A deep learning method for solving American double Heston model

기술 요약: 아메리칸 더블 헤스톤 모델 해결을 위한 딥러닝 방법론

문제 정의
본 논문은 자유 경계 문제(free boundary problem)로 특징지어지는 복잡한 금융 파생상품 가격 결정 문제인 아메리칸 더블 헤스톤 모델의 계산적 난제를 다룬다. 이 모델은 두 개의 확률적 분산 요인을 포함하며, 확장된 형태에서는 확률적 이자율(Cox-Ingersoll-Ross 프로세스로 모델링됨)을 포함한다. 주요 어려움은 고차원 상태 공간에서 가치 함수(value function), 조기 행사 경계(early exercise boundary, 자유 경계 곡면), 그리고 그리스 지표(Greeks, 민감도)를 동시에 결정하는 데 있다. 유한 차분법(finite difference)이나 유한 요소법(finite element)과 같은 전통적인 수치 해석 방법은 "차원의 저주"와 혼합 미분 항의 이산화 문제로 인해 불안정성이나 진동이 발생할 수 있다. 또한, 기존의 해석적 또는 준해석적 접근 방식(예: 점근 전개)은 정확도나 적용 가능성을 제한할 수 있는 특정 가정이나 근사에 의존하는 경우가 많다.

방법론
저자들은 하위 네트워크들의 곱 형태 앙상블(multiplicative ensembling)을 활용하는 "해의 혼합(Mixture of Solutions, MoS)" 전략에 기반한 딥러닝 프레임워크를 제안한다. 방법론은 다음과 같은 두 가지 주요 구성으로 나뉜다:

1. 모델 정식화 및 변환:

   • 문제는 결합된 확률 미분 방정식(SDE) 시스템과 그에 대응하는 3차원(상수 이자율) 또는 4차원(확률적 이자율) 편미분 방정식(PDE)으로 먼저 정식화된다.
   • 자유 경계를 처리하기 위해, 저자들은 로그 변환($x = \ln(S/\hat{s}_f)$)을 사용하여 움직이는 경계 문제를 고정-자유 경계 문제(fixed-free boundary problem)로 전환한다.
   • 가치 함수는 행사가격 $K$에 의해 정규화되며, 시간 영역은 $[0, 1]$로 정규화된다.
   • 결정적으로, 저자들은 명시적인 원거리 경계 조건(예: $S \to \infty$ 또는 $\upsilon \to 0$에서의 조건)을 부과하지 않는다. 대신, 이러한 경계 거동은 손실 함수 내의 PDE 잔차(residual)를 통해 암묵적으로 학습된다.

2. 신경망 구조 (MLA-MoS):
   제안된 MLA-MoS(Modular Learning Approximant with Mixture of Solutions) 구조는 곱 형태의 앙상블을 통해 결합된 세 개의 상호작용하는 하위 네트워크로 구성된다:

   • 하위 네트워크 1 ($T$): 종단 조건을 강제하도록 설계된, $\tau$를 입력으로 받는 시간 의존적 네트워크이다.
   • 하위 네트워크 2 ($R$): 상태 변수(시간, 로그 가격, 분산, 이자율)를 입력으로 받는 공간 네트워크이다.
   • 하위 네트워크 3 ($Q$): 변동성 요인 간의 상호작용을 모델링하기 위해 분산 항($\upsilon_1, \upsilon_2, \upsilon_1\upsilon_2$)을 입력으로 받는 상호작용 네트워크이다.
   • 앙상블: 최종 출력은 세 번째 네트워크를 포함하는 지수 항에 의해 조절되는 하위 네트워크 출력들의 가중 합이다. 이 구조는 비음성(non-negativity)을 보장하며, 손실 함수 내의 로빈 경계 항(Robin boundary term)을 통해 경계 조건(가치 일치 및 매끄러운 접합 조건)을 만족할 수 있게 한다.
   • 손실 함수: 손실 함수는 PDE 잔차(지배 방정식을 강제함)와 조기 행사 경계에서의 가치 일치(value matching) 및 매끄러운 접합(smooth pasting) 조건을 결합하는 경계 항으로 구성된다.

3. 샘플링 및 최적화:

   • 종단 시간 근처와 조기 행사 경계 근처의 감마(Gamma) 및 델타(Delta)의 특이점(singularity)을 해결하기 위해, 저자들은 쌍곡선 사인($\sinh$) 함수에 기반한 그리드 스트레칭(grid stretching) 전략을 채택한다. 이는 임계 영역(예: $t=0, S=K$) 근처에 샘플링 포인트를 집중시킨다.
   • 모델은 지수적 학습률 감소를 가진 Adam 옵티마이저를 사용하여 훈련된다. 자동 미분(automatic differentiation)은 PDE 손실에 필요한 편미분을 계산하는 데 사용되며, 이를 통해 수치적 이산화 방식의 필요성을 배제한다.

주요 기여
본 논문은 다음과 같은 구체적인 기여를 강조한다:

• 설명 가능한 프레임워크: 자유 경계 문제로서의 아메리칸 더블 헤스톤 모델에 특화되어 설계된 상호작용형 모듈형 딥러닝 프레임워크(MLA-MoS)를 도입하였다.
• 동시 예측: 훈련된 네트워크(MLA-MoS-1은 상수 이자율, MLA-MoS-2는 확률적 이자율)가 조기 행사 경계 곡면, 가치 함수, 그리고 그리스 지표(Delta, Gamma, Vega)를 동시에 예측할 수 있음을 보여주었다.
• 적응형 경계 처리: 인공적인 우측 경계 근처의 거동을 제어하기 위해 "전문가 혼합(mixture of experts)" 역할을 하는 적응형 지수 항을 구현함으로써, 하드코딩된 원거리 경계 조건의 필요성을 제거하였다.
• 로빈 경계 통합: 매끄러운 접합 및 가치 일치 조건을 손실 함수 내에 로빈 경계 항으로서 명시적으로 포함시켜, 조기 행사 경계에서의 물리적 일관성을 확보하였다.
• 비이산화 미분: 자동 미분에 의존함으로써, 격자 기반 방법에서 흔히 발생하는 대류 및 혼합 미분 항의 수치적 부정확성을 피하였다.

실험 결과
저자들은 기존 방법들과의 수치 실험 비교를 통해 방법론을 검증한다:

• 상수 이자율 (MLA-MoS-1): 결과는 점근 전개법(Zhang and Feng [37]) 및 최소제곱법(LSM)과 비교되었다. MLA-MoS-1의 가치 함수 및 조기 행사 경계 예측은 상대적으로 작은 스트레칭된 데이터셋(예: $14 \times 14 \times 14 \times 14$ 포인트)에서도 이러한 벤치마크들과 높은 일관성을 보였다.
• 확률적 이자율 (MLA-MoS-2): 희소 상관 행렬(sparse correlation matrix)과 밀집 상관 행렬(dense correlation matrix)을 모두 사용하는 4요인 모델에 대해 테스트되었다.
  • 희소 상관(sparse correlation) 케이스의 경우, AECV 알고리즘(Zhang and Zhang [38]), SWIFT 방법(Shoude and Guo [30]), 그리고 LSM과 비교되었다. MLA-MoS-2 결과는 이러한 확립된 방법들과 일치하며 타당한 것으로 나타났다.
  • 밀집 상관(dense correlation) 케이스(모든 상관 요인이 0이 아닌 경우)의 경우, 모델은 합리적인 예측을 생성하였으나, 저자들은 밀집 구조가 희소 구조에 비해 더 많은 변동성을 유발한다는 점을 언급하며 상관 구조가 정확도에 상당한 영향을 미침을 시사하였다.
• 질적 분석: 가치 함수, 그리스 지표, 조기 행사 경계의 시각화는 곡면이 이론적으로 기대되는 대로 동작함을 확인시켜 주었다(예: Delta가 $[-1, 0]$ 범위에 있고, 양의 Gamma와 Vega를 가짐). 또한, 그리드 스트레칭 전략이 매우 중요하다는 것을 입증하였다. 이 전략이 없으면 예측 성능이 크게 저하되었다.

의의 및 주장
본 논문은 금융 분야의 고차원 자유 경계 문제를 해결하는 맥락에서 그 의의를 설정한다. 저자들은 다음과 같은 점을 통해 자신들의 접근 방식이 전통적인 수치 해석법에 대한 유연한 대안이 될 수 있다고 주장한다:

1. 네트워크 설계의 단순화: 원거리 경계 값을 강제로 부과하는 대신 PDE 손실로부터 학습함으로써, 경계 조건 처리의 복잡성을 줄였다.
2. 정확도 향상: 자동 미분과 그리드 스트레칭을 사용하여 혼합 미분의 이산화 문제와 행사 경계에서의 특이점 문제를 완화하였다.
3. 확장성: 통합된 딥러닝 프레임워크 내에서 상수 이자율과 확률적 이자율 시나리오를 모두 처리할 수 있음을 입증하였다.

저자들은 현재의 결과가 유망하다는 점을 인정하면서도, 향후 연구에서는 변수 및 파라미터(상관 계수 포함)의 완전한 파라미터화를 처리할 수 있도록 프레임워크를 확장하여 더 넓은 범위의 시장 조건에 대한 추론이 가능하도록 할 것이며, 이 과정에서 네트워크 복잡성이 증가할 것임을 언급하며 겸허하게 결론을 맺는다.