포트폴리오 최적화의 병렬 실행과 클러스터 설계

본 논문은 장기적인 자산·부채 관리(ALM) 전략을 구현하는 과정에서 발생하는 대규모 계산 문제를 해결하기 위해, 다중코어 PC와 PC 클러스터를 활용한 병렬 실행 방안을 제시한다. ALM 모델은 투자·기여 전략을 경제·부채 시나리오에 적용해 총수익, 위험, 의무 추정치를 산출하는 복합 함수(DES)와, 시나리오 집합(SCEN), 목표 함수 등으로 구성된 DDR(Dynamic Decision Rule)을 기반으로 한다. 실제 적용에서는 100~10 000개의 시나리오와 5 000개의 파라미터 조합을 탐색해야 하며, 목표 함수와 파라미터 공간이 비볼록(convex)하지 않아 휴리스틱(예: Tabu Search) 방법을 사용한다. 병렬화 전략은 크게 두 가지로 나뉜다. 첫 번째는 파라미터 영역을 노드별로 나누고 각 노드가 전체 시나리오를 사용해 최적화를 수행하는 방식이며, 두 번째는 시나리오 집합을 분할하고 모든 파라미터에 대해 각 노드가 동시에 계산하도록 하는 방식이다. 두 번째 방식은 통신량이 증가하지만 시나리오 복제 비용을 절감하고, 파라미터 분배의 복잡성을 회피할 수 있다. 저자는 두 번째 방식을 채택하고, 시나리오를 균등하게 분배하기 위한 “Portion_Size = ⌊N/M⌋, Rest = N − Portion_Size·M” 알고리즘을 제시한다. 이를 통해 각 노드가 차이 1 이하의 시나리오 수를 처리하도록 보장한다. 클러스터 구조는 초기에는 마스터‑슬레이브 형태의 1‑레벨 트리를 사용한다. 마스터는 파라미터를 선택하고 슬레이브에게 전달하며, 슬레이브는 할당된 시나리오 조각에 대해 DES를 실행하고 결과를 마스터에게 반환한다. 그러나 이 구조는 네트워크 버스에 대한 순차적 접근이 병목이 될 수 있다. 이를 해결하기 위해 2‑레벨 트리와 링 구조를 도입한다. 2‑레벨 트리에서는 상위 마스터가 하위 마스터에게 작업을 분배하고, 하위 마스터가 다시 슬레이브에게 전달한다. 이렇게 하면 동시에 여러 노드가 통신할 수 있어 확장성이 향상된다. 링 구조는 각 노드가 두 개의 NIC를 사용해 이웃 노드와만 직접 통신하도록 설계되어, 네트워크 포트 수를 최소화하면서도 병목을 피한다. 또한 링‑오브‑링(다중 레벨 링) 구조를 제안해 지역 차수를 4 이하로 유지하고, 고장 격리와 신뢰성을 강화한다. 목표 함수와 그라디언트 계산에서도 효율적인 병렬화를 설계한다. 행렬 A(의존 변수와 독립 변수 사이의 선형 관계)를 한 번만 전송하고, 각 슬레이브가 자신에게 할당된 행을 이용해 종속 변수 값을 병렬로 계산한다. 마스터는 각 슬레이브가 반환한 부분 결과를 집계해 최종 목표 함수 값을 산출한다. 그라디언트 계산은 행과 열을 모두 필요로 하지만, 메모리 사용량을 늘리는 대신 통신량을 최소화하는 전략을 채택한다. 실험은 2.4 GHz CPU와 1 GB 메모리를 갖춘 Intel PC를 사용하고, 1 Gbps 이더넷으로 연결된 클러스터 환경에서 수행되었다. 소프트웨어는 C#으로 구현되었으며, 통신은 TCP와 UDP 두 가지 방식으로 테스트했다. 시나리오 수를 500에서 10 000까지 변화시키면서 클러스터 규모(1~3대)별 실행 시간을 측정했으며, 결과는 시나리오 수에 비례해 선형 가속을 보였다. 특히 UDP는 TCP에 비해 통신 오버헤드가 현저히 낮아 전체 가속에 크게 기여한다. 실험 데이터는 “Tc = Ts/m + m·TransactionTime”이라는 모델식으로 잘 설명되었으며, 실제와의 오차는 7 % 이하였다. 결론적으로, 본 연구는 ALM과 같은 대규모 시나리오 기반 포트폴리오 최적화 문제에 대해, 시나리오 분할과 파라미터 동시 평가를 결합한 병렬화 전략이 효과적임을 입증한다. 또한 트리형 및 링형 클러스터 구조를 비교 분석함으로써, 규모가 커질수록 통신 병목을 최소화할 수 있는 설계 원칙을 제시한다. 이러한 접근은 저비용 멀티코어 PC와 일반 이더넷 기반 클러스터를 활용해 실무에서 바로 적용 가능하며, 향후 더 큰 규모의 금융 모델링에도 확장 가능성을 제공한다.