"ChatGPT-based Investment Portfolio Selection"
이 논문은 ChatGPT를 활용하여 투자 포트폴리오를 구성하는 문제를 탐구한다. 챗GPT에게 S&P 500 주식을 기반으로 한 가상 펀드를 구성하도록 요청하고, 그 결과의 다양성을 평가한다. 또한, 챗GPT가 선택한 자산으로 구성된 포트폴리오와 무작위로 선택된 자산으로 구성된 포트폴리오의 성과를 비교한다. 연구 결과, 챗GPT의 자산 선택이 무작위 선택보다 더 나은 다양성 지수를 나타내며, 이를 통해 구성된 포트폴리오가 더 나은 성과를 보이는 것을 확인한다. 그러나 챗GPT가 최적의 자산 비중을 할당하는 데는 어려움이 있으며, 전통적인 포트폴리오 최적화 모델과 결합했을 때 시너지 효과를 낼 수 있다고 판단된다.
주요 연구 방법:
자산 선택: 챗GPT에게 투자 원칙을 기반으로 S&P 500에서 15개, 30개, 45개의 주식을 선택하도록 요청한다.
다양성 지수 계산: 챗GPT가 선택한 자산의 다양성을 Simpson 지수와 Shannon 지수를 사용하여 측정하고, 무작위로 선택한 자산과 비교한다.
포트폴리오 구성: 챗GPT가 선택한 자산을 바탕으로 동일 가중 포트폴리오와 챗GPT 가중 포트폴리오를 구성한다.
최적화 모델 적용: 챗GPT가 선택한 자산에 대해 Markowitz 평균-분산 모델을 사용하여 최소 분산 포트폴리오, 최대 수익률 포트폴리오, 최대 Sharpe 비율 포트폴리오를 추가적으로 구성한다. 제약 조건으로 공매도를 금지하고 자산 비중을 제한한다.
성과 평가: 아웃오브샘플(out-of-sample) 데이터를 사용하여 각 포트폴리오의 수익률, 변동성, 최대 손실률, Sharpe 비율 등을 계산하고 비교한다.
연구 결과:
핵심은 챗GPT를 사용한 포트폴리오 구성 방식과 그 성과를 분석하고, 기존 방법과의 차이점을 밝히는 데 있다.
1. ChatGPT의 자산 선택 능력:
* 다양성 지수 개선: 챗GPT가 선택한 자산들은 무작위로 선택된 자산들보다 Simpson 지수가 낮고, Shannon 지수가 높게 나타난다. Simpson 지수는 특정 자산군에 편중되지 않고 얼마나 다양한 자산군을 포함하는지를 나타내며, Shannon 지수는 집단 내 정보량(다양성)을 의미한다. 즉, ChatGPT는 단순히 "다양하게" 고르기만 하는 것이 아니라, 실제로 포트폴리오의 위험을 분산시키는 데 효과적인 자산들을 선택한다는 것을 보여준다.
* 평균 상관관계 감소: ChatGPT가 선택한 자산들의 수익률 간 평균 상관관계가 낮게 나타난다. 이는 포트폴리오 내 자산 간의 상관관계가 낮을수록 위험 분산 효과가 커진다는 점에서 긍정적인 결과다.
* 포트폴리오 구성 요소: 챗GPT는 안전 자산 (예: 미국 국채 ETF), 성장 잠재력이 높은 기술주 (예: 마이크로소프트, 애플), 가치주 (예: JPMorgan) 등 다양한 특성을 가진 자산을 선택하는 경향을 보인다.
2. 포트폴리오 성과 분석:
* 샤프 비율 (Sharpe Ratio): 챗GPT가 선택한 자산으로 구성된 포트폴리오가 무작위 선택 기반 포트폴리오보다 높은 샤프 비율을 달성한다. 샤프 비율은 위험 단위당 수익률을 나타내는 지표로, 투자 성과를 평가하는 데 널리 사용된다. 즉, ChatGPT가 선택한 자산은 동일한 위험 수준에서 더 높은 수익을 제공하거나, 동일한 수익 수준에서 더 낮은 위험을 감수할 수 있다는 것을 의미한다.
* 카드널리티 제약 조건 (Cardinality Constraints): 포트폴리오 내 자산 수를 제한하는 제약 조건을 사용하여 최적화한 결과, 15개 주식으로 구성된 포트폴리오가 30개 또는 45개 주식으로 구성된 포트폴리오보다 더 나은 성과를 보이는 경향이 있다. 이는 챗GPT가 소수의 핵심 자산을 선별하는 데 강점을 가지고 있으며, 과도한 분산 투자는 오히려 성과를 저해할 수 있다는 것을 시사한다.
3. 기존 방법과의 차이점:
* 인간의 판단력 모방: 챗GPT는 학습 데이터를 기반으로 주식 시장에 대한 기본적인 이해를 갖추고 있으며, 텍스트 정보를 분석하여 투자에 유용한 인사이트를 도출할 수 있다.
* 데이터 기반 접근: 챗GPT는 과거 데이터에 기반한 통계적 분석에 의존하지 않고, 자연어 처리(NLP) 기술을 활용하여 뉴스 기사, 기업 보고서 등 다양한 텍스트 정보를 분석하고 투자 결정을 내린다.
4. 방법론적 측면:
* 평균-분산 모델: 논문에서는 Markowitz 평균-분산 모델을 사용하여 포트폴리오를 최적화한다. 이 모델은 투자자가 특정 위험 수준에서 최대의 기대 수익률을 얻거나, 특정 기대 수익률 수준에서 최소의 위험을 감수하는 포트폴리오를 선택하는 데 도움을 준다.
* 효율적 프론티어 (Efficient Frontier): 평균-분산 모델은 효율적 프론티어라는 개념을 제시한다. 효율적 프론티어는 주어진 위험 수준에서 최대 수익률을 달성할 수 있는 포트폴리오들의 집합을 나타낸다. 투자자는 자신의 위험 선호도에 따라 효율적 프론티어 상의 한 지점을 선택할 수 있다.
결론
이 논문은 챗GPT가 금융 시장에서 특정 자산들을 발굴하는 데 유용한 도구가 될 수 있으며, 챗GPT가 제시하는 정보는 전통적인 투자 분석 방식과 차별화된 관점을 제공하고 포트폴리오의 다양성을 높이는 데 기여할 수 있다고 강조한다.
[Compliance Note]
· 셀스마트의 모든 게시글은 참고자료입니다. 최종 투자 결정은 신중한 판단과 개인의 책임 하에 이루어져야함을 알려드립니다.
· 게시글의 내용은 부정확할 수 있으며, 매매에 따른 수익과 손실은 거래 당사자의 책임입니다.
· 코어16은 본 글에서 소개하는 종목들에 대해 보유 중일 수 있으며, 언제든 매수 또는 매도할 수 있습니다.
