Differential Machine Learning for 0DTE Options with Stochastic Volatility and Jumps

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

1. 배경: 왜 이 연구가 필요한가요?

"마지막 1 분의 경주"
최근 주식 시장에서 '0DTE 옵션' (오늘 만기가 되는 옵션) 거래량이 폭발적으로 늘었습니다. 이는 마치 마라톤의 마지막 100 미터와 같습니다.

문제점: 마지막 100 미터에서는 선수들의 움직임이 매우 급격하고 예측하기 어렵습니다. 주식 가격도 마찬가지입니다. 갑자기 뉴스가 터지면 (점프, Jump) 가격이 튀어 오르고, 변동성 (Volatility) 도 극심해집니다.
과거의 방식: 기존 컴퓨터 프로그램은 이런 급변하는 상황을 계산하려면 매우 느립니다. 마치 복잡한 미적분 문제를 손으로 하나하나 풀어서 답을 구하는 것과 같습니다.
필요한 것: 트레이더들은 순간순간 가격을 계산하고, "얼마나 위험한가?" (그리스 문자, Greeks) 를 알아야 합니다. 그래서 AI 가 한 번에 모든 답을 뿜어낼 수 있는 방법이 필요합니다.

2. 핵심 아이디어: "AI 가 수학을 외우는 대신, 원리를 이해하게 한다"

저자는 **차분 기계 학습 (Differential Machine Learning)**이라는 기술을 사용했습니다. 이를 쉽게 풀면 다음과 같습니다.

비유: "요리 레시피를 외우는 AI"

기존 AI 는 단순히 "재료 A 와 B 를 넣으면 요리 C 가 나온다"는 데이터만 외웠습니다. 하지만 이 새로운 AI 는 **수학적 원리 (미분 방정식)**까지 함께 학습합니다.

가격 (Price): "이 주식 가격이 이 정도면 옵션 가격은 얼마일까?"
위험도 (Greeks): "주가가 1 원 오르면 내 옵션 가격은 얼마나 변할까?" (델타), "변동성이 커지면?" (베가)
한 번에 해결: 이 AI 는 한 번의 계산으로 가격과 위험도 (델타, 감마 등) 를 모두 알려줍니다. 마치 요리를 한 번에 해내면서, "소금 1g 더 넣으면 맛이 어떻게 변할지"까지 동시에 설명해 주는 요리사 같습니다.

3. 3 단계 훈련법: "혼란스러운 점프를 구별하기 위한 전략"

이 논문에서 가장 독창적인 부분은 **점프 (Jumps, 갑작스러운 가격 변동)**를 어떻게 처리하느냐입니다.

상황: AI 가 "점프"와 "일반적인 움직임"을 구분하지 못하면, "점프가 없는데도 점프가 있는 것처럼" 착각할 수 있습니다. 마치 **바람 (일반 움직임) 과 지진 (점프)**을 구분하지 못하고 모두 바람으로 치부하는 것과 같습니다.

저자는 이를 해결하기 위해 3 단계 훈련을 고안했습니다.

1 단계 (기본기 다지기): AI 에게 먼저 가격과 위험도 (델타, 베가) 를 정확히 맞추게 합니다. 이때는 점프를 무시하고 일반적인 움직임만 학습합니다.
2 단계 (점프 특화 학습): 이제 별도의 AI를 세워, "점프가 일어났을 때 실제로 가격이 어떻게 변하는지"를 따로 학습시킵니다. 마치 지진 전문 감지기를 따로 설치하는 것과 같습니다.
3 단계 (함께 조율하기): 두 AI(일반 움직임 + 점프 감지기) 를 합쳐서 서로의 오차를 보정하며 최종적인 정답을 맞춥니다.

결과: 이 방법을 쓰면, AI 는 "아, 이 부분은 일반적인 변동성이 아니라 갑작스러운 점프 때문이구나!"라고 정확히 구분하게 됩니다.

4. 왜 이 방법이 특별한가요? (핵심 성과)

속도 (Speed): 기존 방식 (푸리에 변환 등) 에 비해 최대 47 배 더 빠릅니다.
- 비유: 복잡한 미적분 문제를 풀 때, 기존 방식은 계산기를 두드리고, 이 방법은 정답이 적힌 메모를 한 번 보는 것과 같습니다.
정확도 (Accuracy): 특히 **델타 (Delta)**와 베가 (Vega) 같은 위험 지표의 정확도가 매우 높습니다.
- 비유: 주식 가격이 미세하게 움직일 때, 이 AI 는 "내 포트폴리오가 얼마나 흔들릴지"를 아주 정교하게 예측합니다.
안정성 (Stability): 0DTE 옵션은 만기가 임박하면 계산이 매우 불안정해집니다. 하지만 이 방법은 **블랙 - 숄즈 (Black-Scholes)**라는 유명한 공식을 기본 틀로 쓰되, AI 가 오차 부분만 수정하게 하여 안정성을 확보했습니다.
- 비유: 이미 튼튼하게 지어진 기둥 (블랙 - 숄즈 공식) 위에, AI 가 약한 부분만 보강재로 채워 넣는 방식입니다.

5. 실전 테스트: "스트레스 상황에서도 잘 버틸까?"

저자는 AI 가 만든 가격과 위험도를 이용해 **가상의 주식 거래 (헤징)**를 시뮬레이션했습니다.

결과: 주식 가격이 갑자기 튀어 오르는 (점프) 상황에서도, 이 AI 가 계산한 **델타 (위험도)**를 이용해 주식을 사고팔면, 손실 (P&L) 이 거의 발생하지 않았습니다.
이는 이 AI 가 단순히 숫자를 맞추는 것을 넘어, 실제 시장 상황에서도 신뢰할 수 있는 도구가 될 수 있음을 의미합니다.

요약

이 논문은 **"매우 짧고 위험한 0DTE 옵션"**을 위해, AI 가 수학적 원리를 이해하도록 훈련시켜 가격을 계산하고 위험을 측정하는 새로운 방법을 개발했습니다.

기존: 느리고, 위험도를 따로 계산해야 함.
이 방법: 매우 빠르고, 가격과 위험도를 한 번에 계산하며, **갑작스러운 시장 충격 (점프)**도 정확히 감지합니다.

마치 고급 레이더가 비가 오고 바람이 불어도 (변동성), 갑자기 낙하산이 떨어지는 상황 (점프) 에서도 비행기의 위치를 정확히 잡아주는 것과 같습니다.

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

1. 문제 정의 (Problem)

최근 0DTE 옵션 거래량이 급증하면서 다음과 같은 두 가지 주요 과제가 대두되었습니다.

동역학의 복잡성: 0DTE 옵션은 현물 가격의 점프 (Jump) 활동이 매우 활발하며, 특히 현물 가격과 행사가가 일치하는 영역 (ATM) 에서 큰 감마 (Gamma) 노출을 보입니다. 따라서 단순한 확산 모델보다는 **점프가 포함된 확률적 변동성 모델 (Bates 모델 등)**이 필요합니다.
계산 속도와 안정성: 매우 짧은 만기와 빈번한 일중 (Intraday) 재균형 (Rebalancing) 은 가격과 그리스 (Delta, Gamma, Vega 등) 의 초고속 계산을 요구합니다. 기존 푸리에 변환 기반의 가격 결정 방법은 정확하지만 계산 비용이 높습니다. 또한, 만기가 짧을수록 ATM 부근에서 그리스 값이 급격히 커져 수치적 불안정성이 발생합니다.

2. 방법론 (Methodology)

저자는 **미분 기계 학습 (DML)**을 적용하여 가격과 그리스 값을 동시에 학습하는 신경망 모델을 구축했습니다. 주요 기술적 구성 요소는 다음과 같습니다.

A. 네트워크 아키텍처 및 가격 표현

Black-Scholes 기반 변동성 보정: 네트워크가 옵션 가격을 직접 예측하는 대신, Black-Scholes 공식 내의 **변동성 보정항 (Variance Correction, $\Delta V$ $Δ V$ )**을 학습합니다.
- 유효 변동성: $V_{eff} = \max\{V + g(\tau)\Delta V, \epsilon\}$
- 여기서 $g(\tau) = 1 - \exp(-\tau/\tau_0)$ 는 만기 ( $\tau$ ) 가 0 에 가까워질수록 보정항이 사라지도록 설계되어, 만기 종료 시의 페이오프 조건을 정확히 만족시키고 학습 안정성을 확보합니다.
자동 미분 (Automatic Differentiation): 학습된 가격 네트워크 $u_\phi$ 에 대해 자동 미분을 통해 Delta, Gamma, Vega 등을 직접 계산하여 손실 함수에 포함시킵니다. 이를 Twin Network라고 부릅니다.

B. 점프 항의 식별성 문제 해결 (3 단계 훈련 전략)

PIDE(적분 - 미분 방정식) 잔차 (Residual) 만을 패널티로 사용하면, 확산 항의 오차를 점프 항 네트워크가 상쇄하여 전체 잔차는 작아지지만 실제 점프 구조를 학습하지 못하는 퇴화 (Degenerate) 문제가 발생할 수 있습니다. 이를 해결하기 위해 3 단계 훈련을 도입했습니다.

1 단계 (가격 및 그리스 학습): 점프 네트워크 ( $J_\psi$ ) 를 고정하고, 가격 네트워크 ( $u_\phi$ ) 만을 가격과 그리스 (Delta, Gamma, Vega) 의 감독 학습 (Supervised Learning) 으로 훈련합니다.
2 단계 (점프 참조 학습): 가격 네트워크를 고정하고, 기준 가격 (Fourier pricer) 을 이용해 수치적으로 계산된 **보상된 점프 연산자 (Compensated Jump Operator, $J_{ref}$ )**를 점프 네트워크가 모방하도록 훈련합니다.
3 단계 (공동 미세 조정): 두 네트워크를 함께 훈련하며, PIDE 잔차 패널티와 자기 일관성 (Self-consistency) 패널티를 추가합니다. 이는 학습된 점프 항이 실제 수치 적분 결과와 일치하도록 강제합니다.

C. 손실 함수 및 제약 조건

가중치: ATM 영역과 초단기 만기 영역에 가중치를 두어 학습합니다.
무차익 제약 (No-Arbitrage): 델타 범위 ($0 \le \Delta \le 1 $), 볼록성 ($ \Gamma \ge 0$), 베가 단조성 등을 패널티 항으로 추가합니다.
강건한 손실 함수: Gamma 와 같은 민감한 미분값에 대해서는 Huber Loss 를 사용하여 수치적 오차로 인한 이상치 (Outliers) 의 영향을 줄입니다.

3. 주요 기여 (Key Contributions)

초단기 만기 0DTE 옵션을 위한 DML 프레임워크: 변동성 보정 항을 도입하여 만기가 0 에 수렴할 때의 특이점 (Singularity) 문제를 해결하고, 가격과 그리스 값을 단일 순전파 (Single Forward Pass) 로 제공합니다.
점프 항의 식별성 확보: PIDE 잔차만으로는 점프 항을 올바르게 학습할 수 없다는 점을 지적하고, 별도의 점프 네트워크와 3 단계 훈련 전략을 통해 점프 기여도를 정확히 식별 (Identify) 하는 방법을 제시했습니다.
효율성과 정확성의 균형: 기존 푸리에 기반 가격 결정 방법보다 훨씬 빠르면서도, 특히 Delta 와 Vega 에 대한 정확도를 크게 향상시켰습니다.

4. 실험 결과 (Results)

Bates 모델 시뮬레이션 데이터를 기반으로 한 실험 결과는 다음과 같습니다.

정확도:
- 가격: 1 단계 기반선 (Model A, 가격만 학습) 과 비교하여 DML 모델 (Model B, D) 은 가격 오차는 비슷하거나 약간 개선된 수준을 유지합니다.
- 그리스 (Greeks): DML 모델은 Delta 와 Vega 의 오차를 크게 줄였습니다. Gamma 의 경우 전역 RMSE 보다는 꼬리 영역 (Tail error) 의 오차가 개선되었습니다.
- 점프 항 정확도: 잔차 패널티만 사용한 모델 (Model C) 은 점프 항과 수치적 참조값 ( $J_{ref}$ ) 간의 오차가 큽니다 ( $RMSE \approx 9.34 \times 10^{-2}$ ). 반면, 3 단계 훈련을 적용한 모델 (Model D) 은 점프 항 오차를 크게 줄였습니다 ( $RMSE \approx 1.35 \times 10^{-2}$ ). 이는 잔차가 작다고 해서 점프 항이 올바르게 학습된 것은 아님을 보여줍니다.
계산 속도:
- Fourier 기반 가격 결정기에 비해 6 배에서 47 배까지 빠릅니다 (배치 크기 $N$ 에 따라 증가).
헤징 성능 (Hedging Performance):
- 스트레스 테스트 (Stressed parameters) 하에서 1 일 Delta 헤징 시뮬레이션 결과, DML 모델이 생성한 Delta 를 사용한 헤징 포트폴리오의 P&L 분포는 기준 (True) 모델과 매우 유사했습니다.
- 특히 점프가 발생한 시나리오에서도 헤징 오차의 분포가 안정적이었으며, 2 차 헤징 (Gamma 헤징) 에서도 DML 그리스 값이 신뢰할 수 있는 결과를 제공했습니다.

5. 의의 및 결론 (Significance)

이 연구는 0DTE 옵션과 같은 극단적인 단기 옵션 시장에서 기계 학습을 활용한 가격 결정 및 리스크 관리의 실용성을 입증했습니다.

실무적 가치: 금융 기관은 복잡한 점프 모델을 사용할 때에도 실시간으로 가격과 그리스 값을 계산하여 빠른 헤징 전략을 수립할 수 있게 되었습니다.
방법론적 통찰: PIDE(적분 - 미분 방정식) 기반의 머신러닝 솔버에서 잔차 (Residual) 만을 최소화하는 것이 항상 올바른 해를 보장하지는 않으며, 특히 비국소적 (Non-local) 인 점프 항이 포함된 경우 **별도의 감독 학습 (Supervision)**이 필수적임을 보여줍니다.
향후 과제: 실제 시장 데이터 적용을 위해서는 마켓 마이크로스트럭처 노이즈, 호가창 스프레드, 거래 비용 등을 고려한 추가 연구가 필요하다고 결론지었습니다.

요약하자면, 이 논문은 변동성 보정 구조와 3 단계 훈련 전략을 결합한 DML을 통해 0DTE 옵션의 가격 및 그리스 계산 문제를 해결하고, 기존 수치적 방법보다 압도적으로 빠르면서도 정확도를 유지하는 새로운 패러다임을 제시했습니다.