금융 이론을 내재한 신경망 옵션 가격 기하학 학습

초록

FINN(Finance‑Informed Neural Network)은 옵션 가격을 직접 관측값에 맞추는 대신, 동적 헤징을 통한 복제 오차를 최소화하는 자기지도 학습 목표를 사용한다. 이 접근법은 무위험 복제 원리를 손실에 직접 반영함으로써 이론적 무정합성(arbitrage‑free)을 보장하고, 블랙‑숄즈와 같은 고전 모델을 정확히 재현하며 변동성 스톡캐스틱 모델(Heston)에서도 강인한 성능을 보인다. 또한, 시장에서 관측되지 않은 자산에 대해서도 히스토리컬 스팟 데이터를 이용해 일관된 옵션 가격과 그리스값을 생성한다.

상세 분석

FINN은 옵션 가격 함수를 신경망 gθ(t,s) 로 파라미터화하고, 전통적인 지도학습이 요구하는 “정답” 가격 데이터를 필요로 하지 않는다. 대신, 논문은 복제 포트폴리오 Πt = −gθ(t,St)+αt St+ηt Ht+βt Bt 를 정의하고, 이 포트폴리오가 무위험 이자율 r을 초과하거나 미달하지 않도록 하는 복제 오차 ‖dΠt−rΠt dt‖² 를 최소화한다. 이 손실은 동적 헤징의 핵심 원리인 “델타·감마 중립”을 자동으로 강제한다. 구체적으로, 델타 중립 조건 ΔΠt = 0 과 감마 중립 조건 ΓΠt = 0 로부터 헤지 비율 ηt = Γgθ/ΓH, αt = Δgθ−ηt ΔH 를 도출하고, 이 값들을 신경망의 자동 미분 결과에만 의존해 계산한다. 따라서 네트워크는 자체적으로 그리스값을 학습하면서 가격 함수 자체를 조정한다. 이론적으로는 복제 오차가 0에 수렴할 때 gθ는 무위험 측정 Q 하에서의 기대값 E_Q