Pricing Multi-Asset Options Using Physics-Informed Neural Networks

기술 요약: 물리 정보 신경망(PINN)을 이용한 다중 자산 옵션 가격 결정

문제 정의
본 논문은 바스켓, 스프레드 또는 레인보우 옵션과 같이 여러 기초 자산($d > 1$)을 갖는 미국형 옵션의 가치 평가 문제를 다룹니다. 유럽형 옵션과 달리, 미국형 옵션은 조기 행사가 가능하므로 가격 결정 문제를 자유 경계 문제(free-boundary problem)로 변환시킵니다. 옵션 가치는 "계속 보유"가 최적인 "계속 영역(continuation region)"에서는 블랙-숄즈 편미분 방정식(PDE)을 만족해야 하는 동시에, "즉시 현금화"가 최적인 "행사 영역(exercise region)"에서는 내재 가치(intrinsic payoff)에 의해 제약을 받습니다. 이 두 영역을 구분하는 경계는 사전에 알 수 없습니다.

단일 자산($d=1$) 문제의 경우 유한 차분법, 이항 트리, 방사 기저 함수(RBF) 등의 방법을 통해 효과적으로 해결할 수 있지만, 이를 고차원으로 확장하는 것은 "차원의 저주" 문제를 야기합니다. 구체적으로, 전통적인 격자 기반 또는 노드 기반 준보간(quasi-interpolation) 방식(예: Hon and Schaback, 2002)은 자산의 수가 증가함에 따라 복잡도가 지수적으로 증가($O(N^d)$)하여, $d > 1$인 경우 계산적으로 불가능해집니다.

방법론
저자들은 명시적인 메쉬 생성 없이 옵션 가치와 최적 행사 경계를 근사하기 위해 물리 정보 신경망(Physics-Informed Neural Network, PINN) 프레임워크를 제안합니다.

1. 수학적 정식화:

   • 확산 항을 대칭화하고 가변 계수를 상수로 변환하기 위해 로그 가격 좌표($x_i = \log S_i$)에서 문제를 정식화합니다.
   • 가격 결정 문제는 다음과 같은 변분 부등식(variational inequality) 또는 선형 상보성 문제(linear complementarity problem)로 표현됩니다:
     $$\min\left( -\frac{\partial u}{\partial t} + \mathcal{L}u, \, u - g \right) = 0$$
     여기서 $\mathcal{L}$은 다중 자산 블랙-숄즈 연산자, $u$는 옵션 가치, $g$는 페이오프(payoff)입니다. 이는 PDE 잔차(residual)가 0이거나(계속 영역), 옵션 가치가 페이오프와 같아야 함(행사 영역)을 의미하며, 항상 $u \geq g$가 성립해야 합니다.

2. 신경망 구조:

   • 매끄러면 활성화 함수(특히 tanh)를 가진 피드 포워드 네트워크가 옵션 가치 $u_\theta(S, t)$를 근사합니다.
   • 자동 미분(automatic differentiation)을 사용하여 고정된 기저 함수 없이 PDE 연산에 필요한 1차 및 2차 도함수를 계산합니다.

3. 손실 함수 및 학습:

   • 네트워크는 다음 네 가지 잔차 항의 가중 합을 최소화하도록 학습됩니다:
     1. PDE 잔차: 내부에서 블랙-숄즈 방정식을 강제합니다.
     2. 종료 조건: 만기 시 알려진 페이오프에 해를 고정합니다.
     3. 경계 조건: 자산 가격 경계(예: 0 또는 무한대)에서의 거동을 강제합니다.
     4. 장애물/조기 행사 조건: $u < g$인 경우 위반 사항에 대해 페널티를 부여합니다.
   • 샘플링: 고정된 격자 대신, 시공간 도메인 전체에 걸쳐 저불일치 수열(low-discrepancy sequence, 예: Sobel 또는 Latin Hypercube)로부터 콜로케이션 포인트(collocation points)를 샘플링합니다. 이를 통해 텐서 곱 격자에 비해 차원 $d$가 증가하더라도 포인트의 수가 더 유리하게 확장될 수 있도록 합니다.
   • 행사 경계 복구: 최적 행사 경계는 예측된 가치가 내재 페이오프와 같아지는 지점($u_\theta - g = 0$)인 제로 레벨 셋(zero level set)으로, 이는 $(d-1)$차원 초곡면(hypersurface)을 형성합니다.

실험 결과 및 진단 과정
저자들은 MATLAB을 사용하여 2개 자산 바스켓 미국형 풋 옵션에 대한 광범위한 진단 연구를 수행했습니다. 논문은 건축적 선택만으로는 불충분하며, 손실 함수의 수학적 정식화가 결정적이었음을 보여주는 8단계의 실험 실행 과정을 상세히 설명합니다.

• 초기 실패 (실행 1–3): 장애물 조건에 표준 제곱 힌지(squared-hinge) 페널티를 사용하고 입력값을 정규화하지 않은 초기 시도들은 발산하거나 옵션 가격을 크게 과대평가(예: 몬테카를로 참조값 $6.90 대비$12.58)하는 결과를 초래했습니다. 네트워크는 "크다"는 제약 조건을 만족시키기 위해 값을 부풀리는 경향을 보였으며, PDE 잔차와 적절히 균형을 맞추지 못했습니다.
• 샘플링 및 안정성 (실행 4–7): 근접 스트라이크(near-strike) 샘플링, 적응형 재샘플링, 그리고 손실 지형(loss landscape)의 변화(예: 단일 변분 부등식 항 사용) 등의 조정이 불일치를 해결하는 데 실패했습니다. 실제로 현재 잔차에 기반한 적응형 재샘플링은 성능을 악화시켰으며($30.77), 변분 부등식 손실은 불안정성을 유발했습니다. 안정적인 힌지 기반 장애물과 근접 스트라이크 샘플링을 결합한 실행 6도 실패하였으며, 평탄한 그리스(Greeks)와 함께 $12.96의 가격을 산출했습니다.
• 돌파구 (실행 8): 성공적인 구성은 손실 함수의 이론적 오해를 바로잡는 데 달려 있었습니다:
  1. 단방향 PDE 페널티: PDE 잔차는 계속 영역에서 음수일 때만 페널티를 부여하여, PDE가 엄격하게 성립하지 않는 행사 영역에서는 양수가 될 수 있도록 허용합니다.
  2. **피셔-부리메이스터 상보성(Fischer–Burmeister Complementarity): 매끄럽지 않은 min 함수나 단순한 힌지 대신, 상보성 조건($gap \ge 0, F \ge 0, gap \cdot F = 0$)을 강제하기 위해 매끄러운 피셔-부리메이스터 함수를 사용했습니다.
  3. 정규화: 입력값과 출력값을 행사가격 $K$로 정규화했습니다.

최종 결과:
수정된 손실 함수(실행 8)를 통해, PINN은 롱스태프-슈바르츠 몬테카를로 참조값인 $6.90**에 비해 바스켓 풋 옵션에 대해 **$7.87의 가격을 달성했습니다. 이는 약 **14%**의 과대평가입니다. 저자들은 이것이 이전 실행들에 비하면 상당한 개선이지만, 초기 비교 결과 두 접근 방식 사이에 "명확한 불일치"가 있었으며, 최종 결과 또한 참조값에 접근하기 위해 특정 이론적 수정이 필요한 과대평가 상태임을 언급했습니다. 그리스(델타) 또한 참조값과 더 밀접하게 일치했습니다.

의의 및 주장
본 논문은 PINN 프레 framework가 격자 기반 방법이 차원의 저주로 인해 실패하는 고차원 미국형 옵션 가격 결정 문제를 처리할 수 있는 메쉬 프리(mesh-free) 방법론을 제공한다고 주장합니다.

주요 기여는 단순히 신경망을 적용하는 것이 아니라, 손실 함수에 필요한 수학적 구조를 엄격하게 규명한 것입니다. 저자들은 자유 경계 문제의 경우, PDE 잔차와 장애물 조건이 모든 곳에서 동시에 소멸할 필요는 없다는 점을 존중하며 변분 부등식을 정확하게 인코딩해야 한다는 것을 입증했습니다. 연구의 결론은 PINN 접근 방식이 그 손실 함수가 기저의 변분 부등식을 정확하게 인코딩할 때에만 클래식한 몬테카를로 방법과 경쟁할 수 있으며, 그 전에는 그렇지 않다는 것입니다. 이는 일반적인 접근 방식이 표준적인 형태에서 본질적으로 경쟁력을 갖기 위해서는 손실 구조에 대한 특정 이론적 수정이 필요함을 강조합니다.