Bridging Stochastic Control and Deep Hedging: Structural Priors for No-Transaction Band Networks

1. 연구 배경 및 문제 정의

• 문제: 블랙 - 숄즈 (Black-Scholes) 모델은 연속적인 리밸런싱을 가정하지만, 실제 시장에서는 거래 비용 (스프레드, 수수료 등) 이 존재합니다. 거래 비용이 있을 때 연속적인 델타 헤징은 비효율적이며, 최적 전략은 포트폴리오가 목표 위치에서 일정 범위 (No-Transaction Band, NTB) 를 벗어날 때만 거래하는 것입니다.
• 목표: 거래 비용 하에서 최적의 헤징 전략을 유도하고, 이를 딥러닝 아키텍처에 효과적으로 통합하여 더 빠르고 정확한 헤징 전략을 개발하는 것입니다.

2. 방법론 (Methodology)

A. 확률적 제어 (Stochastic Control) 접근

• CARA 효용함수: 지수 효용함수 $u(x) = 1 - e^{-\gamma x}$를 사용하여 문제를 단순화했습니다.
• HJBQVI 유도: Davis et al. (1993) 의 프레임워크를 따르며, 거래 비용 하의 최적 제어 문제는 Hamilton-Jacobi-Bellman Quasi-Variational Inequality (HJBQVI) 로 표현됩니다.
• 차원 축소: CARA 효용함수의 특성 (translation invariance) 을 이용하여 4 차원 상태 공간 $(t, S, y, X)$을 3 차원 $(t, S, y)$ 문제로 축소하여 수치 해법 (Dynamic Programming) 을 적용 가능하게 했습니다.
• Whalley-Wilmott 점근적 근사: 거래 비용 $\lambda$가 작을 때, 무거래 대역 (No-Transaction Band) 의 반폭 (half-width) $h_{WW}$를 다음과 같은 명시적 공식을 통해 근사합니다.
  $$h_{WW} = \left( \frac{3\lambda S \Gamma_{BS}^2}{2\gamma} \right)^{1/3}$$
  여기서 $\Gamma_{BS}$는 블랙 - 숄즈 감마 (Gamma) 입니다. 이 공식은 대역의 폭이 거래 비용의 $1/3$제곱에 비례하고 감마의 $2/3$제곱에 비례함을 보여줍니다.

B. 딥 헤징 (Deep Hedging) 접근

기존의 MLP(다층 퍼셉트론) 기반 헤징을 넘어, 확률적 제어 이론에서 도출된 구조적 지식을 네트워크 아키텍처에 통합한 두 가지 새로운 모델을 제안합니다.

1. NTBN-$\Delta$ (No-Transaction Band Network with Delta-centring):

   • Imaki et al. (2023) 의 NTBN 을 개선한 모델입니다.
   • 무거래 대역을 블랙 - 숄즈 델타 ($\Delta_{BS}$) 를 중심으로 설정하도록 아키텍처를 명시화했습니다.
   • 네트워크는 대역의 하한과 상한을 직접 학습하는 대신, $\Delta_{BS}$를 기준으로 하는 반폭 보정값을 학습합니다.

2. WW-NTBN (Whalley-Wilmott No-Transaction Band Network):

   • 구조적 사전 지식 (Structural Prior) 통합: Whalley-Wilmott 공식 ($h_{WW}$) 을 초기 대역 폭의 사전 지식으로 사용합니다. 네트워크는 이 분석적 근사치에 대한 잔차 보정 (residual correction) 만 학습하도록 설계되었습니다.
   • 가분성 있는 소프트 클램프 (Differentiable Soft Clamp): 기존 NTBN 의 하드 클램프 (hard clamp) 는 대역 밖에서 그래디언트가 0 이 되어 학습이 멈추는 문제를 유발했습니다. 이를 $\tanh$ 함수를 이용한 소프트 클램프로 대체하여, 헤지 포지션이 대역 밖으로 벗어날 때도 그래디언트가 흐르도록 하여 학습 안정성을 높였습니다.

3. 주요 기여 (Key Contributions)

1. 통합된 이론적 정립: CARA 효용 하의 거래 비용 문제를 HJBQVI 와 Whalley-Wilmott 점근식을 통해 체계적으로 정리하고, 이를 딥러닝 아키텍처와 명시적으로 연결했습니다.
2. 새로운 아키텍처 제안 (WW-NTBN):
   • 분석적 근사식을 네트워크 초기화 및 구조에 통합하여 수렴 속도를 획기적으로 향상시켰습니다.
   • 다양한 거래 비용 수준에서 확률적 제어 해법과 정량적으로 일치하는 대역 구조를 학습합니다.
   • 하드 클램프의 그래디언트 소실 문제를 해결했습니다.
3. 거래 비용 하의 가격 비선형성 규명:
   • 불리 콜 스프레드 (Bull Call Spread) 사례 연구를 통해, 거래 비용 하에서는 포트폴리오의 가격이 개별 옵션 가격의 합과 같지 않음을 증명했습니다.
   • 개별 헤징 (Naive) 과 통합 헤징 (Joint) 을 비교할 때, 통합 헤징은 감마가 상쇄되어 더 넓은 무거래 대역을 형성하므로 거래 비용이 줄고, 결과적으로 더 낮은 무차별 가격 (Indifference Price) 을 가집니다. 이는 거래 비용 하에서 파생상품 포트폴리오 가격이 부분가법성 (subadditive) 을 가진다는 것을 보여줍니다.

4. 실험 결과 (Numerical Results)

• 가격 정확도: WW-NTBN 은 낮은 거래 비용 구간에서 블랙 - 숄즈 가격에 가장 근접하며, 높은 거래 비용 구간에서도 MLP 나 NTBN-$\Delta$보다 낮은 헤저의 무차별 가격 (Writer Indifference Price) 을 산출하여 더 효율적인 헤징을 보여줍니다.
• 수렴 속도: WW-NTBN 은 MLP 와 NTBN-$\Delta$보다 훨씬 적은 에포크 (epoch) 에서 더 낮은 손실 (entropic risk) 로 수렴합니다. 특히 낮은 거래 비용에서 Whalley-Wilmott 사전 지식의 효과가 두드러집니다.
• 무거래 대역 구조: WW-NTBN 이 학습한 대역 경계는 확률적 제어 (SC) 로부터 계산된 정확한 경계와 가장 유사합니다.
• 거래 지표: WW-NTBN 은 불필요한 거래를 줄여 거래 빈도 (Trade Frequency) 와 평균 거래 주식 수를 최적화하며, 이는 꼬리 리스크 (CVaR) 를 감소시킵니다.
• 불리 콜 스프레드: 통합 헤징 전략이 개별 헤징 전략보다 거래 빈도가 현저히 낮고, 무거래 대역이 겹치지 않아 (empty intersection) 개별 헤징이 거의 연속적인 거래를 강요받는 반면, 통합 헤징은 넓은 대역 내에서 효율적으로 작동함을 확인했습니다.

5. 의의 및 결론

이 논문은 확률적 제어 이론의 구조적 통찰 (Structural Priors) 을 딥러닝 아키텍처에 통합함으로써, 순수 데이터 기반 학습의 한계를 극복하고 더 빠르고 해석 가능하며 정확한 헤징 전략을 도출할 수 있음을 증명했습니다.

• 이론과 실전의 연결: 딥 헤징이 단순히 블랙박스 모델이 아니라, 금융 이론 (HJB, Whalley-Wilmott) 에 기반한 구조적 지식을 포함할 때 그 성능이 극대화됨을 보여줍니다.
• 실무적 시사점: 포트폴리오 차원에서 헤징할 때 개별 상품별 헤징을 단순 합산하는 방식의 오류를 지적하고, 통합 헤징을 통해 거래 비용을 절감하고 가격을 최적화할 수 있음을 시사합니다.
• 향후 연구: WW-NTBN 의 구조적 사전 지식을 확률적 변동성 (Stochastic Volatility) 이나 점프 확산 (Jump-diffusion) 모델 등 더 복잡한 가격 동역학에 적용하는 방향으로 확장 가능합니다.

요약하자면, 이 연구는 Whalley-Wilmott 공식과 소프트 클램프를 딥러닝 네트워크에 도입함으로써, 거래 비용 하의 옵션 헤징 문제를 해결하는 데 있어 이론적 엄밀성과 계산적 효율성을 동시에 달성한 획기적인 접근법을 제시합니다.