF 들의 수익률 데이터를 활용하여 수행되었으며, 이상치 조정을 위해 Winsorization 기법을 적용하였다. 백테스트 결과 본 연구에서 제안한 머신러닝 기반 전략 추천 시스템은 연간 수익률 17.45%, 샤프비율 1.655, 최대낙폭 14.22%를 기록하였다. 이는 이상치 미처리 방식(18.82%, 1.14, -19.69%) 대비 수익률은 소폭 감소했으나 샤프비율 17% 개선, 최대낙폭 5.47% 개선으로 리스크 조정 성과가 우수함을 입증하였다. 또한 본 연구는 LightGBM 기반 분류 모델이 전통적 통계모형 대비 복잡한 변수 간 상호작용을 효과적으로 반영하며, 국면 구분과 전략 추천의 정밀도를 높일 수 있음을 실증하였다. 다만 본 연구는 거래비용, 세금, 슬리피지 등의 현실적인 제약 조건을 고려하지 않았으며, 또한 국면을 상승국면(Regime0) 그리고 하락국면(Regime1) 2 개로 고정하여 단순화하였다는 점에서 제한이 존재한다. 향후 연구에서는 다국면 모형, 외부 거시 변수의 도입, 시계열 예측 모형의 결합 등을 통해 실용성과 예측력을 한층 제고할 수 있을 것으로 기대된다. 주제어: 마르코프 국면전환 모형, LightGBM, 자산배분전략 추천 시스템, 동적 자산배분

목차 (Table of Contents)

• 제1장 서론 1
• 1.1 연구 배경 및 필요성 1
• 1.2 선행연구 동향 2
• 1.3 연구 목적 3
• 1.4 논문 구성 3
• 제2장 이론적 기초 및 선행연구 4
• 2.1 자산배분 전략 이론적 기초 4
• 2.1.1 동적 모멘텀(Dynamic Momentum) 4
• 2.1.2 위험균형(Risk Parity) 5
• 2.1.3 최소분산 포트폴리오(Minimum Variance Portfolio) 5
• 2.1.4 전통적 자산배분(Traditional Asset Allocation) 5
• 2.1.5 동일가중 포트폴리오(Equal Weight) 6
• 2.2 마르코프 국면전환 모형 6
• 2.2.1 모형의 이론적 기초 7
• 2.2.2 금융시장 적용 사례 8
• 2.2.3 국면 식별의 실증적 유효성 8
• 2.3 머신러닝 기반 자산배분 9
• 2.3.1 전통적 방법론 한계 9
• 2.3.2 머신러닝 적용 필요성 10
• 2.3.3 LightGBM의 특징 및 우수성 10
• 2.3.4 자산배분 분야 적용 사례 11
• 2.4 선행연구와의 차별성 11
• 제3장 연구방법론 13
• 3.1 연구 설계 및 분석 체계 13
• 3.2 데이터 14
• 3.2.1 자료 수집 및 구성 14
• 3.2.2 변수 정의 16
• 3.2.3 전처리 및 이상치 처리 16
• 3.3 마르코프 국면전환 모형 17
• 3.3.1 모형의 수학적 정의 17
• 3.3.2 상태 전이 구조와 확률 행렬 17
• 3.3.3 모수 추정 및 국면 식별 18
• 3.3.4 국면 시각화 및 해석 18
• 3.4 자산배분 전략 구성 19
• 3.4.1 동적 모멘텀(Dynamic Momentum) 19
• 3.4.2 위험균형(Risk Parity) 20
• 3.4.3 최소분산 포트폴리오(Minimum Variance Portfolio) 21
• 3.4.4 전통적 자산배분(Traditional Asset Allocation) 21
• 3.4.5 동일가중(Equal Weight) 22
• 3.5 머신러닝 모형 22
• 3.5.1 문제 정의 및 목적함수 22
• 3.5.2 Gradient Bosting Model 개요 23
• 3.5.3 LightGBM 알고리즘 및 구조적 특성 24
• 3.5.4 성능평가 및 하이퍼 파라미터 최적화 25
• 3.6 백테스팅 방법론 27
• 3.7 추천 시스템의 전체 구조도 29
• 제4장 실증분석 결과 30
• 4.1 투자 자산군의 기초통계량 30
• 4.2 국면별 수익률 ∙ 변동성 및 시장 위기와의 적합성 분석 31
• 4.3 포트폴리오 누적 수익률 비교 32
• 4.4 연율화 수익률 비교 33
• 4.5 샤프비율 비교 34
• 4.6 최대낙폭 비교 35
• 4.7 리스크 ∙ 수익률 관계 분석 36
• 4.8 머신러닝 기반 전략 선택 분포 분석 37
• 제5장 결론 및 시사점 38
• 5.1 연구결과 요약 38
• 5.2 연구의 학술적 기여 39
• 5.3 실무적 시사점 39
• 5.4 연구의 한계 및 향후 연구 방향 40
• 참고문헌 41
• Abstract 44