Crisis-Aware Variational Autoencoders for Stress Testing Volatility Surfaces

기술 요약: 변동성 표면의 스트레스 테스트를 위한 위기 인식 변이형 오토인코더(Crisis-Aware VAE)

문제 정의
엑조틱 파생상품의 변동성 표면(volatility surfaces)에 대한 스트레스 테스트는 리스크 관리에서 근본적인 과제를 안겨준다. 전통적인 방법론들은 표면 전체의 구조(예: 배리어 옵션, 분산 스왑, TARF)에 의존하는 상품에 적용될 때 결정적인 한계를 드러낸다.

• **역사적 시뮬레이션(Historical Simulation)**은 관측된 시장 상태에 국한되어 있어 새로운 위기 시나리오를 생성할 수 없다.
• 파라메트릭(Delta-Gamma) 접근법은 균일한 충격(평행 이동)을 가하는데, 이는 표면의 내부 일관성(스마일 역학, 기간 구조)을 파괴하며, 테일러 전개의 부호 반전 오류로 인해 경로 의존적 페이오프(path-dependent payoffs)에 대해 종종 치명적으로 실패한다.
• GARCH 기반 방법은 변동성 클러스터링은 포착하지만 스칼라 수준만을 모델링하므로, 스트레스 상황에서의 복잡한 표면 형상 변형을 표현하지 못한다.
• 전문가 설계 시나리오는 분포적 리스크 척도(VaR, Expected Shortfall)가 필요한 규제 자본(예: FRTB) 요구사항을 충족하지 못하는 단일 지점 추정치만을 제공한다.

핵심적인 어려움은 무차별 조건(캘린더 스프레드 또는 버터플라이 차익거래 부재)을 유지하면서도, 엑조틱 파생상품의 비선형적 역학을 포착할 수 있는 새롭고 그럴듯하며 내부적으로 일관된 스트레스 표면을 생성하는 데 있다.

방법론: 위기 인식 VAE (Crisis-Aware VAE)
저자들은 명시적인 위기 심각도에 따라 차익거래가 불가능한 변동성 표면을 생성하도록 설계된 **위기 인식 변이형 오토인코더(Crisis VAE)**를 제안한다. 이 프레임워크는 정상, 스트레스, 위기 국면을 아우르는 헤스톤(Heston) 확률 변동성 모델로부터 생성된 20,000개의 합성 표면을 바탕으로 학습되었으며(Bates 점프 확산 모델에 대한 강건성 검증 포함), 다음과 같은 핵심적인 구조적 혁신을 포함한다:

1. 정보 병목을 통한 위기 조건화: VIX 유사 지표, 변동성-변동성(vol-of-vol), 시장 수익률, 스큐(skew), 기간 구조 기울기를 인코딩하는 5차원 위기 지표 벡터 $c$가 병목 레이어($5 \to 2$ 차원)를 통과한다. 이 압축된 벡터 $\tilde{c}$는 잠재 코드 $z$와 결합되어 디코더로 입력된다. 이 설계는 역할의 분리를 강제한다: $\tilde{c}$는 위기의 심각도와 국면을 제어하고, 잠재 코드 $z$는 표면의 특정 형상과 잔여 세부 사항을 인코딩한다.
2. 헤비 테일드(Heavy-Tailed) 스튜던트 t-사전 분포: 표준 VAE가 사용하는 가우시안 사전 분포(과도하게 매끄럽게 만들거나 극단치를 과소 표현하는 경향이 있음)와 달리, Crisis VAE는 잠재 공간에서 자유도가 $\nu=4$인 다변량 스튜던트 t-사전 분포를 채택한다. 이는 실증적인 위기 행동과 일치하는 두꺼운 꼬리(fat-tailed) 시나리오 생성을 촉진한다. 사전 분포의 파라미터 $\mu(c)$와 $\sigma(c)$는 $c$에 조건화된 별도의 "PriorNet"을 통해 학습된다.
3. 차익거래 불가능 제약 조건: 학습 목적 함수에는 캘린더 스프레드 위반(총 분산의 비감소성) 및 버터플라이 스프레드 위반(비음의 위험중립 밀도)에 대한 미분 가능한 소프트 패널티가 포함된다. 또한, Breeden-Litzenberger 조건을 더 잘 근사하기 위해 블랙-숄즈 역산을 통한 콜 가격에 직접 작용하는 정교한 패널티가 작동한다. 생성 후, 연속형 상품(예: 분산 스왑)에 대한 엄격한 준수를 보장하기 위해 차익거래가 불가능한 SVI(Stochastic Volatility Inspired) 적합 과정을 거친다.
4. 학습 목적 함수: 재구성 손실(reconstruction loss), 가우시안 인코더와 스튜던트 t-사전 분포 사이의 KL 발산, 차익거래 패널티, 그리고 디코더가 잠재 코드를 무시하는 것을 방지하기 위한 "z-forcing" 항을 포함하는 위기 조건부 ELBO(Evidence Lower Bound)를 최대화한다.

주요 결과
본 프레임워크는 4가지 벤치마크(역사적 시뮬레이션, 파라메트릭 델타-감마, 분산 캡을 적용한 GARCH(1,1), 전문가 규제 시프트)를 대상으로 500개의 스트레스 시나리오에 걸쳐 엑조틱 상품 포트폴리오(Down-and-In Barrier Put, TARF, 분산 스왑)의 가격을 산출하여 평가되었다.

• 정밀도 및 제어 가능성: Crisis VAE는 가장 정밀하고 제어 가능한 스트레스 추정치를 생성했다. Down-and-In Barrier Put의 경우, P&L 표준 편차는 심각한 국면에서 $0.37**로, 역사적 시뮬레이션(**$1.50) 및 GARCH($1.43)보다 현저히 낮았다. 95% 최소 보유자 이익(VaR)은 **$6.67**로, 역사적 시뮬레이션($4.92) 및 GARCH($4.94)보다 우수한 성과를 보였다.
• 파라메트릭 근사의 실패: 델타-감마 근사는 배리어 옵션에 대해 구조적으로 실패하여, 변동성 스트레스 하에서 음(-)의 P&L(가치 손실)을 예측했다(VaR95 = -$0.38). 이러한 "부호 반전"은 변동성 증가가 키인 풋(knock-in put)의 가치를 반드시 높인다는 이론적 보장과 모순되며, 경로 의존적 엑조틱 상품에 대한 이차 근사의 부적절성을 입증한다.
• 차익거래 준수: 생성된 표면은 캘린더 스프레드 제약 조건 위반을 거의 제로에 가깝게(<0.8%) 유지했으며, 이산 그리드 상에서 버터플라이 볼록성(convexity)을 >97% 달성했다. SVI 후처리를 통해 위반을 제로로 줄였다.
• 강건성: 학습 분포를 Heston에서 Bates 점프-확산 모델로 변경해도 방법론의 순위가 일관되게 유지되었으며, 이는 결과가 특정 변동성 모델보다는 아키텍처와 상품 특성에 의해 주도됨을 나타낸다.
• 실제 데이터 검증: 2024년 2월 SPY 시장 표면에 대한 외표본 테스트를 통해, 모델이 정상 국면의 표면을 재구성하고 이를 올바른 위기 좌표로 매핑하는 능력을 확인했다. 다만, 합성 학습 데이터가 실제 주식 스큐(skew)의 가파름을 과소평가한다는 점은 알려진 한계이다(Heston 모델의 한계).

의의 및 주장
본 논문은 생성 모델링과 규제 요구사항 사이의 간극을 메우는 원칙적인 스트레스 테스트 프레임워크를 구축한다고 주장한다. 주요 기여는 다음과 같다:

1. 제어 가능한 스트레스 생성: 지표 벡터 $c$를 통해 위기 심각도를 명시적으로 제어함으로써, 임의의 신뢰 수준에서 분포적 리스크 척도(VaR, ES)를 생성할 수 있으며, 이는 미래 지향적이고 그럴듯한 시나리오를 요구하는 FRTB 요건을 충족한다.
2. 표면 일관성: 평행 이동 방식과 달리, Crisis VAE는 경제적으로 일관되고 차익거래가 불가능한 학습된 비선형 변형(스큐 가팔라짐, 기간 구조 역전 등)을 생성한다.
3. 모델 리스크 식별: 파라메틱 델타-감마 접근법이 경로 의존적 엑조틱 파생상품에 대해 근본적으로 결함이 있음을 실증적으로 입증하며, 전체 표면 재가격화(full-surface re-pricing) 방식의 필요성을 옹호한다.
4. 아키텍처의 참신함: 금융 스트레스 테스트에 특화된 위기 조건부 병목 구조와 헤비 테일드 사전 분포를 도입하여 기존의 일반적인 생성 모델과 차별화하였다.

한계 및 범위
저자들은 본 방법론의 순위와 수치적 결과가 합성 데이터(Heston/Bates)를 통해 검증되었음을 명시적으로 밝힌다. 프레임워크가 정상 국면의 실제 시장 데이터에서 올바르게 작동하긴 하지만, 합성 학습 분포는 실제 세계의 크래시 보험 프리미엄이나 미시구조 효과(예: 실제 주식 옵션에서 관찰되는 가파른 스큐)를 완전히 포착하지 못한다. 따라서 본 논문은 Crisis VAE를 통제된 벤치마크에서 검증된 방법론이자, 향-후 실제 위기 시대의 옵션 체인(예: 2008년, 2020년)에 대한 공식적인 캘리브레이션을 앞둔 배포 가능한 파이프라인으로 위치시킨다. 현재의 결과는 실시간 시장을 위한 최종 승인된 리스크 모델이라기보다, 접근법의 구조적 타당성을 확립하는 것으로 이해되어야 한다.