러프 베르고미 모델
러프 베르고미는 트레이더들이 오랫동안 의문을 품어 온 현상, 즉 단기 만기 스마일이 왜 이렇게 가파른지를 설명합니다. 답은 실제 시장의 변동성 경로가 고전 모델이 가정하는 것보다 훨씬 들쭉날쭉하다는 데 있습니다. BTC, ETH 또는 S&P 500의 실제 실현 변동성의 '거칠기(roughness)'를 측정해 보면, 헤스턴이나 SABR이 만들어 낼 수 있는 어떤 경로보다도 훨씬 거칠다는 것을 알 수 있습니다.
이 모델은 실시간 표면 피팅에는 사용되지 않습니다. 너무 느리기 때문입니다. 이 모델의 가치는 이론적인 데 있습니다. 변동성 표면이 왜 지금과 같은 모양인지 알려 주고, 단기 만기 암호화폐 옵션에 SVI 같은 실용적인 모델을 피팅할 때 올바른 직관을 제공합니다. 이 모델이 설명하는 내재변동성 패턴은 유동성이 있는 모든 옵션 시장에서 관찰됩니다.
거칠기에 관한 통찰
주식, 외환, 암호화폐 전반에서 측정해 보면 변동성 경로는 표준 모델의 가정보다 훨씬 들쭉날쭉합니다. 이러한 거칠기는 시장에서 관찰되는 가파른 단기 스큐를 자연스럽게 만들어 냅니다. 점프나 극단적인 파라미터가 필요하지 않습니다.
인터랙티브: 거칠기와 스큐
아래 슬라이더를 사용해 거칠기 파라미터(H)가 미치는 두 가지 효과를 직접 확인해 보십시오. 왼쪽 패널은 H가 낮을수록 경로가 더 들쭉날쭉하고 불규칙해지는 모습을 보여 줍니다. 오른쪽 패널은 그 거칠기가 어떻게 더 가파른 단기 스큐로 이어지는지 보여 줍니다.
러프 패스 탐색기
경로 거칠기
ATM 스큐 vs 만기 (log-log)
슬라이더를 드래그하여 H를 변경하십시오. H가 낮을수록 경로가 더 들쭉날쭉해지고(왼쪽) 단기 스큐가 더 가팔라집니다(오른쪽). H=0.5에서는 경로가 표준 브라운 운동이 되며 스큐는 고전적인 T^(-0.5) 감쇠를 따릅니다.
'러프'의 의미
헤스턴 같은 고전 모델은 변동성에 강물처럼 매끄럽고 완만하게 굽이치는 경로를 부여합니다. 러프 베르고미는 변동성에 해안선처럼 들쭉날쭉한 경로를 부여합니다. 이는 모델링상의 선택이 아니라, 실제 변동성 경로를 고빈도로 측정했을 때 데이터가 보여 주는 결과입니다.
거칠기는 단 하나의 숫자, 허스트 파라미터 H로 제어됩니다. H가 낮을수록 경로가 거칠어지고, 단기 스큐가 가팔라집니다.
H가 0.1 근처라는 것은 선택이 아니라 사실입니다
연구자들은 S&P 500, 개별 주식, BTC, ETH 중 무엇을 측정하든 H가 0.1 근처라는 결과를 얻습니다. 데이터 자체가 변동성 경로가 거칠다고 말하고 있습니다. 이 모델은 데이터가 보여 주는 바를 토대로 만들어졌습니다.
ATM 스큐 멱법칙
거칠기 파라미터 H는 ATM 스큐가 단기 만기에서 장기 만기로 갈수록 어떻게 감소하는지를 제어합니다. H가 0.1 근처이면 단기 스큐는 가파르고, 만기가 길어질수록 평탄해집니다. 이 하나의 파라미터가 1일부터 1년까지 스큐의 기간구조 전체를 설명하며, 이는 암호화폐와 주식 모두에 해당합니다.
고전적 확산 모델(헤스턴, SABR)은 이 부분을 체계적으로 틀립니다. 만기가 짧아질수록 ATM 스큐가 상수로 수렴하기 때문에, 파라미터를 극단까지 밀어붙이지 않는 한 1일 만기 스큐를 과소 예측합니다. 그런데 파라미터를 극단으로 밀어붙이면 장기 만기가 왜곡됩니다. H가 0.1 근처인 러프 베르고미는 이 딜레마를 정확히 해결합니다. 블랙-숄즈 프레임워크는 이러한 멱법칙 거동을 전혀 포착하지 못합니다.
가파른 단기 스큐의 설명
러프 베르고미는 단기 스큐가 왜 그렇게 가파른지를 설명합니다. 이것은 이론적 통찰이며, 실무용 도구는 아닙니다.
파라미터
자유 파라미터 세 개와 시장 데이터에서 얻는 선도 분산 곡선으로 구성됩니다.
강점과 한계
고전 모델과의 비교
암호화폐에서 중요한 이유
실무 도구가 아닌 관점
러프 베르고미는 블랙-숄즈와 비슷합니다. 실무에서 직접 돌리는 모델은 아니지만, 올바른 언어와 직관을 제공하는 프레임워크입니다.
암호화폐 스마일이 왜 지금과 같은 모양인지 설명합니다. BTC와 ETH의 변동성 표면은 가파른 단기 스큐를 보입니다. 러프 베르고미에 따르면 이 가파름은 거친 변동성 경로의 자연스러운 결과이며, 이는 데이터가 보여 주는 바와 같습니다.
SVI 피팅에 올바른 사전 기대치를 제공합니다. 희소한 단기 데이터에 SVI를 피팅할 때, 러프 변동성은 스큐가 가파른 것이 당연하다고 알려 줍니다. 멱법칙은 만기에 따라 스큐가 어떻게 변해야 하는지에 대한 정량적 기대치를 제공합니다. 데이터가 부족할 때 특히 유용합니다. 각 행사가에서 기대되는 내재변동성은 기초자산 분산 과정의 거칠기로부터 도출됩니다.
연구의 최전선을 조망하게 해 줍니다. 러프 변동성 모델의 딥러닝 기반 피팅, 하이브리드 러프-로컬 변동성, 러프 헤스턴 변형 모델 등은 언젠가 실시간 사용이 가능할 만큼 빨라질 수 있습니다. 지금 이 프레임워크를 이해해 두면 그런 도구가 등장했을 때 알아볼 수 있습니다. 델타헤지나 베가 익스포저 같은 개념은 그대로이지만, 러프 동역학 하에서는 그 계산이 훨씬 어려워집니다. 과제는 시뮬레이션된 만기별 슬라이스를 이어 붙일 때 캘린더 차익거래 위반 없이 이러한 그릭스를 계산하는 것이며, OTM 윙은 이 문제에 특히 민감합니다.
방정식 탐색기
내재변동성, 총분산, 로그 머니니스, 옵션 가격 간에 변환해 보십시오.
방정식 탐색기
자가 점검
💡 팁: 답안을 확인하기 전에 각 질문에 대해 스스로 답해보세요.
수학적 직관 기르기
러프 베르고미를 처음부터 배우기인터랙티브 레슨 · 사전 지식 불필요이 강의는 러프 변동성에 관한 통찰에서 출발해 허스트 파라미터와 분산 과정을 설명하고, 거칠기가 왜 스마일의 단기 구간을 자연스럽게 가파르게 만드는지 다룹니다.
함께 보기: