Robust Deep Learning Framework for Asset Management = 자산 운용을 위한 강건한 딥러닝 프레임워크

국문 초록 (Abstract)

금융 시장은 내재적 불확실성 (inherent uncertainty)과 비정상적 국면 변화 (non-stationary regime shifts)를 특징으로 하는 복잡계로서, 성공적인 자산 운용에 있어 중대한 장벽으로 작용한다. 우수한 투자 성과를 달성하기 위해서는 초과 수익을 창출하기 위한 정확한 종목 선정 능력 (Alpha)과 시장 노출을 제어하기 위한 동적인 위험 관리 능력 (Beta)이라는 두 가지 핵심 역량이 요구된다. 그러나 기존의 인공지능 기반 접근법들은 데이터의 낮은 신호 대 잡음비 (signal-to-noise ratio)와 구조적인 시장 변화에 적응하지 못하는 한계로 인해 실세계 적용에 어려움을 겪어왔다.

이에 본 학위논문은 데이터 불확실성 완화를 통해 Alpha 창출을 극대화하고, 시장 국면 변화에 대응하여 안정적인 Beta 관리를 보장하는 강건한 딥러닝 기반 자산 관리 프레임워크를 제안한다.
본 프레임워크는 정확한 예측에 기반한 투자 대상 선정과 최적 자산 비중 결정을 유기적으로 연결하여, 자산 운용의 핵심적인 두 기능을 포괄한다.
이를 위해 CRAFT, SLOT, STABLE의 세 가지 새로운 방법론을 제시한다.

첫째, 본질적인 가격 노이즈를 완화하여 Alpha 창출 능력을 강화하기 위해 CRAFT (Centroid-based Randomness Smoothing Approach for Stock Forecasting with Transformer Architecture)를 도입한다. CRAFT는 중심값 기반 클러스터링 기법을 활용하여 고빈도 무작위성을 평활화 (smoothing)한다. 시간적 글로컬 (glocal) 맥락을 반영한 트랜스포머 아키텍처를 통해 패턴 인식을 방해하는 노이즈를 필터링함으로써, 변동성이 큰 시장에서도 명확한 예측 신호를 추출한다.

둘째, 대안 데이터의 희소성 문제를 해결하여 Alpha를 더욱 정교화하기 위해 SLOT (Self-supervised Learning of Tweets for Capturing Multi-level Price Trends)을 제안한다. SLOT은 자기지도학습을 통해 강건한 주식 및 텍스트 임베딩을 생성한다. 이를 통해 형성된 글로벌 및 로컬 맥락은 텍스트 데이터가 부족한 종목에 대해서도 정확한 방향성 예측을 가능하게 하여 정보 비대칭을 해소한다.

셋째, 시장 국면 변화에 대해 강건한 Beta 관리를 수행하기 위해 STABLE (Shift-Tolerant Allocation via Black-Litterman Using Conditional Diffusion Estimates)을 제시한다. 분포 변화에 취약한 현대 포트폴리오 이론 (MPT)이나 강화학습 (RL)과 달리, STABLE은 조건부 디퓨전 모델을 블랙-리터만 최적화 프레임워크와 결합한다. 이러한 생성형 AI 기반 접근법 (Generative AI-driven approach)은 다양한 미래 수익률 시나리오를 바탕으로 체계적 위험과 비체계적 위험을 균형 있게 조절하여 국면 변화에 적응하는 (regime-adaptive) 포트폴리오를 구성한다.

실세계 데이터셋에 대한 광범위한 실험을 통해 제안된 방법론의 우수성을 입증하였다. CRAFT와 SLOT은 최신 경쟁 모델 대비 예측 정확도를 각각 최대 4.2%p 및 2.18%p 향상시켜 자산 선택의 유효성을 검증하였다. 또한, STABLE은 주요 경쟁 방법론 대비 샤프 지수를 최대 122.9% 개선하며 탁월한 포트폴리오 배분 성능을 입증하였다.

다국어 초록 (Multilingual Abstract)

Financial markets are complex systems characterized by inherent uncertainty and non-stationary regime shifts, creating significant barriers to successful asset management. Achieving superior investment performance requires a dual capability: accurate stock selection to generate excess returns (Alpha) and dynamic risk control to manage market exposure (Beta). However, existing AI-based approaches often falter in these tasks due to the low signal-to-noise ratio in data and the inability to adapt to structural market changes.

In this thesis, we propose a robust deep learning-based asset management framework designed to maximize \textit{Alpha} generation through uncertainty mitigation and ensure stable Beta management against regime shifts.
By linking accurate stock selection to optimal weight allocation, our approach comprehensively covers these core functions of asset management. This framework comprises three novel methodologies: CRAFT, SLOT, and STABLE.

First, to enhance Alpha generation capabilities by mitigating intrinsic price noise, we introduce CRAFT (Centroid-based Randomness Smoothing Approach for Stock Forecasting with Transformer Architecture). CRAFT utilizes a centroid-based clustering technique to smooth out high-frequency randomness. By leveraging a transformer architecture with temporal glocal contexts, it filters out noise that hinders pattern recognition, thereby extracting cleaner prediction signals from volatile markets.

Second, to further refine Alpha by addressing data sparsity in alternative data sources, we propose SLOT (Self-supervised Learning of Tweets for Capturing Multi-level Price Trends). SLOT employs self-supervised learning to generate robust stock and text embeddings. This approach creates global and local contexts that enable accurate directional prediction even for stocks with sparse textual coverage, reducing information asymmetry.

Third, to ensure robust portfolio allocation against market regime shifts, we present STABLE (Shift-Tolerant Allocation via Black-Litterman Using Conditional Diffusion Estimates). Unlike Modern Portfolio Theory (MPT) or standard Reinforcement Learning (RL) which are brittle to distribution shifts, STABLE integrates a conditional diffusion model with the Black-Litterman optimization framework. This Generative AI-driven approach constructs a regime-adaptive portfolio by balancing systematic and idiosyncratic risks based on diverse future return scenarios.

Extensive experiments on real-world datasets demonstrate the superiority of the proposed methods. CRAFT and SLOT achieve prediction accuracy improvements of up to 4.2%p and 2.18%p, respectively, validating their efficacy in asset selection. Furthermore, STABLE improves the Sharpe ratio by up to 122.9% over leading competitor methods, proving its capability in delivering stable portfolio allocation.

목차 (Table of Contents)

• List of Figures ix
• List of Tables xi
• Chapter 1 Introduction 1
• Chapter 2 Background 11
• Chapter 3 CRAFT: Robust Pattern Extraction by Mitigating Uncertainty 26
• Chapter 4 SLOT: Robust Pattern Extraction by Addressing Data Sparsity 46
• Chapter 5 STABLE: Regime-Adaptive Portfolio Allocation via Generative Modeling 67
• Chapter 6 Future Works 99
• Chapter 7 Conclusion 104
• Chaper 8 Acknowledgements 106
• References 106
• Abstract in Korean 116