본 연구는 동적 포트폴리오 관리를 위한 새로운 딥 강화학습 프레임워크인 DeepAries를 제안한다. DeepAries는 리밸런싱 의사결정의 타이밍과 배분을 함께 최적화한다. 시장 상황과 무관하게 고정 리밸런싱 간격을 사용하는 기존 강화학습 방법과 달리, DeepAries는 불필요한 거래 비용을 줄이고 위험조정 수익을 최대화하기 위해 포트폴리오 가중치와 함께 최적의 리밸런싱 간격을 적응적으로 선택한다. 제안 프레임워크는 복잡한 장기 시장 의존성을 효과적으로 포착하는 Transformer 기반 상태 인코더와, 동시에 이산적(리밸런싱 간격) 및 연속적(자산 배분) 행동을 생성하기 위한 Proximal Policy Optimization(PPO)를 통합한다. 여러 실제 금융 시장에 대한 광범위한 실험 결과, DeepAries는 위험조정 수익, 거래 비용, 그리고 낙폭(drawdowns) 측면에서 기존의 고정 주기 및 전면 리밸런싱 전략을 유의미하게 능가함을 확인하였다. 또한 우리는 https://deep-aries.github.io/에서 DeepAries의 라이브 데모를 제공하며, 소스 코드와 데이터셋은 https://github.com/dmis-lab/DeepAries에 공개하여, 시장 레짐이 변화하는 상황과 부합하는 해석 가능한 리밸런싱 및 배분 의사결정을 도출하는 DeepAries의 역량을 보여준다. 전반적으로 DeepAries는 타이밍과 배분을 단일한 의사결정 과정에 통합함으로써 적응적이고 실용적인 포트폴리오 관리에 대한 혁신적인 패러다임을 제시한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.