In this paper, we address an individual asset-liability management problem that makes lifetime asset allocation and consumption decisions. We make decisions annually for a lifetime-long period under piecewise linear utility functions, which may incorporate multiple consumption goals of investors; transaction costs are also considered. The problem can be modeled as a Multistage Stochastic Linear Programing (MSLP) problem. Ordinary MSLP problems are solved by the Sample Average Approximation (SAA) method, which uses scenario trees. Unfortunately, however, our problem cannot be solved by the SAA method alone, because the size of the scenario trees grows exponentially as the number of stages increases. To solve the problem with large-scale scenario trees that have 10100 number of nodes, therefore, we use the Stochastic Dual Dynamic Programming (SDDP) algorithm, which overcomes the curse of dimensionality by assuming stage-wise independence. We provide a risk-neutral and a risk-averse version of model formulations, and empirically determine how individuals should change their risk-averseness as retirement approaches. In addition, we suggest a biased sampling method to enhance the convergence speed of the risk-averse model.

This paper proposes a goal-based investing model that is suitable for personalized wealth management, which only requires a few intuitive inputs from individuals such as wealth, investment, and consumption goals. In particular, priority levels can be assigned to consumption goals and our model assures maximum probability of achieving higher priority goals in a holistic approach. Furthermore, our model, which combines multi-stage stochastic programming and goal programming, is formulated as a linear programming problem that efficiently finds the theoretical optimal investment decision. With its simplicity, flexibility, and computational efficiency, the proposed goal-based investing model provides a new framework for automated investment management services.

Smart beta, which accounts for rule-based factor-tilting strategies that fall between active and passive investment, has emerged as an alternative to active investment after its major decline since the global financial crisis. In spite of the smart beta's remarkable commercial prosperity, many experts in both industry and academia share some concerns. Some of them believe that the marketing hype might confuse investors while others are concerned about the exposure to unintended risks that smart beta products might bring. In this study, we provide a comprehensive review of diverse perspectives from both practitioners and researchers on smart beta and we perform empirical and theoretical investigations on the efficiency of smart beta (or factor-tilting) strategies as investment building blocks. We find that factor-based investment building blocks may cause inefficiency under the mean-variance framework.

Traditionally, the private wealth management industry has been dedicated to high-net-worth individuals due to expensive service costs. However, robo-advisors are making sudden rises during the on-going FinTech revolution. Robo-advisors aim to provide personalized wealth management services for everyone by using automated investment management algorithms and online distribution channels. To reduce service costs, robo-advisors mainly use ETFs to construct investment portfolios. Therefore, Korean ETF market should grow in both quantity and quality, in order for robo-advisors to succeed in Korea. In this study, we first analyze how vulnerable the Korean ETF market is to external or internal shocks in comparison with the U.S. ETF market. Then, we derive the optimal introduction sequence of ETFs in the Korean ETF market based on the modern portfolio theory.

In quantitative portfolio management, combining optimization with estimation causes concern for asset managers because portfolio problems may be sensitive to deviations in their inputs, but obtaining accurate input estimates is a difficult task. Robust factor models address these concerns using factor models for estimating asset returns and worst-case approaches for gaining stability in portfolio performance. Recent studies on robust factor investing explore methods of incorporating factors into robust portfolio construction. In this article, the authors provide a survey that includes theoretical insight, empirical findings from historical data, and experience from practitioners in formulating and executing robust factor-based investment strategies.

급변하는 세계금융시장의 상황과 맞물려 최근 들어 금웅과 기술의 결합을 통한 핀테크 산업에 대한 관심이 커지고 있다. 이러한 핀테크 산업의 흐름에서 자산운용업을 담당하는 키워드가 바로 로보어드바이저이다. 로보어드바이저 산업은 은행의 자산관리사인 프라이빗뱅터의 업무 중에서 자동화 될 수 있는 부분만을 공학기술을 통해 제공하는 것으로, 최근 개인투자자들이 접근할 수 있는 투자자산의 다양화, 투자관련정보의 양적 급증, 가속화되는 정보전달속도로 인해 공학적 접근법과 시스템의 필요성이 대두되고 있다.

Lifetime financial planning has become extremely important due to increase in life expectancy and decrease in retirement age. In comparison to short-term investment management, lifetime financial planning must consider life circumstances such as current age, retirement age, and lifestyle. One methodology for representing an individual’s life stage is through human capital. This paper discusses human capital formulations and demonstrates calculations for various industries in Korea. Furthermore, the paper includes analysis on the effect of human capital in lifetime financial planning as oppose to only focusing on financial capital when performing portfolio optimization.

‘Advances in Financial Technologies and Applications to Investment Solutions for Individuals’ 컨퍼런스는 2019년 4월 2일 프랑스 파리에서 진행. 해당 컨퍼런스는 KAIST, 미국 프린스턴 대학, 중국 칭화대학교, 프랑스 EDHEC가 공동으로 2017년 부터 매년 개최하는 핀테크(FinTech)관련 국제 컨퍼런스로써, 자산운용산업의 핀테크, 로보 어드바이저 산업에 대해 전 세계의 학계, 산업계, 규제당국의 관계자가 참여하여 논의하는 장이다. 홍주환 박사, 김우창 카이스트 교수, 김장호 경희대 교수가 초청연사로서 국민연금연구원과 공동으로 연구를 진행한 국민연금·퇴직연금·개인연금을 포함한 자동 재무설계 모델을 시연하였으며 최장 시간 발표를 수행하였다.

‘State of the Art in Robo-Adivising Systems: Financial Technologies for Enhanced Social Security’ 컨퍼런스는 2018년 4월 12일과 13일 서울에서 진행. 해당 컨퍼런스는 KAIST, 미국 프린스턴 대학, 중국 칭화대학교, 프랑스 EDHEC가 공동으로 2017년 부터 매년 개최하는 핀테크(FinTech)관련 국제 컨퍼런스로써, 자산운용산업의 핀테크, 즉 로보 어드바이저 산업에 대해 전 세계의 학계, 산업계, 규제당국의 관계자가 참여하여 논의하는 장이다. 본 컨퍼런스에서 마이클 뎀스터 케임브리지 대학 교수, 김우창 카이스트 교수, 리오넬 마텔리니 EDHEC 교수, 존 멀비 프린스턴 교수 등 세계 최고 전문가들이 참여하여 자산운용산업 전반과 최신 동향에 대해 논의하였다.

‘Four-University Rotating FinTech Conference: Wealth Management Systems for Individual Investors’ 컨퍼런스는 2017년 4월 26일과 27일 미국 프린스턴 대학에서 진행. 해당 컨퍼런스는 KAIST, 미국 프린스턴 대학, 중국 칭화대학교, 프랑스 EDHEC가 공동으로 2017년 부터 매년 개최하는 핀테크(FinTech)관련 국제 컨퍼런스로써, 자산운용산업의 핀테크, 즉 로보 어드바이저 산업에 대해 전 세계의 학계, 산업계, 규제당국의 관계자가 참여하여 논의하는 장이다. Andrew Yao (Turing Award 수상자, 칭화대 핀테크 센터 센터장), John Bogle (Vanguard Group 창업자, Bogle Financial Markets Research Center 센터장), 김우창 (KAIST 교수, KAIST 자산운용미래기술센터 센터장), Lionel Martellini (EDHEC-Risk Institute 이사), John Mashey (Bell 연구소/실리콘 밸리 전산학자), John Mulvey (Princeton University 교수, Bendheim Center for Finance 설립 멤버) 등이 로보 어드바이저와 관련된 최신 연구 결과를 발표하며, 알리바바 산하의 앤트 파이낸셜과 메릴 린치 등은 자신의 로보 어드바이저 시스템을 시연하였다.

‘Four-University Rotating FinTech Conference: Wealth Management Systems for Individual Investors’ 컨퍼런스는 2017년 4월 26일과 27일 미국 프린스턴 대학에서 진행. 해당 컨퍼런스는 KAIST, 미국 프린스턴 대학, 중국 칭화대학교, 프랑스 EDHEC가 공동으로 2017년 부터 매년 개최하는 핀테크(FinTech)관련 국제 컨퍼런스로써, 자산운용산업의 핀테크, 즉 로보 어드바이저 산업에 대해 전 세계의 학계, 산업계, 규제당국의 관계자가 참여하여 논의하는 장이다. Andrew Yao (Turing Award 수상자, 칭화대 핀테크 센터 센터장), John Bogle (Vanguard Group 창업자, Bogle Financial Markets Research Center 센터장), 김우창 (KAIST 교수, KAIST 자산운용미래기술센터 센터장), Lionel Martellini (EDHEC-Risk Institute 이사), John Mashey (Bell 연구소/실리콘 밸리 전산학자), John Mulvey (Princeton University 교수, Bendheim Center for Finance 설립 멤버) 등이 로보 어드바이저와 관련된 최신 연구 결과를 발표하며, 알리바바 산하의 앤트 파이낸셜과 메릴 린치 등은 자신의 로보 어드바이저 시스템을 시연하였다.

고비용의 인력 대신 고도화된 알고리즘 기반의 소프트웨어를 활용한 온라인 자산관리인 로보 어드바이저의 2015년 현황을 살펴보고 국내외 대표적인 운용형, 자문형 로보 어드바이저 회사를 비교하였다. 또한, 한국 시장의 현황을 살피고, 국내에 상장되어 있는 ETF를 구분하여 한국 시장을 대표하는 각 지수를 따르는 ETF를 조사하는 것으로 국내에서의 로보 어드바이저 도입 가능성이 있는지 연구한 내용을 발표하였다.

Robust Equity Portfolio Management + Website offers the most comprehensive coverage available in this burgeoning field. Beginning with the fundamentals before moving into advanced techniques, this book provides useful coverage for both beginners and advanced readers. MATLAB code is provided to allow readers of all levels to begin implementing robust models immediately, with detailed explanations and applications in the equity market included to help you grasp the real-world use of each technique. The discussion includes the most up-to-date thinking and cutting-edge methods, including a much-needed alternative to the traditional Markowitz mean-variance model. Unparalleled in depth and breadth, this book is an invaluable reference for all risk managers, portfolio managers, and analysts.