Finance-Informed Neural Network: Learning the Geometry of Option Pricing

이 논문은 관측된 옵션 가격에 의존하는 대신 동적 헤지 기반의 자기지도 학습을 통해 금융 이론을 직접 통합한 '재무정보 신경망 (FINN)'을 제안하여, 블랙 - 숄즈 및 헤스팅 모델과 같은 다양한 환경에서 아비트리지 없는 가격 결정과 민감도 추정을 가능하게 하고, 유동성이 없는 자산에도 적용 가능한 새로운 금융 가격 책정 패러다임을 제시합니다.

핵심

이 논문은 **'금융을 아는 인공지능 (FINN)'**이라는 새로운 아이디어를 소개합니다. 기존에 금융 시장에서 옵션 (주식 가격 변동에 대한 보험 같은 것) 가격을 계산할 때 겪던 두 가지 큰 문제를 해결하는 획기적인 방법입니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

1. 기존 방법의 문제점: "과도한 이론" vs "맹목적인 데이터"

금융 전문가들은 옵션 가격을 매길 때 항상 두 가지 길 사이에서 고민합니다.

• 길 A (전통적인 수학): 블랙 - 숄즈 공식 같은 수학적 이론을 사용합니다.

  • 장점: 논리가 완벽하고 설명이 쉽습니다. "왜 이 가격이 나왔는지" 알 수 있죠.
  • 단점: 현실은 이론처럼 깔끔하지 않습니다. 실제로는 주가 변동이 예측 불가능하게 일어나기 때문에, 이론대로 계산하면 실제 시장 가격과 많이 달라질 수 있습니다.
  • 비유: 정해진 레시피대로만 요리를 하는 요리사입니다. 이론상으로는 완벽하지만, 손님이 원하는 '오늘의 맛'을 내지 못할 때가 많습니다.

• 길 B (최신 AI): 머신러닝 (인공지능) 에 시장 데이터를 먹여 학습시킵니다.

  • 장점: 시장이 어떤지 빠르게 배우고 예측이 정확합니다.
  • 단점: AI 가 왜 그렇게 가격을 매겼는지 설명할 수 없습니다 (블랙박스). 더 큰 문제는, AI 가 단순히 숫자만 맞추려다 **경제학적으로 불가능한 가격 (예: 무위험으로 돈을 버는 기회)**을 내놓을 수도 있다는 점입니다.
  • 비유: 맛있는 음식을 많이 본 요리사입니다. 맛은 잘 내지만, "왜 이 재료를 넣었는지" 논리적으로 설명하지 못하며, 가끔은 "영구 기관"처럼 불가능한 요리를 제안할 수도 있습니다.

2. FINN 의 해결책: "모방 학습"을 통한 새로운 접근

이 논문이 제안한 **FINN (Finance-Informed Neural Network)**은 이 두 가지 길의 장점을 합친 제 3 의 길입니다.

핵심 아이디어는 **"옵션 가격을 직접 맞추는 게 아니라, '위험을 헷지 (방어) 하는 과정'을 배우게 한다"**는 것입니다.

🍎 비유: "과일 장수의 모험"

가상 시나리오를 상상해 보세요.

• 상황: 당신은 사과 (주가) 를 사고파는 장수입니다. 당신은 사과 가격이 오르면 돈을 벌고, 내리면 돈을 잃는 '옵션'을 팔았습니다.
• 기존 AI 의 방식: 과거 사과 가격 데이터를 보고 "다음 주 사과 가격은 1,000 원일 거야"라고 외칩니다. 하지만 사과 가격이 1,000 원이 아니라 500 원으로 떨어지면, 당신은 큰 손해를 봅니다.
• FINN 의 방식: FINN 은 "다음 주 가격이 얼마일지" 외우는 대신, **"사과 가격이 변할 때마다 내 주머니를 어떻게 보호할지"**를 배웁니다.
  • 사과 가격이 오르면 사과를 더 사서 방어하고, 내리면 팔아서 방어하는 실전 훈련을 시킵니다.
  • 이 훈련을 통해 AI 는 "아, 이렇게 움직여야 내가 돈을 잃지 않겠구나"라는 **경제적 논리 (무위험 원칙)**를 스스로 깨닫게 됩니다.

즉, 정답 (가격) 을 외우는 게 아니라, '잘못되지 않는 행동 (방어 전략)'을 배우는 것입니다.

3. FINN 의 놀라운 능력

이 방법을 쓰니 어떤 일이 일어났을까요?

1. 이론과 현실의 완벽한 조화:

   • 수학 이론이 맞는 상황 (안정적인 시장) 에서는 전통적인 공식과 똑같은 정답을 냅니다.
   • 하지만 이론이 무너지는 상황 (주가 변동이 심한 시장) 에서는 AI 가 스스로 적응해서 더 정확한 가격을 찾아냅니다.

2. 스스로 규칙을 지키게 됨:

   • AI 에게 "콜옵션 가격과 풋옵션 가격의 관계는 이렇게 되어야 해"라고 가르치지 않아도, 훈련 과정에서 스스로 그 규칙을 발견합니다. 마치 아이가 "공을 던지면 떨어진다"는 물리 법칙을 직접 경험하며 배우는 것과 같습니다.

3. 옵션 시장이 없는 곳에서도 작동:

   • 보통 옵션 가격은 '시장에 거래되는 옵션 데이터'가 있어야 계산합니다. 하지만 FINN 은 주식 가격 데이터만 있어도 옵션 가격을 만들어낼 수 있습니다.
   • 비유: 새로운 과일이 시장에 처음 나왔는데, 아직 그 과일로 만든 '보험 상품'이 없습니다. FINN 은 그 과일의 가격 움직임만 보고 "이 과일의 보험 가격은 대략 이 정도일 거야"라고 현실적으로 계산해 줍니다.

4. 결론: 왜 이것이 중요한가?

이 연구는 **"금융 AI 는 단순히 숫자를 맞추는 도구가 아니라, 경제 원리를 이해하는 파트너가 되어야 한다"**는 것을 보여줍니다.

• 실무자에게: 복잡한 수식을 몰라도, 시장 변동에 강한 옵션 가격을 자동으로 계산하고 리스크를 관리할 수 있는 도구가 생겼습니다.
• 일반인에게: AI 가 금융 시장에서 더 안전하고, 설명 가능하며, 신뢰할 수 있는 존재가 될 수 있다는 희망을 줍니다.

한 줄 요약:

"FINN 은 옵션 가격을 '외우는' AI 가 아니라, 시장 위험을 '방어하는' 법을 스스로 배우는 똑똑한 금융 전문가입니다."

기술 요약

Finance-Informed Neural Network (FINN): 옵션 가격 결정의 기하학 학습에 대한 기술적 요약

이 논문은 **Finance-Informed Neural Network (FINN)**이라는 새로운 프레임워크를 제안하며, 이는 금융 이론을 기계학습의 학습 목표에 직접 통합하여 옵션 가격 결정 및 헷징 (hedging) 문제를 해결합니다. 기존의 데이터 기반 접근법과 이론 기반 접근법 사이의 간극을 메우기 위해 고안된 이 방법은 관측된 옵션 가격을 레이블로 사용하는 대신, **동적 헷징 (dynamic hedging) 기반의 자기지도 학습 (self-supervised learning)**을 통해 학습합니다.

1. 문제 정의 (Problem)

옵션 가격 결정과 리스크 관리 분야에서 기관들은 다음과 같은 딜레마에 직면해 있습니다:

• 전통적 모델 (PDE 기반): Black-Scholes 모델과 같은 이론적 모델은 경제적 일관성과 해석 가능성 (interpretability) 을 제공하지만, 변동성 등락 (stochastic volatility) 이나 고차원 문제와 같은 복잡한 시장 조건에서는 정확도가 떨어집니다.
• 기계학습 (ML) 모델: 시장 데이터를 직접 학습하여 높은 예측 정확도를 보이지만, 대부분 블랙박스 (black-box) 성격을 띠고 있으며 **무차익 조건 (no-arbitrage conditions)**을 위반할 수 있어 경제적 타당성이 부족합니다.

이러한 상충 관계 (trade-off) 를 해결하기 위해, 이론적 일관성을 유지하면서도 데이터의 유연성을 갖춘 새로운 접근법이 필요합니다.

2. 방법론 (Methodology: FINN Framework)

FINN 은 관측된 옵션 가격을 레이블로 사용하는 대신, 포트폴리오의 복제 오차 (replication error) 를 최소화하는 자기지도 학습 방식을 채택합니다.

핵심 원리

1. 복제 일관성 (Replication Consistency): 신경망은 주어진 시장 상태 (기초자산 가격, 만기 등) 에서 옵션 가격을 출력합니다. 이 출력값을 기반으로 동적 헷징 포트폴리오를 구성하고, 이 포트폴리오가 무위험 이자율 (risk-free rate) 로 성장하는지 여부를 평가합니다.
2. 손실 함수 (Loss Function): 학습 목표는 헷징 포트폴리오의 실제 수익과 무위험 수익 간의 편차 (복제 오차) 를 최소화하는 것입니다.
   • 수식적으로, 포트폴리오 가치 $\Pi_t$가 $d\Pi_t = r\Pi_t dt$를 만족하도록 학습합니다.
   • 이 손실 함수는 기초자산 가격 경로 ($S_t$) 만을 필요로 하며, 실제 옵션 가격 데이터는 필요하지 않습니다.
3. 이론적 근거:
   • Proposition 3.2: 복제 오차의 잔류값 (residual) 이 0 이 된다는 것은 해당 신경망이 무차익 가격 결정 편미분방정식 (PDE) 을 만족한다는 것과 수학적으로 동치입니다.
   • Theorem 3.1: 복제 오차가 0 에 수렴하면, 학습된 가격 함수와 델타 (Delta), 감마 (Gamma) 와 같은 그리스 (Greeks) 값이 무차익 해 (arbitrage-free solution) 로 수렴함이 증명됩니다.

확장성

• 델타-감마 헷징: 두 번째 유동성 있는 파생상품을 추가하여 감마 (Gamma) 리스크까지 중화하는 고차원 헷징 전략도 지원합니다.
• 미국식 옵션: 조기 행사 (early exercise) 가 가능한 미국식 옵션의 경우, 가치 함수가 내재 가치 (intrinsic value) 보다 크거나 같아야 한다는 제약 조건을 손실 함수에 페널티 항으로 추가하여 학습합니다.

3. 주요 기여 (Key Contributions)

1. 금융 이론 내재화 학습 프레임워크: 무차립 원리를 동적 복제 기반의 학습 목표에 직접 통합하여, 이론 주도 (theory-driven) 와 데이터 주도 (data-driven) 방법론을 연결했습니다.
2. 복제 일관성을 통한 자기지도 학습: 통계적 가격 오차가 아닌, 경제적으로 의미 있는 헷징 오차를 최소화함으로써 레이블된 가격 데이터 없이도 학습이 가능합니다.
3. 시장 regimes 에 걸친 강력한 일반화: 단순한 기하 브라운 운동 (GBM) 환경뿐만 아니라, Heston 모델과 같은 확률적 변동성 환경에서도 안정적이고 정확한 가격 및 헷징 성능을 입증했습니다.
4. 리스크 관리 및 실용적 적용:
   • 내생적 무차립 관계: 명시적 제약 없이도 **Put-Call Parity(풋 - 콜 패리티)**와 같은 기본 금융 관계가 학습된 함수에서 자연스럽게 도출됨을 보였습니다.
   • 거래 비용 및 변동성 충격에 대한 강건성: 실제 시장 데이터 (2008, 2011, 2020 년 위기 기간) 를 이용한 스트레스 테스트에서, 기존 Black-Scholes 델타 헷징보다 FINN 기반 헷징이 거래 비용과 꼬리 위험 (tail risk) 을 유의미하게 줄였습니다.
   • 옵션 시장이 없는 자산 적용: 기초자산의 역사적 가격 데이터만으로 학습하여, 옵션 시장이 존재하지 않는 자산 (신규 ETF 등) 에 대한 일관된 옵션 가격과 그리스 값을 생성할 수 있음을 시연했습니다.

4. 실험 결과 (Results)

• Black-Scholes 환경: FINN 은 분석적 해 (analytical solution) 와 거의 동일한 가격과 델타 값을 정확히 복원했습니다.
• Heston (확률적 변동성) 환경: 닫힌 형식 해가 없는 복잡한 환경에서도 몬테카를로 시뮬레이션 기준과 높은 정확도를 보였으며, 변동성 변동 (vol-of-vol) 이 커져도 성능이 안정적이었습니다.
• 내재 변동성 (IV) 표면 재구성: Heston 모델의 구조적 매개변수를 고정하고 학습한 FINN 은 시장 관측 변동성 표면 (market-implied volatility surface) 을 Heston 모델보다 훨씬 정확하게 재구성했습니다 (평균 절대 오차 60.5% 감소). 이는 FINN 이 구조적 편향 (structural bias) 을 줄이고 데이터의 기하학적 구조를 더 잘 포착함을 의미합니다.
• 스트레스 테스트: 2008 년 및 2020 년 금융 위기 기간의 데이터에서, FINN 기반 델타는 BSM 델타보다 더 부드러운 헷징 조정을 수행하여 거래 비용을 줄이고 손실 분포의 꼬리를 줄였습니다.

5. 의의 및 결론 (Significance)

이 논문은 옵션 가격 결정을 단순히 "가격을 맞추는 (fitting)" 문제가 아니라, "가격 결정 연산자 (pricing operator) 를 학습하는" 문제로 재정의합니다.

• 경제적 타당성: 기계학습 모델이 블랙박스에서 벗어나, 무차립 원리와 헷징 논리에 기반한 해석 가능한 모델로 변모하게 합니다.
• 실무 적용성: 옵션 시장이 부재하거나 유동성이 낮은 자산에서도 기초자산 가격 데이터만으로 합리적인 파생상품 가격과 리스크 지표 (Greeks) 를 산출할 수 있어, 새로운 금융 상품 설계 및 위험 관리에 혁신적인 도구를 제공합니다.
• 미래 지향성: FINN 은 이론과 데이터의 균형을 맞추는 새로운 패러다임을 제시하며, 금융 시장의 불확실성과 구조적 변화에 적응 가능한 강건한 AI 기반 금융 의사결정 시스템의 토대를 마련했습니다.

요약하자면, FINN 은 기계학습의 유연성과 금융 이론의 엄격함을 결합하여, 이론적 일관성을 해치지 않으면서도 복잡한 시장 환경에서 우수한 성능을 발휘하는 차세대 옵션 가격 결정 및 헷징 솔루션입니다.