어리석은 에이전트들의 분산된 군집이 어떻게 닫힌 형태의 수학으로는 해결할 수 없는 문제들을 풀어내는지, 그리고 시장 자체가 왜 지금까지 만들어진 가장 거대한 군집인지
계량 금융의 핵심에는 이상한 이중성이 존재합니다. 한쪽에는 엔지니어의 꿈, 즉 깔끔한 목적 함수, 볼록한 실행 가능 집합, 최적임을 증명할 수 있는 닫힌 형태의 해결책이 있습니다. 다른 한쪽에는 실제 시장, 즉 비선형적이고, 비정상적이며, 국소 최적점, 두꺼운 꼬리, 체제 전환, 그리고 자신의 행동이 예측하려는 대상을 변화시키는 피드백 루프로 가득 찬 곳이 있습니다.
군집 지능은 두 번째 측면에 자리 잡고 있습니다. 이는 우아함과 증명을 포기하는 대신 시장이 실제로 보상하는 것, 즉 추하고, 고차원적이며, 기만적인 탐색 공간에 갇히지 않고 탐색할 수 있는 능력, 그리고 그 누구도 문제를 개별적으로 이해하지 못할 정도로 단순한 에이전트를 사용하는 방법론의 집합입니다.
이 글은 이야기의 두 부분을 모두 다룹니다. 첫 번째 부분은 금융 문제를 겨냥한 최적화 도구로서의 군집 지능입니다. 포트폴리오 및 전략 튜닝을 위한 입자 떼 최적화(Particle Swarm Optimization), 경로 선택 및 조합 선택을 위한 개미 군집 최적화(Ant Colony Optimization)가 여기에 해당합니다. 두 번째 부분은 더 깊고 불편한 아이디어, 즉 시장 그 자체가 군집이며, 에이전트 기반 모델을 통해 어떤 균형 모델도 스스로 생성하지 못하는 창발적인 거품, 붕괴, 그리고 군집 현상을 시뮬레이션할 수 있다는 것입니다.
수학, 코드, 다이어그램이 전체에 걸쳐 있습니다. 어떤 것도 얼버무리지 않습니다.
내 리소스:
TG 채널:
GitHub:
트레이딩 링크:
https://polymarket.com/?r=zostaff
파트 0: "군집 지능"의 실제 의미
군집이란 중앙 통제자 없이 국지적 규칙을 따르는 단순한 에이전트들의 집단으로, 집합적으로는 지능적인 전역적 행동을 만들어냅니다. 전형적인 예는 생물학적입니다. 페로몬을 통해 최단 경로를 찾는 개미 군집, 세 가지 국지적 규칙을 통해 응집력을 유지하는 새 떼, 꽃밭에 채집자를 할당하는 벌 군집 등이 있습니다.
세 가지 속성이 이 패러다임을 정의하며, 이것이 왜 금융에 적합한지 설명합니다.
- 분산화. 어떤 에이전트도 전체 그림을 보지 못합니다. 각 에이전트는 국지적 정보와 소량의 공유 신호에 기반하여 행동합니다. 이는 어떤 참가자도 전체 주문 흐름을 볼 수 없는 실제 시장을 반영합니다.
- 사회적 매력이 있는 확률적 탐색. 에이전트들은 반무작위적으로 움직이지만, 군집이 가치를 찾은 곳으로 끌려갑니다. 이러한 탐험과 활용의 균형은 바로 국소 최적점으로 가득한 지형, 즉 위험 조정 수익률 표면이 그러한 지형에서 정확히 필요한 것입니다.
- 창발성. 흥미로운 행동은 어떤 에이전트에도 프로그래밍되어 있지 않습니다. 그것은 개체군 수준에서 나타납니다. 최적화에서 이는 경사 하강법이 빠지는 함정을 탈출하는 것을 의미합니다. 시장 모델링에서는 어떤 "합리적인" 단일 에이전트도 의도하지 않은 거품을 의미합니다.
고전적 방법과의 대비가 핵심입니다. 경사 하강법은 미분 가능한 목적 함수가 필요하고 가장 가까운 최소점을 찾는데, 이는 종종 잘못된 지점입니다. 볼록 최적화는 볼록성이 필요한데, 거래 비용, 카디널리티 제약 조건, 또는 손실 제한을 추가하면 금융 목적 함수는 거의 볼록성을 가지지 않습니다. 군집 방법은 이 모든 것이 필요 없습니다. 목적 함수를 블랙박스로 취급합니다. 후보를 입력하고 숫자를 얻으면 그게 전부입니다.
파트 1: 입자 떼 최적화 (Particle Swarm Optimization)
1.1 메커니즘
1995년 Kennedy와 Eberhart가 소개한 입자 떼 최적화(PSO)는 군집을 탐색 공간을 날아다니는 입자들의 집합으로 모델링합니다. 각 입자 i는 위치 x_i (후보 해결책)와 속도 v_i를 가집니다. 자신이 개인적으로 방문한 최적의 위치(pbest_i)를 기억하고, 어떤 입자라도 찾은 최적의 위치(g, 전역 최적점)를 알고 있습니다.
각 단계에서 모든 입자는 세 가지 충동의 가중 합으로 속도를 업데이트합니다.
1v_i(t+1) = w · v_i(t) 관성: 하던 대로 계속하기2 + c1 · r1 · (pbest_i − x_i(t)) 인지: 자신의 최적점으로 돌아가기3 + c2 · r2 · (g − x_i(t)) 사회적: 군집의 최적점으로 이동하기45x_i(t+1) = x_i(t) + v_i(t+1)
여기서 w는 관성 가중치, c1과 c2는 가속 계수, r1, r2는 각 차원에 대해 독립적으로 추출된 [0,1] 범위의 새로운 균등 분포 난수입니다. 이 무작위성이 탐색의 엔진입니다. 이것이 없으면 군집은 결정론적으로 붕괴됩니다.
세 가지 힘을 기하학적으로 살펴볼 가치가 있습니다. 단일 입자는 자신의 운동량에 의해 동시에 밀리고, 자신의 개인 최적점으로 끌려가며, 전역 최적점으로 당겨집니다. 결과 벡터가 실제로 다음에 이동할 방향입니다.
1.2 국소 최적점을 탈출하는 이유
마법은 인지 항과 사회 항 사이의 긴장 관계에 있습니다. 초기에는 입자들이 흩어져 있고 개인 최적점이 크게 다르므로 군집은 광범위하게 탐색합니다. 좋은 영역이 발견되면 g가 모든 입자를 끌어당기지만, 각 입자의 관성과 개인 기억 때문에 g로 즉시 붕괴되지 않습니다. 군집은 주변을 맴돌고, 목표를 초과하여 지나치며, 결정을 내리기 전에 이웃을 탐색합니다. 다중 모드 표면에서 이는 입자가 더 나은 분지(basin)를 우연히 발견하면 군집이 괜찮은 국소 최소점을 버릴 수 있음을 의미합니다.
다음은 전역 최소점이 원점에 있고 주변에 기만적인 국소 최소점 격자로 둘러싸인 표준 테스트 함수인 Rastrigin 함수에 PSO를 적용한 모습입니다. 군집이 흩어지고, 모이고, 수렴하는 동안 전역 최적 적합도가 6자릿수 감소하는 것을 지켜보십시오.
해당 표면의 어느 곳에든 떨어진 경사 하강법은 접촉하는 첫 번째 국소 분지에서 죽습니다. 하지만 군집은 그렇지 않습니다.
1.3 응용: 현실적인 제약 조건 하의 포트폴리오 최적화
Markowitz 평균-분산 최적화는 닫힌 형태의 해결책을 가지고 있습니다. 현실적인 요소를 추가하는 순간, 더 이상 그렇지 않습니다. 카디널리티 제약 조건("최대 20개 종목 보유"), 최소 포지션 크기, 거래 비용 패널티, 회전율 제한은 모두 볼록성과 정수성을 깨뜨립니다. 이것이 바로 PSO가 진가를 발휘하는 지점입니다.
우리는 롱 온리 포트폴리오의 샤프 비율을 최대화하려고 합니다. 각 입자는 가중치 벡터입니다. 이를 심플렉스(음수가 아니며 합이 1)로 수정하고 평가합니다.
1import numpy as np23rng = np.random.default_rng(0)4n = 8 # 자산 수5mu = rng.normal(0.08, 0.04, n) # 기대 연간 수익률6A = rng.normal(0, 1, (n, n))7cov = (A @ A.T) / n * 0.04 # 유효한 공분산 행렬8rf = 0.02 # 무위험 이자율910def neg_sharpe(w):11 """목적 함수: 음의 샤프 비율 (최소화). 가중치를 심플렉스로 수정."""12 w = np.clip(w, 0, None) # 롱 온리13 s = w.sum()14 if s == 0:15 return 1e916 w = w / s # 합이 1이 되도록17 ret = w @ mu18 vol = np.sqrt(w @ cov @ w)19 return -(ret - rf) / (vol + 1e-9)2021# ---- PSO ----22P, ITERS = 30, 10023w_inertia, c1, c2 = 0.72, 1.49, 1.492425X = rng.random((P, n)) # 위치 = 후보 포트폴리오26V = rng.normal(0, 0.1, (P, n)) # 속도27pbest = X.copy()28pbest_val = np.array([neg_sharpe(x) for x in X])29g = pbest[pbest_val.argmin()].copy()3031for _ in range(ITERS):32 r1, r2 = rng.random((P, n)), rng.random((P, n))33 V = w_inertia * V + c1 * r1 * (pbest - X) + c2 * r2 * (g - X)34 X = np.clip(X + V, 0, None)35 val = np.array([neg_sharpe(x) for x in X])36 improved = val < pbest_val37 pbest[improved] = X[improved]38 pbest_val[improved] = val[improved]39 g = pbest[pbest_val.argmin()].copy()4041w_opt = np.clip(g, 0, None); w_opt /= w_opt.sum()42print("최적 샤프 비율:", round(-pbest_val.min(), 3))43print("가중치:", np.round(w_opt, 3))
이를 실행하면 샤프 비율이 약 3.5 정도 나오고 합이 1인 희소하고 합리적인 가중치 벡터를 얻을 수 있습니다. 중요한 점은 숫자가 아닙니다. neg_sharpe가 무엇이든 포함할 수 있다는 점입니다. 거래 비용 항 - lambda * np.sum(np.abs(w - w_prev))을 추가하고, 정규화 전에 가장 작은 가중치를 0으로 만들어 엄격한 카디널리티 상한을 추가하고, 백테스트에서 계산된 손실 패널티를 추가하십시오. 이 중 어느 것도 계산하고 싶은 그래디언트가 없으며, 그 어느 것도 PSO를 막지 못합니다. 최적화 프로그램은 목적 함수 내부를 들여다보지 않습니다. 단지 "이 포트폴리오가 저 포트폴리오보다 나은가?"라고 물을 뿐입니다.
1.4 응용: 하이퍼파라미터 및 전략 튜닝
두 번째 주요 용도는 트레이딩 전략을 튜닝하는 것입니다. 전략에는 파라미터(관찰 기간, 진입 및 청산 임계값, 손절매 거리, 포지션 크기 계수)가 있습니다. 목적 함수는 비용을 차감한 위험 조정 수익률과 같은 백테스트 통계량입니다. 이 표면은 매우 비볼록하고, 불연속적이며(임계값의 1틱 변화가 거래를 뒤집을 수 있음), 평가 비용이 많이 듭니다. PSO는 전체 백테스트를 블랙박스 목적 함수로 취급하고 파라미터 공간을 직접 탐색합니다.
대안과 비교하면 어떨까요? 유전 알고리즘(진화적 교차 및 돌연변이)은 가장 가까운 경쟁자이며 종종 비슷한 성능을 보입니다. 무작위 탐색은 그리드 탐색을 놀랍도록 자주 이기는 정직한 기준선입니다. 일반적인 전략 튜닝 목적 함수에서, 군집은 사회적 매력 항이 맹목적으로 샘플링하는 대신 중요한 곳에 평가를 집중시키기 때문에 두 방법보다 더 빠르게 수렴하고 더 나은 최적점에 도달하는 경향이 있습니다.
여기서 실무자가 반드시 내면화해야 할 실제 경고가 있습니다. 백테스트 목적 함수에 대한 더 빠른 수렴은 과적합에 대한 더 빠른 수렴입니다. PSO는 기꺼이 과거 샘플의 노이즈를 완벽하게 설명하는 파라미터 세트를 찾을 것입니다. 전진 분석, 샘플 외부 홀드아웃, 파라미터 복잡성에 패널티를 부과하는 것은 선택적인 장식이 아닙니다. 이는 연구 결과물과 실제 시장과의 접촉에서 살아남는 전략의 차이를 만듭니다.
파트 2: 개미 군집 최적화 (Ant Colony Optimization)
2.1 메커니즘
1990년대 초 Dorigo에 의한 개미 군집 최적화(ACO)는 답이 경로나 이산적 선택인 조합 문제를 공격합니다. 실제 개미는 걸으면서 페로몬을 분비하여 짧은 경로를 찾습니다. 짧은 경로는 단위 시간당 더 자주 이동되고, 더 많은 페로몬을 축적하며, 더 많은 개미를 끌어들이는 긍정적 피드백 루프를 만듭니다. 결정적으로, 페로몬은 증발하여 군집이 오래된 경로를 잊고 환경이 변할 때 적응할 수 있게 합니다.
인공 개미는 그래프에서 단계별로 해결책을 구축합니다. 노드 i에서 개미는 해당 간선의 페로몬 tau_ij와 휴리스틱 선호도 eta_ij에 의해 편향된 확률적으로 다음 노드 j를 선택합니다.
1(tau_ij)^alpha · (eta_ij)^beta2P(i -> j) = ----------------------------------------3 허용된 k에 대한 (tau_ik)^alpha · (eta_ik)^beta 의 합
alpha는 개미가 축적된 페로몬을 얼마나 신뢰하는지(집단 기억의 활용)를 제어하고, beta는 즉각적인 휴리스틱(탐욕적인 국지적 품질)을 얼마나 신뢰하는지를 제어합니다. 모든 개미가 완료된 후, 페로몬이 업데이트됩니다.
1tau_ij <- (1 - rho) · tau_ij + 개미에 대한 delta_tau_ij 의 합
rho는 증발률입니다. 델타_tau_ij의 침전량은 더 나은 해결책을 구축한 개미에 대해 더 크므로, 좋은 간선은 강화됩니다. 증발은 조기 고착을 방지하며, 비정상적 문제, 즉 시장에서 ACO를 적응적으로 만드는 요소입니다.
2.2 금융에서 ACO가 적합한 분야
PSO는 연속 문제용이고, ACO는 이산적이고 경로 형태의 문제용입니다. 금융에서 여기에는 다음이 포함됩니다.
- 그래프 탐색 문제로서의 자산 선택. 보유할 유니버스의 하위 집합을 선택하는 것으로, 간선은 상관관계 또는 섹터 전환을 인코딩하고, 페로몬은 어떤 조합이 역사적으로 좋은 위험 조정 수익률을 제공했는지 학습합니다.
- 주문 라우팅 및 실행. 큰 모 주문을 장소와 시간 조각으로 나누어 시장 충격과 비용을 최소화하는 것은 자연스럽게 경로 문제입니다. 페로몬은 역사적으로 좋은 체결을 달성한 라우팅 결정을 강화하고, 증발은 라우터가 장소 유동성이 장중에 변함에 따라 적응할 수 있게 합니다.
- 트레이딩 규칙 구축. 각 노드는 조건 또는 지표입니다. 개미의 그래프를 통한 경로는 복합 규칙입니다. 군집은 규칙 구조의 조합 공간을 탐색하고, 백테스트 결과가 좋은 규칙 체인을 강화합니다.
위의 다이어그램은 실행 사례를 보여줍니다. 유휴 현금은 체결된 주문에 도달해야 하며, 군집은 역사적으로 비용을 최소화한 경로(현금에서 AAPL, NVDA를 거쳐 체결까지)를 강화하며, 간선 두께는 축적된 페로몬에 비례합니다.
PSO의 동일한 과적합 경고가 동등한 힘으로 적용됩니다. 역사적 데이터에서 규칙 체인을 완벽하게 강화한 군집은 미래를 발견한 것이 아니라 과거를 기억한 것입니다.
파트 3: 군집으로서의 시장
3.1 개념적 역전
파트 1과 2는 군집 지능을 시장을 겨냥한 도구로 사용했습니다. 파트 3은 더 깊은 주장을 합니다. 시장은 군집이며, 틀림없이 인간이 만든 가장 크고 가장 중요한 군집이라는 것입니다.
정의 속성을 다시 살펴보십시오. 분산화: 수백만 명의 참가자, 중앙 통제자 없음, 각자 부분적인 국지적 정보에 따라 행동합니다. 단순한 국지적 규칙: 대부분의 참가자는 게임 이론을 수렴될 때까지 실행하지 않습니다. 그들은 휴리스틱, 모멘텀, 두려움, 이웃의 행동을 따릅니다. 창발성: 거품, 붕괴, 플래시 크래시, 변동성 군집, 두꺼운 꼬리 수익률은 누구도 설계하지 않았습니다. 그것들은 상호 작용에서 발생합니다.
이러한 재구성이 중요한 이유는 지배적인 이론적 전통인 효율적 시장 가설과 합리적 기대 균형이 이러한 현상을 내생적으로 생성하는 데 어려움을 겪기 때문입니다. 해당 모델에서 가격은 기본 가치에 노이즈를 더한 것과 같으며, 큰 편차는 큰 외생적 충격을 필요로 합니다. 하지만 시장은 뉴스 없이도 붕괴합니다. 1987년 크래시, 2010년 플래시 크래시, 수많은 작은 에피소드: 펀더멘털은 그대로인데 가격이 격변했습니다. 균형 모델은 아무도 식별할 수 없는 충격을 가정하여 이를 설명합니다. 군집 모델은 이를 창발적인 현상, 즉 상호 작용하는 휴리스틱 에이전트 시스템의 정상적인 행동으로 설명합니다.
3.2 에이전트 기반 모델 (Agent-Based Models, ABM)
에이전트 기반 모델(ABM)은 이를 구체적으로 만듭니다. 다양한 에이전트로 시뮬레이션된 시장을 채우고, 각 에이전트에게 단순한 행동 규칙을 부여하고, 거래하게 한 다음, 가격에서 무엇이 나타나는지 관찰합니다. 가장 영향력 있는 설계는 근본주의자-차티스트 모델(Brock and Hommes, Lux and Marchesi 등)입니다.
- 근본주의자는 가격이 기본 가치로 회귀한다고 믿습니다. 가격이 가치보다 낮을 때 매수하고 높을 때 매도합니다. 단독으로 행동할 때, 그들은 시장을 안정시킵니다.
- 차티스트(추세 추종자)는 최근 움직임이 지속된다고 믿습니다. 가격이 상승하기 때문에 매수하고 하락하기 때문에 매도합니다. 단독으로 행동할 때, 그들은 시장을 불안정하게 만듭니다.
결정적인 요소는 전환입니다. 에이전트는 유형에 고정되지 않습니다. 그들은 최근에 더 수익성이 있었던 전략을 채택하고, 이웃이 하는 쪽으로 무리를 지어 이동합니다. 이것이 이산 선택 메커니즘입니다. 추세 추종이 최근에 성과를 거두면 차티스트의 비율이 증가합니다. 이 단일 피드백 루프만으로도 실제 시장이 보여주고 균형 모델이 생성하지 못하는 모든 양식화된 사실(stylized facts)을 생성하기에 충분합니다.
다음은 로그 가격 공간에서 이익 기반 전환을 사용한 최소한의 완전한 근본주의자-차티스트 시뮬레이션입니다.
1import numpy as np23rng = np.random.default_rng(4)4T = 5205log_fund = np.log(100.0) # 일정한 기본 가치6logp = [log_fund, log_fund] # 로그 가격, 2개의 시차 필요7frac_chartist = [0.5] # 차티스트인 개체군 비율8beta = 6.0 # 선택의 강도 (에이전트가 전환하는 속도)910for t in range(1, T):11 lp, lp1 = logp[-1], logp[-2]12 dev = lp - log_fund # 기본 가치와 가격의 괴리13 mom = np.clip(lp - lp1, -0.2, 0.2) # 최근 모멘텀 (마지막 로그 수익률)1415 # 마지막 실제 움직임에 대한 각 규칙의 실현 수익성16 actual = mom17 pi_c = np.tanh(60 * mom * actual) # 추세가 지속되면 차티스트가 맞음18 pi_f = np.tanh(60 * (-0.05 * dev) * actual) # 가격이 회귀하면 근본주의자가 맞음1920 # 이산 선택: 에이전트는 최근 수익성 있는 규칙으로 흐름 (로짓)21 ec, ef = np.exp(beta * pi_c), np.exp(beta * pi_f)22 target = ec / (ec + ef)23 target = np.clip(target + 1.8 * abs(mom), 0, 1) # 큰 움직임은 추세 추종 무리를 끌어들임2425 # 무리짓기 관성: 군중은 즉시가 아니라 점진적으로 변함26 share = np.clip(0.55 * frac_chartist[-1] + 0.45 * target + rng.normal(0, 0.025), 0.02, 0.98)2728 # 가격 영향: 차티스트는 모멘텀을 외삽하고, 근본주의자는 가치 쪽으로 끌어당김29 dl = share * 0.95 * mom + (1 - share) * (-0.05 * dev) + rng.normal(0, 0.014)30 dl = np.clip(dl, -0.12, 0.12)3132 logp.append(lp + dl)33 frac_chartist.append(share)3435price = np.exp(np.array(logp[1:]))
이 코드 어디에도 시장이 거품을 형성하라는 지시는 없습니다. "붕괴" 변수도 없습니다. 하지만 실행하면 거품과 붕괴가 나타나며, 이는 차티스트 비율의 급증과 일치합니다. 추세 추종이 수익을 내기 시작하면 군중이 몰려들고, 가격은 기본 가치에서 분리되며, 결국 분리가 평균 회귀를 압도적으로 수익성 있게 만들고, 군중은 뒤집히며 거품은 붕괴됩니다.
위쪽 패널은 100의 평평한 기본 가치를 중심으로 진동하는 가격으로, 120 쪽으로 거품이 있고 80 쪽으로 붕괴가 있습니다. 아래쪽 패널은 차티스트 비율입니다. 군중의 추세 추종 점유율의 정점은 가격 극단에 선행하고 이를 주도합니다. 이는 은유가 아닌 메커니즘으로 표현된 무리짓기 현상입니다.
3.3 자동으로 도출되는 양식화된 사실
실제 금융 수익률은 가우시안 무작위 보행 모델이 재현하지 못하는 잘 문서화된 통계적 특징을 가지고 있습니다. 에이전트 기반 군집 모델은 추가 가정 없이 이를 내생적으로 생성합니다.
- 두꺼운 꼬리 (과도 첨도). 극단적인 수익률은 정규 분포가 예측하는 것보다 훨씬 더 흔합니다. 무리짓기가 에이전트를 동기화하고 움직임을 증폭시키기 때문입니다.
- 변동성 군집. 큰 움직임 뒤에는 큰 움직임이 따릅니다. 차티스트 체제가 지배적일 때 변동성은 높고 지속적입니다. 근본주의자가 지배적일 때 시장은 조용합니다. 전환이 군집을 생성합니다.
- 수익률의 선형 자기상관 부재와 절대 수익률의 강한 자기상관 공존. 시장은 방향면에서는 예측 불가능하지만 변동성면에서는 매우 예측 가능하며, 이는 정확히 ABM이 생성하는 방식입니다.
우아한 균형 모델이 외생적 충격을 덧붙여야 하는 반면, 멍청한 상호 작용 에이전트의 모델이 실제 시장의 정확한 통계적 지문을 재현한다는 사실은 군집 프레임이 가격이 실제로 어떻게 형성되는지에 대해 어떤 진실을 포착하고 있음을 보여주는 가장 강력한 증거입니다.
파트 4: 참조 아키텍처
이 모든 것을 실제로 운영하려면 최적화 도구와 시뮬레이션 렌즈가 하나의 스택에 들어맞습니다. 군집 코어는 전략을 입자로 취급하고 전략 공간을 탐색합니다. 적합도 평가자는 전진 분석 백테스트를 실행합니다. 위험 게이트는 어떤 최적화 프로그램도 위반할 수 없는 엄격한 제약 조건을 시행합니다. ACO는 실행 라우팅을 처리합니다. 그리고 에이전트 기반 시뮬레이터는 합성적이지만 현실적인 시장에 대해 전략을 스트레스 테스트하고 역사적 기록에 포함되지 않은 시나리오를 생성하는 데 사용될 수 있습니다.
피드백 루프는 설계의 핵심입니다. 자연에서 환경이 계속해서 군집을 재형성하듯이, 적합도와 위험은 지속적으로 군집을 재형성합니다. 위험 게이트는 협상의 대상이 아니며 최적화 외부에 위치합니다. 샤프 비율을 최적화하는 군집은 기회가 주어지면 백테스트에서 최적이지만 꼬리 위험에서 파멸적인 포지션을 취할 것입니다. 게이트가 이를 막습니다.
파트 5: 솔직한 한계
군집 방법은 마법이 아니며, 실패 모드는 구체적입니다.
과적합이 지배적인 위험입니다. 모든 블랙박스 최적화 프로그램은 노이즈를 포함하여 샘플을 가장 잘 설명하는 파라미터 세트를 찾는 기계입니다. 최적화 프로그램이 더 빠르고 강력할수록 이는 더 위험합니다. 전진 분석과 샘플 외부 규율은 필수입니다.
최적성 보장이 없습니다. PSO와 ACO는 메타휴리스틱입니다. 그들은 일반적으로 훌륭한 해결책을 찾습니다. 그들은 아무것도 증명하지 않습니다. 진정으로 볼록한 문제의 경우 볼록 솔버를 사용하여 인증된 최적점을 얻으십시오. 고전적 방법에 필요한 구조가 없을 때만 군집을 사용하십시오.
하이퍼파라미터 민감도. 관성 가중치, 가속 계수, 군집 크기, 증발률: 이는 중요하며, 튜너를 튜닝하는 것은 또 다른 과적합 계층의 위험을 초래합니다. 합리적인 기본값(PSO의 w=0.72, c1=c2=1.49 수축 값)이 그럴 만한 이유로 존재합니다.
ABM은 설명적이지 예측적이지 않습니다. 에이전트 기반 모델은 시장의 질적 행동, 거품과 두꺼운 꼬리를 훌륭하게 재현합니다. 다음 주 화요일의 가격을 알려주지는 않습니다. 그 가치는 메커니즘 이해, 스트레스 테스트, 시나리오 생성에 있으며, 지점 예측에 있지 않습니다.
반사성 함정. 충분한 자본이 유사한 군집 발견 전략을 실행할 때, 해당 전략은 시장 역학의 일부가 되어 자신의 우위를 침식합니다. 지도가 영역을 변경합니다. 이는 방법론의 결함이 아닙니다. 군집 프레임이 가르쳐주는 가장 깊은 진리입니다. 당신은 외부에서 군집을 분석하고 있는 것이 아닙니다. 당신은 그 내부의 에이전트이며, 당신의 페로몬 흔적은 다른 모든 사람이 다음에 어디로 갈지 바꿉니다.
최종
이 글의 두 부분은 실제로 두 각도에서 본 하나의 아이디어입니다. 군집 최적화는 금융 문제가 추하고, 기만적이며, 비볼록한 지형에 존재하고, 사회적 매력이 있는 분산된 확률적 탐색이 정확히 그러한 지형을 위해 구축되었기 때문에 금융 문제에서 작동합니다. 그리고 시장이 그러한 지형을 처음부터 생성하는 이유는 시장 자체가 군집, 즉 단순하고, 무리 지으며, 전환하는 에이전트들의 거대한 개체군이며, 그들의 상호 작용이 어떤 균형 모델도 의도하지 않은 거품, 붕괴, 두꺼운 꼬리를 창발적으로 생성하기 때문입니다.
두 번째 요점을 이해하면 첫 번째 요점을 더 잘하게 됩니다. 최적화하는 표면이 군집에 의해 생성되었다는 것을 기억할 때, 어떤 단일 최적점도 신뢰하지 않게 되고, 비정상성을 존중하게 되며, 위험 게이트를 구축하게 되고, 전략이 실제 규모로 움직이는 순간 군집의 관찰자였던 자신이 군집의 일부가 되었다는 사실을 결코 잊지 않게 됩니다.
