A market resilient data-driven approach to option pricing

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

1. 배경: 왜 옵션 가격을 예측하기 어려울까요?

비유: "우산 판매점과 날씨"
옵션 (Option) 은 쉽게 말해 "미래에 특정 가격에 물건을 살 수 있는 권리"입니다. 이는 마치 **"우산"**과 같습니다. 비가 올 때 우산이 필요하죠. 하지만 비가 언제, 얼마나 많이 올지 (주식 시장의 변동성) 는 알 수 없습니다.

전통적인 수학 (블랙 - 숄즈 모델 등) 은 "우산은 항상 이 가격이다"라고 정해진 공식으로 계산합니다. 하지만 실제 시장은 비가 갑자기 쏟아지거나 (코로나 팬데믹), 비가 전혀 오지 않는 등 예측 불가능한 상황이 자주 발생합니다. 이때 기존 공식은 빗나가기 쉽습니다.

2. 연구의 핵심: 두 가지 전략의 대결

저자들은 두 가지 다른 접근법을 비교하고, 이를 합친 최고의 전략을 제안했습니다.

A. 전략 1: "비슷한 건 비슷하다" (동질성 힌트, AHH)

개념: "비행기 A 와 비행기 B 는 구조가 비슷하니까, 비행기 A 의 연료 소모 패턴을 알면 비행기 B 도 비슷하게 예측할 수 있다."
장점: 평소에는 매우 정확합니다.
단점: 만약 비행기 A 는 평지인데 비행기 B 는 산을 날아간다면 (시장 환경이 완전히 바뀌면), 이 방법은 실패합니다. 데이터의 분포가 다르면 예측이 틀어집니다.

B. 전략 2: "서로 다른 언어를 통역한다" (도메인 적응, ADS)

개념: "비행기 A 와 B 는 완전히 다른 환경에서 날지만, **'변동성 스칼라 (Volatility Scalar)'**라는 특별한 나침반을 사용하면 두 비행기의 움직임을 같은 언어로 번역할 수 있다."
핵심 아이디어: 저자들은 **'변동성 스칼라'**라는 새로운 변수를 도입했습니다. 이는 마치 두 개의 서로 다른 언어 (서로 다른 주식 시장) 를 같은 문법으로 맞춰주는 '통역사' 역할을 합니다.
장점: 시장이 갑자기 혼란스러워지거나 (도메인 시프트), 데이터가 완전히 달라져도 예측이 잘 됩니다.
단점: 평소에는 전략 1 보다는 약간 덜 정확할 수 있습니다.

3. 최고의 해법: "스마트한 혼성 군대" (앙상블 모델, AE)

저자는 "어느 한 가지 방법만 믿지 말고, 상황에 따라 두 방법을 섞어 쓰자"고 제안합니다.

상황 판단 (DSQ - 도메인 시프트 비율):
- 시장이 평온할 때 (비유: 맑은 날) → **전략 1 (동질성 힌트)**에 더 많은 점수를 줍니다.
- 시장이 혼란스럽고 데이터가 이상할 때 (비유: 태풍이 몰아치는 날) → **전략 2 (통역사)**에 더 많은 점수를 줍니다.
결과: 이 두 방법을 지능적으로 섞은 **'앙상블 모델'**은 어떤 상황에서도 가장 안정적인 성능을 냈습니다.

4. 실제 실험: 인도 시장의 테스트

이론만 말하지 않고, 실제 데이터로 검증했습니다.

데이터: 인도의 두 주요 지수인 NIFTY 50과 BANKNIFTY의 옵션 데이터.
테스트 상황:
1. 평범한 시기 (2019 년): 두 지수 모두 평범한 시장 환경.
2. 비정상적 시기 (2020 년 코로나 봉쇄 기간): 시장이 급격히 붕괴하고 변동성이 극심했던 시기.
결과:
- 평소에는 기존 방법이 좋았지만, 코로나 같은 충격적인 시기에는 새로운 '통역사' 전략 (ADS) 과 이를 섞은 '혼성 모델'이 압도적으로 정확했습니다.
- 특히, 한 지수 (NIFTY) 로 학습한 모델을 다른 지수 (BANKNIFTY) 에 적용할 때도, 이 새로운 방법이 실패하지 않고 잘 작동했습니다.

5. 결론: 왜 이 연구가 중요한가?

이 논문은 **"데이터 과학의 아이디어를 금융 수학에 접목하여, 예측 불가능한 시장에서도 살아남을 수 있는 모델을 만들었다"**는 점에서 의미가 큽니다.

기존의 문제: "이 데이터로 학습했으니, 다른 데이터에도 똑같이 적용해야 해"라는 생각은 위험합니다. (예: 한국 날씨로 학습한 비가림이 미국 날씨에도 통할 리 없음)
이 연구의 해결책: "데이터가 달라지면, 그 차이를 보정해주는 **'통역사 (변동성 스칼라)'**를 쓰고, 상황에 따라 두 방법을 섞어 쓰자."

한 줄 요약:

"이 연구는 시장이 평온할 때는 기존 방법을, 시장이 미쳐 날뛰는 위기 상황에서는 새로운 '통역 기술'을 써서 옵션 가격을 정확히 예측하는 **현명한 '스마트 우산'**을 개발했습니다."

이처럼 저자들은 복잡한 수학적 이론을 실제 데이터에 적용하여, 금융 시장의 불확실성 속에서도 견고한 예측 시스템을 만들었습니다.

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

이 논문은 옵션 가격 예측을 위한 데이터 기반의 시장 회복력 (Market-Resilient) 접근법을 제안합니다. 저자들은 기존 옵션 가격 이론 (무차익 이론) 을 데이터 과학 기법과 결합하여, 훈련 데이터와 테스트 데이터 간의 분포 차이 (도메인 시프트, Domain Shift) 가 발생하더라도 정확한 가격 예측이 가능한 새로운 프레임워크를 개발했습니다.

주요 내용은 다음과 같습니다.

1. 문제 정의 (Problem)

기존 데이터 기반 모델의 한계: 기존 옵션 가격 예측 모델 (Homogeneity Hint Approach, AHH) 은 자산의 로그 수익률 분포가 훈련 데이터와 유사할 때 잘 작동합니다. 그러나 시장 환경이 급변하거나 (예: COVID-19 팬데믹 기간), 서로 다른 자산 (예: NIFTY 50 vs NIFTY Bank) 간에 분포 차이가 클 경우, 모델의 성능이 급격히 저하되는 도메인 시프트 (Domain Shift) 문제가 발생합니다.
이론적 모델의 한계: 블랙 - 숄즈 - 머튼 (BSM) 같은 이론적 모델은 특정 가정을 전제로 하지만, 실제 시장 데이터의 복잡성을 완전히 반영하지 못하거나, 데이터가 부족한 새로운 자산에 적용하기 어렵습니다.
목표: 이론적 무차립 (No-arbitrage) 원리를 활용하여 도메인 적응 (Domain Adaptation) 이 가능한 데이터 기반 모델을 개발하고, 다양한 시장 조건 (일반적 및 비정상적) 에서 견고한 예측 성능을 확보하는 것입니다.

2. 방법론 (Methodology)

저자들은 세 가지 주요 접근법을 제안하고 비교 분석했습니다.

가. 이론적 기반: 동질성 힌트 (Homogeneity Hint, HH)

이론: 무차립 이론에 기반하여, 옵션 가격이 주가와 행사가에 대해 1 차 동질성 (Homogeneity of order one) 을 가진다는 사실을 활용합니다.
적용: 주가와 옵션 가격의 비율 (스케일 프리 비율) 을 타겟 변수로 설정하고, 로그 수익률의 분포를 특징 (Feature) 으로 사용합니다.
한계: 훈련 데이터와 테스트 데이터의 로그 수익률 분포가 동일해야만 작동하므로, 도메인 시프트가 발생하면 성능이 떨어집니다.

나. 도메인 시프트 대응 접근법 (Approach for Domain Shift, ADS)

핵심 아이디어: 서로 다른 자산 간에 공통 표현 공간 (Common Representation Space) 을 구축하여 도메인 적응을 수행합니다.
변동성 스칼라 (Volatility Scalar, $\rho$ ): 자산의 잔여 기간 동안의 변동성 제곱의 평균 제곱근을 나타내는 변수를 도입합니다. 이를 통해 서로 다른 변동성 구조를 가진 두 자산의 확률적 과정을 정규화합니다.
구현:
1. $\rho$ -스케일링: 자산 가격을 $\rho$ 로 스케일링하여, 두 자산의 리스크 중립적 로그 수익률 분포가 동일하도록 만듭니다.
2. 임plied 변동성 근사: BSM 공식의 역함수인 암시적 변동성 (Implied Volatility) 에 대한 근사 공식을 사용하여, 스케일링된 자산 간의 옵션 가격 관계를 근사적으로 유도합니다.
3. 학습: 스케일링된 자산의 특징과 계약 파라미터를 입력으로 받아, 스케일링된 옵션 가격 비율을 예측하는 모델을 학습시킵니다.
장점: 훈련 데이터와 테스트 데이터의 분포가 달라도 (예: 변동성이 급변하는 상황) $\rho$ 를 통해 정규화하므로 예측이 가능합니다.

다. 앙상블 모델 (Ensemble Model, AE)

도메인 시프트 몫 (Domain Shift Quotient, DSQ): 훈련 데이터의 평균 변동성과 테스트 데이터의 변동성 차이를 기반으로 도메인 시프트의 정도를 측정하는 지표를 정의합니다.
가중치 조정: DSQ 가 작을 때 (일반적인 시장) 는 HH 모델에, DSQ 가 클 때 (비정상적인 시장) 는 ADS 모델에 더 높은 가중치를 부여하여 두 모델의 예측을 결합합니다.
수식: $P_E = w_{HH} P_{HH} + w_{DS} P_{DS}$ 형태로, 가중치는 DSQ 의 함수로 결정됩니다.

라. 데이터 및 실험 설정

데이터: 인도 NSE 의 NIFTY 50 과 NIFTY Bank 지수 옵션 데이터 (2015 년 1 월 ~ 2020 년 4 월).
시나리오:
- 일반적 테스트 (Typical): 2019 년 하반기 (훈련 데이터와 유사한 시장).
- 비정상적 테스트 (Atypical): 2020 년 COVID-19 봉쇄 기간 (급격한 변동성 증가, 도메인 시프트 발생).
모델: XGBoost 를 사용한 회귀 분석.

3. 주요 결과 (Results)

성능 비교 (RMSE 기준):
- 일반적 시장 (Typical): HH 모델이 ADS 모델보다 약간 더 좋은 성능을 보였습니다. 이는 HH 가 이론적 동등성에 기반하기 때문입니다.
- 비정상적 시장 (Atypical): ADS 모델이 HH 모델보다 압도적으로 우수한 성능을 보였습니다. (예: NIFTY 50 테스트에서 HH RMSE 1.339 vs ADS RMSE 0.663). 이는 도메인 시프트가 발생했을 때 ADS 가 효과적으로 적응했음을 의미합니다.
- 앙상블 모델 (AE): 모든 테스트 시나리오에서 가장 낮은 RMSE를 기록했습니다. 특히 비정상적 시장에서도 HH 와 ADS 의 단점을 보완하여 최적의 성능을 발휘했습니다.
다중 소스 학습 (Multi-source Training): NIFTY 50 과 NIFTY Bank 데이터를 함께 학습시킨 모델은 단일 자산 데이터로 학습한 모델보다 일반화 성능이 뛰어났으며, 데이터가 부족한 자산에 대한 예측에도 유효함을 입증했습니다.
합성 데이터 실험: 변동성이 훈련 데이터보다 훨씬 높은 시나리오에서 ADS 와 앙상블 모델이 HH 모델보다 훨씬 안정적인 성능을 유지함을 확인했습니다.

4. 주요 기여 (Key Contributions)

이론과 데이터 과학의 융합: 무차립 이론 (No-arbitrage theory) 을 데이터 과학의 도메인 적응 기법과 결합하여, 순수 데이터 기반 접근법의 이론적 한계를 극복했습니다.
공통 표현 공간 및 변동성 스칼라: 서로 다른 자산 간의 분포 차이를 해소하기 위한 '변동성 스칼라 ( $\rho$ )'와 '공통 표현 공간' 개념을 제안하여, 도메인 시프트가 있는 상황에서도 옵션 가격 예측이 가능하도록 했습니다.
시장 회복력 있는 앙상블 모델: 도메인 시프트의 정도 (DSQ) 를 정량화하고 이를 기반으로 모델 가중치를 동적으로 조정하는 새로운 앙상블 기법을 제안했습니다.
실증적 검증: 실제 시장 데이터 (인도 옵션 시장) 와 합성 데이터를 통해, 특히 COVID-19 와 같은 극단적인 시장 변동성 상황에서 제안된 모델의 우월성을 입증했습니다.

5. 의의 및 결론 (Significance)

이 논문은 옵션 가격 예측 분야에서 데이터 기반 모델의 신뢰성을 높이는 중요한 전환점을 제시합니다. 기존에 "옵션 가격은 데이터 과학만의 영역이 아니다"라는 인식이 지배적이었으나, 저자들은 기존 데이터 과학 아이디어를 확률론적 모델링 언어로 번역하여 이론적 근거를 갖춘 알고리즘을 개발했습니다.

특히, 다양한 자산 클래스 간 학습 (Multi-source training) 과 비정상적 시장 상황 (Atypical scenarios) 에 대한 견고성을 확보함으로써, 역사적 데이터가 부족하거나 시장 환경이 급변하는 상황에서도 신뢰할 수 있는 옵션 가격 예측이 가능함을 보여주었습니다. 이는 금융 기관의 리스크 관리, 헤징 전략 수립, 그리고 새로운 금융 상품 개발에 실질적인 기여를 할 수 있는 방법론입니다.