Deep Learning for Option Pricing and Implied Volatility Surfaces: A No-Arbitrage Neural Network Approach with a Frontier-Market Transferability Test
본 연구는 차익거래 인지 신경망이 인샘플 옵션 가격 결정 정확도는 향상시키지만, 미세 조정 없이는 데이터가 부족한 프런티어 시장으로 일반화하는 데 실패하며, 오히려 헤스톤(Heston)과 같이 재보정된 파라미터 모델이 더 견고하고 효율적이라는 점을 입증한다.
원본 논문은 CC BY 4.0 (https://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 특정 날짜까지 특정 가격으로 자산을 사고팔 수 있는 권리를 부여하는 계약입니다. 이러한 계약을 공정하게 가격 책정하기 위해 트레이더들은 '내재 변동성(implied volatility)'이라는 개념에 의존하는데, 이는 본질적으로 시장이 미래에 자산 가격이 얼마나 위아래로 요동칠 것으로 예상하는지를 나타내는 척도입니다. 만약 주가를 바다 위의 배라고 상상한다면, 내재 변동성은 파도가 얼마나 거칠 것인지에 대한 기상 예보와 같습니다. 수십 년 동안 수학자들은 이러한 파도를 예측하기 위해 고정된 공식들을 사용해 왔지만, 실제 시장은 무질서하며 끊임없이 변화합니다. 최근 몇 년 동안 과학자들은 인공지능, 특히 딥러닝을 사용하여 데이터로부터 직접 이러한 패턴을 학습함으로써, 기존 공식보다 더 유연하고 정확한 시스템을 구축하고자 노력해 왔습니다. 그러나 한 가지 큰 우려가 지속되어 왔습니다. 만약 컴퓨터가 가격을 너무 잘 예측하도록 학습된다면, 안정적인 시장에서는 존재할 수 없는 상황인 '공짜 돈'을 만들어내는 구조, 즉 차익 거래(arbitrage)를 의도치 않게 발명할 수도 있다는 점입니다. 나아가, 선진국의 활발하고 유동적인 시장에서 훈련된 컴퓨터가 신흥 경제국의 거래량이 적고 조용한 시장에서도 통할 수 있을지는 여전히 불분명합니다.
나이지리아 이바단 대학교의 연구팀은 패턴을 인식하도록 설계된 컴퓨터 프로그램의 일종인 새로운 형태의 신경망을 구축하여 이러한 아이디어들을 테스트하기로 했습니다. 그들의 목표는 옵션 가격을 정확하게 예측할 뿐만 아니라, 공짜 돈을 방지하는 규칙을 엄격히 준가하는 시스템을 만드는 것이었습니다. 그들은 미국이나 유럽과 유사한 건강하고 유동적인 시장을 나타내는 방대한 양의 시뮬레이션 데이터로 이 시스템을 훈련시켰습니다. 컴퓨터가 제약 조건을 위반하지 않도록 하기 위해, 그들은 학습 과정에 특별한 페널티를 추가했습니다. 만약 컴퓨터의 예측이 위험 없는 수익을 창출하는 가격 곡선을 만든다면, 페널티가 증가하여 시스템이 곡선을 다시 매끄럽고 논리적으로 만들 때까지 내부 로직을 조정하도록 강제하는 방식입니다. 이 접근법은 컴퓨터에게 이러한 금융 규칙을 존중하도록 가르치는 것이 더 나은 예측 성능을 만드는지 확인하기 위해 설계되었습니다.
연구진은 그 후 자신들의 결과물을 엄격한 테스트에 투입했습니다. 먼저, 훈련에 사용했던 것과 동일한 유형의 유동적인 시장 데이터에서 얼마나 잘 작동하는지 확인했습니다. 결과는 유망했습니다. 규칙을 준수하도록 교육받은 컴퓨터가 그렇지 않은 버전보다 실수가 적었습니다. 이 컴퓨터는 시장의 변동성을 더 정밀하게 예측했으며, 불가능한 가격 시나리오를 더 적게 생성했습니다. 실제로 표준적인 비(非) AI 공식과 비교했을 때, 페널티를 적용받은 컴퓨터는 현저히 더 정확했습니다. 하지만 연구진이 이 동일한 컴퓨터를 완전히 다른 환경에 사용했을 때 이야기는 극적으로 변했습니다. 그들은 나이지리아 거래소의 조건들을 모델로 하여, 거래가 매우 적고 이자율이 높으며 갑작스럽고 급격한 가격 변화가 발생하는 환경인 '프런티어 마켓(frontier market)'을 시뮬레이션했습니다.
이런 종류의 시장을 한 번도 본 적 없는 컴퓨터가 예측을 요구받았을 때, 그것은 처참하게 실패했습니다. 규칙을 준수하도록 집중 훈련받았던 버전이 가장 최악의 성적을 보였는데, 이는 단순한 기본 추측보다 훨씬 더 큰 오류를 범하는 수준이었습니다. 유동적인 시장의 규칙을 돕는 데 쓰였던 규칙들이 오히려 조용하고 변동성이 큰 시장에서는 방해물이 된 것입니다. 컴퓨터는 유동적인 시장의 특정한 형태를 너무 잘 학습한 나머지, 프런티어 마켓의 기이하고 들쭉날쭉한 형태에 적응할 수 없었습니다. 연구진은 이를 해결할 유일한 방법이 프런티어 마켓의 새로운 데이터인 단 86개의 사례를 보여주고 학습을 약간 조정하게 하는 것임을 발견했습니다. 이 아주 적은 양의 새로운 정보가 주어지자, 컴퓨터의 성능은 급격히 향고되었으며 전통적인 모델과의 격차를 좁혔습니다.
또한 이 연구는 다섯 개의 조정 가능한 숫자를 사용하여 시장 행동을 설명하는 헤스톤(Heston) 모델이라는 고전적인 수학적 접근 방식과 이 인공지능 모델들을 비교했습니다. 놀랍게도, 고전적인 모델이 거의 모든 시나리오에서 가장 정확한 도구로 남았습니다. 고전적 모델은 단순하기 때문에, 단 몇 개의 새로운 시장 호가만을 사용하여 매일 빠르게 재조정될 수 있으며, 이를 통해 변화하는 조건에 즉각적으로 적응할 수 있습니다. 반면 인공지능은 계속 따라잡기 위해 새로운 데이터로 다시 훈련되거나 미세 조정되어야 했습니다. 연구진은 규칙을 추가하여 공짜 돈을 방지하는 것이 AI 모델을 훈련된 환경 내에서는 더 낫게 만들지만, 그것이 모델을 보편적인 전문가로 만들어주지는 않는다고 결론지었습니다. 잔잔하고 유동적인 바다를 위해 설계된 시스템을 단순히 폭풍이 치는 얕은 바다에 떨어뜨려 놓는다고 해서, 지역적인 해류를 먼저 배우지 않고도 항해할 수 있을 것이라 기대할 수는 없다는 것입니다.
궁극적으로, 이 연구는 개발도상국의 금융 시장이나 새롭게 형성되는 거래량이 적은 상품의 경우, 사전에 훈련된 인공지능에만 의존하는 것은 위험하다는 점을 시사합니다. 컴퓨터에게는 비록 아주 적은 양의 사례일지라도 새로운 환경의 구체적인 규칙을 가르쳐야 합니다. 그러한 데이터가 확보될 때까지는, 매일의 시장 조건에 맞춰 빠르게 조정될 수 있는 더 오래되고 단순한 수학적 모델이 더 안전하고 신뢰할 수 있는 선택지로 남습니다. 이 연구는 금융의 미래에 대한 중요한 교훈을 강조합니다. 즉, 한 맥락에서의 지능이 다른 맥락에서의 지혜를 보장하지 않으며, 가장 강력한 도구는 종종 가장 빠르고 적응력 있게 배울 수 있는 도구라는 점입니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.