다중자산 경로종속 옵션 가격 산정을 위한 몬테카를로와 경로생성 기법

초록

본 논문은 블랙‑숄즈 모형 하에서 다중 자산 아시안 옵션을 가격 평가하기 위해 다양한 몬테카를로 기반 변동 감소 기법을 비교·분석한다. 고정·시간 의존 변동성 모델을 모두 고려하고, 표준 MC, 라틴 하이퍼큐브 샘플링(LHS), 저불일치 수열을 이용한 준몬테카를로(QMC) 및 무작위화된 QMC(RQMC)를 평가한다. 특히 20차원 이하와 고차원 상황에서 RQMC가 뛰어난 효율성을 보이며, 시간 의존 변동성 경우에는 크로네커 곱 근사(KPA) 기반 경로 생성이 계산 비용을 크게 절감한다는 점을 실험적으로 입증한다.

상세 분석

이 연구는 다중 자산 바스켓에 대한 경로종속 옵션, 특히 평균가격을 기초자산으로 하는 아시안 옵션의 가격 산정 문제를 다룬다. 블랙‑숄즈 모델을 기본으로 두고, 자산 수익률의 변동성을 고정값과 시간에 따라 변하는 함수 두 가지 경우로 구분한다. 변동성 구조가 시간에 따라 변하면 공분산 행렬이 비대칭·비정형이 되므로, 전통적인 차원 축소 기법인 PCA(주성분 분석)만으로는 효율적인 경로 생성이 어려워진다. 이를 해결하기 위해 저자들은 크로네커 곱(Kronecker product) 근사를 도입한다. KPA는 시간축과 자산축의 공분산 구조를 각각 별도의 행렬로 분리한 뒤, 두 행렬의 크로네커 곱으로 전체 공분산을 근사함으로써 메모리 사용량과 연산 복잡도를 O(N·M) 수준으로 낮춘다(N은 시점, M은 자산 수).

변동 감소 측면에서는 네 가지 샘플링 전략을 체계적으로 비교한다. 표준 MC는 무작위 난수에 기반해 수렴 속도가 O(N^{-1/2})에 머무르지만 구현이 간단하다. 라틴 하이퍼큐브 샘플링(LHS)은 각 차원에 대해 균등하게 구간을 나누어 샘플을 배치함으로써 분산을 약 30~40% 감소시킨다. 저불일치 수열을 활용한 QMC는 디지털 네트워크(예: Sobol, Halton)로 생성된 결정론적 시퀀스를 사용해 이론적 수렴률을 O(N^{-1})에 가깝게 끌어올린다. 그러나 QMC는 차원 저주에 민감해 고차원(>20)에서는 효과가 급격히 감소한다. 이를 보완하기 위해 무작위화된 QMC(RQMC)를 적용한다. RQMC는 디지털 시프트나 Owen 스크래블링과 같은 무작위 변환을 가함으로써 편향을 제거하고, 동시에 저불일치 특성을 유지한다. 실험 결과, 20차원 이하에서는 RQMC가 가장 높은 정확도를 제공했으며, 100차원 이상에서도 LHS보다 현저히 낮은 분산을 기록했다.

또한, 시간 의존 변동성 모델에서 KPA 기반 경로 생성과 전통적인 Cholesky 분해를 비교했을 때, KPA는 동일한 정확도를 유지하면서 약 2~3배 빠른 시뮬레이션 속도를 달성했다. 이는 특히 실시간 위험 관리나 대규모 포트폴리오 시뮬레이션에 유용하다. 전체적으로 논문은 변동성 구조와 차원 규모에 따라 최적의 샘플링·경로 생성 조합을 제시하고, 실무 적용 시 비용·정확도 트레이드오프를 명확히 제시한다.