💰 quantitative finance

Asymptotically-informed neural networks for Black-Scholes implied volatility computation

이 논문은 가격-로그-머니니스(price-log-moneyness) 영역을 분할하기 위해 게이팅 함수를 활용하고 특화된 국소 근사치들을 결합함으로써, 표준 모델보다 정확도 측면에서 크게 앞서며 기계 정밀도에 가까운 블랙-숄즈 내재 변동성 계산을 위한 매우 효과적인 초기 추측값을 제공하는 새로운 점근적 정보 기반 신경망 계열을 소개한다.

원저자: Samira Amiriyan, Youness Boutaib

게시일 2026-09-09

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Samira Amiriyan, Youness Boutaib

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

금융의 세계에서 옵션은 투자자에게 특정 날짜까지 특정 가격으로 자산을 매수하거나 매도할 수 있는 권리를 부여하지만, 그 의무를 부과하지는 않는 계약입니다. 이러한 계약의 가치가 얼마인지 결정하기 위해 트레이더들은 수십 년 전에 개발된 유명한 수학적 프레임워크에 의존합니다. 이 프레임워크는 몇 가지 입력값을 필요로 하는데, 그중 대부분은 찾기 쉽습니다. 즉, 자산의 현재 가격, 미래 거래를 위해 합의된 가격, 계약 만료까지 남은 시간, 그리고 현재의 이자율입니다. 그러나 이 중 한 가지 핵심적인 요소는 직접 관찰할 수 없습니다. 바로 기대 변동성, 즉 자산 가격이 얼마나 격렬하게 요동칠 것으로 예상되는지를 나타내는 척도입니다. 이 숫자는 숨겨져 있기 때문에, 트레이더들은 역으로 계산합니다. 그들은 시장에서 실제로 거래되는 옵션 가격을 살펴보고, 그 가격을 만들어내기 위해 변동성이 얼마여야 하는지를 수학 공식에 대입하여 계산합니다. 이렇게 계산된 수치를 내재 변동성(implied volatility)이라고 하며, 이는 서로 다른 옵션을 비교하고, 리스크를 관리하며, 복잡한 금융 모델을 조정하기 위한 보편적인 언어 역할을 합니다.

문제는 수학이 한계치에 다다를 때 발생합니다. 옵션이 극도로 저렴하거나, 극도로 비싸거나, 혹은 남은 시간이 매우 짧거나 매우 길 때, 가격과 변동성 사이의 관계는 믿기 힘들 정도로 민감해집니다. 이러한 극단적인 상황에서는 가격의 아주 미세한 오차가 계산된 변동성에 있어 거대하고 오해의 소지가 있는 오류로 이어질 수 있습니다. 이는 위험한 일인데, 포트폴리오 헤징부터 새로운 상품의 가격 책정에 이르기까지 모든 금융적 결정이 이 숫자를 정확히 구하는 것에 달려 있기 때문입니다. 만약 이 까다로운 구간에서 계산이 약간이라도 어긋나면, 존재하지 않는 이익이 있는 것처럼 착각을 일으키거나 잘못된 리스크 평가를 초래할 수 있습니다. 수년간 수학자들과 컴퓨터 과학자들은 표준적인 수치 해석법을 사용하거나 인공지능을 훈련시켜 답을 추측하게 함으로써 이 역산 문제를 해결하려 노력해 왔지만, 이러한 접근 방식들은 데이터가 너무 극단적으로 변할 때 종종 어려움을 겪었습니다.

한 연구팀은 금융 환경의 독특한 형태를 존중하면서 컴퓨터가 이 문제를 해결하도록 가르치는 새로운 방법을 도입했습니다. 표준적인 컴퓨터 프로그램에게 가격과 변동성 사이의 전체 관계를 하나의 크고 균일한 과제로 학습하도록 요구하는 대신, 그들은 문제에 따라 서로 다른 행동 양상을 보인다는 점을 인식하도록 설계된 시스템을 만들었습니다. 그들은 수학적 관계가 어떤 영역에서는 평평한 선처럼, 어떤 영역에서는 가파른 경사처럼, 그리고 그 사이에서는 곡선처럼 작동한다는 것을 깨달았습니다. 이를 처리하기 위해 그들은 마치 전문가 팀처럼 작동하는 특수한 형태의 신경망, 즉 인공지능을 구축했습니다. 이 시스템은 내부 스위치 세트를 사용하여 자신이 직면한 문제가 매우 낮은 가격인지, 매우 높은 가격인지, 아니 혹은 중간 지점인지를 자동으로 감지한 다음, 해당 시나리오를 처리하도록 훈련된 특정 하위 네트워크에 계산을 넘깁니다.

연구진은 일상적인 시장 상황부터 가장 극단적이고 어려운 사례에 이르기까지 광범위한 시나리오에 걸쳐 이 접근 방식을 기존 방식 및 표준 신경망과 테스트했습니다. 결과는 놀라웠습니다. 새로운 시스템은 표준적인 접근 방식들을 지속적으로 능가했으며, 종종 오차를 수천 배까지 줄였습니다. 다른 방법들이 실패하거나 불안정해지는 가장 도전적인 영역에서도 이 새로운 구조는 높은 정확도를 유지했습니다. 나아가 연구진은 신경망의 출력값이 매우 정밀하여 최종적인 빠른 계산을 위한 거의 완벽한 시작점이 될 수 있다는 사실을 발견했습니다. 신경망의 추측치를 표준적인 정밀화 단계에 입력함으로써, 그들은 단 두 번의 빠른 단계만으로 컴퓨터가 계산할 수 있는 한계치에 가까운 수준의 정밀도를 달 수 있었습니다.

이 연구는 복잡한 금융 문제를 해결하기 위해 기계를 가르치는 가장 효과적인 방법은 기계가 모든 것을 처음부터 배우게 하는 것이 아니라, 문제의 근본적인 구조에 대한 이해를 바탕으로 안내하는 것임을 보여줍니다. 시장의 알려진 행동 양식을 컴퓨터 프로그램의 설계 안에 직접 구축함으로써, 연구진은 이전 방식보다 더 빠르고, 더 정확하며, 더 신뢰할 수 있는 도구를 만들어냈습니다. 이는 극단적인 시장 상황에서도 옵션 가격을 정확하게 책정하는 능력이 안정성에 필수적인 금융 산업에 특히 중요합니다. 이 연구는 머신러닝의 속도와 수학적 분석의 구조적 통찰력을 결로하는 것이 강력한 경로를 제공하며, 악명 높은 수치 문제를 기계적인 정밀도로 수행할 수 있는 일상적인 계산으로 바꿀 수 있음을 시사합니다.

기술 요약: 블랙-숄즈 내재 변동성 계산을 위한 점근적 정보 기반 신경망

문제 정의
블랙-숄즈 내재 변동성(IV)을 계산하는 것은 옵션 가치 평가, 모델 보정 및 리스크 관리에 필수적인 퀀트 금융의 근본적인 과업이다. 블랙-숄즈 가격 결정 공식은 변동성 파라미터가 주어졌을 때 옵션 가격에 대한 폐쇄형 해(closed-form solution)를 제공하지만, 역문제(inverse problem)—즉, 관측된 시장 가격과 일치하는 고유한 변동성 $\sigma$ 를 결정하는 문제—에는 명시적인 해석적 해가 존재하지 않는다. 이러한 역전 과정은 극단적인 옵션 가격, 행사가 또는 만기(예: 깊은 내가격/외가격 옵션 또는 매우 짧거나 긴 만기)에 해당하는 점근적 영역에서 까다로운 수치적 문제가 된다. 이러한 영역에서는 가격 함수가 미세한 섭동에 매우 민감하게 반응하며, 작은 가격 오차만으로도 큰 내재 변동성 오차를 유발하여 잘못된 헤징 결정이나 부정확한 모델 보정으로 이어질 수 있다.

뉴턴-랩슨(Newton-Raphson)이나 브렌트(Brent) 알고리즘과 같은 기존의 수치적 방법들은 초기 추정값의 품질에 크게 의존하며, 이러한 극단적인 영역에서 어려움을 겪을 수 있다. 해석적 근사법은 현실적인 파라미터 범위 전반에서 강건성이 부족할 수 있으며, 표준 머신러닝 접근 방식(일반적인 피드 포워드 신경망)은 IV 함수의 서로 다른 변동성 영역에 따른 독특한 해석적 거동을 포착하지 못해 최적이 아닌 정확도와 일반화 성능을 보이는 경우가 많다.

방법론
저자들은 블랙-숄즈 역전 문제의 해석적 구조를 명시적으로 통합하는 새로운 계열의 신경망 아키텍처를 제안한다. 핵심 방법론은 가격 함수의 기하학적 구조에 따라 변동성 영역에 따라 질적으로 다른 거동을 식별하는 Jäckel [30]의 도메인 분할 분석에서 영감을 받았다.

도메인 분할: 로그 머니니스( $A$ )와 정규화된 콜 가격( $C$ )으로 정의된 입력 공간은 가격 함수의 기하학적 형태에 따라 세 가지 구역으로 분할된다:
- 하부 점근 영역(Lower Asymptotic Region): 매우 낮은 가격( $C \to 0$ )에 해당한다.
- 중앙 영역(Central Region): 가격 곡선의 변곡점 근처에서의 대략적인 선형 거동에 해당한다.
- 상부 점근 영역(Upper Asymptotic Region): 매우 높은 가격( $C \to 1$ )에 해당한다.
혼합 전문가(Mixture-of-Experts) 아키텍처: 제안된 모델은 특화된 국소 근사들의 가중 결합으로서 내재 변동성 맵 $B_{inv}(A, C)$ 를 근사한다:
$IV(A, C) = f_0(A, C)g_0(A, C) + f_1(A, C)g_1(A, C) + f_2(A, C)g_2(A, C)$
- 국소 근사기( $g_i$ ): 특정 영역 내의 IV 거동을 모델링하도록 훈련된 신경망(또는 그 지수 변환 형태)이다.
- 게이팅 함수( $f_i$ ): 각 국소 근사기의 가중치를 결정하는 훈련 가능한 함수이다. 이들은 부드러운 영역 간 전환을 보장하기 위해 특정 점근적 제약 조건(예: $C \to 0$ 일 때 $f_0 \to 1$ , $C \to 1$ 일 때 $f_0 \to 0$ )을 충족하도록 설계되었다. 논문에서는 $A$ 와 $C$ 모두에 의존하거나 $C$ 에만 의존하는 다항식 및 가우시안 패밀리를 포함한 다양한 파라미터 형태의 게이트를 조사한다.
하이브리드 정밀화: 신경망 출력은 3차 하우스홀더(Householder) 근 찾기 기법의 매우 정확한 초기 추정값으로 사용된다. 이 하이브리드 접근 방식은 초기화를 위한 신경망의 속도와 최종 정밀화를 위한 반복 솔버의 정밀도를 모두 활용한다.

주요 기여

영역 인식 아키텍처: IV 역전을 일반적인 회귀 문제로 취급하는 대신, 게이팅 함수를 통해 특화된 국소 근사들을 결합함으로써 가격-로그 머니니스 도메인의 분할을 명시적으로 학습하는 신경망 설계.
훈련 가능한 게이팅 메커니즘: 알려진 해석적 제약을 준수하면서 점근적 영역과 중앙 영역 사이의 전환 경계를 자동으로 학습하는 게이팅 함수의 도입.
우수한 정확도 및 일반화: 수치 실험 결과, 제안된 아키텍처는 광범위한 파라미터 도메인에 걸쳐 표준 피드 포워드 신경망보다 일관되게 우수한 성능을 보였다. 개선 정도는 종종 상대적 정확도(MSRE) 측면에서 몇 자릿수 차이가 나며, 특히 까다로운 점근적 영역에서 두드러진다.
기계 정밀도 정밀화: 제안된 네트워크는 매우 정확한 초기 추정값을 제공하여, 3차 하우스홀더 기법이 단 두 번의 정밀화 반복만으로 기계 정밀도에 가까운 결과를 달able하게 한다.
확장성: 새로운 공식의 도출이 필요한 해석적 근사법과 달리, 제안된 방식은 데이터셋이나 네트워크 크기를 확장함으로써 모델 복잡도와 원하는 정확도에 따라 자연스럽게 확장 가능하다.

결과
논문은 세 가지 파라미터 범위를 다루는 세 가지 데이터셋에 대해 광범위한 수치 실험을 제시한다:

대범위 데이터셋 ( $A \in [0, 16], B \in [10^{-5}, 7.07]$ ): 제안된 아키텍처는 표준 신경망에 비해 테스트 평균 제곱 상대 오차(MSRE)를 약 4개 자릿수 감소시켰다. 히트맵을 통해 오류가 도메인 전체에서 균일하게 작음을 확인하였으며, 반면 표준 네트워크는 저변동성 영역에서 큰 오류를 보였다.
중범위 데이터셋 ( $A \in [0, 3], B \in [10^{-7}, 1.22]$ ): 유사한 개선이 관찰되었으며, 가장 우수한 아키텍처(특히 $A$ 와 $C$ 모두에 의존하는 가우시안 게이팅 함수를 사용하는 경우)는 MSRE를 3개 이상의 자릿수만큼 감소시켰다.
소범위 데이터셋 ( $A \in [0, 10^{-5}], B \in [10^{-5}, 0.18]$ ): 표준 네트워크가 비교적 잘 수행되는 이 근접 1차원 영역에서도 제안된 아키텍처는 체계적인 개선을 제공하여 MSRE를 약 39배 감소시켰다.

모든 경우에서, 하우스홀더 정밀화를 결합했을 때 제안된 방법은 로그 상대 오차가 수치 정밀도 한계(약 $-37 $에서$ -39$)에 근접하는 평균치를 달성하였으며, 이는 불규칙한 오차 지형을 보이는 브렌트 알고리즘과 같은 고전적 근 찾기 방법보다 훨씬 뛰어난 성능을 보여준다.

의의
본 연구의 의의는 내재 변동성 역전을 일반적인 회귀 문제로 다루는 것보다, 질적인 해석적 지식(특히 뚜렷한 점근적 및 중앙 영역의 존재)을 신경망 설계에 통합하는 것이 훨씬 더 나은 정확도와 일반화 성능을 얻을 수 있음을 입증했다는 데 있다. 제안된 방법론은 단순히 고전적인 근 찾기 기법을 대체하는 것이 아니라, 강력한 가속기 역할을 하여 반복 솔버를 즉각적으로 빠른 수렴 영역으로 진입시킨다. 그 결과, 전통적인 방법들이 흔야 어려움을 겪는 극단적인 파라미터 영역에서도 매우 견고하고 계산 효율적이며 정확한 솔버를 구축하였다. 저자들은 이러한 "점근적 정보 기반" 머신러닝 철학이 여러 영역과 강한 비선형성을 가진 역방향 매핑을 포함하는 퀀트 금융의 다른 보정 문제들로도 확장될 수 있다고 제안한다.

유사한 논문