📊 statistics

On goodness-of-fit testing for volatility in McKean-Vlasov models

이 논문은 이산 입자 관측에 기반한 검정법을 제안하고 입자 수와 샘플링 빈도가 모두 무한대로 향하는 결합 극한 영역에서 그 점근적 정규성을 증명함으로써, 맥킨-블라소(McKean-Vlasov) 확률 미분 방정식의 변동성 함수에 대한 적합도 검정을 위한 엄격한 통계적 프레임워크를 구축한다.

원저자: Akram Heidari, Mark Podolskij

게시일 2026-08-10

📖 6 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Akram Heidari, Mark Podolskij

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

수백만 명의 사람들이 끊임없이 움직이고, 결정을 내리고, 서로에게 반응하며 움직이는 북적이는 도시를 상상해 보십시오. 과학의 세계에서 이는 종종 "확산 시스템(diffusion system)"이라고 불리는 것으로 모델링됩니다. 이것은 마치 거대한, 보이지 않는 입자 구름이 주변을 휘감고 도는 것과 같습니다. 과거의 고전적인 방식에서 과학자들은 각 입자가 오직 자신의 즉각적인 이웃만을 신경 쓴다고 가정했습니다. 마치 길을 걷는 사람이 바로 앞의 바닥만을 바라보는 것과 같습니다. 하지만 현실 세계에서 사물들은 더 긴밀하게 연결되어 있습니다. 사람의 걸음걸이는 앞에 군중이 모이는 것을 보거나, 도시 전체에 소문이 퍼지는 것을 듣게 됨에 따라 변할 수 있습니다. 이것이 바로 "맥킨-블라보스(McKean–Vlasov)" 모델의 영역입니다. 이는 멋진 표현으로, 모든 개별 입자의 움직임이 단지 그 입자가 어디에 있느냐뿐만 아니라, 그 입자가 속한 군중의 전체적인 형태와 분위기에 의존한다는 것을 의미합니다.

이 모델에서 입자들이 움직일 때마다, 그들은 움찔거립니다(jitter). 때로는 작고 조심스러운 발걸음을 내딛기도 하고, 때로는 앞으로 거칠게 돌진하기도 합니다. 수학에서 이 움찔거림은 "변동성(volatility)"이라고 불립니다. 이것은 시스템이 얼마나 혼란스럽거나 예측 불가능한지를 측정하는 척도입니다. 만약 여러분이 군중이 어디로 갈지 예측하고 싶거나, 금융 시장이 얼마나 위험할지 알고 싶다면, 그 움찔거림이 정확히 얼마나 발생하는지 알아야 합니다. 하지만 여기서 까다로운 점이 있습니다. 이러한 복잡한 군중 의존형 시스템에서는, 우리의 '움찔거림'에 대한 추측이 실제로 맞는지 확인할 수 있는 신뢰할 만한 "거짓말 탐지기"가 구축되어 있지 않았습니다. 우리는 규칙을 추측할 수는 있었지만, 우리의 추측이 수집된 데이터의 실제 모습과 일치하는지 엄격하게 테스트할 방법이 없었습니다.

이 논문은 그 간극을 메우기 위해 등장했습니다. 저자인 아크람 헤이다리(Akram Heidari)와 마크 포돌스키(Mark Podolskij)는 이러한 군중 의존형 시스템을 위해 특별히 설계된 새로운 통계적 "거짓말 탐지기"를 개발했습니다. 그들은 수많은 입자(수천 명의 사람을 동시에 관찰한다고 상상해 보십시오)를 관찰하여, 군중의 "움찔거림"이 우리가 생각하는 특정 패턴을 따르는지 확인하는 테스트를 만들었습니다. 그들은 만약 여러분이 충분히 많은 사람을 충분히 오랫동안, 그리고 매우 세밀하게(고빈도 데이터) 관찰한다면, 여러분의 테스트가 군중의 혼란에 대한 모델이 맞는지 아니면 크게 벗어났는지를 규정된 통계적 신뢰 수준으로 알려줄 것이라는 점을 증명했습니다. 이는 마치 "좋아, 우리는 군중이 불안한 고양이처럼 움찔거린다고 생각했지만, 데이터를 보니 그들은 사실 흔들린 탄산음료 캔처럼 움찔거리고 있었구나"라고 말할 수 있는 방법을 마침내 갖게 된 것과 같습니다.

군중과 움찔거림의 이야기

이 과학적 모험의 세부 사항 속으로 들어가 보겠습니다. 저자들은 $N$ 개의 입자로 이루어진 시스템을 다룹니다. 이를 시각화하기 위해, $N$ 명의 사람들이 있는 거대한 경기장을 상상해 보십시오. 여기서 $N$ 은 매우 큰 숫자입니다. 각 사람은 하나의 "입자"이며, 그들은 정해진 기간(예를 들어, 시작 휘슬부터 종료 버저까지) 동안 움직입니다.

이 특정한 설정에서, 사람들은 서로 독립적인 복사본들이지만, 모두 동일한 "군중 법칙(crownd law)"의 영향을 받습니다. 이는 A라는 사람이 B라는 사람에게 직접 말을 걸지는 않더라도, A의 움직임이 경기장에 있는 모든 사람의 평균적인 행동에 의해 영향을 받는다는 것을 의미합니다. 만약 군중이 공포에 빠지기 시작하면, A는 비록 누가 공포를 시작했는지 직접 보지 못했더라도 달리기 시작할 수 있습니다. 이것이 바로 "맥킨-블라보스"의 마법입니다: 개인이 집단에 의해 형성되는 것입니다.

저자들이 답하고자 했던 핵심 질문은 "변동성"에 관한 것이었습니다. 우리의 경기장 비유에서, 변동성은 사람들이 얼마나 무작위로 몸을 뒤척이고, 비틀거리고, 혹은 질주하는지를 나타냅니다. 현실 세계에서 이것은 주식 가격의 급등락이나 화학 반응에서의 온도 변화가 될 수 있습니다. 저자들은 다음과 같은 특정 가설을 테스트하고자 했습니다: "이 사람들의 움직임(움찔거림)이 우리가 작성한 특정 공식을 따르는가?"

보통 더 단순한 모델에서는 규칙을 파악하기 위해 한 사람의 경로만을 살펴봅니다. 하지만 이 군중 의존형 세상에서는 한 사람만 보는 것으로는 충분하지 않습니다. 왜냐นั้น 그 사람의 경로는 자신의 선택과 군중의 영향이 뒤섞인 것이기 때문입니다. 그래서 저자들은 영리한 계획을 세웠습니다. 그들은 "적합도 검정(Goodness-of-Fit test)"을 제안했습니다. 이것을 "틀린 그림 찾기" 게임이라고 생각해 보십시오.

게임은 다음과 같이 진행됩니다:

추측: 여러분은 군중이 어떻게 움직이는지에 대한 이론을 가지고 있습니다. 예를 들어, 움직임이 세 가지 다른 유형의 움직임(예: 걷기, 조깅, 춤추기)의 단순한 조합이라고 생각할 수 있습니다. 여러분은 이를 수학적 공식으로 작성합니다.
관찰: 경기장에 가서 매우 짧은 간격으로 모든 사람의 위치를 스냅샷 형태로 찍습니다. 단 한 명의 사람만 관찰하는 것이 아니라, $N$ 명 모두를 관찰하며, 매우 빈번하게(고빈도 데이터) 이 스냅샷을 찍습니다.
테스트: 실제로 관찰한 내용과 공식이 예측한 내용을 비교합니다. 여러분은 여러분의 추측과 실제 사이의 "거리"를 계산합니다. 거리가 0(또는 0에 매우 가까움)이라면 여러분의 추측은 좋은 것입니다. 만약 거리가 매우 크다면, 여러분의 추측은 틀린 것입니다.

저자들은 단순히 테스트를 발명한 것이 아니라, 이 테스트가 실제로 작동한다는 것을 증명했습니다. 그들은 $N$ (사람의 수)을 늘리고 스냅샷을 찍는 속도(시간 간격 $\Delta_n$ 을 점점 더 작게 만드는 것)를 높임에 따라, 여러분의 테스트가 믿을 수 없을 정도로 정확해진다는 것을 보여주었습니다.

하지만 주의할 점이 있습니다. 저자들은 사람의 수와 관찰 속도를 마음대로 높일 수 있는 것이 아니라고 밝혔습니다. 여기에는 섬세한 균형이 필요합니다. 그들은 테스트가 완벽하게 작동하려면, 사람의 수( $N$ )와 시간 간격의 제곱( $\Delta_n^2$ )이 매우 작은 수를 곱해야 한다고 증명했습니다. 쉬운 말로, 엄청나게 많은 군중이 있다면, 오류를 피하기 위해 관찰 속도가 극도로 빨라야 한다는 뜻입니다. 만약 너무 느리다면, 데이터의 "노이즈"가 테스트를 망쳐서, 실제로는 틀렸는데도 공식이 맞다고 착각하게 만들 수 있습니다.

그들이 발견한 것

이 논문의 주요 발견은 이 테스트 방법이 유효하다는 수학적 증명입니다. 저자들은 적절한 조건(많은 입자, 매우 빠른 관찰, 그리고 그 둘 사이의 특정 균형) 하에서, 여러분의 테스트가 계산하는 "거리"가 예측 가능한 방식으로 움직인다는 것을 확립했습니다.

구체적으로, 군중의 움찔거림에 대한 여러분의 추측이 옳다면, 테스트 통계량은 0을 중심으로 하는 "종 모양 곡선(정규 분포)"을 따를 것이라고 증명했습니다. 이것은 매우 중요한데, 이는 여러분이 "신뢰 수준"을 설정할 수 있음을 의미하기 때문입니다. 예를 들어, 95% 확신하고 싶다면 임계값을 설정할 수 있습니다. 만약 테스트 결과가 그 임계값을 훨씬 벗어난다면, 여러분은 95%의 확신을 가지고 여러분의 변동성 모델이 틀렸다고 말할 수 있습니다.

또한 저자들은 실질적인 문제도 해결했습니다: 만약 군중의 정확한 규칙을 모른다면, 어떻게 "종 모양 곡선"의 형태를 알 수 있을까요? 그들은 "서브 샘플링(sub-sampling)"이라는 방법을 제안했습니다. 10,000명이 있는 경기장이 있다고 상상해 보십시오. 이들을 사용하여 곡선을 파악하는 대신, 100명씩 100개의 작은 그룹으로 나눕니다. 그리고 각 그룹에 대해 개별적으로 테스트를 실행합니다. 각 그룹은 독립적이므로, 이 작은 그룹들의 결과를 사용하여 큰 곡선의 형태를 추정할 수 있습니다. 저자들은 이 방법이 작동하며, 여러분의 모델이 좋은지 나쁜지 결정할 수 있는 신뢰할 수 있는 방법을 제공한다는 것을 증명했습니다.

이것이 왜 중요한가

이 논문 이전에는, 입자들이 독립적으로 행동하는 단순한 시스템을 테스트하기 위한 훌륭한 도구들이 있었습니다. 하지만 모든 사람이 서로에게 영향을 미치는 복잡한 시스템(예: 금융 시장, 생물학적 인구, 대규모 엔지니어링 시스템)의 경우, "움찔거림" 부분의 모델이 올바른지 확인할 수 있는 엄격한 방법이 없었습니다. 아름다운 모델을 만들 수는 있었지만, 그 혼란을 설명하는 부분이 정확한지는 확신할 수 없었습니다.

이 논문은 그 질문에 답할 수 있는 최초의 엄격한 프레임워크를 제공합니다. 단순히 "이것이 효과가 있을 것 같다"라고 말하는 것이 아닙니다. "이 테스트가 작동하는 수학적 근거는 이것이며, 오류를 계산하는 방법은 이러하고, 언제 잘못된 모델을 기각해야 하는지는 다음과 같다"라고 말하는 것입니다.

저자들은 자신들이 무엇을 하지 않았는지도 매우 명확히 밝히고 있습니다. 그들은 미래를 예측하는 문제를 해결했다고 주장하지 않았습니다. 그들의 테스트가 상상 가능한 모든 종류의 군중 행동에 적용된다고 말하지도 않았습니다. 그들은 입자들이 서로 독립적인 복사본(i.i.d.)인 시스템과 관찰이 이산적인(스냅샷 형태, 연속적인 영상이 아닌) 시스템에 초점을 맞추었습니다. 또한, 입자의 수와 관찰 속도 사이의 균형이 맞지 않으면 테스트에 편향(bias)이 생길 수 있으며, 이는 잘못된 안도감을 줄 수 있다는 점도 언급했습니다.

결국, 이 논문은 과학자에게 새롭고 교정된 자를 건네주는 것과 같습니다. 이전에는 복잡한 군중의 혼란을 고무로 만든 자로 측정하려 했다면, 이제는 그 혼란의 정도가 실제와 얼마나 차이가 나는지를 정확히 알려주는, 수학적으로 증명된 견고한 도구를 갖게 된 것입니다. 이는 연구자들이 시스템의 가장 예측 불가능한 부분인 '변동성'을 체크할 수 있는 방법을 가짐으로써, 자신들의 모델을 더 신뢰할 수 있게 만드는 기초적인 단계입니다.

기술 요약: 맥케언-블라소프(McKean–Vlasov) 모델의 변동성 적합도 검정

문제 제기
본 논문은 독립 동일 분포(i.i.d.) 맥케언-블라소프 확률 미분 방정식(SDE)의 변동성 함수의 구조적 가정을 검증하기 위한 통계적 방법론의 부재를 다룬다. 고전적인 SDE에 대한 통합 변동성 추정은 잘 확립되어 있으나, 솔루션의 확률 분포에 의존하는 맥케언-블라소프 시스템에 대한 공식적인 모델 검증 및 적합도 검정은 여전히 미개척 분야로 남아 있다. 이러한 공백은 대규모 입자 한계(large particle limits)와 고빈도 관측이 결러진 환경에서 특히 중요하다. 구체적인 과제는 변동성 계수의 분포 의존성(distributional dependence)에 있으며, 이는 비선형 상호작용과 경로 의존적 효과를 유발하여 표준적인 고빈도 통계 기법의 직접적인 적용을 방해한다.

방법론
저자들은 고정된 구간 $[0, T]$ 동안 $n$ 개의 시점에서 관측된 $N$ 개 입자로 구성된 입자 시스템의 이산 관측을 기반으로 한 적합도 검정 프레임워크를 제안한다. 분석은 입자의 수 $N$ 과 샘플링 빈도 $n$ 이 모두 무한대로 향하는 공동 점근적 체제(joint asymptotic regime)에서 수행되며, 이때 시간 지평 $T$ 는 고정된다.

가설 설정: 귀무가설( $H_0$ )은 제곱 변동성 함수 $a^2(x, \mu_t)$ 가 알려진 기저 함수 $\{a_1^2, \dots, a_d^2\}$ 의 선형 스팬(linear span)에 속한다는 것이다. 검정 통계량은 진정한 제곱 변동성과 기저 함수들에 의해 생성된 부분 공간 사이의 $L^2$ 거리 $L$ 을 기반으로 구축되며, 이는 입자들의 법칙 $\mu_t$ 에 대해 측정된다.
추정량 구축: 진정한 분포 $\mu_t$ $μ_{t}$ 는 관측 불가능하므로, 저자들은 이를 경험적 측도(empirical measure) $\mu_t^N$ $μ_{t}^{N}$ 로 대체한다. 이들은 거리 척도 $L$ $L$ 을 정의하는 양들을 위한 경험적 추정량을 다음과 같이 구축한다:
- $\hat{B}$ : 변동성의 4차 모멘트의 적분에 대한 추정량.
- $\hat{\Gamma}_k$ : 기저 함수와 진정한 변동성 사이의 교차 모멘트 추정량.
- $\hat{\Lambda}_{k,l}$ : 기저 함수들의 그람 행렬(Gram matrix) 추정량.
  검정 통계량 $\hat{S}_N$ 은 $L$ 의 폐쇄형 표현식에 대한 경험적 유사체로 정의되며, 구체적으로 $\hat{S}_N = \hat{B} - \hat{\Gamma}^\top \hat{\Lambda}^{-1} \hat{\Gamma}$ 이다.
점근 분석: 유도된 극한 분포는 $N \to \infty$ 및 $\Delta_n = T/n \to 0$ 인 공동 극한에 기초하며, 이때 조건 $N\Delta_n^2 \to 0$ 을 만족해야 한다. 이 조건은 리만 합(Riemann-sum) 근사에서 발생하는 편향과 진정한 측도를 경험적 측도로 대체함에 따라 발생하는 오차가 점근적 분산을 압도하지 않도록 보장하는 데 결정적이다.

주요 결과
저자들은 가정 1~3(초기 밀도, 립시츠 연속성, 선형 성장, 계수의 선형 함수적 미분 가능성 포함) 하에서 다음과 같은 이론적 결과를 확립한다:

구성 요소의 점근 정규성: 저자들은 추정량 $\hat{\Lambda}$ , $\hat{B}$ , $\hat{\Gamma}_k$ 에 대한 확률적 전개(stochastic expansions)를 증명한다. 이들은 $\sqrt{N}(\hat{\Lambda} - \Lambda)$ , $\sqrt{N}(\hat{B} - B)$ , $\sqrt{N}(\hat{\Gamma}_k - \Gamma_k)$ 가 중심 극한 정규 과정(centered Gaussian processes)으로 수렴함을 보여준다. 핵심적인 기술적 발견은 경험적 측도 $\hat{\Lambda}$ 를 포함하는 항이 $\mu_t$ 를 $\mu_t^N$ 으로 대체하는 무작위성으로 인해 추가적인 점근적 정규 성분을 도입한다는 점이다.
검정 통계량에 대한 중심 극한 정리: 귀무가설 하에서 검정 통계량은 다음을 만족하는 중심 극한 정리를 따른다:
$\sqrt{N}\hat{S}_N \xrightarrow{L} \mathcal{N}(0, \tau^2)$
여기서 $\tau^2$ 는 거리 함수의 기울기와 기초 추정량들의 공분산 구조에 의해 결정되는 점근적 분산이다.
일치성 및 검정력: 본 절차는 고정된 대립가설(즉, $L > 0$ 인 경우)에 대해 일치성을 갖는 것으로 나타났다. 또한, $a^2 = N^{-1/4}a_0^2 + \sum \lambda_k a_k^2$ 형태의 국소 대립가설을 분석하였으며, 이를 통해 극한 분포가 섭동(perturbation)과 영공간(null space) 사이의 거리에 비례하는 0이 아닌 평균을 갖게 됨을 보여줌으로써 점근적 검정력을 도출할 수 있음을 입증하였다.
분산 추정: 경험적 측도에 대한 복잡한 의존성 때문에, 저자들은 점근 공분산 행렬 $\Sigma$ 를 추정하기 위한 서브샘플링(subsampling) 절차를 제안한다. 이들은 이 서브샘플링 추정량이 약한 일치성(weakly consistent)을 가짐을 증명하여, 규정된 유의 수준을 달est하는 실행 가능한 검정의 구축을 가능하게 한다.

의의 및 주장
본 논문은 관측된 상호작용 입자 시스템의 이산 관측을 기반으로 한, 변동성 함수를 위한 최초의 엄밀한 적합도 검정 프레임워크를 제공한다고 주장한다. 이 연구의 의의는 다음과 같다:

통계적 검증의 확장: 분포 의존적 역학을 가진 확산 모델(경제학, 금융, 물리학에서 시스템적 리스크와 평균장 상호작용을 모델링하는 데 점점 더 많이 사용되는 모델 클래스)로 통계적 모델 검증의 범위를 확장한다.
방법론적 혁신: 고빈도 점근법과 평균장 논증을 결합함으로써 분포 의존성이라는 방법론적 과제를 극복하며, 특히 입자의 수와 샘플링 빈도 사이의 상호작용을 다룬다.
실용적 적용 가능성: 중심 극한 정리와 서브샘플링을 통한 일치하는 분산 추정량을 확립함으로써, 고차원 평균장 확산 모델에서 변동성 명세를 평가하기 위한 실질적으로 구현 가능한 절차를 제공한다.

저자들은 자신들의 결과가 조건 $N\Delta_n^2 \to 0$ 에 의존한다는 점을 명시적으로 언급한다. 만약 이 조건이 위반된다면(예: $N\Delta_n^2 = O(1)$ ), 무시할 수 없는 점근적 편향이 발생하며, 이는 드리프트(drift) 및 변동성 계수에 대한 추가적인 지식 없이는 유효한 검정을 구성하는 것을 어렵게 만든다.

군중과 움찔거림의 이야기

그들이 발견한 것

이것이 왜 중요한가

유사한 논문