Forward-Looking Portfolio Optimization Using Conditional Wasserstein GAN = Wasserstein GAN 모형을 활용한 포트폴리오 최적화

다국어 초록 (Multilingual Abstract)

This study examines whether covariance matrices derived from Conditional WGAN-GP scenarios can serve as portfolio-relevant inputs for minimum-variance optimization, as a forward-looking alternative to backward-looking historical covariance estimation.
The empirical design uses a sector-balanced universe of 55 S＆P 500 stocks and weekly log returns from 2011 to 2025. For each reference date, a Conditional WGAN-GP model is trained with an expanding window using only pre-reference information, generating 5,000 forward-looking 13-week scenarios conditioned on seven market-state variables. Historical, raw GAN, and variance-rescaled GAN covariance matrices are then estimated with the same Ledoit-Wolf shrinkage estimator and used in a long-only minimum-variance portfolio, evaluated over the 13-week out-of-sample window across four event-based regimes （PreCOVID2020, InflationShock2022, HighRate2023, Recent2025）.
GAN-derived covariance materially changes allocation: in the Recent2025 diagnostic run, the effective number of assets falls from about 29 under historical covariance to about 4, indicating strong concentration. Across the four out-of-sample regimes, GAN-derived portfolios achieve higher endpoint returns and Sharpe ratios than the historical portfolio, with realized 13-week return improvements of 4.2 to 13.7 percentage points. Risk results are regime-dependent: GAN portfolios improve downside behavior in shock windows, while historical covariance stays more defensive in calmer or recovery windows.
Conditional WGAN-GP covariance should therefore be treated as a forward-looking allocation signal, not a standalone calibrated risk model: raw scenarios require variance calibration, and GAN-based portfolios require concentration safeguards such as weight caps and turnover control. The contribution of this thesis is a portfolio-level evaluation linking scenario generation, covariance structure, allocation, concentration, and out-of-sample performance.

국문 초록 (Abstract)

본 연구는 Conditional WGAN-GP（Conditional Wasserstein Generative Adversarial Network with Gradient Penalty） 시나리오로부터 도출된 공분산 행렬이, 과거 수익률에 기반한 역사적 공분산 추정을 대체하는 미래지향적（forward-looking） 입력값으로서 최소분산 포트폴리오 최적화에 활용될 수 있는지를 분석한다.
실증분석은 S＆P 500 내 섹터 균형 55개 종목의 2011년부터 2025년까지 주간 로그수익률을 사용한다. 각 기준일마다 기준일 이전 정보만을 이용해 확장 윈도우（expanding-window） 방식으로 Conditional WGAN-GP 모형을 학습하고, 7개 시장 상태 변수에 조건화된 5,000개의 13주 미래 시나리오를 생성한다. 역사적, 비조정 GAN, 분산 조정 GAN 공분산 행렬을 동일한 Ledoit-Wolf 축소 추정법으로 추정하여 롱온리 최소분산 포트폴리오에 적용하고, 4개 이벤트 기반 국면（PreCOVID2020, InflationShock2022, HighRate2023, Recent2025）에서 13주 표본 외（out-of-sample） 성과를 평가한다.
분석 결과, GAN 기반 공분산은 포트폴리오 배분 구조를 크게 변화시켰다. Recent2025 진단 분석에서 유효 자산 수는 역사적 공분산의 약 29개에서 약 4개로 감소하여 강한 집중이 나타났다. 4개 표본 외 국면 전반에서 GAN 기반 포트폴리오는 역사적 포트폴리오보다 높은 최종 수익률과 샤프 비율을 달성했으며, 실현 13주 수익률은 4.2~13.7%p 개선되었다. 위험 측면의 결과는 국면에 따라 달랐다. GAN 포트폴리오는 충격 국면에서 하방 위험을 개선한 반면, 역사적 공분산은 완만하거나 회복 국면에서 더 방어적이었다.
따라서 Conditional WGAN-GP 공분산은 독립적인 보정 위험 모형이 아니라 미래지향적 배분 신호로 활용되어야 한다. 비조정 시나리오는 분산 보정이 필요하며, GAN 기반 포트폴리오는 비중 상한 및 회전율 통제와 같은 집중도 관리 장치가 요구된다. 본 논문의 기여는 시나리오 생성, 공분산 구조, 자산 배분, 집중도, 표본 외 성과를 연결하는 포트폴리오 수준의 평가를 제시한 데 있다.

목차 (Table of Contents)

• CHAPTER I. INTRODUCTION 1
• 1.1 Background and Motivation 1
• 1.2 Problem Statement 2
• 1.3 Aim of the Study 2
• 1.4 Research Questions 3
• 1.5 Contributions 4
• 1.6 Thesis Outline 5
• CHAPTER II. LITERATURE REVIEW AND THEORETICAL BACKGROUND 6
• 2.1 Modern Portfolio Theory and Covariance Estimation 6
• 2.2 Minimum-Variance Portfolio: Theory and Known Limitations 6
• 2.3 Shrinkage-Based Covariance Estimation 7
• 2.4 Generative Models for Financial Scenario Generation 7
• 2.5 Conditional WGAN-GP for Time-Series Scenario Modeling 8
• 2.6 Research Gap: From Scenario Fit to Portfolio-Level Evaluation 9
• CHAPTER III. RESEARCH DESIGN AND METHODOLOGY 10
• 3.1 Data and Asset Universe 10
• 3.2 Market-State Conditioning Variables 11
• 3.3 Event-Based Expanding-Window Design 12
• 3.4 Conditional WGAN-GP Architecture 13
• 3.5 Data Normalization and Scenario Reconstruction 15
• 3.6 Scenario Generation 16
• 3.7 Checkpoint Selection 17
• 3.8 Variance Rescaling 18
• 3.9 Covariance Matrix Construction 19
• 3.10 Minimum-Variance Portfolio Optimization 20
• 3.11 Evaluation Metrics 21
• 3.12 Scenario-Implied vs. Realized OOS Evaluation 23
• CHAPTER IV. EMPIRICAL RESULTS 25
• 4.1 Recent2025 Diagnostic Run and Checkpoint Selection 25
• 4.2 Scenario-Level Diagnostics and Variance Calibration 26
• 4.3 Correlation Structure and Shrinkage Effects 28
• 4.4 Portfolio Allocation and Concentration 30
• 4.5 Scenario-Implied Results: Diagnostic Only 31
• 4.6 Event-Based Realized OOS Endpoint Performance 32
• 4.7 Wealth Path Dynamics Across Regimes 34
• 4.8 Risk-Return Metrics Across Regimes 35
• 4.9 Downside-Risk Diagnostics: Scenario-Implied ES and Realized Drawdown 37
• 4.10 Synthesis of Findings 39
• CHAPTER V. CONCLUSION 41
• 5.1 Summary of Findings 41
• 5.2 Research Implications 42
• 5.3 Practical Implications 42
• 5.4 Limitations 43
• 5.5 Future Research 44
• References 45
• 국문초록 46