Option pricing model under the G-expectation framework

논문 요약: G-기대하 프레임워크下的 옵션 가격 결정 모델

1. 연구 배경 및 문제 제기 (Problem)

• 기존 모델의 한계: 전통적인 블랙 - 숄즈 (Black-Scholes) 모델은 주가가 기하 브라운 운동을 따르고 변동성 (volatility) 이 일정하다는 가정을 기반으로 합니다. 그러나 실제 금융 시장에서는 변동성이 불확실하며, 다양한 자산 가격과 시간에 걸쳐 변동성 표면 (volatility surface) 을 형성합니다.
• 모델 불확실성 (Model Uncertainty): Lyons 와 Avellaneda 등에 의해 제안된 '불확실한 변동성 (uncertain volatility)' 프레임워크는 변동성이 특정 범위 $[\underline{\Sigma}, \bar{\Sigma}]$ 내에 존재한다고 가정합니다. 이는 단일한 가격 대신 최선/최악 시나리오에 따른 가격 범위를 제공하며, 이는 비선형 편미분 방정식 (PDE) 으로 이어집니다.
• G-기대하 (G-expectation) 의 필요성: Peng 에 의해 제안된 G-기대하 이론은 비선형 기대하를 통해 불확실성을 모델링하는 강력한 틀을 제공합니다. 본 연구는 G-기하 브라운 운동을 따르는 기초 자산에 대한 리스크 중립적 (risk-neutral) 옵션 가격 결정 문제를 G-기대하 프레임워크 내에서 체계화하고, 이를 효율적으로 수치적으로 해결하는 방법을 모색합니다.

2. 방법론 (Methodology)

가. 수학적 모델링 (Mathematical Formulation)

• G-블랙 - 숄즈 방정식 도출: 기초 자산 가격 $S_t$가 G-기하 브라운 운동을 따를 때, 리스크 중립적 가격 $U(t, S)$는 **완전 비선형 편미분 방정식 (Fully Nonlinear PDE)**인 G-블랙 - 숄즈 방정식을 만족합니다.
  $$\frac{\partial U}{\partial t} + rS \frac{\partial U}{\partial S} + \frac{1}{2} \sup_{\Sigma \in [\underline{\Sigma}, \bar{\Sigma}]} \left( \sigma^2 S^2 \Sigma^2 \frac{\partial^2 U}{\partial S^2} \right) - rU = 0$$
• 로그 변환 (Logarithmic Transformation): 계산 효율성을 높이기 위해 자산 가격 $S$에 대한 로그 변환 $X = \ln S$를 도입합니다. 이를 통해 새로운 비선형 PDE 를 유도하며, 이는 명시적 (explicit) 차분법의 안정성 제약을 완화하는 데 핵심적인 역할을 합니다.
  $$\frac{\partial V}{\partial t} + r \frac{\partial V}{\partial X} + \sup_{\Sigma \in [\underline{\Sigma}, \bar{\Sigma}]} \left[ \frac{1}{2} \sigma^2 \Sigma^2 \left( \frac{\partial^2 V}{\partial X^2} - \frac{\partial V}{\partial X} \right) \right] - rV = 0$$

나. 수치 해법 (Numerical Schemes)

• 유한 차분법 (Finite Difference Methods): 변환된 PDE 에 대해 명시적 (Explicit) 및 암시적 (Implicit) 유한 차분 스킴을 설계했습니다.
• 내부 반복 (Inner Iteration): 암시적 스킴은 비선형 대수 방정식 시스템을 풀어야 하므로, 각 시간 단계에서 Picard 반복법을 사용하여 해를 구합니다.
• 수렴성 분석: Barles 와 Souganidis 의 이론에 기반하여, 제안된 스킴이 일관성 (Consistency), 안정성 (Stability), **단조성 (Monotonicity)**을 만족하면 점근적으로 **점성 해 (Viscosity Solution)**로 수렴함을 엄밀하게 증명했습니다.

3. 주요 기여 (Key Contributions)

1. G-기대하 하의 통합 가격 결정 프레임워크: G-기하 브라운 운동을 기반으로 한 리스크 중립적 가격 결정 이론을 정립하고, 이를 G-블랙 - 숄즈 방정식으로 유도했습니다.
2. 로그 변환의 효율성 증명: 로그 변환이 명시적 스킴의 안정성 조건 (CFL 조건) 을 크게 완화하여 계산 비용을 줄인다는 것을 이론적으로 증명했습니다.
   • 변환 전: 시간 단계 제약이 $S_{max}^2$에 비례하여 매우 엄격함.
   • 변환 후: 시간 단계 제약이 $(\ln S_{max} - \ln S_{min})^2$에 비례하여 완화됨.
3. 수치적 스킴의 엄밀한 분석: 명시적 및 암시적 스킴에 대해 일관성, 안정성, 단조성을 증명하고, 점성 해로의 수렴 속도를 이론적으로 추정했습니다. 특히 암시적 스킴의 내부 반복 알고리즘이 단조 수렴함을 보였습니다.

4. 실험 결과 (Results)

• 테스트 케이스:
  1. 나비 스프레드 (Butterfly Spread): 비볼록 (non-convex) 인 페이오프를 가진 옵션.
  2. 디지털 콜 옵션 (Digital Call Option): 불연속적인 페이오프를 가진 옵션 (수치적 난이도 높음).
• 수렴성 및 정확도:
  • 두 스킴 (명시적, 암시적) 모두 나비 스프레드에서 약 **2 차 수렴 (second-order accuracy)**을 보였습니다.
  • 불연속 페이오프 (디지털 옵션) 의 경우 매끄러움이 떨어져 1 차 수렴에 근접했으나, 여전히 높은 정확도를 달성했습니다.
  • 암시적 스킴의 내부 반복은 시간 단계당 평균 2 회의 반복으로 빠르게 수렴하여 계산 효율이 매우 높았습니다.
• 로그 변환의 효과 (비교 실험):
  • 동일한 공간 격자 수 ($M$) 를 사용할 때, 로그 변환을 적용한 경우 최소 시간 단계 수가 약 63% 감소했습니다 (예: $M=800$ 시 22,500 단계 $\to$ 8,286 단계).
  • 이로 인해 CPU 시간은 현저히 감소하면서도 동일한 정확도를 유지하거나 더 높은 정확도를 달성했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 이론적 의의: 불확실한 변동성 하에서의 옵션 가격 결정 문제를 G-기대하 이론과 결합하여 수학적으로 엄밀하게 정립했습니다.
• 실무적 의의: 제안된 로그 변환 기반의 수치 알고리즘은 복잡한 비선형 PDE 를 풀 때 발생하는 계산적 병목 현상을 해결합니다. 특히 명시적 스킴의 안정성 제약을 완화하여 대규모 시뮬레이션이나 실시간 가격 결정에 있어 계산 효율성과 정확성을 동시에 확보할 수 있는 강력한 도구임을 입증했습니다.
• 결론: 본 연구는 G-기대하 프레임워크 하에서 옵션 가격을 효율적으로 계산하기 위한 이론적 토대와 실용적인 수치 기법을 제공하며, 금융 공학 분야에서 모델 불확실성을 다루는 새로운 표준을 제시합니다.