Data Driven Options Pricing using ANN: Evidence from the CRR Model

금융 세계에서 옵션이라 불리는 계약은 소유자에게 특정 날짜까지 특정 가격으로 자산을 매수하거나 매도할 수 있는 권리를 부여하지만, 그 의무를 부과하지는 않습니다. 이러한 상품들은 리스크를 관리하고 시장의 움직임에 베팅하는 데 필수적이지만, 그 공정 가치를 결정하는 것은 매우 까다로운 일로 알려져 있습니다. 가격은 자산의 현재 비용, 합의된 행사가격, 남은 시간, 경제의 이자율, 그리고 자산 가격이 얼마나 격렬하게 변동할지를 나타내는 척도인 변동성이라는 변화무쌍한 요인들의 얽히고설킨 관계에 따라 달라집니다. 수십 년 동안 이러한 가치를 계산하는 표준적인 방법은 자산의 가능한 미래 경로를 수천 번 시뮬레이션하는 복잡한 수학적 모델에 의존해 왔습니다. 이 방식은 정확하지만, 계산 속도가 느리고 연산량이 많아 단 하나의 가격을 구하기 위해서도 강력한 컴퓨터가 숫자를 처리해야 하는 경우가 많습니다. 시장이 빠르게 움직일 때, 계산이 끝나기를 기다리는 것은 리스크가 될 수 있습니다.

인도 공학기술연구소(IIT) 로파르(Ropar)의 연구팀은 이 문제를 해결하기 위해 인공 신경망이라 불리는 유형의 컴퓨터 프로그램 사용이라는 다른 길을 탐색했습니다. 새로운 시뮬레이션을 매번 처음부터 구축하는 대신, 그들은 전통적이고 느린 모델의 결과 속에 숨겨진 패턴을 인식하도록 디지털 두뇌를 훈련시켰습니다. 연구진은 자산이 어떻게 움직일지 예측하기 위해 시간을 작은 단계로 나누는 콕-로스-루빈스타인(Cox-Ross-Rubinstein) 모델로 생성된 수백만 개의 옵션 가격 사례를 네트워크에 입력했습니다. 네트워크가 입력 요인들과 최종 가격 사이의 관계를 학습하고 나자, 그것은 번개처럼 빠른 대리 모델(surrogate)이 되었습니다. 이 연구는 훈련된 네트워크가 다양한 유형의 옵션 가치를 거의 즉각적으로 예측할 수 있으며, 그 정확도가 훨씬 느린 전통적 계산 방식과 매우 유사하다는 것을 보여줍니다.

연구진은 이 접근 방식을 여러 종류의 금융 계약에 테스트했습니다. 먼저 만기 시점에만 권리를 행사할 수 있는 표준적인 유럽형 옵션과, 언제든 권리를 행사할 수 있는 미국형 옵션으로 시작했습니다. 또한, 최종 지급액이 만기 시점의 가격이 아니라 일정 기간 동안의 평균 가격에 따라 결정되는 아시아형 옵션과, 자산 가격이 생애 주기 중 특정 임계값을 넘을 때만 존재하거나 지급이 발생하는 배리어(barrier) 옵션과 같은 더 복잡한 상품들도 다루었습니다. 표준형 및 아시아형 옵션의 경우, 신경 네트워크는 놀라운 정밀도를 보여주었습니다. 네트워크는 가격을 예측했을 뿐만 아니라, 시장의 작은 변화에 가격이 어떻게 반응하는지를 나타내는 민감한 측정치인 '그릭스(Greeks)'까지 계산해 냈습니다. 이 경우 네트워크의 답은 전통적인 방식과 거의 동일하면서도, 훨씬 짧은 찰나의 시간 안에 결과를 내놓았습니다.

속도 차이는 극명합니다. 2만 개의 서로 다른 시나리오를 포함한 테스트에서, 전통적인 방식은 유럽형 옵션의 가격을 산출하는 데 1분 이상, 미국형 풋옵션의 경우 거의 2분이 걸렸습니다. 그러나 신경 네트워크는 동일한 작업을 약 1.5초 만에 완료했습니다. 전통적인 방식이 메모리 문제로 고전하며 17분 넘게 걸렸던 더 복잡한 아시아형 옵션의 경우, 네트워크는 단 1초 남짓한 시간에 작업을 마쳤습니다. 이러한 효율성은 일단 훈련된 시스템이 갖춰지면 실시간 거래와 리스크 관리에 매우 유용할 수 있음을 시사하며, 트레이더들이 무거운 계산을 기다리지 않고도 가격과 리스크를 즉각적으로 확인할 수 있게 해줍니다.

하지만 이 연구는 이 기술의 한계 또한 밝혀냈습니다. 연구진이 배리어 옵션에 네트워크를 적용했을 때, 결과는 덜 신뢰할 수 있었습니다. 이러한 옵션은 자산 가격이 특정 장벽에 닿으면 가치가 즉시 0으로 떨어지는 '절벽 끝'과 같은 특성을 가지고 있습니다. 매끄럽고 연속적인 패턴을 학습하는 데 탁-월한 신경 네트워크는 이러한 급격하고 갑작스러운 변화를 처리하는 데 어려움을 겪었습니다. 이 계약들에 대한 가격 예측과 민감도 측정값의 오차는 다른 옵션들에 비해 눈에 띄게 높았습니다. 이 발견은 이 방법이 강력하긴 하지만, 모든 유형의 금융 상품에 적용되는 보편적인 해결책은 아니라는 점을 보여주는 중요한 지점입니다. 네트워크는 기초가 되는 수학적 구조가 매끄러울 때는 잘 작동하지만, 게임의 규칙이 불연속적인 급변을 포함할 때는 흔들립니다.

가격 책정을 넘어, 연구진은 이 접근 방식이 금융 기관들이 리스크에 대한 시장의 기대치가 가격과 시간에 따라 어떻게 변하는지를 이해하기 위해 사용하는 복잡한 3차원 지도인 '변동성 표면(volatility surface)'을 그려낼 수 있다는 것을 보여주었습니다. 주요 인도 기업들의 실제 시장 데이터를 사용하여, 연구진은 신경 네트워크가 전통적인 모델보다 훨씬 빠르게 이러한 표면을 재구성할 수 있음을 입증했습니다. 매번 계산할 때마다 새로운 가능성의 나무(tree)를 구축해야 하는 전통적인 방식은 데이터를 처리하는 데 수십 초가 걸렸습니다. 반면 신경 네트워크는 동일한 작업을 0.1초 미만의 시간에 수행했습니다. 이러한 능력은 향로 금융 기업들이 훈련된 네트워크를 사용하여 리스크 모델과 가격 전략을 실시간으로 업데이트하고, 사후 대응이 아닌 시장 변화가 일어나는 즉시 대응할 수 있음을 시사합니다.

이 연구는 기존 모델을 완전히 대체하겠다는 주장이 아니라, 그 곁에서 매우 효율적인 도구 역할을 하겠다는 것입니다. 신경 네트워크는 마법 같은 예언자가 아니라, 전통적 모델의 교훈을 암기하여 답을 즉각적으로 읊을 수 있도록 훈련된 학생입니다. 그것은 원래 프레임워크의 논리를 계승하되, 계산상의 부담을 제거합니다. 대다수의 일반적인 옵션에 대해, 이 연구는 데이터 기반의 접근 방식이 충분히 신뢰할 수 있을 만큼 정확하며, 이전에는 불가능했던 속도로 현대 금융의 복잡성을 헤쳐 나갈 방법을 제시한다는 것을 확인시켜 줍니다. 다만, 신경 네트워크의 매끄러운 학습이 현실의 날카로운 모서리와 맞닥뜨리는 배리어 옵션의 울퉁불퉁한 지형은 여전히 주의해야 할 부분으로 남아 있습니다.