Risk-indifference Pricing of American-style Contingent Claims

✨

이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

Each language version is independently generated for its own context, not a direct translation.

1. 배경: "미국식 옵션"과 불완전한 시장

먼저, 미국식 옵션이란 무엇일까요?

비유: 당신이 친구에게 "다음 달까지 내가 이 사과를 100 원에 살 수 있는 권리 (옵션)"를 준다고 상상해 보세요. 유럽식 옵션은 "다음 달 1 일에만" 살 수 있지만, 미국식 옵션은 "다음 달 1 일부터 만기일까지 언제든 내가 원하는 때에 살 수 있는 권리"입니다.
문제: 이 권리를 언제 행사할지 (사과를 살지 말지) 결정하는 것은 구매자의 몫입니다. 판매자는 "언제 사라고 할지 모르는데, 가격을 어떻게 정하지?"라고 고민하게 됩니다.

또한, 현실의 주식 시장은 불완전합니다.

비유: 완벽한 시장 (블랙 - 숄즈 모델) 은 날씨 예보가 100% 정확해서 우산 가격을 딱 정할 수 있는 상황입니다. 하지만 현실은 (변동성 모델) 날씨가 갑자기 변할 수 있어, 우산 가격이 100 원일 수도 있고 200 원일 수도 있는 범위만 알 수 있습니다. 이 넓은 범위 속에서 '공정한 가격'을 찾는 게 이 연구의 핵심입니다.

2. 핵심 아이디어: "무차별 가격 (Indifference Pricing)"

연구자들은 "공정한 가격"을 이렇게 정의합니다.

구매자의 입장: "이 옵션을 이 가격에 사서 시장에서도 거래를 계속하든, 아예 안 사서 시장만 거래하든, 내 위험 (불안감) 이 똑같다면 그 가격이 내 마음의 가격이야."
판매자의 입장: "이 옵션을 이 가격에 팔아서 시장에서도 헷지 (위험 방어) 를 하든, 아예 안 팔고 시장만 거래하든, 내 위험이 똑같다면 그 가격이 내 마음의 가격이야."

이를 **무차별 가격 (Indifference Price)**이라고 부릅니다. 마치 "이 커피를 5,000 원에 사도 좋고, 안 사서 5,000 원으로 다른 걸 사도 마음이 편안하다"라고 느끼는 그 지점입니다.

3. 구매자와 판매자의 다른 시선 (정보의 비대칭)

이 논문은 구매자와 판매자가 서로 다른 정보를 가지고 있을 수 있다고 가정합니다.

구매자: "내가 언제 사라고 할지 (행사할지) 내가 결정하니까, 그 시점을 미리 알고 전략을 짤 수 있어."
판매자: "구매자가 언제 사라고 할지 몰라. 내가 미리 알 수 없으니까, 구매자가 가장 나쁜 때 (가장 비싸게 팔거나 가장 늦게 팔아) 행사가 할 것이라고 가정하고, 그 worst-case(최악의 시나리오) 에 대비해서 가격을 정해야 해."

이 논문은 이 복잡한 상황을 수학적으로 완벽하게 정의하고, 두 사람의 가격이 어떻게 다른지 (구매자는 싼 가격, 판매자는 비싼 가격) 를 증명했습니다.

4. 수학적 도구: "거울 속의 미로" (BSDE-R-BSDE)

이 가격을 계산하기 위해 연구자들은 BSDE-R-BSDE라는 아주 복잡한 수학적 도구를 사용했습니다.

비유:
- BSDE (후방 확률 미분 방정식): 미래를 예측하며 현재로 돌아오는 길 (미로) 을 찾는 것 같습니다.
- RBSDE (반사된 BSDE): 이 미로에 **거울 (벽)**이 있어서, 가격이 벽에 닿으면 튕겨 나가는 상황입니다. (옵션을 행사할 때 가격이 벽에 닿는 것)
- BSDE-R-BSDE: 이 거울 (벽) 자체가 또 다른 미로로 이루어져 있다는 뜻입니다.
- 해석: "옵션을 행사했을 때의 가치"라는 벽이, "행사 후부터 만기까지 남는 위험"이라는 또 다른 미로에 의해 결정된다는 복잡한 구조입니다. 즉, 옵션을 행사한 후에도 시장은 계속 돌아가므로, 그 이후의 위험까지 계산에 넣어야 한다는 뜻입니다.

5. 해결책: 인공지능 (딥러닝) 의 등장

이 수학적 미로 (BSDE-R-BSDE) 는 손으로 풀기엔 너무 복잡하고 차원도 높습니다. 그래서 연구자들은 **딥러닝 (Deep Learning)**을 사용했습니다.

비유: 미로가 너무 복잡해서 지도를 그려도 못 찾겠다면, 수천 번 미로를 헤매본 AI에게 "가장 빠른 길 찾아줘!"라고 시키는 것과 같습니다.
연구자들은 AI 를 훈련시켜서, 다양한 주식 가격과 변동성 상황에서 옵션의 공정한 가격을 찾아내는 프로그램을 만들었습니다.

6. 실험 결과: "미소 (Smile) 패턴"

프로그램을 돌려보니 흥미로운 결과가 나왔습니다.

구매자 vs 판매자: 두 사람의 가격 차이는 절대적인 금액으로는 작지만, **변동성 (리스크)**으로 환산하면 차이가 뚜렷하게 나타났습니다.
미소 패턴: 시장에서는 보통 옵션 가격이 '미소' 모양 (중간은 낮고 양쪽 끝은 높은) 을 그리는데, 이 AI 가 계산한 가격도 실제 시장의 그 '미소' 패턴을 잘 따라갔습니다. 이는 이 방법이 현실 세계에서도 쓸모있다는 증거입니다.

7. 결론: 왜 이 연구가 중요한가?

이 논문은 다음과 같은 점을 강조합니다.

공정한 기준 제시: 불완전한 시장에서 미국식 옵션의 가격을 정할 때, 구매자와 판매자 모두에게 납득할 수 있는 '위험 기반'의 공정한 가격을 제시합니다.
실용성: 이론적으로만 존재하던 복잡한 수식을, 인공지능을 이용해 실제로 계산할 수 있게 만들었습니다.
정보의 중요성: 구매자와 판매자가 가진 정보의 차이가 가격에 어떻게 영향을 미치는지 명확히 보여줍니다.

한 줄 요약:

"복잡한 주식 옵션 가격을 정할 때, 구매자와 판매자가 서로 다른 정보를 가지고 있어도 인공지능을 이용해 위험을 고려한 가장 공정한 가격을 찾아내는 방법을 개발했습니다."

Each language version is independently generated for its own context, not a direct translation.

이 논문은 **완전 동적 볼록 위험 측정도 (Fully Dynamic Convex Risk Measures)**를 이용한 **미국식 파생상품 (American-style Contingent Claims) 의 위험 무차별 가격 결정 (Risk-Indifference Pricing)**에 대한 연구입니다. 저자들은 불완전 시장 환경에서 매수자와 매도자가 서로 다른 정보 (필터링) 를 가질 수 있는 상황을 가정하고, 이를 수학적으로 엄밀하게 정의한 후 확률적 변동성 (Stochastic Volatility) 모델 하에서 가격 결정 방정식을 유도하고 심층 학습 (Deep Learning) 을 통해 수치적으로 해결하는 방법을 제시합니다.

다음은 논문의 주요 내용을 기술적으로 요약한 것입니다.

1. 연구 배경 및 문제 제기 (Problem)

미국식 옵션의 가격 결정 난제: 미국식 옵션은 만기 전 언제든지 행사할 수 있어 유럽식 옵션과 달리 폐쇄형 해 (Closed-form solution, 예: Black-Scholes 공식) 를 구하기 어렵습니다.
불완전 시장의 한계: 완전 시장에서는 무차익 원칙 (No-arbitrage) 으로 유일한 가격이 존재하지만, 불완전 시장 (예: 확률적 변동성 모델) 에서는 무차익 가격이 하나의 구간 (상한/하한) 으로만 존재하며 실제 합리적인 가격을 제시하지 못합니다.
기존 연구의 한계:
- 기존 무차별 가격 (Indifference Pricing) 연구는 주로 효용 함수 (Utility Maximization) 기반이었으며, 미국식 옵션의 경우 매수자와 매도자의 관점 차이를 명확히 다루지 못했습니다.
- 특히 매도자의 경우, 매수자가 언제 행사가 결정하는지 (정지 시간, Stopping Time) 알 수 없으므로, 매수자의 행사가 시점을 예측하거나 정보 비대칭을 고려한 전략 수립이 필요했으나 이를 체계화한 연구는 부족했습니다.
목표: 위험 측정도 (Risk Measures) 를 기반으로 매수자와 매도자의 관점을 구분하여 미국식 옵션의 합리적인 가격 (무차별 가격) 을 정의하고, 이를 수치적으로 계산할 수 있는 프레임워크를 구축하는 것.

2. 방법론 (Methodology)

2.1. 일반적 설정 및 무차별 가격 정의

정보 비대칭 모델링: 매수자와 매도자가 서로 다른 필터링 ( $\mathcal{F}^{buy}, \mathcal{F}^{sell}$ ) 을 가진다고 가정합니다.
완전 동적 볼록 위험 측정도 (Fully Dynamic Convex Risk Measures): 시간 일관성 (Time-consistency) 을 만족하는 위험 측정도 $\rho_{s,t}$ 를 사용합니다. 이는 잔여 위험 (Residual Risk) 을 평가하는 데 사용됩니다.
매도자 가격 ( $P^{sell}$ ) 정의:
- 매도자는 매수자의 행사가 시점 $\tau$ 를 알 수 없으므로, 모든 가능한 정지 시간 $\tau$ 에 대해 최악의 경우 (Worst-case) 를 고려해야 합니다.
- 매도자는 행사가 시점 이후에도 시장에서의 헤징 전략을 계속 유지할 수 있어야 하므로, **행사가 시점에 따라 전략을 선택하는 함수 (Strategy Selection Function)**를 도입합니다.
- 공식: $P^{sell}_t = \text{essinf}_{H} \text{esssup}_{\tau} \rho_{t,T} \left( \int_t^T h^\tau_s dS_s - \xi_\tau \right) - \check{\rho}_{t,T}(0)$
매수자 가격 ( $P^{buy}$ ) 정의:
- 매수자는 자신의 정보에 기반하여 행사가 시점 $\tau$ 와 헤징 전략을 동시에 최적화하여 위험을 최소화합니다.
- 공식: $P^{buy}_t = \hat{\rho}_{t,T}(0) - \text{essinf}_{\tau} \hat{\rho}_{t,T}(\xi_\tau)$
무차익성 (No-Arbitrage): 정의된 가격이 매수자/매도자 모두에게 무차익 기회를 제공하지 않음을 증명했습니다.

2.2. 확률적 변동성 모델 및 BSDE-R-BSDE 유도

모델 설정: 주식 가격과 변동성 (V) 이 상관관계를 가진 확률적 변동성 모델을 가정합니다.
BSDE-R-BSDE (Backward Stochastic Differential Equation reflected at BSDE):
- 미국식 옵션의 가격 결정 문제는 **반사된 역확률 미분방정식 (RBSDE)**으로 표현됩니다.
- 본 논문의 핵심 기여는 반사 경계 (Reflection Boundary) 자체가 또 다른 BSDE 로 주어지는 구조를 발견한 것입니다.
- 경제적 의미: 행사가 시점 이후에도 옵션을 보유하는 것 (즉, 0 계약) 의 위험을 헤징할 수 있으므로, 단순한 행사 가치 ( $\xi_\tau$ ) 가 아니라, 행사 시점부터 만기까지의 잔여 위험을 반영한 경계 ( $\xi_\tau + Y_\tau$ ) 에서 반사가 일어납니다.
- 수학적 표현:
  - 매도자 가격: $P^{sell}_t = \check{R}^\xi_t - \check{R}^0_t$
  - 여기서 $(\check{R}, Y)$ 는 서로 연결된 두 개의 BSDE 시스템 (BSDE-R-BSDE) 의 해입니다.

2.3. 수치 해법: 심층 학습 (Deep Learning)

난이도: BSDE-R-BSDE 시스템은 4 차원 문제 (주식, 변동성, 그리고 두 개의 역방향 과정) 로, 전통적인 유한 차분법 (Finite Difference) 이나 트리 방법으로는 고차원 문제 해결이 어렵습니다.
해결책: Huré, Pham, Warin (2019) 이 제안한 반사된 심층 역방향 동적 프로그래밍 (Reflected Deep Backward Dynamic Programming, RDBDP) 알고리즘을 적용합니다.
- 신경망 (Neural Networks) 을 사용하여 BSDE 의 해 (값과 그라디언트) 를 근사합니다.
- 경계 조건 (Boundary Condition) 을 먼저 계산한 후, 이를 반사 경계로 사용하여 RBSDE 를 풀고 미국식 옵션 가격을 도출합니다.

3. 주요 결과 (Results)

이론적 정립: 매수자와 매도자의 정보 비대칭을 고려한 미국식 옵션의 위험 무차별 가격에 대한 엄밀한 수학적 정의를 제시했습니다. 특히 매도자의 전략이 행사가 시점의 실현 (Realization) 에만 의존해야 한다는 '비예측성 (Non-anticipativity)' 조건을 명확히 했습니다.
BSDE-R-BSDE 구조 발견: 미국식 옵션의 가격이 단순한 RBSDE 가 아니라, 경계가 BSDE 인 BSDE-R-BSDE 시스템으로 표현됨을 보였습니다. 이는 행사가 후의 잔여 위험을 정량화하는 새로운 통찰을 제공합니다.
수치적 검증:
- **미국식 풋 옵션 (American Put Option)**을 예시로 심층 학습을 통해 가격을 계산했습니다.
- **왜곡된 엔트로피 위험 측정도 (Distorted Entropic Risk Measure)**를 사용했습니다.
- 결과:
  - 매수자와 매도자의 무차별 가격 차이는 절대적 금액으로는 작지만, 내재 변동성 (Implied Volatility) 관점에서는 더 뚜렷한 차이를 보였습니다.
  - 내재 변동성 곡선은 시장에서 관찰되는 전형적인 **스마일 패턴 (Smile Pattern)**을 보였습니다.
  - 미국식 옵션과 유럽식 옵션의 가격 차이는 작았으나, 매수자/매도자 간 가격 차이보다는 컸습니다.

4. 의의 및 기여 (Significance)

이론적 기여: 미국식 옵션의 무차별 가격 결정에 있어 매수자와 매도자의 정보 비대칭과 행사가의 불확실성을 통합한 최초의 체계적인 프레임워크를 제공했습니다.
수학적 혁신: 미국식 옵션의 가격 결정이 'BSDE 에 의해 반사되는 BSDE (BSDE-R-BSDE)' 구조를 가진다는 것을 증명하여, 기존 RBSDE 이론을 확장했습니다.
실용적 적용: 고차원 확률적 변동성 모델에서 미국식 옵션 가격을 계산하기 위해 **심층 학습 (Deep Learning)**을 성공적으로 적용했습니다. 이는 기존 수치 방법의 한계를 극복하고 복잡한 금융 파생상품의 가격 결정에 AI 기법을 활용할 수 있음을 시사합니다.
규제 및 산업적 관련성: 위험 측정도 (Risk Measures) 는 현재 금융 산업과 규제 프레임워크 (Basel 등) 에서 널리 사용되므로, 효용 함수 기반 접근법보다 실무에 더 부합하는 가격 결정 모델을 제시했다는 점에서 의미가 큽니다.

결론

이 논문은 불완전 시장에서의 미국식 옵션 가격 결정 문제를 위험 측정도 관점에서 재정의하고, 이를 BSDE-R-BSDE 시스템으로 수학적으로 정립한 후, 심층 학습을 통해 고차원 문제를 해결하는 통합적인 접근법을 제시했습니다. 이는 금융 공학 이론과 최신 머신러닝 기술의 융합을 보여주는 중요한 연구로 평가됩니다.