260327 024_portfolio_rebalancing 코드 분석 — 종목 구성이 결과에 미치는 영향

260327 024_portfolio_rebalancing 코드 분석 — 종목 구성이 결과에 미치는 영향

핵심 질문: 포트폴리오 종목 구성이 달라지면 최종 결과가 달라지는가?
그리고 그것이 실제 포트폴리오 이론처럼 종목 간 구성에 따른 차별인가?

🗂️ 알고리즘 전체 구조

024_portfolio_rebalancing.py 는 5단계로 구성된 감성 기반 포트폴리오 리밸런싱 파이프라인이다.

flowchart TD
    A["🗂️ HstStockDoc\n(sentiment_state=ANALYZED)"] --> B
    C["📋 _MY_TICKER_SET\n13개 종목"] --> B

    B["Step 1\n_build_alpha()\nneutral preset"] --> D

    D{"Step 2\n레짐 감지\nvariance > 0.04?"}
    D -- "Yes → LLM 판단" --> E1["🤖 _regime_agent\nGPT 분류"]
    D -- "No → 임계값 분류" --> E2["avg > 0.3 → risk_on\navg < -0.3 → risk_off\nelse → neutral"]

    E1 --> F
    E2 --> F

    F["Step 3\n_build_alpha()\nregime preset으로 재계산"] --> G

    G["Step 4\nSoftmax\nw_i = exp(β·αᵢ) / Σexp(β·αⱼ)"] --> H

    H["📊 Portfolio 비중"] --> I

    I["Step 5\n🤖 _sanity_agent\nLLM 검수"]

🔬 알파(α) 계산 수식

각 종목의 알파는 다음 수식으로 계산된다:

🔍 2단계 — ticker_set 변경 시 변동 경로 추적

각 변수가 ticker_set에 의존하는지 분석한다.

✅ pop_max — ticker_set과 독립

pop_raw_list = [math.log1p(d.like_count + 0.5 * d.comment_count) for d in doc_list]
pop_max = max(pop_raw_list)  # doc_list 전체, ticker_set 무관

• doc_list는 sentiment_state=ANALYZED 전체 쿼리 → ticker_set이 바뀌어도 변동 없음

✅ E_d — ticker_set과 독립

abs_scores = [abs(s.score) for s in doc.sentiment_list if s.score != 0.0]
e_d = sum(abs_scores) / len(abs_scores)

• 문서 내 전체 sentiment_list 기준 계산 → ticker_set 필터 없음

⚠️ v_max — ticker_set에 의존 (핵심 변동 지점)

ticker_doc_cnt = {t: 0 for t in ticker_set}       # ticker_set으로 초기화
for doc in doc_list:
    for s in doc.sentiment_list:
        if s.ticker in ticker_set:                  # ticker_set 필터
            ticker_doc_cnt[s.ticker] += 1
v_max = math.log1p(max(ticker_doc_cnt.values()))   # ticker_set 전체의 max

🔴 문서량이 많은 종목을 추가/제거하면 v_max가 바뀐다 → 전체 종목의 V_d 스케일이 바뀐다 → 모든 종목의 doc_weight가 바뀐다 → 모든 alpha 값 변동

⚠️ 레짐 감지 — ticker_set에 간접 의존

vals = list(asset_alpha.values())
sentiment_avg = sum(vals) / len(vals)          # 전체 alpha 평균
variance = sum((v - sentiment_avg)**2 ...) / len(vals)  # 전체 alpha 분산

• alpha가 바뀌면 sentiment_avg, variance 변동
• variance > 0.04 임계값을 넘으면 LLM 레짐 분류 호출
• 레짐이 달라지면 Step3 가중치 프리셋이 바뀌어 alpha 전체 재계산

⚠️ Softmax 분모 — ticker_set에 직접 의존

• 종목 추가 → 분모 증가 → 기존 종목 비중 감소
• 이것은 “파이 나누기(pie splitting)” 효과로, 포트폴리오 이론적 분산 효과와는 무관

🏛️ 3단계 — 종목 간 상호작용 존재 여부

Modern Portfolio Theory (Markowitz, 1952) 의 핵심

• 공분산 행렬 $\Sigma$가 종목 간 상관관계를 집약
• 저상관 종목 추가 → 포트폴리오 리스크 직접 감소 (Diversification Effect)
• 최적화: $\min_w \; w^T \Sigma w$ (이차계획법)

📖 참고: Modern Portfolio Theory - Wikipedia

이 코드의 alpha 계산 구조

alpha_A ← A의 문서 감성 점수만 반영
alpha_B ← B의 문서 감성 점수만 반영
                              ← A와 B 사이 공분산: ❌ 없음

각 ticker의 alpha는 독립적으로 계산된다. 종목 간 수익률 상관계수나 공분산이 어디에도 나타나지 않는다.

📊 4단계 — MPT vs 이 코드 비교

📖 참고: Parametric portfolio with momentum sentiment - PLOS ONE

✅ 최종 결론

Q: 종목 구성이 달라지면 최종 결과가 달라지는가?
→ ✅ 달라진다

Q: 그것이 포트폴리오 이론처럼 종목 간 구성에 따른 차별인가?
→ ❌ 아니다

변동의 실제 원인 (3가지 아티팩트)

1. v_max 변동      → 정규화 스케일 변동 (의도치 않은 부작용)
2. 레짐 변동       → 전체 alpha 분포가 바뀌어 regime 분류 영향
3. Softmax 분모    → 파이 나누기 (종목 추가 = 파이 조각 재분배)

이 코드의 본질

이 코드는 감성 기반 모멘텀 모델이다.
종목 구성이 “분산 효과”나 “리스크 조정”에 영향을 주지 않으며,
포트폴리오 이론의 핵심인 공분산 행렬이 존재하지 않는다.

💡 개선 방향 (참고)

실제 포트폴리오 이론처럼 종목 간 구성 차별을 만들려면:

1. 수익률 시계열 수집 → 공분산 행렬 계산
2. alpha를 기대수익률로 활용 → Mean-Variance 최적화
3. MV_MS 하이브리드 모델: 감성 알파로 종목 선별 후, MPT로 비중 최적화

📖 참고: Fusion of Sentiment and Asset Price Predictions - arXiv

📚 참고 자료

• Modern Portfolio Theory - Wikipedia
• Portfolio Variance: Covariance Matrix - QuantInsti
• Parametric Portfolio + Momentum Sentiment - PLOS ONE
• Sentiment + Price Fusion for Portfolio - arXiv

📝 작성 시 사용한 프롬프트

C:\Users\hhd20\project\HhdStock\py\study\024_portfolio_rebalancing.py

이 로직을 분석해 보면
입력의 포트폴리오 종목 구성이 달라지면 최종결과에 변동이 있는가?
즉 실제 포트폴리오 이론처럼 종목간 구성에 따른 차별이 있는가?