2025년 2학기 세미나
2025년 2학기 세미나
🗓 목요일 10:30–12:00 (31318)
👥 이영우, 신동완, 이민지, 이상현, 김명식 (참관: 정승원 박사)
🗓 목요일 13:30–15:00 (32356A)
👥 김지훈, 고호진, 정지태, 이정민, 변윤영 (참관: 정승원 박사)
🗓 목요일 15:00–16:30 (32356A)
👥김지훈, 김명식, 정지태, 고호진, 이영우, 변윤영, 이정민, 신동완 (+정승원, 한진호 박사)
🗓 화요일 13:00–13:30 👥신동완
🗓 화요일 13:30–14:00 👥이민지
🗓 화요일 14:00–14:30 👥이정민
🗓 화요일 15:00–16:00 👥김지훈, 고호진
🗓 화요일 16:00–16:30 👥이영우
세미나는 관련 논문을 매주 1명씩 발표하는 논문 리딩 세미나 형식으로 진행됩니다.
세미나에 참석하지 않는 나머지 학생들은 Slack에서 의사소통을 합니다.
특히, 최우철 교수님 공동 세미나는 발표자를 매주 적절히 정해 진행합니다.
1. (변윤영) Huh, J., Jeon, J., & Jeong, S.-W. (2025). Pontryagin-Guided Direct Policy Optimization for Continuous-Time Portfolio Problem. Journal of Industrial and Management Optimization.
연속시간 포트폴리오 문제에서 Pontryagin 최대 원리(PMP)를 활용한 딥러닝 정책 최적화(PG‑DPO) 프레임워크를 도입. Merton 문제의 closed‑form 해 재현, PMP 조건 기반 alignment regularization으로 학습 안정성과 수렴성 개선.
링크: https://www.aimsciences.org/article/doi/10.3934/jimo.2025110?viewType=HTML
2. (고호진) Huh, J., Jeon, J., Koo, H.-K., & Lim, B. H. (2025). Breaking the Dimensional Barrier: A Pontryagin-Guided Direct Policy Optimization for Continuous-Time Multi-Asset Portfolio. arXiv preprint, revised April 15, 2025.
PG‑DPO의 Two‑Stage 변형 제안: costate 안정화 후 Pontryagin 기반 제어를 analytic하게 적용하여 고차원(최대 50자산, 10 상태변수)에서도 효율적인 학습 가능성 확보.
3. (김지훈) Cong, L. W., Tang, K., Wang, J., & Zhang, Y. (2021). AlphaPortfolio: Direct Construction Through Deep Reinforcement Learning and Interpretable AI.
딥 강화학습을 통해 포트폴리오 전략을 직접 최적화. Transformer 기반 multi‑sequence 모델과 attention 구조 활용, OOS 샤프비 > 2, 리스크 조정 초과 알파 13%+, explainable AI 접근 도입.
링크: https://acfr.aut.ac.nz/__data/assets/pdf_file/0008/573128/AlphaPortfolio‑updated.pdf
4. (정지태) Dai, M., Dong, Y., Jia, Y., & Zhou, X. Y. (2023). Data-Driven Merton’s Strategies via Policy Randomization. arXiv preprint arXiv:2312.11797, revised May 8, 2025.
미완전 시장에서 Merton의 기대효용 최대화 문제를 강화학습 기반으로 직접 학습. Gaussian 정책 randomization을 도입하여 정책의 mean이 본 문제의 최적 해를 만족함을 이론적으로 증명. online/offline actor–critic 알고리즘 설계, stochastic volatility 환경에서 시뮬레이션 및 실증 실험 수행하여 plug‑in 방식 대비 성능 입증
5. (이정민) Lynch, A. W. (2001). Portfolio Choice and Equity Characteristics: Characterizing the Hedging Demands Induced by Return Predictability. Journal of Financial Economics, 62(1), 67–130.
예측 가능한 주식 수익률에 의해 발생하는 헤징 수요 분석. 고 book-to-market 또는 소형주 회피 경향, 기대수익률 중심의 헤징 수요 설명에 기여.
링크: https://www.sciencedirect.com/science/article/abs/pii/S0304405X01000745
1. (신동완) Chen, L., Pelger, M., & Zhu, J. (2023). Deep learning in asset pricing. Management Science, 70(1), 714–750. https://doi.org/10.1287/mnsc.2023.4695
Deep 신경망을 활용한 개별 주식 수익률 자산 가격 모형 제안. No-arbitrage 조건을 기준 함수로 사용하고, adversarial 접근법으로 테스트 자산을 구성하며, 거시경제 시계열로부터 경제 상태를 추출하여 정확성과 일반성을 향상시킴
링크: https://pubsonline.informs.org/doi/10.1287/mnsc.2023.4695
2. (김명식) Bryzgalova, S., Pelger, M., & Zhu, J. (2019). Forest through the trees: Building cross-sections of stock returns (Working paper). SSRN. https://doi.org/10.2139/ssrn.3493458
의사결정트리(decision trees)를 활용해 다수의 특성을 가진 주식들을 그룹화하여, 적은 수의 해석 가능한 포트폴리오로 cross‑section을 구성. 전통적 방법 대비 높은 아웃‑오브‑샘플 샤프지수와 알파를 기록
링크: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3493458
3. (이상현) Gu, S., Kelly, B., & Xiu, D. (2020). Empirical asset pricing via machine learning. The Review of Financial Studies, 33(5), 2223–2273. https://doi.org/10.1093/rfs/hhaa009
머신러닝 기법을 활용해 자산 가격을 추정하는 경험적 연구. 풍부한 특성과 리스크 요인을 탐색하고, 예측력 및 설명력을 향상시킨 분석 제공
4. (이민지) Gu, S., Kelly, B., & Xiu, D. (2021). Autoencoder asset pricing models. Journal of Econometrics, 222(1), 429–450. https://doi.org/10.1016/j.jeconom.2020.07.009
오토인코더(autoencoder)를 활용한 비선형 자산 가격 모형. 아웃‑오브‑샘플 가격 오류가 기존 요인 모형보다 훨씬 작거나 통계적으로 유의하지 않게 작음
링크: https://www.sciencedirect.com/science/article/abs/pii/S0304407620301998
5. (이영우) Giglio, S., Kelly, B. T., & Xiu, D. (2022). Factor models, machine learning, and asset pricing. Annual Review of Financial Economics, 14, 337–368. https://doi.org/10.1146/annurev-financial-101521-104735
머신러닝을 접목한 팩터 모형 및 자산 가격 연구를 광범위하게 리뷰. 기대수익률, 요인, 위험노출, SDF, 모델 비교 및 알파 테스트 등 다양한 분야 중심으로 체계적 정리
링크: https://www.annualreviews.org/content/journals/10.1146/annurev-financial-101521-104735