Neural SDE / Deep Hedging
이 사이트의 모든 모델 -- SABR, SVI, Heston -- 은 먼저 공식을 선택한 다음 그 파라미터를 데이터에 피팅하는 것으로 시작합니다. Neural SDE는 이를 뒤집습니다. 신경망을 사용하여 시장 데이터로부터 직접 공식 자체를 학습합니다. 신경망은 관측된 가격을 가장 잘 설명하는 드리프트와 확산 함수를 발견하며, 변동성 표면은 부산물로 도출됩니다.
신경망이 방정식을 학습합니다
고전적 모델은 "변동성은 이 방정식을 따른다"고 말하고 파라미터를 피팅합니다. Neural SDE는 "변동성은 어떤 방정식을 따른다"고 말하고 신경망이 그것이 무엇인지 알아냅니다. 내재변동성 표면은 사전에 가정된 형태가 아니라 학습된 모델의 출력입니다.
실제 동작 보기
고전적, 파라메트릭, 신경망 접근법이 서로 다른 조건에서 동일한 시장 데이터를 어떻게 처리하는지 비교해 보세요.
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 다음과 같습니다: dS = ... dt + ... dW. 고전적 모델은 이 "..." 부분을 특정 공식으로 채웁니다(SABR은 확률적 vol-of-vol을 갖는 CEV를 사용합니다). Neural SDE는 이러한 공식을 과거 데이터로 학습된 신경망으로 대체합니다. 신경망은 평균적 거동(드리프트)과 무작위성(확산)을 모두 처음부터 학습합니다. 파라메트릭 모델이 예측할 수 없는 스큐 패턴과 기간구조 형태를 발견할 수 있습니다.
2. Deep Hedging: 가격만이 아니라 헤지를 학습합니다
Deep Hedging (Buehler, Gonon, Teichmann & Wood, 2019)은 이 아이디어를 확장합니다. 옵션의 가격을 산정한 다음 모델로부터 헤지비율을 계산하는 대신, 각 타임스텝에서 최적의 헤지 포지션을 직접 출력하도록 신경망을 훈련합니다. 신경망은 델타와 베가 익스포저를 공동으로 학습합니다. 훈련 목표는 거래 비용, 매수-매도 스프레드, 이산적 리밸런싱, 유동성 제약을 포함한 실제 시장 조건 하에서 헤징 P&L 분산을 최소화하는 것입니다. 마찰 없는 시장 가정이 필요하지 않습니다.
3. 변동성 표면이 창발합니다
Neural SDE가 훈련되면 학습된 모델을 통해 바닐라 옵션의 가격을 산정하여 내재변동성 표면을 생성할 수 있습니다. 결과 표면은 어떠한 파라메트릭 형태에도 제약받지 않습니다 -- SVI나 SABR이 구조적으로 놓칠 만한 패턴을 포함하여 데이터에 존재하는 모든 패턴을 포착합니다. ATM과 OTM 영역이 모두 동시에 피팅됩니다.
파라메트릭 모델이 놓치는 동학을 포착합니다
Neural SDE는 파라메트릭 모델이 포착할 수 없는 변동성 동학을 포착합니다: 레짐 전환, 경로 의존적 효과, 자산 간 파급 효과 등입니다. Deep Hedging은 고전적 델타헤지가 무시하는 비용을 고려합니다. 데이터를 많이 필요로 하고 계산 비용이 크지만, 퀀트 금융이 나아가고 있는 방향입니다.
강점과 한계
암호화폐와의 관련성
암호화폐 시장은 변동성 동학이 잘 이해되지 않고 빠르게 변하기 때문에 Neural SDE에 자연스럽게 적합합니다. BTC 변동성이 SABR, Heston, 러프 변동성, 또는 완전히 다른 무언가로 더 잘 모델링되는지에 대한 합의가 없습니다. Neural SDE는 데이터에 담긴 모든 동학을 학습함으로써 이 논쟁을 우회합니다 -- 레짐 전환과 같은 블랙-숄즈 위반 패턴을 포함해서요. 주요 장애물은 데이터입니다. 암호화폐 옵션 시장은 역사가 짧고, 훈련 세트는 주식이나 금리에 비해 작습니다.
학습된 모델, 학습된 헤지
Neural SDE는 직접 고른 변동성 모델을 학습된 것으로 대체합니다. Deep Hedging은 이론적 헤지비율을 마찰 인식 헤지비율로 대체합니다. 트레이드오프는 해석 가능성, 데이터 요구사항, 계산 비용입니다. 지금으로서는 연구 도구이지만, 이들은 최전선을 정의합니다.
방정식 탐색기
내재변동성, 총분산, 로그 머니니스, 옵션 가격 간을 변환합니다.
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 다음, 신경망이 드리프트와 확산 함수를 어떻게 학습하는지, 그리고 딥 헤징이 이 그림에서 어디에 들어맞는지 안내합니다.
함께 보기:
- SABR 모델 -- 해석 가능한 파라미터를 갖는 고전적 확률적 변동성 모델
- Heston 모델 -- 닫힌 형태의 가격 산정을 갖는 평균 회귀 확률적 변동성
- SANOS (비파라메트릭 표면) -- 무차익이 보장되는 비파라메트릭 피팅
- 경로 의존적 변동성 -- 가격 경로 이력을 사용하는 또 다른 데이터 기반 접근법
- 러프 버고미 -- Neural SDE가 잠재적으로 대체할 수 있는 프랙셔널 변동성 모델