시간열 예측과 강화학습 기반 포트폴리오 선택 연구

Time-series Forecasting and Reinforcement Learning for Portfolio Selection

연구 내용

변동성 있는 시장 데이터를 transformer로 예측하고, 예측 정보를 통합해 포트폴리오 선택을 최적화하는 의사결정 연구

본 연구는 시장 예측과 포트폴리오 선택을 결합한 프레임워크를 제안합니다. 시장 데이터로부터 transformer 기반 시계열 예측 모델을 학습하고, 이 예측 결과를 딥 강화학습 기반 포트폴리오 선택 구조에 연결합니다. 모델 통합을 위해 예측 모델의 사전학습 후 포트폴리오 의사결정 상황에서 미세조정을 수행하는 2단계 전략을 적용합니다. 또한 LoRA를 활용해 적은 파라미터 변경으로 예측 모델을 투자 시나리오에 적응시키는 구성을 포함합니다.

관련 프로젝트

0건

연구 흐름

초기 연구 단계에서는 transformer 기반 시계열 예측 모델로 시장 트렌드를 예측하는 요소를 먼저 확립했습니다. 이후 예측 모델을 포트폴리오 선택에 연결하기 위해 사전학습-미세조정의 2단계 전략을 설계하고, 예측 정보를 강화학습 의사결정에 통합하는 방식으로 확장했습니다. 마지막으로 LoRA를 통한 적응 메커니즘을 검토하여 투자 환경에서의 성능 유지 가능성을 확인했습니다. 현재까지는 예측과 선택의 결합 구조를 원천 과제로 제시합니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

자산배분 전략 수립
시장 예측 기반 거래 시스템
포트폴리오 리밸런싱
리스크 민감 최적화
강화학습 자동 매매
거래 비용 고려 모델링
멀티 에셋 포트폴리오 구성
저비용 모델 적응
금융 의사결정 지원
시장 데이터 기반 시뮬레이션