Low-rank kernel methods for American option pricing

기술 요약: 미국식 옵션 가격 결정을 위한 저랭크 커널 방법

문제 제기
미국식 파생상품의 가치 평가는 위험중립 측도 하에서 최적 정지 문제를 해결해야 하므로 수리금융학의 근본적인 도전 과제입니다. 유럽식 옵션과 달리 미국식 옵션은 만기 전 언제든지 행사가 가능하므로, 각 잠재적 행사 시점에서 조건부 지속 가치 (continuation values) 를 추정해야 합니다. Longstaff 와 Schwartz[2001] 가 선구적으로 개발한 회귀 기반 최소제곱 몬테카를로 (LSM) 방법은 개념적 단순성으로 인해 업계 표준이 되었으나, 고차원 환경에서는 상당한 계산적 한계를 겪습니다. 구체적으로 LSM 은 역방향 동적 프로그래밍 재귀 과정에서 각 행사 시점마다 새로운 회귀 모델을 적합해야 합니다. 이러한 '단계별 (per-step)' 회귀는 계산 비용을 지배하며, 시뮬레이션 경로 수와 행사 날짜 수에 따라 비효율적으로 증가합니다. 더 나아가 명시적이고 종종 임의적인 기저 함수에 대한 의존성은 과적합 또는 과소적합 없이 복잡한 비선형 종속성을 포착하는 방법의 능력을 제한합니다.

방법론
저자들은 조건부 기대값 추정을 재현 커널 힐베르트 공간 (RKHS) 내의 학습 문제로 재구성하는 확장 가능하고 이론적으로 근거 있는 대안을 제안합니다. 이 방법론의 핵심은 조건부 기대값을 미래 보상에 작용하는 선형 연산자로 표현하는 조건부 평균 임베딩 (CME) 연산자에 기반합니다.

1. 오프라인 - 온라인 분해: 조건부 기대값을 RKHS 상의 단일 선형 연산자로 간주함으로써, 이 방법은 학습 단계를 가격 결정 단계에서 분리합니다. 연산자는 시뮬레이션 데이터를 통해 오프라인 단계에서 한 번 학습된 후, 모든 행사 날짜와 행사가에 걸쳐 온라인 역방향 재귀 과정에서 재사용됩니다. 이는 표준 LSM 과 많은 딥러닝 접근법의 주요 병목 현상인 각 단계에서의 회귀 모델 재계산 필요성을 제거합니다.
2. 저랭크 근사: 단순한 커널 방법은 시뮬레이션 경로 수 $n$에 대해 일반적으로 $O(n^3)$의 계산 복잡도를 초래합니다. 확장성을 회복하기 위해 저자들은 피벗 Cholesky 분해를 기반으로 한 저랭크 근사를 도입합니다. 이 기술은 관련 커널 행렬 ($K_X$ 및 $K_Y$) 의 스펙트럼 감쇠를 활용하여 축소된 부분 공간 표현을 구성합니다.
   • 알고리즘은 저랭크 Cholesky 분해 ($K \approx LL^\top$) 와 관련된 쌍대 직교 기저 변환을 구성합니다.
   • 이는 축소된 부분 공간에서 폐형식 (closed-form) 추정기를 도출하며, 여기서 계산 비용은 $n$에 대해 선형적으로 증가합니다 (학습 시 $O(nm^2)$, 평가 시 $O(m^2)$; 여기서 $m \ll n$은 랭크입니다).
   • 근사 오차는 절단 허용 오차 $\varepsilon$에 의해 제어됩니다.

주요 기여
본 논문은 네 가지 주요 기여를 합니다:

1. 연산자 학습으로서의 재구성: 지속 가치 추정은 텐서 곱 RKHS 내의 조건부 평균 임베딩 학습으로 재정의됩니다. 이는 조건부 기대값 연산자를 한 번 학습하여 재사용하는 알고리즘을 산출하며, 깔끔한 오프라인 - 온라인 분해를 제공합니다.
2. 확장 가능한 저랭크 추정기: 저자들은 피벗 Cholesky 분해를 사용하여 커널 시스템의 저랭크 근사를 도입합니다. 이는 밀집 커널 해법보다 훨씬 낮은 계산 비용을 유지하면서도 통제된 근사 오차를 보장하는 축소된 부분 공간 내의 폐형식 추정기를 제공합니다.
3. 수렴성 및 오차 분석: 논문은 제안된 방식에 대한 수렴 보장을 수립합니다. 역방향 재귀를 통해 전파되는 근사 오차를 정량화하는 명시적 경계를 유도합니다. 이러한 결과는 기존 LSM 유형 알고리즘의 수렴 이론을 저랭크 절단을 가진 비모수 커널 추정기로 확장합니다.
4. 수치적 검증: 헤스턴 확률적 변동성 모델에 대한 광범위한 수치 실험은 제안된 방법 (CME-LR) 이 정확도 측면에서 Longstaff-Schwartz 벤치마크와 일치하거나 능가하며, 특히 시뮬레이션 경로 수가 증가함에 따라 상당한 속도 향상을 제공함을 보여줍니다.

결과
다양한 만기, 행사가, 그리고 시뮬레이션 경로 수 ($n \in \{10^2, \dots, 10^5\}$) 를 가진 헤스턴 모델 하의 미국식 풋 옵션에 대해 수치 실험이 수행되었습니다.

• 계산 효율성: CME-LR 방법은 모든 테스트된 구성에서 Longstaff-Schwartz (LS) 기준보다 체계적으로 빠릅니다. 속도 향상은 더 작은 $n$에서 가장 두드러지는데, 이는 저랭크 기저의 간결성과 반복적인 계수 재계산의 제거에 기인합니다.
• 정확도: CME-LR 은 모든 만기와 표본 크기에 걸쳐 LS 보다 일관되게 낮은 평균 상대적 내재 변동성 오차를 달성합니다.
• 오차 프로파일: 오차 분석은 보완적인 프로파일을 드러냅니다. CME-LR 은 매도 옵션 (양의 로그-머니니스) 에 대해 더 정확하며, LS 는 매수 옵션에서 약간의 우위를 유지합니다.
• 랭크 행동: 커널 행렬 $K_Y$의 랭크는 $n$에 대해 아선형적으로 증가하여 저랭크 구조가 데이터 복잡성에 자동으로 적응함을 확인시켜 줍니다. $K_X$의 랭크는 헤스턴 모델 내의 강한 음의 상관관계로 인해 매우 작게 유지됩니다 (예: 2~6); 이는 결합 분포가 저차원 매니폴드 근처에 집중되기 때문입니다.

의의 및 주장
저자들은 이 작업을 회귀 기반 LSM 의 이론적 투명성과 현대 머신러닝의 데이터 기반 유연성 사이의 가교로 위치시킵니다. 이 접근법의 의의는 다음과 같은 능력에 있습니다:

• 단계별 회귀 제거: 오프라인에서 단일 연산자를 학습함으로써, 이 방법은 LSM 의 지배적인 계산 비용과 각 행사 날짜마다 종종 요구되는 딥러닝 방식의 비용이 많이 드는 재학습을 회피합니다.
• 이론적 엄밀성 제공: 통계적 특성이 덜 이해된 많은 딥러닝 접근법과 달리, 이 방법은 통계적 오차와 저랭크 근사 오차 모두를 고려한 명시적 수렴률과 오차 경계를 제공합니다.
• 고차원 확장: 경로 수에 대한 선형 스케일링과 오프라인 - 온라인 구조는 고전적인 격자 또는 편미분방정식 (PDE) 방법이 실패하는 자산 바스켓, 확률적 변동성, 확률적 금리가 관련된 문제에 대해 이 방법을 계산적으로 실행 가능하게 만듭니다.

본 논문은 제안된 저랭크 커널 방법이 고차원 미국식 옵션 가격 결정을 위한 견고하고 효율적이며 이론적으로 타당한 대안을 제공하며, 총 가격 결정 오차는 행사 날짜 수에 대해 최대 선형적으로 증가한다고 결론 내립니다.