Cardinality constraint has been widely adopted for portfolio optimization to reduce the transaction cost and monitoring cost. In such problem, several methods were developed to avoid the occurring NP-hardness of the problem. However, most of them were unable to reach to solve the cardinality-constrained portfolio optimization in very short time. In this paper, we introduced Graph Convolutional Network to learn the asset selection of the problem to approximate the optimal solution of the cardinality-constrained portfolio optimization. Furthermore, a method to understand a correlation matrix as a weighted adjacency matrix has been developed in this paper. Lastly, we compared the optimality and time consumption of our method to the ones from common practice.
포트폴리오 최적화 문제에서는 거래 및 관리비용을 줄이기 위해 개수 제약식을 도입한다. 이때 NP-난해성을 피하기 위해 다양한 근사 방법이 제안되었지만, 매우 짧은 시간 내에 해를 도출하는 방법은 없었다. 이 논문에서는 그래프 합성곱 신경망을 사용하여 포트폴리오 최적화의 자산 선택을 학습하여 개수 제약식을 빠른 시간에 근사하는 방법을 탐구하고, 그 과정에서 상관계수 행렬을 인접행렬로 다루는 방법을 고찰한다. 또한 근사해의 최적성과 소요 시간을 실무에서 쓰이는 방법론과 비교하여 제안된 방법론이 어떤 특성을 지니는지 다루었다.
