옵션 가격을 '만들어내는' AI: 차익거래 없이 미래 시장을 시뮬레이션하는 방법

수익을 낼 수 있는 기회가 없는 상태로, 그런데도 현실과 거의 똑같은 옵션 시장을 컴퓨터 안에서 만들어낼 수 있다면?

---

들어가며: 왜 가상의 옵션 시장이 필요할까?

주식 투자를 할 때는 "이 회사가 앞으로 잘될까?"라는 질문만 있으면 됩니다. 하지만 옵션 같은 파생상품의 세계는 훨씬 복잡합니다. 행사가(옵션을 행사할 수 있는 가격)가 달라지면 가격이 바뀌고, 만기(옵션이 끝나는 날짜)가 달라지면 또 바뀝니다. 이 모든 조합을 한데 묶은 것이 바로 '옵션면(option surface)'인데요, 마치 산맥의 지형도처럼 생겼습니다.

그런데 이 지형도를 미래에도 계속 그릴 수 있다면? 즉, 앞으로 몇 년간 매일매일 옵션 가격이 어떻게 변할지 시뮬레이션할 수 있다면, 무엇을 할 수 있을까요?

가장 직접적인 활용은 '헤지 전략 테스트'입니다. 복잡한 파생상품 전략을 실제 돈을 걸기 전에, 가상의 미래 시장에서 수만 번 시뮬레이션해 보는 거죠. 문제는 이 가상 시장이 현실적이어야 한다는 점입니다. 실제 시장에서는 절대 일어나지 않는 이상한 가격이 등장하면, 그 위에서 테스트한 전략은 무의미해집니다.

무엇이 문제였나: 기존 방법들의 한계

지금까지 옵션면을 시뮬레이션하는 방법은 크게 두 갈래가 있었습니다.

첫 번째 방법: 이산 격자 방식. 정해진 행사가와 만기에서만 가격을 만들어내는 방식입니다. 이 방법은 '차익거래 없음'을 수학적으로 보장할 수 있다는 장점이 있습니다. 하지만 현실의 옵션은 행사가와 만기가 연속적입니다. 격자 사이에 있는 옵션 가격은 선형 보간으로 추정해야 하는데, 이 과정에서 실제보다 비싼 가격이 나올 수 있습니다. 매일 헤지 전략을 세워야 하는 트레이더에게는 치명적인 제약입니다.

두 번째 방법: 내재변동성(IV) 시뮬레이션. 변동성 곡면 자체를 시뮬레이션하는 방식입니다. 유연하지만, '차익거래 없음'을 엄밀하게 보장할 수 없다는 근본적인 문제가 있습니다. 소프트 제약(부드러운 패널티)으로 대충 막아보지만, 실제 투자 현장에서는 "대충"으로는 부족합니다.

쉽게 말하면, 첫 번째 방법은 '정확하지만 좁은' 세상, 두 번째 방법은 '넓지만 허술한' 세상이었습니다.

핵심 아이디어: DYSANOS가 한 일

옥스포드 대학과 맥마스터 대학의 연구팀이 제안한 DYSANOS는 이 두 세계를 합칩니다. 이름이 긴데, 풀면 'Dynamic Smooth Arbitrage-free Non-parametric Option Surfaces'입니다. '동적이고, 매끄럽고, 차익거래가 없고, 비모수적인 옵션면'이라는 뜻이죠.

핵심 아이디어를 단계적으로 설명하면 이렇습니다.

1단계: 옵션 가격을 '마르팅갈 밀도'로 표현하기. 옵션 가격을 직접 모델링하는 대신, 기초자산의 미래 확률분포(정확히는 마르팅갈 밀도)를 모델링합니다. 이 밀도만 알면 모든 행사가·만기의 콜옵션 가격을 수학적으로 유도할 수 있습니다. 그리고 이 표현에서는 '정적 차익거래 없음'이 자동으로 보장됩니다.

2단계: 부드러운 곡면 만들기. 일반적인 마르팅갈 밀도는 거친 계단 모양이 될 수 있습니다. DYSANOS는 블랙-숄즈 콜옵션 가격과 결합하는 '스무딩 파라미터(μ)'를 도입해, 행사가 방향으로 완전히 매끄러운(C∞) 곡면을 만듭니다.

3단계: AI가 옵션면을 학습하기. 여기에 신경망을 결합합니다. ML-SANOS 디코더라는 3층 신경망(100개 은닉 노드, SELU 활성화 함수)이 시장 데이터를 학습해, 제한 없는 실수 공간의 숫자를 SANOS 파라미터로 변환합니다. 이 과정에서 신경망의 출력이 항상 '차익거래 없는' 옵션면으로 변환되도록 구조를 설계했습니다.

4단계: 미래 경로 생성하기. 학습된 옵션면을 AR(1) 시계열 모형(숨은 상태 공간)으로 연결해, 하루하루 옵션면이 어떻게 변하는지 시뮬레이션합니다. 숨은 상태 5개만으로 표면 변동의 99.34%를 설명할 수 있다고 합니다.

결과: 무엇을 알아냈나

연구팀은 S&P 500 옵션 데이터(Option Metrics IvyDB, 2020년 1월~2025년 8월)로 DYSANOS를 검증했습니다. 주요 수치는 이렇습니다.

• 적합 정확도: 내재변동성 기준 평균 오차 0.3%. 즉, 시장의 옵션 가격을 0.3% 이내 오차로 재현합니다.
• 캘리브레이션 속도: 선형 프로그래밍으로 0.0939초 만에 하루치 옵션면을 맞춥니다. 실시간에 가까운 속도입니다.
• 시장 커버리지: 시장에서 거래된 옵션의 91.4%가 bid-ask 스프레드 내에서 적합됩니다.
• 차익거래 검사: 생성된 미래 경로에서 동적 차익거래가 수치적으로 나타나는지 조사했습니다.

기존의 순수 내재변동성 PCA 모형과 비교하면, DYSANOS가 통계적으로 더 현실적인 경로를 생성하면서도 차익거래 제약을 엄밀하게 지키는 것을 확인했습니다.

한계와 주의점

이 연구에는 몇 가지 솔직한 한계가 있습니다.

첫째, 기준선 모형의 단순함. 현재 숨은 상태의 시계열 역학은 AR(1), 즉 '오늘 = 어제의 평균회귀 + 노이즈'입니다. 실제 옵션면의 움직임은 이보다 훨씬 복잡합니다. 비선형 효과, 점프, 레짐 전환 등이 추가되어야 현실에 가까워질 것입니다. 연구팀도 이를 인정하며, 더 정교한 시계열 모형을 후속 연구로 제안하고 있습니다.

둘째, 극단 시장 환경 미검증. 2020~2025년 데이터에 포함된 코로나 폭락장, 2022년 금리 인상기 등을 포함하지만, 극단적인 스트레스 시나리오에서의 성능은 추가 검증이 필요합니다.

셋째, 재현성 점수 낮음. 논문의 재현성 점수는 35점으로 낮은 편입니다. 코드 공개 여부와 데이터 파이프라인의 접근성이 확인되면 더 높은 신뢰를 줄 수 있을 것입니다.

투자 실무에 주는 시사점

이 연구가 일반 투자자에게 직접적인 투자 신호를 주지는 않습니다. 하지만 파생상품을 다루는 팀이나, 정량적 헤지 전략을 연구하는 분들에게는 의미 있는 도구입니다.

첫째, 합성 데이터 생성기. 차익거래 제약을 만족하는 대규모 옵션 데이터를 생성할 수 있습니다. 실제 시장 데이터는 하루치밖에 없지만, DYSANOS에서는 원하는 만큼의 가상 미래를 만들어낼 수 있습니다. 머신러닝 기반 헤지 모델(Deep Hedging 등)을 학습시키려면 이런 합성 데이터가 필수적입니다.

둘째, 리스크 시나리오 분석. "만약 S&P 500이 3개월 동안 20% 하락하면, 이 옵션 포트폴리오는 어떻게 될까?" 같은 질문에 답하려면, 현실적인 미래 경로가 필요합니다. DYSANOS는 차익거래 없이 이런 경로를 제공합니다.

셋째, 모형 검증. 자체적으로 만든 옵션 가격 모형이 있다면, DYSANOS가 생성한 데이터와 비교해볼 수 있습니다. 현실적인 벤치마크 역할을 하는 셈입니다.

---

함께하기

최신 AI와 정량 금융 연구를 한국어로 만나보세요.

• 🌐 ohselab.com — 연구 소개 및 상담
• 📧 뉴스레터 구독 — 주요 논문 큐레이션
• 🐦 팔로우 — 실시간 연구 소식

---

더 알아보기

• 📄 논문: arXiv:2608.12587
• 📊 5차원 점수: novelty=78, applicability=68, rigor=55, reproducibility=35, insight=75 (composite: 65.0, A등급)
• 🏷️ 분과: 생성 모델 기반 합성 데이터 (C5)