거친 마팅게일 최적 운송: 비모델링 위험 요인에 대한 이론·구현·규제 적용

초록

본 논문은 FRTB 규제 하에서 데이터가 희소한 비모델링 위험 요인(NMRF)의 가격 책정을 위해, 거친 변동성 사전(prior)을 도입한 거친 마팅게일 최적 운송(RMOT) 프레임워크를 제안한다. 거친 Heston 모델을 사전으로 사용하고 KL 발산을 최소화하는 제약 최적화를 통해 유한하고 명시적인 가격 경계와 외삽 오차를 제공한다. 단일 자산에서는 Hurst 지수를 ±0.05 정확도로 추정하기 위해 최소 50개의 행사가 필요함을 증명하고, 다자산에서는 서로 다른 Hurst 지수를 갖는 경우 마진 옵션 표면만으로 상관 행렬을 국소적으로 식별할 수 있음을 보인다. 구현은 블록-희소 뉴턴 알고리즘을 활용해 N=30 자산까지 3분 이내에 캘리브레이션이 가능하며, 실험 결과 $1B 규모의 이색 옵션 포트폴리오에 대해 기존 MOT 대비 약 $880M의 자본 완화 효과를 확인한다.

상세 분석

본 연구는 기존 마팅게일 최적 운송(MOT)이 비모델링 위험 요인(NMRF)에서 시장 데이터가 부족할 경우 무한대의 감사 경계(infinite audit bounds)를 초래한다는 문제점을 정확히 짚어낸다. 이를 해결하기 위해 저자들은 거친 변동성(Rough Volatility) 모델, 특히 Rough Heston을 사전 확률분포로 채택하고, KL 발산을 최소화하는 정규화 MOT 문제를 정의한다(RMOT). 이 접근법은 두 가지 핵심 이점을 제공한다. 첫째, 거친 변동성의 꼬리 특성(∼exp(−k^{1−H}))이 자연스럽게 가격 경계에 스트레치드 지수형 감쇠를 부여해, 깊은 OTM 옵션에 대해서도 유한하고 명시적인 오차 상한을 얻는다(정리 3.2). 둘째, 거친 Hurst 지수(H)가 데이터 희소성 하에서도 충분히 식별 가능함을 Fisher 정보 행렬과 Cramér‑Rao 하한을 통해 증명한다. 특히 정리 3.1은 효과 차원 d_eff ≤ min{5,⌊log₂m⌋+2}를 도출하고, m≈50개의 행사가 있을 때 H를 ±0.05 내에서 추정할 수 있음을 보여준다. 다자산 확장에서는 서로 다른 H_i를 갖는 경우 마진 옵션 표면만으로 상관 행렬 ρ_ij를 국소적으로 식별할 수 있음을 정리 3.3으로 증명한다. 이는 “거친성 분리(roughness separation)”가 상관 추정에 정보를 제공한다는 새로운 통찰을 제공한다. 알고리즘 측면에서는 블록-희소 구조를 활용한 뉴턴 방법을 설계해 복잡도를 O(N²M² log(1/ε))로 유지하면서 N=30~50 자산까지 실시간 캘리브레이션이 가능하도록 구현했다. 실증 분석에서는 2019‑2024년 SPY, QQQ, IWM, GLD 옵션 데이터를 이용해 Hurst 지수와 상관을 추정하고, RMOT 기반 가격이 실제 시장 가격과 6% 이하의 오차를 보이며, 전통 MOT는 무의미한 경계만 제공한다는 점을 확인했다. 마지막으로 FRTB 대안 표준화 접근(ASA) 하에서 $1B 규모의 이색 옵션 포트폴리오에 대해 기존 MOT 대비 $880M의 자본 완화 효과를 정량화했으며, 100번 교차 검증을 통해 과적합 위험이 없음을 입증했다. 전반적으로 이 논문은 거친 변동성과 MOT를 결합해 규제 요구를 만족하면서도 실용적인 가격 도구를 제공한다는 점에서 학술적·실무적 기여가 크다.