옵션 가격 책정을 위한 순차적 몬테카를로 방법

초록

본 논문은 옵션 가격 및 그 민감도(그리스) 계산에 적합한 순차적 몬테카를로(SMC) 기법을 체계적으로 정리하고, 복잡한 확률 변동성 모델 하에서 산술형 아시안 옵션을 예제로 삼아 SMC가 기존 방법보다 추정 정확도와 효율성을 어떻게 향상시키는지를 실증적으로 보여준다.

상세 분석

논문은 먼저 SMC의 핵심 메커니즘인 순차적 중요도 샘플링(SIS)과 재표본화(resampling)를 상세히 설명한다. 이 과정에서 입자(particle) 집합이 시간에 따라 목표분포에 점진적으로 적응하도록 설계되며, 입자 가중치의 소멸 현상을 방지하기 위한 효과적인 적응형 재표본화 기준이 제시된다. 옵션 가격 문제에 SMC를 적용할 때는 기초자산 경로와 변동성 경로를 동시에 추적해야 하는 다차원 상태공간 모델이 형성된다. 특히, 아시안 옵션처럼 경로 의존성이 강한 경우, 전통적인 독립 샘플링은 분산이 크게 증가하지만, SMC는 중간 단계에서 목표분포를 단계별로 정의함으로써 경로 전체를 효율적으로 탐색한다. 논문은 브리징(distribution bridging)과 온도 스케줄링(tempering) 기법을 도입해 복잡한 확률 변동성 모델(예: Heston‑type 모델)에서 입자 간의 다양성을 유지하고, 고차원 적분의 수렴 속도를 가속화한다. 또한, 그리스 계산을 위해 파라미터에 대한 민감도 추정을 가능하게 하는 likelihood‑ratio와 pathwise 기법을 입자 가중치와 결합하는 방법을 제시한다. 이때, 입자 집합을 이용한 자동 미분(automatic differentiation) 혹은 사전‑사후(online) 적응형 제안분포 설계가 계산 비용을 크게 늘리지 않으면서도 편향을 최소화한다는 점이 강조된다. 마지막으로, GPU 기반 병렬 구현을 통해 입자 수를 수천에서 수만 개까지 확장해도 실시간에 가까운 계산이 가능함을 실험적으로 입증한다. 전체적으로 SMC는 전통적 Monte Carlo 대비 분산 감소, 경로 의존성 처리, 그리스 추정의 일관성 측면에서 강력한 대안을 제공한다.