처음부터 배우는 Neural SDE
1/5네트워크가 SDE를 학습하게 하기
지금까지 본 모든 모델 -- 블랙-숄즈, 헤스톤, SABR -- 은 인간이 선택한 방정식에서 출발합니다. SDE를 고르고 몇 개의 파라미터를 적합시키는 방식입니다. 신경망 SDE는 이 순서를 뒤집습니다: 신경망이 데이터로부터 방정식 자체를 학습하게 하는 것입니다.
고전적인 워크플로우는 다음과 같습니다: 사람이 dS = f(S,t)·dW with a specific f (like σ·S, orσ·Sᵝ을(를) 적어 내려갑니다(또는 확률적 변동성을 포함하는 무언가). 그런 다음 3-5개의 파라미터를 시장 데이터에 캘리브레이션합니다.
신경망 SDE의 워크플로우는 다음과 같습니다: 드리프트 μ(S,t)와 확산계수 σ(S,t)가 신경망의 출력입니다. 네트워크는 수천 개의 파라미터(가중치와 편향)를 갖습니다. 모델 가격과 관측된 옵션 가격 간의 오차를 최소화하여 학습시킵니다.
고전적 모델링은 레시피를 고르고 오븐 온도를 조절하는 것과 같습니다. 신경망 SDE 모델링은 셰프에게 수천 가지 요리(관측된 가격)를 맛보게 하고 결과물이 시장이 내놓는 것과 일치할 때까지 조정하면서 레시피 자체를 발명하도록 가르치는 것과 같습니다.
왜 이렇게까지 할까요? 표준 모델군 중 어느 것도 데이터를 충분히 잘 적합하지 못하는 경우가 있기 때문입니다. 시장 동학에는 5개 파라미터 모델로는 포착할 수 없는 특징 -- 레짐 전환, 비대칭 군집, 경로 의존적 행동 -- 이 있을 수 있습니다. 신경망 SDE는 원칙적으로 임의의 연속적인 드리프트·확산 함수를 근사할 수 있습니다. 문제는 이를 신뢰성 있게 학습시킬 만큼 충분한 데이터와 규율이 있느냐는 것입니다.
아키텍처
네트워크는 표준 피드포워드 아키텍처입니다. 입력은 현재 시장 상태이고, 출력은 SDE 계수입니다. 네트워크 자체가 곧 모델입니다.
입력: 현물 가격 S, 시간 t, 그리고 선택적으로 현재 내재변동성, 스큐 기울기, 기간구조 형태 같은 시장 특성입니다. 입력이 풍부할수록 네트워크가 이 지점에서 σ 값을 얼마로 할지 판단할 맥락이 풍부해집니다.
은닉층: 일반적으로 각 32-128개 뉴런으로 이루어진 2-4개 층입니다. ReLU 또는 소프트플러스 활성화 함수를 사용합니다. 특별할 것은 없습니다. 마법은 아키텍처가 아니라 네트워크가 표현하도록 학습하는 내용에 있습니다.
출력: 드리프트 μ(S,t)와 확산계수 σ(S,t)입니다. 확산 출력은 양수를 유지하도록 소프트플러스 또는 지수 함수를 통과합니다. 현재 상태에서 평가된 이 두 값이 이 순간 SDE의 동작을 정의합니다.
학습: 오일러-마루야마 이산화를 사용해 신경망 SDE로부터 경로를 생성합니다. 그 경로를 따라 몬테카를로로 옵션 가격을 산정합니다. 모델 가격을 관측된 시장 가격과 비교합니다. 가격 오차를 경로 시뮬레이션을 거쳐 네트워크 가중치까지 역전파합니다. 이것이 확률 과정에 적용된 미분 가능 프로그래밍입니다.
핵심 기술적 통찰: 네트워크 가중치에서 SDE 계수, 시뮬레이션 경로, 옵션 가격에 이르는 전체 파이프라인이 미분 가능하다는 것입니다. 가격 손실의 그래디언트를 네트워크의 모든 가중치에 대해 계산할 수 있습니다. 그것이 학습을 가능하게 만듭니다.
딥 헤징
가격 동학에 대한 학습된 SDE가 있다면, 자연스러운 다음 단계는 헤지도 학습하는 것입니다. 딥 헤징은 두 번째 네트워크를 사용해 각 시점의 헤지 비율을 출력하며, 가격 모델과 공동으로 학습됩니다.
고전적 헤징은 델타를 모델로부터 해석적으로 계산합니다: ∂C/∂S는 BS 기준이며, 더 복잡한 모델에서는 수치적 근사를 사용합니다. 이 방식은 거래 비용, 시장 충격, 이산적 리밸런싱, 유동성 제약을 무시합니다.
딥 헤징의 접근은 다음과 같습니다: 각 시점에서 헤지 비율 δ(S, t, 포트폴리오)를 출력하도록 네트워크를 학습시킵니다. 학습 목표는 이론적 델타 대비 추적 오차 최소화가 아닙니다. 거래 비용을 포함한 실제 헤징 P&L 분산(또는 CVaR, 기타 리스크 측도)을 최소화하는 것입니다.
결과: 고전적 델타가 무시하는 현실 세계의 마찰을 인식하는 헤징 전략입니다. 백테스트에서 딥 헤징 전략은 모델 기반 델타보다 실현 헤징 비용이 낮은 경우가 많으며, 특히 다음 경우에 그렇습니다:
1. 높은 거래 비용 환경. 네트워크는 비용이 높을 때 헤지 빈도를 줄이는 법을 학습하여, 사실상 더 넓은 무거래 구간을 선택합니다.
2. 비유동적 기초자산. 네트워크는 직접 헤지 비용이 클 때 상관관계가 있는 유동적 상품을 대리 헤지로 사용하는 법을 학습합니다.
3. 경로 의존형 이색 옵션. 단순한 델타 공식이 존재하지 않는 경우에도, 네트워크는 시뮬레이션 경로로부터 효과적인 헤지를 학습할 수 있습니다.
가장 강력한 버전은 가격 SDE와 헤징 네트워크를 동시에 학습시킵니다. SDE는 관측 가격과 일관된 동학을 학습하고, 헤징 네트워크는 그 동학 하에서 헤지하는 법을 학습합니다. 두 네트워크는 서로를 정규화합니다: SDE가 비현실적인 동학을 학습하면 헤징 네트워크의 성능이 나빠지므로 그럴 수 없고, 그 반대도 마찬가지입니다.
네트워크가 발견하는 것
학습된 σ(S,t) 함수를 살펴보면, 확률적 특성을 지닌 로컬 변동성처럼 보이는 경우가 많습니다. 인간이 수십 년에 걸쳐 설계한 구조들을 네트워크가 스스로 발견하는 것입니다.
주식 또는 크립토 옵션 데이터로 신경망 SDE를 학습시킨 뒤, 학습된 확산 함수 σ(S,t)를 히트맵으로 그려 보십시오. 전형적인 발견은 다음과 같습니다:
레버리지 효과. 네트워크는 σ(S,t)가 S가 낮을 때 높고 S가 높을 때 낮다는 것을 학습합니다. 이는 헤스톤이 음(-)의 ρ로 포착하고, CEV가 β < 1로 포착하는 바로 그 메커니즘입니다. 네트워크는 이 모델들을 알지 못합니다. 데이터에서 그 패턴을 찾아낸 것입니다.
변동성의 평균회귀. 학습된 σ는 최근의 큰 가격 변동 이후 상승했다가 기준선으로 회귀하는 경향을 보입니다. 헤스톤이 하드코딩하는 CIR 형태의 평균회귀를 네트워크가 스스로 발견한 것입니다.
변동성 군집. 네트워크는 고변동성 상태가 지속된다는 것, 즉 σ(S,t)가 급등 이후 한동안 높은 수준을 유지한다는 것을 학습합니다. 이는 실무자들에게 잘 알려져 있지만 단순한 확률변동성 모델은 잘 잡아내지 못하는 GARCH 형태의 군집 현상입니다.
위의 세 가지 패턴을 전환해 보십시오. 각각은 서로 다른 데이터 레짐으로 학습된 신경망 SDE가 발견할 수 있는 것을 나타냅니다. 요점은 네트워크가 헤스톤이나 SABR보다 똑똑하다는 것이 아닙니다. 요점은 찾으라는 지시 없이도 유사한 구조에 도달한다는 것입니다. 이는 그 구조들이 모델군의 인공물이 아니라 데이터의 실제 특성이라는 강력한 증거입니다.
다른 한편: 데이터에 노이즈가 많거나 학습에 규율이 없으면 네트워크는 허위 패턴도 발견할 수 있습니다. 빈약한 데이터로 학습된 큰 네트워크는 멋지게 과적합할 것입니다 -- 노이즈를 암기하고 그것을 구조라고 부를 것입니다.
실무적 고려사항
신경망 SDE는 강력하지만 까다롭습니다. 연구 논문과 프로덕션 시스템 사이의 간극은 넓습니다. 착수하기 전에 비용을 파악하십시오.
위의 학습(Train) 버튼을 클릭하고 손실이 수렴하는 과정을 지켜보십시오. 세 단계에 주목하십시오: 빠른 초기 하강(네트워크가 큰 구조를 학습), 느린 정교화(윙과 꼬리 부분 미세 조정), 그리고 정체 구간(수확 체감, 과적합 위험 가능성).
학습 데이터 요건. 고차원 함수를 제약하려면 충분한 옵션 가격 데이터가 필요합니다. 단일 기초자산의 경우, 여러 만기에 걸친 일별 스마일 스냅샷이 수개월에서 수년치 필요하다는 뜻입니다. 희소한 데이터(적은 행사가, 적은 만기)는 과적합하는 미결정 네트워크로 이어집니다.
과적합 위험. 10,000개 파라미터를 가진 신경망은 10,000개의 데이터 포인트를 완벽히 암기할 수 있습니다. 그것이 동학을 학습했다는 뜻은 아닙니다. 정규화(드롭아웃, 가중치 감쇠, 조기 종료)가 필수이며, 홀드아웃 데이터에 대한 검증은 타협할 수 없습니다.
해석 가능성. 5개 파라미터의 헤스톤 모델은 이야기를 들려줍니다: 카파는 이것을, 로는 저것을 의미한다는 식입니다. 신경망 SDE는 10,000개 파라미터를 가진 블랙박스입니다. 학습된 함수를 살펴볼 수는 있지만(위 히트맵처럼), 하나의 숫자를 가리키며 "이것이 평균회귀 속도다"라고 말할 수는 없습니다. 리스크 관리자에게 모델을 설명해야 하는 트레이딩 데스크에게 이는 심각한 단점입니다.
계산 비용. 학습에는 SDE를 통한 수천 번의 순전파(몬테카를로 경로)가 필요하며, 각 시점마다 네트워크를 통한 역전파가 요구됩니다. 이는 헤스톤이나 SABR 캘리브레이션보다 몇 자릿수는 더 비쌉니다. 추론(학습된 모델로 단일 옵션 가격 산정)은 빠르지만, 재캘리브레이션은 느립니다.
현재 도입 현황. 신경망 SDE와 딥 헤징은 연구 분야와, 이를 뒷받침할 인프라를 갖춘 퀀트 헤지펀드에서 사용됩니다. 바닐라 데스크에서는 아직 표준이 아닙니다. 전형적인 프로덕션 구성은 일상적 가격 산정에는 고전 모델(헤스톤, SABR, SLV)을 쓰고, 고전 모델이 지속적으로 실패하는 특정 고가치 문제에 신경망 기법을 사용하는 것입니다.
다음의 경우 신경망 SDE를 사용하십시오: (1) 데이터가 풍부하고 고전적 모델군이 같은 패턴을 계속 놓칠 때, (2) 깔끔한 해석적 해가 없는 이색 상품의 가격을 산정할 때, (3) 현실 세계의 마찰을 반영하는 헤징 전략이 필요할 때. 5개 파라미터 모델로 충분히 잘 적합된다면 사용하지 마십시오 -- 가치 없이 복잡성만 더하는 것입니다.
다음으로 볼 문서:
헤스톤 모델 -- 고전적 확률변동성 벤치마크
확률적 로컬 변동성 -- 동학을 갖춘 프로덕션급 캘리브레이션
Rough Bergomi -- 분수 확률변동성, 신경망 기법 이전의 최전선