Crisis-Aware Variational Autoencoders for Stress Testing Volatility Surfaces

技術要約：ボラティリティ・サーフェスのストレス・テストのためのクライシス・アウェア・バリエーショナル・オートエンコーダー

問題提起
エキゾチック・デリバティブのボラティリティ・サーフェスに対するストレス・テストは、リスク管理における根本的な課題である。従来の手法は、単一の点ではなくサーフェスの構造全体に依存するインストルメント（例：バリア・オプション、バリアンス・スワップ、TARF）に適用する場合、決定的な限界がある。

• ヒストリカル・シミュレーションは、観測された市場状態に縛られており、新規の危機シナリオを生成することができない。
• パラメトリック（デルタ・ガンマ）手法は、一様なショック（平行シフト）を適用するが、これはサーフェスの内部整合性（スマイルのダイナミクスや期間構造）を破壊し、テイラー展開による符号反転エラーにより、パス依存型のペイオフに対して壊滅的な失敗を招くことが多い。
• GARCHベースの手法はボラティリティ・クラスタリングを捉えるが、スカラーレベルのモデル化にとどまり、ストレス時におけるサーフェスの複雑な形状変化を表現できない。
• 専門家による設計シナリオは、規制資本（FRTBなど）に求められる分布的リスク尺度（VaR、期待ショートフォール）を提供することなく、単一の点推定値のみを提供する。

核心的な困難は、無裁定条件（カレンダー・スプレッドおよびバタフライ・アービトラージの不在）を維持しつつ、新規かつ妥当で、内部整合性のあるストレス・サーフェスを生成することにある。

手法：クライシス・アウェア VAE
著者らは、明示的な危機の深刻度を条件付けとして、無裁定のボラティリティ・サーフェスを生成するように設計された**クライシス・アウェア・バリエーショナル・オートエンコーダー（Crisis VAE）**を提案している。このフレームワークは、ノーマル、ストレス、およびクライシス・レジームを網羅する、ヘストン・モデル（Bates ジャンプ拡散モデルによるロバストネス・チェックを含む）から生成された20,000の合成サーフェスを用いて学習されている。

主なアーキテクチャの革新性は以下の通りである：

1. 情報ボトルネックによるクライシス・コンディショニング： 5次元のクライシス指標ベクトル $c$（VIX類似指標、ボラ・オブ・ボラ、市場リターン、スキュー、および期間構造の傾きをエンコード）が、ボトルネック層（$5 \to 2$ 次元）を通過する。この圧縮されたベクトル $\tilde{c}$ は、潜在コード $z$ と結合されてデコーダに供給される。この設計は、役割の分離を強制する。すなわち、$\tilde{c}$ は危機の「深刻度」と「レジーム」を制御し、潜在コード $z$ はサーフェスの具体的な「形状」と「残差の詳細」をエンコードする。
2. ヘビーテイルなスチューデントt分布事前分布： 標準的なVAEが用いるガウス事前分布（過度な平滑化を招き、極端な値を過小評価する傾向がある）とは異なり、Crisis VAEは潜在空間において自由度 $\nu=4$ の多変量スチューデントt分布事前分布を採用している。これにより、経験的な危機の挙動と一致する、ファットテイルなシナリオの生成が促進される。事前分布のパラメータ $\mu(c)$ および $\sigma(c)$ は、$c$ に条件付けられた独立した「PriorNet」を介して学習される。
3. 無裁定制約： 学習目的関数には、カレンダー・スプレッド違反（総分散の非減少性）およびバタフライ・スプレッド違反（非負のリスク中立密度）に対する、微分可能なソフトなペナルティが含まれる。さらに、ブラック・ショールズ逆関数を介してコール価格に直接作用する精緻なペナルティを適用することで、ブリーデン・リッツェンバーガー条件をより良く近似している。生成後、サーフェスは、バリアンス・スワップのような連続的なインストルメントに対して厳密なコンプライアンスを確保するために、無裁定SVI（Stochastic Volatility Inspired）フィットを行う。
4. 学習目的関数： モデルは、再構成誤差、ガウス・エンコーダとスチューデントt事前分布間のKLダイバージェンス、アービトラージ・ペナルティ、およびデコーダが潜在コードを無視することを防ぐための「z-forcing」項を含む、クライシス条件付きエビデンス下限（ELBO）を最大化する。

主な結果
本フレームワークは、ダウン・アンド・イン・バリア・プット、TARF、バリアンス・スワップのポートフォリオを価格付けすることにより、4つのベンチマーク（ヒストリカル・シミュレーション、パラメトリック・デルタ・ガンマ、上限設定付きGARCH(1,1)、専門家による規制上のシフト）に対して評価された。

• 精度と制御可能性： Crisis VAEは、最もタイトで制御可能なストレス推定値を生み出した。ダウン・アンド・イン・バリア・プットにおいて、P&Lの標準偏差は、ヒストリカル・シミュレーション（$1.50）やGARCH（$1.43**）と比較して、深刻なレジーム下でも **$0.37 と極めて低かった。95%最小保有者利得（VaR）は **$6.67** であり、ヒストリカル（$4.92）およびGARCH（$4.94）を上回った。
• パラメトリック近似の失敗： デルタ・ガンマ近似は、バリア・オプションに対して構造的な失敗を示した。ボラティリティ・ストレス下で負のP&L（価値の喪失）を予測した（VaR95 = -$0.38）。この「符号反転」は、ボラティリティの上昇がノック・イン・プットの価値を厳密に高めるという理論的保証に矛盾しており、パス依存型エキゾチックに対する二次近似の不適切さを証明している。
• アービトラージ・コンプライアンス： 生成されたサーフェスは、離散グリッド上でカレンダー・スプレッド制約の違反をほぼゼロ（<0.8%）とし、バタフライ凸性を満たした（>97%）。SVIによる後処理により、違反はゼロに減少した。
• ロバストネス： 学習分布をHestonモデルからBates ジャンプ拡散モデルに切り替えても、手法のランキングは一貫しており、この知見が特定のボラティリティ・モデルではなく、アーキテクチャとインストルメントの特性に起因することを示している。
• 実データ検証： 2024年2月の実際のSPY市場サーフェスを用いたアウト・オブ・サンプル・テストにより、モデルがノーマル・レジームのサーフェスを再構成し、それらを正しいクライシス座標へマッピングできることが確認された。ただし、合成学習データは実世界の株式スキューの急峻さを過小評価している（Hestonモデルの既知の限界）。

意義と主張
本論文は、生成モデリングと規制要件の間の溝を埋める、原理的なストレス・テストの枠組みを確立したと主張している。その主な貢献は以下の通りである：

1. 制御可能なストレス生成： 指標ベクトル $c$ を通じた危機の深刻度の明示的な制御により、任意の信頼水準で分布的リスク尺度（VaR、ES）を生成でき、前向きで妥当なシナリオを求めるFRTBの要件を満たす。
2. サーフェスの整合性： パラレル・シフト手法とは異なり、Crisis VAEは、経済的に整合的かつ無裁定な、学習された非線形変形（スキューの急峻化、期間構造の逆転）を伴うサーフェスを生成する。
3. モデル・リスクの特定： パラメトリックなデルタ・ガンマ・アプローチが、パス依存型エキゾチック・デリバティブに対して根本的に欠陥があることを実証的な証拠をもって示し（符号反転の失敗）、フル・サーフェス再価格付け手法の必要性を提唱している。
4. アーキテクチャの新規性： 金融ストレス・テストに特化した、クライシス・コンディショニング・ボトルネックとヘビーテイルな事前分布の導入。これは標準的な生成モデルとは一線を画すものである。

限界と範囲
著者らは、手法のランキングと数値結果が合成データ（Heston/Bates）に基づいて検証されていることを明記している。本フレームワークは、ノーマル・レジームにおいては実市場データ上で正しく機能するが、合成学習分布は、実世界のクラッシュ保険プレミアムやマイクロストラクチャー効果（例：株式オプションに見られる急峻なスキュー）を完全には捉えていない。したがって、本論文は、Crisis VAEを「制御されたベンチマークにおける検証済み手法」として位置付けており、実市場でのライブ・モデルとしての展開は、今後の優先事項として特定されている、実際の危機時代のオプション・チェーン（2008年、2020年など）への正式なキャリブレーションを待つ段階にある。現在の結果は、実社会のモデルとしての最終的な検証ではなく、このアプローチの構造的な妥当性を確立するものと見なされるべきである。