헤스턴 모형: 확률적 변동성과 그 중요성

핵심 요약

블랙-숄즈 모형은 변동성이 일정하다고 가정하는데, 이는 체계적인 가격 결정 오류를 만들고 실제 옵션 시장에서 관찰되는 변동성 스마일을 설명하지 못하는 단순화입니다. 헤스턴 모형(1993)은 변동성이 자체적인 확률 과정을 따르도록 허용하여 이 문제를 해결하며, 평균 회귀, 변동성의 변동성, 자산 수익률과 변동성 간의 상관관계를 포착하는 다섯 개의 매개변수로 제어됩니다. 그 특성함수는 유럽형 옵션 가격에 대한 반 폐쇄형 해를 허용하여, 전체 내재 변동성 표면에 대한 캘리브레이션을 해석 가능하고 빠르게 만듭니다. 출판 후 30년이 지난 지금도 헤스턴 모형은 파생상품 가격 결정, 위험 관리, 변동성 표면 구성의 핵심 확률적 변동성 프레임워크로 남아 있습니다.

일정 변동성의 문제점

1973년, 블랙과 숄즈는 금융에서 가장 영향력 있는 공식이 될 논문을 발표했습니다. 그들의 옵션 가격 결정 모형은 여러 가정에 기초했는데, 가장 중대한 가정은 기초자산의 변동성이 옵션 존속 기간 동안 일정하게 유지된다는 것이었습니다. 이 가정 하에서, 동일 기초자산과 동일 만기를 가진 옵션의 내재 변동성은 모든 행사가격에서 동일해야 합니다.

시장은 이에 동의하지 않습니다. 1987년 폭락 이후, 옵션 시장은 지속적인 패턴을 보이기 시작했습니다: 외가격 풋옵션은 등가격 옵션보다 일관되게 높은 내재 변동성에 거래됩니다. 이 변동성 스마일(주식 시장에서는 비대칭성으로 인해 스머크라고도 함)은 금융에서 가장 견고한 경험적 규칙성 중 하나입니다. 블랙-숄즈 모형은 이를 생성할 수 없습니다. 트레이더가 블랙-숄즈 공식을 사용하여 시장 가격을 내재 변동성으로 역산할 때, 행사가격과 만기에 따라 체계적으로 변하는 표면을 발견하게 되며, 이는 일정 변동성 가정과 직접적으로 모순됩니다.

경제적 직관은 명확합니다. 실제 시장에서 변동성은 군집 현상을 보입니다: 고변동성 일이 고변동성 일 뒤에 이어지는 경향이 있으며, 평온한 기간도 지속됩니다. 변동성은 수익률과 음의 상관관계를 보이기도 합니다; 주가가 하락할 때 변동성은 상승하는 경향이 있으며, 이는 Black(1976)이 처음 문서화한 레버리지 효과입니다. 변동성을 고정으로 취급하는 모형은 이 두 현상을 모두 포착할 수 없습니다.

헤스턴 프레임워크

스티븐 헤스턴의 1993년 논문은 자산 가격의 분산이 평균 회귀 제곱근 과정을 따르는 모형을 도입하여, 두 개의 결합된 확률적 미분방정식 시스템을 만들었습니다.

자산 가격 S는 다음을 따릅니다: dS = mu * S * dt + sqrt(v) * S * dW_1

분산 v는 다음을 따릅니다: dv = kappa * (theta - v) * dt + sigma_v * sqrt(v) * dW_2

두 브라운 운동 W_1과 W_2는 상관계수 rho로 상관됩니다: dW_1 * dW_2 = rho * dt

이 시스템은 각각 명확한 경제적 해석을 가진 다섯 개의 매개변수에 의해 제어됩니다:

평균 회귀 구조는 분산이 무한대로 발산하거나 0으로 붕괴하지 않도록 보장합니다(특정 조건 하에서). 분산 역학에서 제곱근 항 sqrt(v)는 현재 분산 수준에 비례하여 노이즈를 스케일링하며, 펠러 조건이 충족될 때 분산이 음수가 되는 것을 방지합니다: 2 * kappa * theta > sigma_v 제곱. 이 조건이 성립하면 분산 과정은 엄밀히 양수를 유지하는 것이 보장됩니다. 이 조건이 위반되면 분산은 0에 도달할 수 있지만 즉시 반사되며, 이는 신중한 수치적 처리가 필요하지만 경제적으로 합리적인 상태를 유지합니다.

로(Rho)가 스큐를 만드는 이유

상관관계 매개변수 rho는 변동성 스큐의 가장 중요한 단일 동인입니다. 주식 시장에서 rho는 일관되게 음수이며, 전형적으로 -0.5에서 -0.9 사이입니다. 이 음의 상관관계는 주가가 하락할 때(dW_1이 음수), 분산이 증가하는 경향이 있음을 의미합니다(부호 구조를 고려할 때 dW_2도 음수이며, 분산 SDE는 dW_2가 음수일 때 v를 상승시킵니다).

옵션 가격 결정에 대한 결과는 심대합니다. 음의 rho는 주가 하락이 변동성 상승과 관련되어 있어, 일정 변동성 모형이 예측하는 것보다 큰 하락이 더 가능성이 높다는 것을 의미합니다. 이 비대칭성은 외가격 콜옵션 대비 외가격 풋옵션의 가격을 팽창시켜, 주가지수 옵션에서 관찰되는 스큐를 생성합니다.

rho가 0일 때도 모형은 여전히 변동성의 변동성 매개변수 sigma_v만으로 스마일(등가격과 깊은 내가격/외가격 옵션에서 높은 내재 변동성)을 생성합니다. 그러나 스마일은 대칭적입니다. 이 대칭성을 깨뜨리고 주식 내재 변동성 곡선의 특징적인 좌편향 형태를 만드는 것은 음의 rho입니다.

특성함수 접근법

헤스턴 논문의 가장 중요한 기술적 기여는 로그-자산 가격의 특성함수를 사용하여 유럽형 옵션 가격을 반 폐쇄형으로 계산할 수 있음을 증명한 것이었습니다. 이는 확률적 변동성 모형의 가격 결정 편미분방정식 직접 풀이가 일반적으로 불가능하기 때문에 획기적인 발전이었습니다.

로그 가격 ln(S_T)의 특성함수 phi(u)는 위험중립 확률밀도의 푸리에 변환을 제공합니다. 헤스턴은 이 함수가 지수-아핀 형태를 가진다는 것을 보여주었습니다: phi(u) = exp(C(u, T) + D(u, T) * v_0 + i * u * ln(S_0))

함수 C와 D는 복소 지수와 로그를 포함하는 해석적 해를 허용하는 상미분방정식(리카티 방정식)을 만족합니다. 특성함수가 알려지면, 유럽형 콜과 풋 가격은 수치 적분을 통해 복원할 수 있습니다.

이 접근법은 바닐라 옵션 가격 결정에서 몬테카를로 시뮬레이션 대비 세 가지 주요 이점이 있습니다. 첫째, 극적으로 빠릅니다; 단일 옵션 가격은 수천 개의 시뮬레이션 경로에 대한 평균이 아닌 1차원 적분 평가만 필요합니다. 둘째, 수치 적분 오차까지 정확하여, 몬테카를로 추정치에 내재된 통계적 노이즈를 제거합니다. 셋째, 전체 내재 변동성 표면을 수초 내에 계산할 수 있어, 그래디언트 기반 최적화가 관찰된 시장 가격에 모형 매개변수를 맞추도록 효율적 캘리브레이션을 가능하게 합니다.

이색 옵션(배리어, 룩백 및 경로 의존적 페이오프)의 경우, 헤스턴 역학 하의 몬테카를로 시뮬레이션은 여전히 필요합니다. 그러나 바닐라 유럽형 옵션에 적합하는 캘리브레이션 단계에서는 특성함수 접근법이 필수적입니다.

캘리브레이션: 변동성 표면 적합

캘리브레이션은 관찰된 시장 내재 변동성 표면을 가장 잘 재현하는 다섯 개의 헤스턴 매개변수를 찾는 과정입니다. 전형적인 절차는 행사가격과 만기의 격자에 걸쳐 모형 내재 변동성과 시장 내재 변동성 간의 제곱 차이 합을 최소화합니다.

캘리브레이션 품질은 변동성 표면의 풍부함에 달려 있습니다. 유동성이 높은 주가지수 옵션(S&P 500, Euro Stoxx 50)은 조밀한 행사가격과 만기 격자를 제공하여 정밀한 매개변수 추정을 가능하게 합니다. 유동성이 낮은 시장은 노이즈가 많은 데이터에 대한 과적합을 방지하기 위해 정규화 또는 베이지안 사전확률이 필요할 수 있습니다.

S&P 500 지수 옵션에 대한 전형적인 캘리브레이션 결과는 다음과 같을 수 있습니다:

캘리브레이션된 rho -0.72는 주식 시장에서의 레버리지 효과에 대한 수십 년간의 실증 증거와 일치합니다. kappa 2.5는 ln(2)/2.5, 약 0.28년 또는 약 70거래일의 분산 반감기를 의미하며, 변동성 충격 후 장기 평균으로부터의 편차 중 약 절반이 3개월 이내에 소멸된다는 것을 나타냅니다.

잘 알려진 한 가지 한계는 헤스턴 모형이 단일 매개변수 세트로 변동성 표면의 매우 단기 및 매우 장기 구간을 동시에 적합할 수 없다는 것입니다. 단기 옵션은 관찰된 가파른 스큐에 맞추기 위해 더 높은 유효 vol-of-vol이 필요한 반면, 장기 옵션은 더 낮은 값을 시사합니다. 이 긴장은 이중 헤스턴 모형(두 개의 독립적 분산 과정)과 브라운 드라이버를 분수 브라운 운동으로 대체하는 거친 변동성 모형 같은 확장을 촉발시켰습니다.

헤스턴 대 블랙-숄즈: 차이가 중요한 곳

헤스턴과 블랙-숄즈 간의 가격 차이는 모든 옵션에 걸쳐 균일하지 않습니다. 특히 짧은 만기의 외가격 풋과 깊은 내가격 콜에서 가장 큽니다.

가장 큰 불일치는 외가격 풋에서 나타나는데, 이는 헤스턴 모형의 음의 rho가 수익률 분포에서 더 두꺼운 왼쪽 꼬리를 생성하기 때문입니다. 블랙-숄즈가 0.50으로 가격 책정하는 외가격 풋은 헤스턴 하에서 0.70에서 0.80의 가치를 가질 수 있으며, 이는 음의 상관관계를 가진 확률적 변동성이 시사하는 대폭 하락의 더 높은 확률을 반영합니다.

등가격 옵션의 경우, 등가격 내재 변동성이 초기 분산 v_0의 제곱근과 대략 같기 때문에 두 모형은 종종 근접하게 일치하며, 두 모형 모두 이를 입력으로 사용합니다. 옵션이 등가격에서 멀어지거나 만기가 짧아질수록 괴리가 커집니다.

한계와 확장

헤스턴 모형은 우아함에도 불구하고 여러 알려진 한계를 가지고 있습니다.

생성하는 변동성 스마일은 모든 시장 구성을 맞추기에 충분히 유연하지 않습니다. 모형은 rho 매개변수를 통해 주로 스큐를, sigma_v를 통해 곡률을 생성하지만, 서로 다른 만기에서 스마일의 양 날개를 독립적으로 제어할 자유도가 부족합니다. 실무적으로 이는 기초 시장 상황이 실질적으로 변하지 않았음에도 캘리브레이션된 매개변수가 거래일에 따라 불안정할 수 있음을 의미합니다.

자산 가격의 점프(실적 발표나 지정학적 사건 중 발생하는 것과 같은)는 기본 헤스턴 프레임워크에 없습니다. 베이츠 모형(1996)은 자산 가격 과정에 점프-확산 구성요소를 추가하여 헤스턴을 확장하며, 특성함수 해석 가능성을 유지하면서 단기 스마일에 대한 더 나은 적합을 제공합니다.

펠러 조건 2 * kappa * theta > sigma_v 제곱은 주가지수 옵션에 대한 캘리브레이션된 헤스턴 매개변수에서 빈번히 위반됩니다. sigma_v가 kappa * theta 대비 클 때, 분산 과정은 0에 도달할 수 있으며, 특정 가격 결정 기법에 수치적 도전을 만듭니다. 현대 구현에서는 신중한 이산화(Lord, Koekkoek, Van Dijk(2010)의 전체 절단 기법)를 통해 또는 이론적 경계 행태가 실무적 목적에서 경제적으로 무관하다는 것을 수용하여 이를 처리합니다.

이러한 한계에도 불구하고, 헤스턴 모형은 분석적 해석 가능성, 경제적 해석 용이성, 캘리브레이션 품질 간의 균형을 맞추기 때문에 기본 확률적 변동성 벤치마크로 남아 있습니다. 더 정교한 모형(SABR, 거친 베르고미, 국소-확률적 변동성 혼합)은 특정 맥락에서 더 나은 적합을 제공하지만, 복잡성 증가, 느린 캘리브레이션, 또는 폐쇄형 가격 결정 상실이라는 대가를 치릅니다.

실행 가능한 결론

헤스턴 모형의 지속적인 관련성은 경제적으로 의미 있는 다섯 매개변수를 완전한 내재 변동성 표면으로 변환하는 능력에 있습니다. 실무자에게 모니터링할 핵심 매개변수는 rho(스큐를 구동하는 레버리지 효과), sigma_v(스마일 곡률을 제어하는 vol-of-vol), kappa(변동성 충격이 소멸하는 속도를 지배하는 평균 회귀 속도)입니다. 캘리브레이션된 rho가 역사적 기준보다 더 음수가 될 때, 시장은 상승된 폭락 위험을 가격에 반영하고 있는 것입니다. sigma_v가 상승할 때, 시장은 미래 변동성 자체에 대한 더 높은 불확실성을 부여하고 있는 것입니다. 이러한 역학을 이해하면 어떤 일정 변동성 프레임워크보다 옵션 가격 결정에 대한 더 완전한 그림을 제공합니다.