Broken Symmetry of Stock Returns -- a Modified Jones-Faddy Skew t-Distribution

이 논문은 주식 수익률의 음의 왜도와 양의 평균이 이득과 손실에 대한 확률적 변동성의 비대칭성에서 비롯된다고 주장하며, 이를 단일 유기적 분포로 포착하기 위해 수정된 존스 - 패디 왜도 t-분포를 제안하고 S&P500 일간 수익률 데이터에 적용하여 꼬리 분석을 수행합니다.

핵심

이 논문은 **"주식 시장의 수익률이 왜 항상 불공평하게 움직이는가?"**라는 질문에 답하려는 시도입니다. 물리학자들이 주식 데이터를 분석하여 발견한 흥미로운 사실을 일상적인 비유로 설명해 드리겠습니다.

1. 핵심 문제: "공정한 주사위"는 없다

전통적인 금융 이론이나 물리학 모델은 주가 등락이 마치 공정한 주사위를 던지는 것과 같다고 가정합니다. 즉, '오를 확률'과 '떨어질 확률'이 같고, 그 크기도 대칭적이어야 합니다.

하지만 현실은 다릅니다.

• 장기적으로는 오릅니다: 주식 시장은 시간이 지나면 평균적으로 상승합니다 (양수 평균).
• 급락은 더 무섭습니다: 떨어질 때는 오를 때보다 훨씬 가파르고 극단적인 폭락을 보입니다 (음수 왜도).
• 꼬리가 다릅니다: 큰 폭락 (손실) 이 발생할 확률과 큰 상승 (수익) 이 발생할 확률의 '꼬리' 모양이 서로 다릅니다.

저자들은 이를 **"대칭성의 붕괴 (Broken Symmetry)"**라고 부릅니다. 마치 공정한 주사위가 아니라, 무게가 다른 두 개의 주사위를 섞어서 던지는 것과 같습니다.

2. 저자들의 아이디어: "손실용"과 "수익용"은 다른 규칙이다

저자들은 주식의 변동성 (가격이 얼마나 흔들리는지) 이 손실과 수익을 다룰 때 서로 다른 물리 법칙을 따른다고 주장합니다.

• 비유: imagine you are walking on a tightrope.
  • 오를 때 (수익): 발을 디디는 힘이 부드럽고, 넘어질 확률이 낮습니다. (변동성 파라미터 $\alpha_g$가 큼)
  • 떨어질 때 (손실): 발이 미끄러지기 쉽고, 한 번 미끄러지면 아주 멀리 떨어집니다. (변동성 파라미터 $\alpha_l$이 작음)

이처럼 손실과 수익을 각각 다른 '변동성 규칙'으로 설명해야만 실제 주식 시장의 데이터를 정확히 묘사할 수 있다는 것입니다.

3. 제안한 해결책: "모디파이드 존스 - 패디 (mJF) 분포"

저자들은 기존의 복잡한 수식 대신, 이 불공정한 대칭성을 한 번에 잡아낼 수 있는 새로운 수학적 도구, **'수정된 존스 - 패디 왜도 t-분포 (Modified Jones-Faddy Skew t-Distribution)'**를 제안했습니다.

• 기존 모델 (학생 t-분포): 완벽한 대칭을 가정합니다. (공정한 주사위)
• 새로운 모델 (mJF):
  1. 수익과 손실의 '꼬리' 길이를 다르게 설정할 수 있습니다. (손실 꼬리가 더 길고 굵음)
  2. 평균을 양쪽으로 살짝 이동시킬 수 있습니다. (시장의 장기 상승세를 반영)
  3. 하나의 유기적인 공식으로 이 모든 것을 설명합니다. (두 개의 주사위를 따로 섞는 게 아니라, 하나의 '불공정한 주사위'로 정의)

4. 실제 데이터로 확인한 결과 (S&P 500)

1980 년부터 2025 년까지의 S&P 500 지수 데이터를 이 새로운 모델에 넣어봤습니다.

• 결과: 기존의 모델들은 주식 시장의 '급격한 폭락'이나 '약간의 상승세'를 설명하지 못했습니다. 하지만 새로운 mJF 모델은 실제 데이터와 거의 완벽하게 일치했습니다.
• 통계적 의미: 이 모델은 "큰 폭락이 일어날 확률"을 더 정확하게 예측할 수 있게 해줍니다. 이는 투자자들이 위험을 관리하는 데 매우 중요합니다.

5. 결론: 왜 이것이 중요한가?

이 논문의 핵심 메시지는 다음과 같습니다.

"주식 시장은 단순한 확률 게임이 아닙니다. 수익과 손실을 다루는 물리 법칙이 서로 다릅니다. 우리는 이 '불공정한 규칙'을 인정하고, 이를 반영한 새로운 수학적 도구 (mJF 분포) 를 사용해야만 시장의 진짜 모습을 볼 수 있습니다."

한 줄 요약:
주식 시장은 공정한 주사위가 아니라, **떨어질 때는 더 무겁고, 오를 때는 더 가벼운 '불공정한 주사위'**를 던지는 것과 같습니다. 이 논문은 그 불공정한 주사위의 규칙을 찾아낸 새로운 지도 (수식) 를 제시합니다.

기술 요약

논문 요약: 주식 수익률의 대칭성 붕괴와 수정된 존스 - 패디 왜도 t-분포

1. 연구 배경 및 문제 제기 (Problem)

• 현상: 주식 시장 (특히 S&P500) 의 일일 수익률 분포는 전통적인 정규분포나 대칭적인 Student's t-분포로 설명하기 어렵습니다. 실제 데이터는 다음과 같은 특징을 보입니다:
  • 양의 평균 (Positive Mean): 장기적인 상승 추세가 존재합니다.
  • 음의 왜도 (Negative Skew): 손실 (Losses) 쪽으로 꼬리가 더 길고 두껍습니다.
  • 비대칭적 꼬리: 손실 쪽의 멱법칙 (Power-law) 지수가 이익 (Gains) 쪽보다 느리게 감소하여 손실 확률이 더 높습니다.
  • 점의 수 불균형: 이익을 보는 날의 수가 손실을 보는 날보다 많습니다.
• 기존 모델의 한계: 기존의 확률 미분방정식 (SDE) 기반 모델 (예: 확률적 변동성 모델) 은 일반적으로 이익과 손실에 대해 동일한 매개변수를 가정하여 대칭적인 분포를 생성합니다. 이는 실제 시장의 비대칭성을 설명하지 못합니다.
• 연구 목표: SDE 프레임워크의 정신을 유지하면서, 수익률 분포의 대칭성 붕괴 (Broken Symmetry) 를 단일 유기적 분포 (Organic Distribution) 로 모델링하고, S&P500 일일 수익률 데이터에 이를 적용하여 꼬리 (Tail) 분석을 수행하는 것입니다.

2. 방법론 (Methodology)

저자는 확률적 변동성 (Stochastic Volatility) 이 이익과 손실에 따라 다른 매개변수로 지배된다는 가정을 바탕으로 다음과 같은 접근법을 취했습니다.

• 기초 이론:
  • 수익률 $x_t$와 변동성 $\sigma_t$를 기술하는 SDE 를 사용했습니다.
  • 곱셈적 (Multiplicative) 변동성 모델을 가정하여, 변동성의 정상 상태 분포가 역감마 (Inverse Gamma) 분포가 되고, 이로 인해 수익률 분포가 Student's t-분포가 됨을 유도했습니다.
• 모델 제안:
  1. Half Student-t Distribution (반 Student-t 분포): 이익과 손실을 별도의 Student's t-분포로 나누어 가중치 혼합 (Mixture) 하는 방식입니다.
     • 단점: 물리적으로 '유기적'이지 않으며 (First-principles 모델 아님), 양의 평균을 설명하지 못합니다.
  2. Modified Jones-Faddy Skew t-Distribution (수정된 존스 - 패디 분포, mJF):
     • 기존 Student's t-분포를 기반으로 하되, 존스 - 패디 (Jones-Faddy) 확률 분포를 변형하여 적용했습니다.
     • 핵심 아이디어: 이익과 손실에 대해 서로 다른 매개변수 ($\alpha_g, \alpha_l$) 를 도입하여 비대칭성을 구현했습니다.
       • mJF1: 평균 변동성 ($\theta$) 은 동일하게 유지하되, $\alpha_g$ (이익) 와 $\alpha_l$ (손실) 을 다르게 설정. 위치 매개변수 ($\mu$) 를 추가하여 양의 평균을 설명.
       • mJF2: 평균 변동성 ($\theta_g, \theta_l$) 까지 이익과 손실에 따라 다르게 설정.
• 데이터 및 분석:
  • 1980 년부터 2025 년까지의 S&P500 일일 수익률 데이터를 사용했습니다.
  • 베이지안 피팅 (Bayesian Fitting) 을 통해 모델 매개변수를 추정했습니다.
  • 확률 밀도 함수 (PDF), 누적 분포 함수 (CDF), 여집합 누적 분포 함수 (CCDF) 를 분석하고, 꼬리 부분의 멱법칙 지수를 선형 회귀로 추정했습니다.
  • 통계적 적합도 검정 (U-test, 신뢰구간 분석) 을 수행했습니다.

3. 주요 결과 (Key Results)

• 모델 비교 (Table 1, 2):
  • Student-t: 대칭적이어서 실제 데이터의 왜도와 평균을 전혀 설명하지 못함.
  • Half Student-t: 꼬리 부분의 차이는 설명할 수 있으나, 위치 매개변수가 없어 양의 평균 ($m_1 > 0$) 을 설명하지 못함 (계산된 평균이 음수).
  • mJF1 및 mJF2: 실제 S&P500 데이터와 가장 잘 부합함.
    • 양의 평균: 위치 매개변수 $\mu$를 통해 설명 가능.
    • 음의 왜도: $\alpha_l < \alpha_g$ (손실 쪽의 $\alpha$가 더 작음) 설정으로 인해 손실 쪽 꼬리가 더 두꺼워짐.
    • 꼬리 지수: mJF1 과 mJF2 모두 실제 데이터의 꼬리 지수 (이익: 약 -3.14, 손실: 약 -2.91) 를 매우 정확하게 재현함.
• 통계적 검정:
  • mJF1 모델은 신뢰구간 내에서 대부분의 데이터 포인트를 잘 포착하며, U-test p-value 분석에서도 이상치 (Dragon Kings) 를 제외하고는 모델 적합도가 높음을 보임.
  • mJF2 (두 개의 $\theta$를 가진 모델) 는 추가 매개변수에도 불구하고 mJF1 과 시각적, 통계적으로 유의미한 차이를 보이지 않음.
• 시각화:
  • PDF 및 CCDF 그래프에서 mJF1 모델이 S&P500 데이터의 전체 분포, 특히 꼬리 부분 (Gains/Losses tails) 을 가장 정교하게 피팅함.

4. 주요 기여 (Key Contributions)

1. 대칭성 붕괴의 모델링: 주식 수익률의 비대칭성 (양의 평균, 음의 왜도, 비대칭적 꼬리) 을 설명하기 위해 확률적 변동성 매개변수의 차이를 도입한 새로운 분포 (mJF) 를 제안함.
2. 유기적 단일 분포 제안: 이익과 손실을 별도의 분포로 나누어 혼합하는 방식 (Half Student-t) 이 아닌, 하나의 단일 분포 함수로 전체 분포를 설명하는 '수정된 존스 - 패디 분포'를 제시함. 이는 물리학적 관점에서 더 우아한 해법으로 간주됨.
3. 실증적 검증: 45 년 이상의 S&P500 데이터를 통해 제안된 모델의 유효성을 입증하고, 기존 모델들보다 우수한 적합도를 보임.
4. 꼬리 분석: 손실 쪽의 멱법칙 지수가 이익 쪽보다 느리게 감소한다는 사실을 정량화하고 모델이 이를 잘 포착함을 확인함.

5. 의의 및 결론 (Significance & Conclusion)

• 결론: 수정된 존스 - 패디 왜도 t-분포 (mJF1) 는 S&P500 일일 수익률의 복잡한 통계적 특성 (양의 평균, 음의 왜도, 비대칭적 꼬리) 을 설명하는 데 가장 적합한 후보 모델입니다.
• 의의:
  • 이 모델은 SDE 기반의 엄밀한 유도 과정은 아직 명확하지 않지만, SDE 프레임워크의 정신 (변동성의 확률적 특성) 을 계승하면서도 데이터의 비대칭성을 효과적으로 포착합니다.
  • 금융 리스크 관리 (VaR 등) 및 옵션 가격 책정에서 꼬리 위험 (Tail Risk) 을 더 정확하게 평가하는 데 기여할 수 있습니다.
• 향후 과제:
  • 다른 시장 지수 (DOW, NASDAQ, 유럽/아시아 지수) 에 대한 적용.
  • 개별 종목 vs 전체 시장 비교.
  • 축적된 수익률 (Accumulated Returns) 과 실현 변동성 분석.
  • 가장 중요한 과제: 제안된 비대칭 분포를 유도하는 첫 번째 원리 (First-principles) 기반의 SDE 유도를 찾는 것.

이 논문은 기존의 대칭적 분포 모델의 한계를 극복하고, 주식 시장의 비대칭적 특성을 단일 분포로 통합하여 설명할 수 있는 새로운 통계적 프레임워크를 제시했다는 점에서 중요한 의미를 가집니다.