환율 및 옵션의 엔트로피 역학: 최대 엔트로피 프레임워크

1. 서론

본 논문은 외환(FX) 환율 역학 모델링 및 유럽형 옵션 가격 결정을 위한 엔트로피 역학 프레임워크를 제시합니다. 핵심 목표는 기존의 확률 미적분학 접근법에 대한 대안적, 정보 이론적 기초를 제공하는 것입니다. SUNY 올버니 대학의 Mohammad Abedi와 Daniel Bartolomeo는 엔트로피 추론과 최대 엔트로피 원칙을 활용하여 금융 시장에서 흔히 발생하는 불완전 정보 상황을 처리합니다. 이 프레임워크는 척도 불변성과 같은 알려진 대칭성을 체계적으로 통합하여, 기하 브라운 운동(GBM) 및 가먼-콜하겐 모델과 같은 확립된 모델들을 제1원리로부터 도출합니다.

2. 이론적 프레임워크

본 방법론은 엔트로피 추론의 세 가지 기둥 위에 구축되었습니다.

2.1. 엔트로피 추론의 기초

엔트로피 추론은 불확실성 하에서 추론하기 위해 설계된 귀납적 프레임워크입니다. 이는 부분 정보를 처리하기 위해 고전 논리를 확장합니다. 확률 분포는 시스템에 대한 지식의 상태를 나타냅니다.

2.2. 최소 업데이트 원칙

새로운 정보가 이용 가능해지면, 사전 확률 분포는 상대 엔트로피(쿨백-라이블러 발산)를 사용하여 업데이트됩니다. 이 업데이트는 최소 업데이트 원칙에 의해 지배되며, 이는 새로운 데이터에 의해 필요할 때만 변경이 이루어지도록 하여 가장 편향되지 않은 사후 분포를 산출합니다.

2.3. 정보 기하학

확률 분포의 공간은 피셔 정보에서 유도된 고유한 계량을 가진 리만 다양체를 형성합니다. 이 정보 기하학은 분포 간의 거리 개념을 제공하며, 이는 역학을 정의하는 데 중요합니다. 저자들은 향후 연구에서 탐구될 포트폴리오 최적화에 대한 잠재적 중요성을 언급합니다.

3. 환율을 위한 엔트로피 역학

엔트로피 역학은 추론 프레임워크를 적용하여 시스템이 어떻게 변화하는지 모델링하며, 시스템에 특화된 엔트로피 시간을 도입합니다.

3.1. 척도 불변성과 변수 선택

외환 시장의 핵심 대칭성은 척도 불변성입니다: 환율 $S$에 대한 $S \rightarrow \lambda S$와 같은 변환 하에서도 역학은 불변해야 합니다. 이 대칭성을 명확히 하기 위해, 저자들은 $x = \log S$를 모델링할 자연스러운 변수로 식별합니다. 이 변환은 $x \rightarrow x + \log \lambda$라는 평행 이동이 되기 때문입니다.

3.2. 기하 브라운 운동의 도출

환율에 대한 이용 가능한 정보(예: 기대 드리프트 및 변동성)를 바탕으로 제약 조건을 부과하고, 이러한 제약 조건 하에서 상대 엔트로피를 최대화함으로써, 이 프레임워크는 자연스럽게 $x$에 대한 역학을 이끌어냅니다. 이를 다시 $S$로 변환하면 기하 브라운 운동(GBM) 방정식이 도출됩니다: $$ dS_t = \mu S_t dt + \sigma S_t dW_t $$ 여기서 $\mu$는 드리프트, $\sigma$는 변동성, $W_t$는 위너 과정입니다. 이 도출은 GBM이 주어진 모멘트 제약 조건과 척도 대칭성과 일치하는 가장 편향되지 않은 모델로 나타남을 보여줍니다.

4. 옵션 가격 결정 프레임워크

파생상품 가격을 결정하기 위해서는 차익거래를 피하기 위해 위험중립 평가 프레임워크가 필수적입니다.

4.1. 위험중립 측도 도출

엔트로피 프레임워크 내에서, 실제 세계 측도 $\mathbb{P}$에서 위험중립 측도 $\mathbb{Q}$로의 전환은 추론 문제로 해석됩니다. 이는 할인된 자산 가격이 마팅게일이어야 한다는(차익거래 없음) 새로운 정보로 사전(실제 세계 역학)을 업데이트하는 것을 포함합니다. 이 제약 조건 하에서 최소 업데이트 원칙을 적용하면 기르사노프 정리 변환으로 이어져 $\mathbb{Q}$를 정의합니다.

4.2. 가먼-콜하겐 모델

위험중립 측도를 환율(국내 금리 $r_d$와 해외 금리 $r_f$ 두 가지를 포함)에 대한 GBM 역학에 적용하고, 유럽형 옵션에 대한 블랙-숄즈-머튼 편미분방정식을 풀면 가먼-콜하겐 공식이 도출됩니다: $$ C = S_0 e^{-r_f T} \Phi(d_1) - K e^{-r_d T} \Phi(d_2) $$ 여기서 $$ d_1 = \frac{\ln(S_0/K) + (r_d - r_f + \sigma^2/2)T}{\sigma\sqrt{T}}, \quad d_2 = d_1 - \sigma\sqrt{T}. $$ 이 결과는 엔트로피 역학 접근법을 표준 외환 옵션 가격 결정 모델과 일치시킵니다.

6. 독창적 분석: 비판적 관점

Abedi와 Bartolomeo의 논문은 정보 이론의 렌즈를 통해 고전적 금융 수학을 재구성하는 설득력 있는 지적 연습을 제시합니다. 그들의 주요 기여는 새로운 모델이 아니라, 기존 모델들—기하 브라운 운동(GBM)과 가먼-콜하겐 모델—에 대한 새로운 도출과 정당화입니다. 이는 경제학의 공리적 접근법이나 물리학의 제1원리 탐구를 연상시키는, 보다 근본적인 원칙을 추구하는 정량적 금융의 광범위한 추세와 일치합니다.

기술적으로, 역학을 도출하기 위한 최대 엔트로피 원칙의 적용은 우아합니다. 척도 불변성 때문에 $\log S$를 올바른 변수로 식별하는 것은 중요하고 잘 정당화된 단계입니다. 이는 GBM을 성공적으로 이어받은 거의 모든 확률적 변동성 및 점프-확산 모델에서 로그 가격의 사용을 반영합니다. 그러나 이 프레임워크의 산출물—표준 GBM—은 그 자체의 가장 큰 한계입니다. 1987년 폭락과 2008년 위기 이후의 금융 문헌은 GBM의 경험적 단점—변동성 군집(예: GARCH 모델), 두꺼운 꼬리 수익률, 옵션 시장에 만연한 변동성 미소/비대칭을 포착하지 못함—을 압도적으로 입증했습니다. Heston(1993)이나 Cont와 Tankov(2004)가 검토한 무한 활동 레비 과정과 같은 모델들은 정확히 이러한 격차를 해결하기 위해 개발되었습니다.

따라서, 이 논문의 중요성은 최종 방정식에 있는 것이 아니라 방법론적 가능성에 있습니다. 엔트로피 추론 프레임워크는 본질적으로 유연합니다. GBM을 도출하는 데 사용된 제약 조건(수익률의 평균과 분산)은 단순합니다. 진정한 시험은 관찰된 변동성의 변동성이나 수익률 분포의 특정 모멘트와 같은 보다 현실적인 제약 조건을 부과하고 어떤 역학이 나타나는지 보는 것입니다. 헤스턴형 모델을 도출할 수 있을까요? 이것이 훨씬 더 영향력 있는 기여가 될 것입니다. 포트폴리오 최적화를 위한 정보 기하학에 대한 향후 연구 언급은 특히 흥미롭습니다. 피셔 정보 계량은 휴리스틱하게 다루어지는 경우가 많은, 실질적 관심사인 매개변수 추정 오류에 대한 포트폴리오의 안정성이나 민감도를 측정하는 엄격한 방법을 제공할 수 있습니다.

결론적으로, 이 작업은 정교한 개념 증명입니다. 이는 엔트로피 역학 프레임워크를 물리학에서 금융으로 성공적으로 이식하고 기초적인 결과를 재현할 수 있음을 보여줍니다. 그 가치는 후속 연구가 이 프레임워크의 기계장치를 활용하여 바로 그 기초들의 알려진 결점을 해결할 수 있는지, 우아한 정당화에서 진정한 혁신으로 나아갈 수 있는지에 따라 결정될 것입니다.

7. 수학적 프레임워크 및 기술적 세부사항

핵심 수학적 엔진은 제약 조건 하에서 상대 엔트로피(쿨백-라이블러 발산)의 최대화입니다. 사전 분포 $q(x)$와 여러 함수 $f_i$에 대한 기대값 $\mathbb{E}_p[f_i(x)] = F_i$ 형태의 새로운 정보가 주어졌을 때, 사후 분포 $p(x)$는 다음을 최소화하여 찾습니다: $$ D_{KL}[p||q] = \int p(x) \ln \frac{p(x)}{q(x)} dx $$ 제약 조건 $\int p(x) f_i(x) dx = F_i$ 및 정규화 $\int p(x) dx = 1$ 하에서. 라그랑주 승수 $\lambda_i$를 사용하면, 해는 다음과 같습니다: $$ p(x) = \frac{1}{Z} q(x) \exp\left(-\sum_i \lambda_i f_i(x)\right) $$ 여기서 $Z$는 분배 함수입니다. 역학의 맥락에서, $q(x)$는 초기 상태로부터의 전이 확률을 나타내며, 제약 조건은 시스템의 기대 드리프트와 변동을 인코딩합니다. 외환 응용의 경우, $x = \log S$에 대해, 기대 변화 $\mathbb{E}[\Delta x]$와 그 분산 $\mathbb{E}[(\Delta x)^2]$에 대한 제약 조건은 가우시안 전이 확률로 이어지며, 이는 연속 극한에서 GBM의 기저가 되는 확산 방정식을 생성합니다.

위험중립 측도 $\mathbb{Q}$로의 전환은 새로운 제약 조건을 추가하는 것을 포함합니다: 할인된 자산의 기대 수익률은 무위험 금리와 같아야 합니다. 이는 라그랑주 승수를 수정하여, 효과적으로 $dW^{\mathbb{Q}}_t = dW^{\mathbb{P}}_t + \theta dt$와 같은 드리프트 조정 항 $\theta$를 도입하며, 이는 기르사노프 정리의 본질입니다.

8. 분석적 프레임워크 및 사례 연구

사례: 통화쌍(EUR/USD)에 대한 모델 선택 정당화

시나리오: 은행의 정량 분석가가 바닐라 EUR/USD 옵션 가격 결정을 위한 모델 개발 임무를 맡았습니다. 그들은 모델 검증 위원회에 모델 선택을 정당화해야 합니다.

엔트로피 프레임워크 적용:

1. 사전 정보 명시: 분석가는 알려진 사실들을 나열합니다: EUR/USD는 양수이며, 절대적 변화보다는 백분율 변화가 더 관련이 있습니다(척도 불변성). 또한 과거 데이터는 평균 드리프트와 변동성에 대한 추정치를 제공합니다.
2. 최소 업데이트 원칙 적용: 최대 무지 상태($\log S$에 대한 평평한 사전 분포)에서 시작하여, 분석가는 최대 엔트로피를 통해 드리프트와 변동성 제약 조건을 통합하여 믿음을 업데이트합니다.
3. 역학 도출: 프레임워크는 두 모멘트 제약 조건과 일치하는 가장 편향되지 않은 모델로서 GBM을 출력합니다. 분석가는 이 도출을 위원회에 제시하며, 더 많은 매개변수를 가진 모델(예: 확률적 변동성)을 사용하려면 더 복잡한 업데이트를 정당화하기 위해 해당하는 추가적인 통계적으로 강건한 정보가 필요하다고 주장합니다.
4. 가격 결정: 옵션 가격을 결정하기 위해, 분석가는 차익거래 없음 제약 조건을 추가하여 위험중립 측도와 가먼-콜하겐 공식을 도출합니다.

결과: 위원회는 제한된 정보로부터 원리에 입각한 도출 때문에 GBM/가먼-콜하겐을 기준 모델로 수용합니다. 그들은 분석가가 동일한 엔트로피 논리를 사용하여 추가 시장 데이터(예: 변동성 미소)가 GBM 사전 분포로부터 더 복잡한 업데이트를 보장할 만큼 충분한 정보를 제공함을 입증할 수 있는 경우에만 특정 만기/행사가격에 대해 보다 복잡한 모델(예: SABR)을 승인할 수 있습니다.

9. 향후 응용 및 연구 방향

엔트로피 역학 프레임워크는 고전적 결과를 재현하는 것을 넘어 여러 유망한 길을 엽니다:

• GBM을 넘어서: 더 높은 모멘트(왜도, 첨도)나 변동성 과정 자체에 대한 제약 조건을 통합하면 국소/확률적 변동성 또는 점프-확산 모델의 엔트로피 기반 도출로 이어질 수 있습니다.
• 포트폴리오 구성에서의 정보 기하학: 저자들이 암시한 바와 같이, 피셔 계량은 서로 다른 시장 환경 간의 "통계적 거리"를 정량화할 수 있습니다. 이는 다음과 같이 사용될 수 있습니다: 1) 추정된 매개변수의 오류에 대한 민감도를 최소화하는 강건한 포트폴리오 전략 개발. 2) 최근 수익률과 현재 모델 간의 정보 거리를 모니터링하여 체제 전환에 대한 조기 경고 신호 생성.
• 비유동 자산 모델링: 희소 데이터를 가진 자산의 경우, 최대 엔트로피 접근법은 경제적 원칙이나 유사 자산을 기반으로 사전 분포를 지정하고 새로운 거래가 발생할 때 최소한으로 업데이트하는 엄격한 방법을 제공합니다.
• 다중 자산 역학: 프레임워크를 여러 상관된 자산으로 확장. 제약 조건에는 상관관계가 포함되며, 결과적인 역학은 공분산 구조의 기하학을 자연스럽게 존중하여 시스템적 위험에 대한 통찰력을 제공할 수 있습니다.
• 머신러닝과의 통합: "사전 업데이트" 패러다임은 베이지안 머신러닝과 일치합니다. 이 프레임워크는 금융 제약 조건(예: 차익거래 없음)을 아키텍처나 손실 함수에 직접 통합하여 해석 가능성과 강건성을 향상시키는 신경망 설계를 안내할 수 있습니다.

10. 참고문헌

1. Jaynes, E. T. (1957). Information Theory and Statistical Mechanics. Physical Review, 106(4), 620–630.
2. Caticha, A. (2012). Entropic Inference and the Foundations of Physics. In 11th Brazilian Meeting on Bayesian Statistics.
3. Garman, M. B., & Kohlhagen, S. W. (1983). Foreign currency option values. Journal of International Money and Finance, 2(3), 231–237.
4. Black, F., & Scholes, M. (1973). The pricing of options and corporate liabilities. Journal of Political Economy, 81(3), 637–654.
5. Cont, R. (2001). Empirical properties of asset returns: stylized facts and statistical issues. Quantitative Finance, 1(2), 223–236.
6. Heston, S. L. (1993). A closed-form solution for options with stochastic volatility with applications to bond and currency options. The Review of Financial Studies, 6(2), 327–343.
7. Cont, R., & Tankov, P. (2004). Financial Modelling with Jump Processes. Chapman and Hall/CRC.
8. Amari, S. I., & Nagaoka, H. (2000). Methods of Information Geometry. American Mathematical Society.