Neural SDE / 딥 헤징
이 사이트의 모든 모델, 즉 SABR, SVI, Heston은 먼저 공식을 선택한 다음 그 파라미터를 데이터에 맞춥니다. Neural SDE는 이를 뒤집습니다. 신경망을 사용해 시장 데이터에서 직접 공식 자체를 학습합니다. 신경망은 관측된 가격을 가장 잘 설명하는 드리프트 함수와 확산 함수를 찾아내며, 변동성 표면은 그 부산물로 얻어집니다.
신경망이 방정식을 학습합니다
고전적 모델은 '변동성은 이 방정식을 따른다'고 말하고 파라미터를 맞춥니다. Neural SDE는 '변동성은 어떤 방정식을 따른다'고 말하고, 그 방정식이 무엇인지는 신경망이 알아냅니다. 내재변동성 표면은 미리 가정한 형태가 아니라 학습된 모델의 출력입니다.
직접 확인하기
고전적 접근법, 파라메트릭 접근법, 신경망 접근법이 서로 다른 조건에서 동일한 시장 데이터를 어떻게 처리하는지 비교해 보십시오.
뉴럴 SDE vs 고전적 모델
시나리오를 전환하여 각 접근법이 다양한 시장 상황을 어떻게 처리하는지 확인해 보십시오. 스트레스 및 희소 데이터 국면에서는 파라메트릭 모델이 가정된 형태에 제약되는 반면, 뉴럴 SDE는 유연하게 적응합니다.
작동 원리
1. 형태가 아니라 동학을 학습합니다
가격과 변동성에 대한 표준 SDE는 dS = ... dt + ... dW 형태입니다. 고전적 모델은 "..." 부분을 특정 공식으로 채웁니다(SABR은 확률적 변동성의 변동성을 갖는 CEV를 사용합니다). Neural SDE는 이러한 공식을 과거 데이터로 학습한 신경망으로 대체합니다. 신경망은 평균적 움직임(드리프트)과 무작위성(확산)을 모두 처음부터 학습합니다. 파라메트릭 모델이 예측할 수 없는 스큐 패턴과 기간구조 형태도 발견할 수 있습니다.
2. 딥 헤징: 가격만이 아니라 헤지를 학습합니다
딥 헤징(Buehler, Gonon, Teichmann & Wood, 2019)은 이 아이디어를 확장합니다. 옵션 가격을 산출한 뒤 모델에서 헤지 비율을 계산하는 대신, 각 시점마다 최적의 헤지 포지션을 직접 출력하도록 신경망을 학습시킵니다. 신경망은 델타와 베가 익스포저를 함께 학습합니다. 학습 목표는 거래 비용, 매수호가/매도호가 스프레드, 이산적 리밸런싱, 유동성 제약을 포함한 실제 시장 조건에서 헤징 손익의 분산을 최소화하는 것입니다. 마찰 없는 시장이라는 가정이 필요하지 않습니다.
3. 변동성 표면이 도출됩니다
Neural SDE 학습이 끝나면, 학습된 모델로 바닐라 옵션 가격을 산출해 내재변동성 표면을 생성할 수 있습니다. 이렇게 얻은 표면은 어떤 파라메트릭 형태에도 제약받지 않으며, SVI나 SABR이 구조적으로 놓칠 수 있는 패턴을 포함해 데이터에 존재하는 모든 패턴을 포착합니다. ATM 영역과 OTM 영역이 동시에 피팅됩니다.
파라메트릭 모델이 놓치는 동학을 포착합니다
Neural SDE는 국면 전환, 경로 의존 효과, 자산 간 파급 효과처럼 파라메트릭 모델이 포착하지 못하는 변동성 동학을 포착합니다. 딥 헤징은 고전적 델타헤지가 무시하는 비용을 반영합니다. 데이터가 많이 필요하고 계산 비용도 크지만, 퀀트 금융이 나아가는 방향입니다.
강점과 한계
크립토와의 관련성
크립토 시장은 변동성 동학이 잘 이해되지 않고 빠르게 변하기 때문에 Neural SDE에 자연스럽게 잘 맞습니다. BTC 변동성을 SABR, Heston, 러프 변동성, 또는 완전히 다른 모델 중 무엇으로 더 잘 모델링할 수 있는지에 대한 합의가 없습니다. Neural SDE는 데이터에 담긴 동학을 그대로 학습함으로써 이 논쟁을 비켜 갑니다. 여기에는 국면 전환처럼 Black-Scholes를 위반하는 패턴도 포함됩니다. 주된 걸림돌은 데이터입니다. 크립토 옵션 시장은 역사가 짧아 학습 데이터가 주식이나 금리 시장에 비해 적습니다.
학습된 모델, 학습된 헤지
Neural SDE는 사람이 고른 변동성 모델을 학습된 모델로 대체합니다. 딥 헤징은 이론적 헤지 비율을 마찰을 고려한 헤지 비율로 대체합니다. 그 대가는 해석 가능성, 데이터 요구량, 계산 비용입니다. 현재로서는 연구용 도구이지만, 이 분야의 최전선을 정의합니다.
방정식 탐색기
내재변동성, 총분산, 로그 머니니스, 옵션 가격 사이를 변환해 보십시오.
방정식 탐색기
💡 팁: 답안을 확인하기 전에 각 질문에 대해 스스로 답해보세요.
수학적 직관 쌓기
Neural SDE를 처음부터 배우기인터랙티브 레슨 · 사전 지식 불필요이 레슨은 '방정식을 학습한다'는 아이디어를 쉬운 말로 설명한 뒤, 신경망이 드리프트 함수와 확산 함수를 어떻게 학습하는지, 그리고 딥 헤징이 전체 그림에서 어디에 위치하는지 차근차근 살펴봅니다.
함께 보기:
- SABR 모델 -- 해석 가능한 파라미터를 갖는 고전적 확률적 변동성 모델
- Heston 모델 -- 닫힌 형태의 가격 공식을 갖는 평균회귀 확률적 변동성 모델
- SANOS (비모수적 표면) -- 무차익이 보장되는 비모수적 피팅
- 경로 의존 변동성 -- 가격 경로 이력을 활용하는 또 다른 데이터 기반 접근법
- Rough Bergomi -- Neural SDE가 잠재적으로 대체할 수 있는 분수 변동성 모델