💰 quantitative finance

Hedging and Pricing European-type, Early-Exercise and Discrete Barrier Options using Algorithm for the Convolution of Legendre Series

이 논문은 Chebfun 프레임워크 내에서 르장드르 급수 컨볼루션을 위한 CONLeg 알고리즘을 적용함으로써, 레비 프로세스 하에서의 유럽형, 조기 행사 및 이산 장벽 옵션의 가격 결정과 헤징을 위한 quadrature-free 방식의 고정밀 방법을 소개하며, 기존 기술과 비교하여 다양한 시장 조건 및 옵션 유형 전반에 걸쳐 우수한 성능을 입증한다.

원저자: Tat Lung Chan, Nicholas Hale

게시일 2026-06-04

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Tat Lung Chan, Nicholas Hale

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 금융 설계자라고 상상해 보십시오. 당신은 지가(주식)의 움직임에 따라 주택(옵션)의 미래 가치를 예측하려고 합니다. 금융 세계에서 이러한 예측은 종종 시장의 "도약(jumps)"이나 표준 수학 모델이 처리하기 힘들어하는 기이하고 예측 불가능한 행동들로 인해 복잡해지곤 합니다.

이 논문은 이러한 가격 책정의 난제들을 해결하기 위해 CONLeg(CONvolution of Legendre series의 약자)라는 새로운 도구를 소개합니다. 이 도구가 어떻게 작동하는지 일상적인 비유를 통해 설명하겠습니다.

1. 문제점: "들쭉날쭉한 가장자리" 이슈

전통적인 옵션 가격 결정 방식은 종종 고속 푸리에 변환(FFT)이라는 기술에 의존합니다. FFT를 직선만을 그릴 줄 아는 자를 사용하여 매끄러운 곡선을 그리려는 시도라고 생각하십시오. 시장 데이터가 "매끄러우면"(예측 가능하면) 이 방식은 잘 작동합니다. 하지만 시장 데이터가 "들쭉날쭉"하거나 갑작스러운 급등(예: 주가가 예상치 못하게 튀는 경우)이 있을 때, 이 자는 **깁스 현상(Gibbs phenomenon)**이라고 불리는 "들쭉날쭉한 가장자리" 효과를 만들어냅니다. 이는 마치 산맥의 사진을 자를 사용하여 따라 그리려는 것과 같습니다. 산의 봉우리와 골짜기에서 원치 않는 노이즈와 물결이 생겨나 예측의 정확도를 떨어뜨립니다.

다른 방법들은 단일 지점에서의 가격 "스냅샷"을 찍는 방식을 사용하기도 합니다. 하지만 금융에서는 단순히 집 한 채의 가격을 알고 싶은 것이 아니라, 거리의 모든 집의 가격을 한꺼번에 알고 싶은 것입니다.

2. 해결책: "매끄러운 화가" (CONLeg)

저자들은 **르장드르 급수(Legendre series)**와 **체비쇼프 급수(Chebyshev series)**를 사용할 것을 제안합니다. 이것들을 자가 아닌, 유연하고 매끄러운 붓 세트라고 상상해 보십시오.

비유: 들쭉날쭉한 선을 직선 자에 억지로 맞추는 대신, CONLeg 방식은 이 유연한 붓들을 사용하여 옵션 가격의 전체 곡선을 "그립니다".
마법: 이 방식은 가격 책정 공식을 **합성곱(convolution)**으로 취급합니다. 간단히 말해, 합성곱은 하나의 모양을 다른 모양 위로 미끄러지듯 움직이며 어떻게 겹치는지를 보는 것과 같습니다. 논문은 "페이오프 형상"(옵션을 행사했을 때 얻게 되는 것)을 "확률 형상"(주가가 움직일 가능성) 위로 이 매끄러운 붓들을 사용하여 미끄러뜨리는 방법을 보여줍니다.

3. 왜 더 나은가: "전체 지도" vs "단일 핀"

대부분의 기존 방법은 "이 옵션의 가격은 5달러입니다"와 같이 지도 위의 단일 지점에 핀을 꽂아줍니다. 만약 약간 다른 행사가격에 대한 가격을 알고 싶다면, 새로운 핀을 꽂기 위해 전체 계산을 다시 수행해야 합니다.

CONLeg 방식은 다릅니다. 이 방식은 단지 핀 하나를 주는 것이 아니라, 전체 지도를 그려냅니다.

비유: 특정 집 한 채의 가격을 계산하는 대신, CONLeg는 한 번에 동네 전체의 가격을 계산합니다. 이 방식은 특정 주가 범위 내의 어떠한 주가에 대해서도 즉각적으로 가격을 알려주는 연속적인 곡선(함수)을 생성합니다.
이점: 이를 통해 트레이더들은 "그리스 지표(Greeks)" 곡선(델타, 감마와 같은 민감도 측정치)을 끊어진 점들의 집합이 아닌 매끄러운 선으로 볼 수 있습니다. 이는 헤징(리스크 방어)을 할 때 매우 중요한데, 시장이 움직일 때 리스크가 어떻게 변하는지를 특정 순간만이 아니라 전체적으로 보여주기 때문입니다.

4. "혼란스러운" 시장을 다루는 법

논문은 **레비 프로세스(Lévy processes)**에 의해 구동되는 다양한 유형의 시장을 대상으로 이 방법을 테스트합니다.

비유: 잔잔한 호수(표준 시장)와 갑작스럽고 격렬한 파도가 치는 거친 바다(도약이 있는 시장)를 생각해 보십시오.
주장: CONLeg 방식은 "물이" 거칠 때도 잘 작동합니다. 이 방식은 "매끄럽지 않은" 확률 밀도(거친 파도)를 처리하면서도 정확도를 잃지 않습니다. 현재 시장 가격에서 매우 멀리 떨어진 옵션("깊은 내가격 또는 외가격")과 만기가 아주 가깝거나 아주 먼 옵션까지도 모두 가격을 책정할 수 있습니다.

5. 도구 상자: Chebfun

저자들은 이 작업을 Chebfun이라는 소프트웨어 패키지를 사용하여 구축했습니다.

비유: 표준 코딩이 계산기로 직접 수학 문제를 푸는 것이라면, Chebfun은 함수를 하나의 완전한 객체로 이해하는 로봇을 가진 것과 같습니다. 저자들은 이 로봇을 사용하여 합성곱의 복잡한 수학적 과정을 훨씬 쉽게 구현하고 "그리기" 과정을 자동화했습니다.

요약된 주장

논문의 내용은 다음과 같습니다:

정확도: CONLeg는 시장 데이터가 거칠거나 들쭉날쭉할 때도 매우 정확하며, COS, SWIFT, CONV와 같은 기존 방식들과 대등하거나 그 이상의 성능을 보여줍니다.
효율성: 점 단위로 계산하는 대신, 순식간에 전체 가격 곡선과 리스크 측정치를 생성합니다.
다재다능함: 유럽형 옵션(고정 만기), 미국형 옵션(언제든 행사 가능), 버뮤다형 옵션(특정 날짜에 행사 가능), 배리어 옵션(가격이 특정 지점에 닿으면 소멸) 모두에 적용 가능합니다.
강건성: 매끄러운 시장과 "도약이 있는" 시장(갑작스러운 폭락이나 급등이 있는 시장) 모두를 효과적으로 처리합니다.

요약하자면, 이 논문은 이전의 기술들보다 더 매끄럽고, 포괄적이며, 시장의 혼돈에 더 강하게 옵션의 미래 가치를 "그려내는" 새로운 방법을 제시합니다.

기술 요약: 르장드르 급수(Legendre Series)의 합성(Convolution) 알고리즘을 이용한 유럽형, 조기 행사 및 이산 배리어 옵션의 헤징과 가격 결정

문제 제기
본 논문은 일반적인 레비 프로세스(Lévy processes) 하에서 유럽형, 조기 행사(아메리칸/버무단), 이산 모니터링 배리어 옵션을 포함한 다양한 금융 파생상품의 가격 결정 및 헤징 문제를 다룹다. 기존의 수치적 기법들은 다음과 같은 구체적인 한계에 직면해 있다:

FFT 기반 방식 (예: CONV): 대중적이지만, 확률 밀도 함수(PDF)를 근사하거나 비매끄러운 특징을 가진 옵션을 가격 결정할 때 충분한 정확도를 확보하기 위해 매우 많은 수의 푸리에 항(Fourier terms)이 필요할 수 있어 계산 비용이 많이 든다.
구적법 기반 방식 (예: QUAD): 이 방식들은 종종 폐쇄형(closed-form) PDF에 의존하거나 FFT를 통해 특성 함수를 역변환해야 한다. 또한, 이들은 일반적으로 개별 점(point) 값을 생성할 뿐 연속적인 가격 곡선을 생성하지 못하며, 옵션 그리스(Greeks, 민감도) 계산 시 1차 유한 차분(finite differences)에 국한되어 정확도가 떨어질 수 있다.
급수 전개 방식 (예: COS, SWIFT): COS 방식은 지수적 수렴성을 제공하지만, 계산 도메인을 사전 선택해야 하며, 도메인이 부적절할 경우 시간이 지남에 따라 오차가 재귀적으로 전파되어 조기 행사 옵션의 잘못된 가격을 초래할 수 있다. SWIFT 방식은 조기 행사 특징을 다루지만, 스케일 파라미터를 휴리스틱하게 선택하기 때문에 지수적 수렴에 대한 이론적 증명이 부족하다. 또한, 이러한 방식들은 대개 그리스(Greeks) 계산 문제를 다루지 않는다.

방법론
저자들은 유한 르장드르 급수를 사용하여 옵션 가격 결정 및 헤징 공식을 근사하는 CONLeg 방법을 제안한다. 이 방법론은 다음 구성 요소들을 통합한다:

르장드르 급수의 합성 (Convolution of Legendre Series): Hale 및 Townsend (2014a)에서 채택된 핵심 알고리즘으로, 두 함수(페이오프 함수와 반사된 PDF)의 합성을 유한 르장드르 급수를 사용하여 근사한다. 이 접근 방식은 비주기적 함수의 FFT 근사 시 발생하는 깁스 현상(Gibbs phenomenon)을 피하기 위해, 합성 도메인을 좌측 및 우측 조각( $h_L$ 및 $h_R$ )으로 나누고 3항 재귀 관계(three-term recurrence relation)를 통해 계수를 계산한다.
Chebfun 프레임워크: 이 방법은 함수를 체비쇼프 급수(Chebyshev series)로 표현하는 MATLAB 시스템인 Chebfun을 사용하여 고정밀(약 15자리) 적응형 근사를 수행한다.
비매끄러운 PDF 처리: PDF가 매끄럽지 않거나 폐쇄형이 없는 프로세스(예: Variance Gamma, CGMY)의 경우, 다음을 활용한다:
- 복소 푸리에 급수 (CFS): 폐쇄형이 없는 경우 PDF를 표현하기 위해 사용한다.
- 푸리에-파데(Fourier–Padé) 방법: PDF의 특이점(singularities)을 찾아내고 정확한 조각별 근사를 구축함으로써 깁스 현상을 해결한다.
가격 결정 및 그리스(Greeks) 공식화:
- 가격 결정 (Pricing): 옵션 가격은 합성 적분 $V(x,K,t) \approx e^{-r(T-t)}K (f_M * g_N)(\tilde{x})$ 로 공식화된다. 개별 점 값을 계산하는 방식과 달리, CONLeg는 일련의 행사가 또는 현물 가격 범위에 대해 연속적인 가격 곡선(조각 다항식)을 생성한다.
- 헤징 (Greeks): 가격이 체비쇼프/르장드르 급수로 표현되기 때문에, 미분(Delta, Gamma, Vega)은 급수를 미분함으로써 분석적으로 계산되며, 이를 통해 유한 차분법의 부정확성을 피한다.
옵션 유형에 대한 적용:
- 유럽형/버무단/아메리칸: 이 방법은 재귀적 가격 결정 방정식을 공식화한다. 아메리칸 옵션의 경우, 버무단 옵션 가격에 리처드슨 외삽(Richardson extrapolation)을 적용한다.
- 배리어 옵션: 배리어 레벨을 조각 다항식 근사의 분기점(breakpoints)으로 취급하여 이산 모니터링을 처리한다.
도메인 선택: 계산 구간 $[c, d]$ 는 기초 자산인 레비 프로세스의 누적 모멘트(cumulants)를 사용하여 PDF 질량의 대부분을 포착하도록 결정된다.

주요 기여

곡선 생성 (Curve Generation): 주요 기여는 개별 점 값이 아닌 옵션 가격 및 그리스 곡선(S 또는 K의 함수)을 생성할 수 있는 능력이다. 이는 합성 적분을 직접 근사함으로써 달성된다.
구적법 불필요 (Quadrature-Free) 접근법: 직교 다항식(르장드르 및 체비쇼프)의 성질과 합성 정리를 활용하여, 수치적 적분 가중치가 필요 없는 구적법 불필요 접근법을 제공한다.
비매끄러움에 대한 강건성: 푸리에-파데 기술을 사용하여 특이점을 찾고 처리하는 한, 리스크 중립 PDF가 매끄럽지 않거나 특이점을 포함하더라도 높은 정확도를 입증한다.
유연성: 폐쇄형 PDF 존재 여부와 상관없이 광범위한 확률 과정(GBM, VG, NIG, CGMY)에 적용 가능하며, CFS 표현을 통해 특성 함수와 함께 작업할 수 있다.
구현: Chebfun을 사용한 개념 증명 구현을 제공하여, 함수 기반 컴퓨팅을 활용한 금융 모델링의 편의성을 강조한다.

수치 결과
본 논문은 다양한 모델과 옵션 유형에 대해 CONLeg를 기존 방식들(COS, filter-COS, CONV, Lewis-FRFT, QUAD-CONV, SWIFT)과 비교하는 수치 실험을 제시한다:

유럽형 옵션: Black-Scholes (GBM) 모델 하에서, CONLeg는 1000개 지점에 대해 0.1초 미만의 시간 내에 가격, Delta, Gamma에 대해 기계 정밀도 수준의 정확도( $R_\infty \approx 10^{-14}$ )를 달성한다. 만기가 긴 옵션(T=50, 100)에서도 높은 정확도를 유지한다.
단기 만기/비매끄러운 PDF: 날카로운 피크를 가진 PDF와 특이점이 존재하는 Variance Gamma (VG) 모델에서, CONLeg는 CONV, Lewis-FRFT, QUAD-CONV보다 뛰어난 성능을 보이며 COS 및 filter-COS 방식에 필적하는 정확도를 달성한다.
조기 행사 옵션: NIG 및 CGMY 모델 하에서의 버무단 및 아메리칸 옵션에 대해, CONLeg는 유사한 계산 시간 내에 COS 방식과 대등하거나 약간 상회하는 정확도를 보인다.
배리어 옵션: 이산 모니터링 배리어 옵션(일간 및 월간)의 경우, CONLeg는 정확도와 계산 시간 측면에서 SWIFT 방식과 대등한 성능을 보인다.

의의 및 주장
저자들은 수치 실험을 통해 CONLeg 방법이 기존 기법들과 대등하거나 유리한 성능을 제공한다고 주장한다. 이 방법의 의의는 다음과 같다:

정확도: 비매끄러운 PDF 하에서도 깊은 내가격(ITM)/외가격(OTM) 옵션 및 다양한 만기에 대해 높은 정확도를 제공한다.
곡선 생성의 효율성: 전체 가격 및 헤징 곡선을 효율적으로 생성하며, 이는 개별 점을 계산하는 것보다 모델 캘리브레이션 및 리스크 관리에 유리하다.
이론적 강건성: 재귀적 가격 결정을 위한 COS 방식의 도메인 선택 문제를 피하고, 푸리에-파데를 통해 특이점을 처리하는 체계적인 방법을 제공한다.
실용성: 저자들은 현재의 Chebfun 기반 구현이 적응형 절차로 인해 오버헤드가 발생할 수 있음을 인정하면서도, 이 방법이 함수 기반 합성의 실용성을 보여주는 "개념 증명"임을 밝힌다. 그들은 수렴 속도에 대한 공정한 효율성 비교를 위해 비적응형 버전이 필요할 것이라고 언급하면서도, 현재의 결과가 유망하다고 보고한다.

본 논문은 향후 연구를 통해 이 방법을 타임 체인지드 레비 프로세스(time-changed Lévy processes) 및 확률 변동성(stochastic volatility) 모델 하의 경로 의존형 옵션으로 확장할 것이라고 결론짓는다.