← 주요 논문

논문 리뷰 · 2026년 11월 18일

AllocFlow: 원시 시장 데이터에서 포트폴리오 매매 결정을 바로 생성하는 Flow Matching 모델

AllocFlow: End-to-End Portfolio Trading Action Generation from Raw Market Data

강화학습전통 ML·추천·검색금융·보험 고급 추천 67 cs.LG Nanyang Technological University

Flow Matching 정책을 전략 모방학습으로 초기화한 뒤 그룹 상대 강화학습으로 다듬어, 암호화폐 무기한 선물에서 Teacher 전략을 모든 지표에서 앞서는 포트폴리오 배분을 얻었다.

문제

기존 퀀트 파이프라인은 신호 예측(알파)과 포트폴리오 구성을 따로 최적화한다. 그래서 학습 목표와 실제 배분·체결 목표가 어긋날 수 있다. 연속적인 다자산 배분 정책을 강화학습만으로 처음부터 배우는 방식은 샘플 효율이 낮고 불안정하다.

방법

사전학습된 금융 기반 모델 Kronos를 고정한 채, 자산별 시계열 Representation을 토큰으로 추출한다. 이를 조건으로 DiT 스타일의 교차 자산 Flow Transformer가 모든 자산의 부호 있는 목표 비중을 한 번에 생성한다. 비중 합은 0(달러 중립)으로 맞춘다. 1단계에서는 AlphaGen·AlphaSAGE 알파를 결합한 전략(AgenticAlpha)의 결정을 Flow Matching과 보조 손실로 모방한다. 2단계에서는 상태마다 후보 포트폴리오 8개를 샘플링하고, 같은 시장 경로에서 24시간 동안 유지했을 때의 Sharpe 비율로 비교하는 Flow-GRPO로 정책을 다듬는다. 이때 고정한 모방학습 정책을 기준점으로 써 업데이트가 크게 벗어나지 않게 한다.

결과

한계

평가는 거래량 상위 20개 암호화폐 무기한 선물의 시간 단위 데이터에 한정된다. 수수료는 5bp로 가정했고, 매매가 가격에 영향을 주지 않는 가격 수용자(Price Taker)를 전제한다. 저자들은 달러 중립이 베타 중립이나 위험 상한을 보장하지 않으며, 평가한 디코더에 총 노출 상한이 없다고 밝혔다. 다른 자산군에서의 검증은 제공된 본문에 없다.

의미

예측과 포트폴리오 구성을 분리하지 않고 시장 데이터에서 목표 포트폴리오를 바로 생성하는 접근을 보여준다. 이미지·로봇 분야에서 쓰이던 Flow 정책과 GRPO 계열 강화학습을 금융 배분 문제에 옮긴 사례로, 퀀트 운용 실무자가 참고할 만하다.

핵심 용어

Flow Matching
노이즈를 목표 데이터로 옮기는 속도장을 학습하는 생성 모델 기법이다. 여기서는 자산 전체의 비중 벡터를 한꺼번에 생성하는 데 쓴다.
Flow-GRPO
같은 상황에서 여러 후보를 샘플링하고 그룹 안의 상대적 보상으로 Flow 정책을 업데이트하는 강화학습 방법이다.
Calmar 비율
연환산 순수익을 최대 낙폭(MDD)으로 나눈 값이다. 손실 위험 대비 수익을 보여준다.
무기한 선물(Perpetual Futures)
만기 없이 매수(롱)와 매도(숏) 포지션을 계속 보유할 수 있는 암호화폐 파생상품이다.

원문

저자: Annan Wang, Yuchen Xie, Yu Cen, Leon Liangyu Chen, Qianyu Julie Zhu, Xin Li, Tianyi Wei, Weisi Lin · 게시 2026-11-15 · 라이선스 arXiv 비독점 배포 라이선스 · 본문 기준 분석

이 리뷰는 AI가 논문을 읽고 작성한 요약이며, 정확한 내용은 원문을 기준으로 확인해 주세요.