비정형 위험을 반영한 변수 연금 평가: 볼테라 사망률·러프 헤스턴 모델과 딥 시그니처 LSMC 접근법

초록

본 논문은 러프 헤스턴 모델로 묘사된 주가 변동성과 볼테라 형태의 사망률 모델을 결합한 비마코프식 환경에서 조기 해지 옵션을 포함한 변수 연금(Variable Annuity)의 공정 수수료를 평가한다. 경로 의존성을 효율적으로 처리하기 위해 트렁케이션된 러프 경로 시그니처를 입력으로 하는 딥러닝 기반 최소제곱 몬테카를로(LSMC) 알고리즘을 제안하고, 수렴성을 이론적으로 증명한다. 실험 결과는 주가 변동성 및 사망률의 Hurst 지수가 클수록 공정 수수료가 상승함을 보여준다.

상세 분석

이 연구는 기존 변수 연금 평가가 전제해 온 마코프 가정에서 벗어나, 두 가지 비마코프 프로세스를 동시에 도입한다는 점에서 혁신적이다. 첫 번째는 주가 지수를 러프 헤스턴 모델로 기술한 것으로, 이는 전통적인 Heston 모델에 비해 볼록성(Hurst) 파라미터 Hσ∈(0,1) 를 통해 장기 의존성을 반영한다. 두 번째는 사망률을 볼테라 적분 방정식(SVIE) 형태로 모델링했으며, 커널 K_m(t)=t^{H_m-1/2}/Γ(H_m+1/2) 로 정의된 H_m∈(0,1) 의 Hurst 파라미터가 사망률의 장기 메모리를 제어한다. 특히 H_m>0.5 로 추정되어 사망률 경로가 부드럽고 장기 의존성을 갖는다는 실증적 근거를 제시한다.

조기 해지 옵션은 미국식 옵션과 유사한 최적 정지 문제를 만든다. 비마코프 특성 때문에 전통적인 동적 프로그래밍이나 PDE 기반 방법이 적용되지 못한다. 저자들은 이를 해결하기 위해 (i) 시간 격자를 설정하고, (ii) 각 격자 시점에서 전체 경로 정보를 시그니처(Iterated Integrals)로 압축한다. 시그니처는 무한 차원의 경로 정보를 유한 차원(트렁케이션 차수 N)으로 근사화하면서도 충분히 풍부한 특징을 보존한다는 수학적 특성을 가진다.

그 후, 트렁케이션된 시그니처를 입력으로 하는 심층 신경망(다층 퍼셉트론 혹은 Residual Net)을 학습시켜, 각 시점의 연속 가치(Continuation Value)를 회귀한다. 이 회귀값과 즉시 해지 지급액을 비교해 최적 해지 시점을 결정하고, 공정 수수료는 이진 탐색(bisection)으로 조정한다. 알고리즘의 오류는 (1) Monte Carlo 샘플링 오차, (2) 시간 이산화 오차, (3) 시그니처 트렁케이션 오차, (4) 신경망 근사 오차로 분해되며, 각 항목이 해상도 증가에 따라 0으로 수렴함을 정리와 증명을 통해 보인다.

수치 실험에서는 파라미터 Hσ와 H_m을 각각 0.1~0.4 구간에서 변화시켜 공정 수수료의 민감도를 분석한다. 결과는 Hσ와 H_m이 모두 증가할수록 공정 수수료가 단조 상승함을 보여준다. 이는 변동성의 러프함과 사망률의 장기 메모리가 위험을 확대시키고, 보험사가 요구하는 보상 비용을 높인다는 직관과 일치한다. 또한, 최적 해지 경계가 전통적인 저차원 경계가 아니라 시간·계좌가치·변동성 3차원 공간에서 복잡한 형태를 띠는 것을 시각화하였다. 이는 비마코프 환경에서 해지 전략이 전체 경로에 의존한다는 중요한 실무적 시사점을 제공한다.

전반적으로 이 논문은 (1) 비마코프 금융·인구 위험을 동시에 모델링한 새로운 변수 연금 프레임워크, (2) 시그니처 기반 딥 LSMC 알고리즘을 통한 실용적 수치 해법, (3) 알고리즘 수렴성에 대한 엄밀한 이론적 뒷받침, (4) 파라미터 민감도와 해지 전략에 대한 풍부한 실험 결과라는 네 가지 주요 기여를 한다.