Rough Bergomi 모델
Rough Bergomi는 트레이더들을 오랫동안 곤혹스럽게 했던 질문에 답을 제시합니다: 왜 단기 만기 스마일은 그렇게 가파를까요? 그 답은 실제 시장의 변동성 경로가 고전적 모델이 가정하는 것보다 훨씬 더 들쭉날쭉하다는 데 있습니다. BTC, ETH 또는 S&P 500의 실제 실현 변동성의 "거칠기(roughness)"를 측정해 보면, Heston이나 SABR이 만들어낼 수 있는 어떤 것보다 훨씬 거칠다는 것을 발견하게 됩니다.
이 모델은 실시간 변동성 표면 피팅에는 사용되지 않습니다 -- 너무 느리기 때문입니다. 이 모델의 가치는 이론적인 데 있습니다: 변동성 표면이 왜 그런 모습을 갖는지 알려주고, 단기 만기 크립토 옵션에 SVI 같은 실용적인 모델을 피팅할 때 올바른 직관을 제공합니다. 이 모델이 설명하는 내재변동성 패턴은 유동성이 있는 모든 옵션 시장에서 관찰됩니다.
거칠기 인사이트
주식, FX, 크립토 전반에서 측정해 보면 변동성 경로는 표준 모델이 가정하는 것보다 훨씬 더 들쭉날쭉합니다. 이 거칠기는 시장에서 관찰되는 가파른 단기 만기 스큐를 자연스럽게 만들어냅니다 -- 점프나 극단적인 파라미터가 필요 없습니다.
인터랙티브: 거칠기와 스큐
아래 슬라이더를 사용하여 거칠기 파라미터(H)의 두 가지 효과를 직접 확인해 보세요. 왼쪽 패널은 H가 낮을수록 더 들쭉날쭉하고 불규칙한 경로가 생기는 모습을 보여줍니다. 오른쪽 패널은 그 거칠기가 어떻게 더 가파른 단기 만기 스큐로 이어지는지 보여줍니다.
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(Rough)"의 의미
Heston 같은 고전적 모델은 변동성에 매끄럽고 완만하게 굽이치는 경로 -- 마치 강물 같은 경로를 부여합니다. Rough Bergomi는 변동성에 들쭉날쭉한, 해안선 같은 경로를 부여합니다. 이것은 모델링상의 선택이 아닙니다 -- 실제 변동성 경로를 고빈도로 측정했을 때 데이터가 보여주는 사실입니다.
거칠기는 단 하나의 숫자, 허스트(Hurst) 파라미터 H로 조절됩니다. H가 낮을수록 = 더 거친 경로 = 더 가파른 단기 만기 스큐입니다.
H가 0.1 근처라는 것은 선택이 아니라 사실
연구자들은 S&P 500, 개별 주식, BTC, ETH 어느 것을 측정하든 H가 0.1 근처라는 결과를 얻습니다. 데이터 자체가 변동성 경로가 거칠다고 말하고 있습니다. 이 모델은 데이터가 보여주는 사실 위에 세워졌습니다.
ATM 스큐 멱법칙
거칠기 파라미터 H는 ATM 스큐가 단기 만기에서 장기 만기로 갈수록 어떻게 감쇠하는지를 결정합니다. H가 0.1 근처일 때 단기 만기 스큐는 가파르고, 만기가 길어질수록 평탄해집니다. 이 단 하나의 파라미터가 1일부터 1년까지 스큐의 기간구조 전체를 설명합니다 -- 크립토와 주식 모두에서요.
고전적 모델(Heston, SABR)은 이 부분에서 체계적으로 틀립니다: 1일 스큐는 과대 예측하고 30일 스큐는 과소 예측합니다. H가 0.1 근처인 Rough Bergomi는 그 사이를 정확히 관통합니다. 블랙-숄즈 프레임워크는 이 멱법칙 거동을 전혀 포착하지 못합니다.
가파른 단기 만기 스큐의 설명
Rough Bergomi는 단기 만기 스큐가 왜 그렇게 가파른지 설명합니다. 이는 프로덕션용 도구가 아니라 이론적 인사이트입니다.
파라미터
자유 파라미터 3개와 시장 데이터에서 얻은 선도 분산 곡선(forward variance curve)으로 구성됩니다.
강점과 한계
고전적 모델과의 비교
크립토에서 중요한 이유
프로덕션 도구가 아닌 렌즈
Rough Bergomi는 블랙-숄즈와 비슷합니다 -- 프로덕션에서 실제로 돌리는 모델이 아니라, 올바른 언어와 직관을 제공하는 프레임워크입니다.
크립토 스마일이 왜 그런 모습인지 설명합니다. BTC와 ETH의 변동성 표면은 가파른 단기 만기 스큐를 갖습니다. Rough Bergomi는 이렇게 말합니다: 이 가파름은 러프한 변동성 경로의 자연스러운 결과이며, 그것이 데이터가 보여주는 바입니다.
SVI 피팅에 올바른 사전 기대(prior)를 제공합니다. 희소한 단기 만기 데이터에 SVI를 피팅하고 있다면, 러프 변동성 이론은 스큐가 가파를 것이라고 알려줍니다. 멱법칙은 스큐가 만기별로 어떻게 변해야 하는지에 대한 정량적 기대치를 제공합니다. 데이터가 부족할 때 유용합니다. 각 행사가격에서 기대 내재변동성은 기초 분산 과정의 거칠기로부터 도출됩니다.
연구 최전선의 틀을 제시합니다. 러프 변동성 모델의 딥러닝 피팅, 하이브리드 러프-로컬 변동성, 러프 Heston 변형은 언젠가 실시간 사용이 가능할 만큼 빨라질 수 있습니다. 지금 이 프레임워크를 이해해 두면 이러한 도구들이 등장했을 때 알아볼 수 있습니다. 델타 헤징이나 베가 익스포저 같은 개념은 그대로 유지되지만, 러프 동학 하에서는 그 계산이 훨씬 어려워집니다. 과제는 시뮬레이션된 슬라이스들을 이어 붙일 때 캘린더 차익거래 위반 없이 이러한 그릭스를 계산하는 것인데, OTM 윙이 특히 이에 민감합니다.
수식 탐색기
내재변동성, 총 분산, 로그 머니니스, 옵션 가격 간을 변환해 보세요.
방정식 탐색기
셀프 체크
💡 팁: 답안을 확인하기 전에 각 질문에 대해 스스로 답해보세요.
수학적 직관 쌓기
Rough Bergomi 처음부터 배우기인터랙티브 레슨 · 사전 지식 불필요이 레슨은 러프 변동성 인사이트에서 출발하여, 허스트 파라미터와 분산 과정, 그리고 거칠기가 스마일의 단기 만기 구간을 왜 자연스럽게 가파르게 만드는지 설명합니다.
참고 자료: