비모수 부분 중요도 샘플링을 이용한 금융 파생상품 가격 평가 혁신

초록

본 논문은 다차원 옵션 가격 평가에서 기존의 파라메트릭 중요도 샘플링(Importance Sampling) 한계를 극복하기 위해, 최적 제안분포를 다변량 주파수 다각형(Linear Blend Frequency Polygon) 추정기로 비모수적으로 추정하는 알고리즘을 제안한다. 차원 저주를 피하기 위해 효과적 차원(effective dimension) 개념과 주성분 분석(PCA)을 활용해 중요한 소수 차원(보통 1~3)만을 대상으로 비모수 추정을 수행한다. 이론적으로 평균제곱오차(MSE) 수렴률과 비대칭성 최적성을 증명하고, 준몬테카를로(QMC)와 결합해 추가 효율성을 확보한다. 실험 결과는 경로 의존형 및 다자산 옵션에서 기존 파라메트릭 방법보다 현저히 높은 효율성을 보여준다.

상세 분석

이 논문은 Monte Carlo 기반 파생상품 가격 평가에서 분산 감소 기법으로서 중요도 샘플링(IS)의 잠재력을 재조명한다. 기존 IS는 제안분포를 정규분포 혹은 가우시안 혼합 등 파라메트릭 형태로 가정하고, 평균 이동(mean shift)이나 적응적 최적화 등을 통해 파라미터를 조정한다. 그러나 복잡한 경로 의존형 혹은 다자산 옵션에서는 최적 제안분포가 파라메트릭 클래스에 포함되기 어려워, 제안분포와 실제 목표분포 사이의 차이가 크게 남아 분산 감소 효과가 제한적이다.

논문은 이러한 한계를 극복하기 위해 비모수 중요도 샘플링(NIS)의 아이디어를 차용한다. 핵심은 최적 제안분포 q_opt(x) ∝ |ϕ(x)| p(x) 를 직접 추정하는 것이며, 여기서 ϕ는 할인된 옵션 페이오프 함수, p는 기본 표준 정규밀도이다. 비모수 추정기로는 다변량 히스토그램을 선형 보간한 Linear Blend Frequency Polygon(LBFP) 방식을 선택한다. LBFP는 커널 밀도 추정과 동일한 MSE 수렴률 O(N^{-4/(4+d)})을 유지하면서, 샘플 생성·평가 비용이 O(N d 2^{d-1})로 크게 절감된다. 이는 고차원에서 커널 방식이 O(N d)·N 연산에 비해 실용적이다.

하지만 비모수 추정은 차원의 저주에 취약하다. 저자들은 이를 해결하기 위해 두 가지 전략을 도입한다. 첫째, 효과적 차원(effective dimension, ED) 개념을 이용해 전체 변수 중 변동성에 가장 크게 기여하는 소수 좌표 집합 u⊂{1,…,d}를 식별한다. ED는 ANOVA 분해를 기반으로, 전체 분산의 γ(보통 0.90.99) 이상을 설명하는 최소 차원 수로 정의된다. 둘째, 주성분 분석(PCA)을 통해 공분산 구조를 대각화하고, 가장 큰 고유값에 대응하는 주성분을 u에 포함한다. 이렇게 하면 |u|는 보통 13으로 제한되며, 비모수 추정이 가능한 저차원 부분공간에서만 수행된다.

알고리즘은 두 단계로 구성된다. 1단계에서는 시도분포 q₀(보통 표준 정규)를 사용해 M개의 샘플을 생성하고, 가중치 ω_j = |ϕ(𝑥̃_j)| p(𝑥̃_j)/q₀(𝑥̃_j) 를 계산한다. 이후 LBFP를 이용해 marginal optimal proposal ˘q_opt(x_u) 를 추정한다. 2단계에서는 추정된 ˘q_opt으로 x_u를, 나머지 차원은 원래 p(x_{-u}) 로 샘플링해 IS 추정량을 만든다.

정리 1은 MSE를 두 항으로 분해한다. 첫 번째 항은 비선택 차원 x_{-u}에 의한 분산이며, 두 번째 항은 비모수 추정 오차에 기인한다. 최적 bin width h는 |u|와 M에 따라 명시적으로 주어지며, h를 사용하면 두 번째 항이 O(N^{-(8+|u|)/(4+|u|)}) 으로 감소한다. 따라서 N→∞ 일 때 전체 MSE는 첫 번째 항에 의해 지배되며, 이는 제안분포가 거의 최적에 근접함을 의미한다.

또한, 논문은 QMC(Quasi‑Monte Carlo)와의 결합을 제안한다. 저차원 u에 대해 저차원 저불일치 시퀀스(예: Sobol)를 사용하면, 표준 MC보다 더 빠른 수렴률 O(N^{-1})에 근접한다. 실험에서는 경로 의존형 아시안 옵션, 다자산 배리어 옵션, 그리고 복합 파생상품 등 다양한 사례에 대해 기존 파라메트릭 IS(Mean‑Shift, Gaussian Mixture)와 비교했을 때, 평균 분산 감소(VR) 팩터가 10배 이상, 계산 시간은 동일하거나 더 짧았다.

결과적으로, 비모수 부분 중요도 샘플링은 (1) 최적 제안분포에 매우 근접한 추정, (2) 차원 저주를 효과적으로 회피, (3) QMC와의 시너지 효과를 통해 실무 적용 가능성을 크게 높인다. 특히 파라메트릭 모델링이 어려운 복잡한 페이오프 구조를 가진 최신 파생상품에 대한 정확하고 효율적인 가격 산출에 유용한 도구가 될 것으로 기대된다.