Chapter 6. 이산 헤징이 P&L에 미치는 효과

Chapter 6. 이산 헤징이 P&L에 미치는 효과
The Effect of Discrete Hedging on P&L

---

0. 이 장을 읽기 전에 알아야 할 배경지식

Chapter 6은 이산 헤징(discrete hedging)이라는 주제를 다루는데, 이를 온전히 이해하려면 먼저 여러 가지 기초 개념이 단단히 잡혀 있어야 합니다. 이 절에서는 본문에 들어가기 전에 반드시 숙지해야 할 핵심 용어와 배경 이론을 정리합니다.

0.1 핵심 용어 정의

델타 헤징 (Delta Hedging)

옵션의 가격 변화를 기초자산(주식 등)의 가격 변화로 상쇄시키는 위험 관리 기법입니다. 구체적으로 말하면, 콜 옵션 1단위를 보유하고 있을 때 \(\Delta = \partial C / \partial S\)만큼의 주식을 반대 방향으로 보유하여, 기초자산 가격의 1차(선형) 움직임에 대해서는 포트폴리오 가치가 변하지 않도록 만드는 것입니다. 여기서 "1차"라고 강조하는 이유가 중요한데, 옵션 가격은 기초자산 가격에 대해 비선형(볼록, convex)이므로, 기초자산이 크게 움직이면 1차 근사로는 부족하게 됩니다. 이 "부족분"이 바로 감마(Gamma) 효과이며, Chapter 6의 핵심 주제와 직결됩니다.

복제 (Replication)

옵션의 만기 시 페이오프를 기초자산과 무위험 채권의 동적 조합으로 재현하는 행위입니다. BSM 모형의 가장 핵심적인 통찰은 "모든 유럽형 옵션을 주식과 채권의 동적 포트폴리오로 완벽히 복제할 수 있다"는 것이며, 이 복제 비용이 곧 옵션의 공정 가치(fair value)가 됩니다. 헤징과 복제는 사실 동전의 양면입니다. 옵션을 매도한 뒤 복제 포트폴리오를 구성하면, 그것이 곧 옵션 리스크를 헤징하는 행위가 됩니다.

기하 브라운 운동 (Geometric Brownian Motion, GBM)

주가 \(S\)가 다음의 확률미분방정식(SDE)을 따르는 확률 과정입니다:

$$\frac{dS}{S} = \mu\,dt + \sigma\,dW$$

여기서 \(\mu\)는 기대수익률(drift), \(\sigma\)는 변동성(volatility), \(dW\)는 위너 과정(Wiener process)의 증분입니다. GBM의 핵심 특성은 주가가 항상 양수이며, 주가 수익률이 정규분포를 따르고, 주가 자체는 로그정규분포를 따른다는 점입니다. BSM 모형은 이 GBM을 기초자산의 가격 동학으로 가정합니다. Chapter 6에서는 GBM 가정하에 점프가 없는 상황만을 고려합니다.

이토 보조정리 (Itô's Lemma)

확률 과정의 함수에 대한 미분 규칙으로, 일반적인 미적분학의 연쇄법칙(chain rule)에 해당하는 확률미적분 버전입니다. 결정론적 미적분과의 결정적 차이는, 확률 과정에서는 \((dS)^2\) 항이 0이 아니라 \(\sigma^2 S^2\,dt\)에 비례한다는 점입니다(이것을 "2차 변분(quadratic variation)"이라 합니다). 이 때문에 옵션 가격의 변화를 전개하면, 일반적인 테일러 전개에는 없는 \(\frac{1}{2}\frac{\partial^2 C}{\partial S^2}(dS)^2\) 항, 즉 감마 항이 반드시 살아남습니다. Chapter 6의 핵심 유도는 이 이토 보조정리에 전적으로 의존합니다.

BSM 편미분방정식 (BSM PDE)

Black-Scholes-Merton 모형에서, 옵션 가치 \(C(S,t)\)가 만족해야 하는 편미분방정식입니다:

$$\frac{\partial C}{\partial t} + \frac{1}{2}\sigma^2 S^2 \frac{\partial^2 C}{\partial S^2} + rS\frac{\partial C}{\partial S} - rC = 0$$

이 방정식의 물리적 의미는 "옵션 가격의 시간에 따른 감소(theta)가, 감마 효과에 의한 볼록성 이득과 무위험이자율에 의한 기회비용에 의해 정확히 상쇄된다"는 것입니다. Chapter 6에서 식 (6.4)를 유도할 때 이 PDE를 직접 사용합니다.

그릭스: 감마(Gamma)와 베가(Vega)

감마(Gamma, \(\Gamma\))는 옵션 델타의 기초자산 가격에 대한 민감도, 즉 옵션 가격의 기초자산에 대한 2차 도함수입니다: \(\Gamma = \partial^2 C / \partial S^2\). 감마가 크다는 것은 기초자산이 조금만 움직여도 델타가 크게 변한다는 뜻이며, 따라서 헤지를 자주 조정해야 할 필요성이 커집니다. ATM(등가격) 옵션과 만기가 짧은 옵션의 감마가 가장 큽니다.

베가(Vega, \(V\))는 옵션 가격의 변동성에 대한 민감도입니다: \(V = \partial C / \partial \sigma\). 변동성이 1%p 변할 때 옵션 가격이 얼마나 변하는지를 나타냅니다. Chapter 6에서 핵심적인 발견은, 이산 헤징 오차의 표준편차가 궁극적으로 이 베가에 비례한다는 것입니다. BSM 모형에서 감마와 베가는 \(S^2\Gamma = \text{Vega}/[\sigma(T-t)]\)라는 항등식으로 연결되어 있으며, 이 관계가 식 (6.10)의 기초가 됩니다.

세 가지 변동성의 구분

Chapter 6을 이해하는 데 가장 중요한 것 중 하나가, 세 가지 서로 다른 "변동성" 개념을 혼동하지 않는 것입니다.

실현 변동성(Realized Volatility, \(\sigma_R\))이란 실제 주가 경로를 사후적으로 관측했을 때 계산되는 변동성입니다. 현실에서는 미래의 실현 변동성을 사전에 알 수 없으며, 오직 과거 데이터로 추정할 수밖에 없습니다.

내재 변동성(Implied Volatility, \(\Sigma\) 또는 \(\sigma_I\))이란 시장에서 관찰되는 옵션 가격에 BSM 공식을 역으로 적용하여 추출한 변동성입니다. 시장 참여자들의 미래 변동성에 대한 합의된 기대(consensus expectation)를 반영합니다.

헤징 변동성(Hedging Volatility, \(\sigma_H\))이란 트레이더가 델타와 감마를 계산할 때 실제로 BSM 공식에 투입하는 변동성입니다. 트레이더의 선택에 따라 내재 변동성을 쓸 수도 있고, 자신이 예측한 실현 변동성을 쓸 수도 있습니다.

Chapter 6의 핵심 결론은 이 세 가지의 관계에 따라 헤징 결과가 극적으로 달라진다는 것입니다.

---

0.2 연속 헤징이 왜 "이상적"인가: Chapter 5의 핵심 복습

Chapter 5에서 증명한 가장 중요한 결과를 간략히 복습합니다. BSM 세계에서 옵션을 실현 변동성 \(\sigma_R\)로 연속적으로 델타 헤지하면, 헤지 포트폴리오의 가치 변화에서 확률적 항(\(dS\)에 의존하는 항)이 매 순간 정확히 상쇄됩니다. 그 결과 포트폴리오는 순간적으로 무위험(riskless)이 되어, 그 수익률이 정확히 무위험이자율 \(r\)과 같아집니다. 이것이 의미하는 바는, 연속 헤징하에서 P&L이 주가 경로에 전혀 의존하지 않는다는 것, 즉 완벽한 복제(perfect replication)가 달성된다는 것입니다.

그런데 이 결론은 "매 순간" 델타를 정확히 조정할 수 있다는 비현실적 가정에 의존합니다. 현실에서는 아무도 무한히 자주 거래할 수 없습니다. 트레이더는 하루에 한 번, 몇 번, 또는 특정 기준에 따라 유한 횟수만 리밸런싱합니다. Chapter 6은 바로 이 현실적 제약이 P&L에 어떤 영향을 미치는지를 체계적으로 분석합니다.

---

1. 도입: 이산 리밸런싱이 만드는 복제 오차

연속 헤징은 일종의 "플라토닉 이상(Platonic ideal)"입니다. 플라톤 철학에서 "이데아"가 현실에서는 도달할 수 없는 완벽한 형상을 가리키듯이, 연속 헤징은 이론적으로는 완벽하지만 실제로는 구현할 수 없는 이상입니다. 현실의 트레이더는 일정 시간 간격마다 헤지를 조정하거나, 델타 변화나 재헤지에 필요한 금액이 특정 임계값을 넘을 때 조정하는 방식으로 운영합니다.

Chapter 6에서는 일정 시간 간격(equally spaced time intervals)으로 헤지를 조정하는 경우만을 분석합니다. 또한, 기초자산의 주가가 기하 브라운 운동(GBM)을 따르되 변동성은 일정하고 점프는 없다고 가정합니다. 이러한 단순화된 설정은 "이산 리밸런싱 그 자체"가 P&L에 미치는 순수한 효과를 분리해서 관찰하기 위함입니다. 거래비용의 영향은 Chapter 7에서 별도로 다룹니다.

---

2. 몬테카를로 시뮬레이션을 통한 탐색

2.1 시뮬레이션의 기본 구조

분석의 출발점은 몬테카를로 시뮬레이션입니다. 몬테카를로 시뮬레이션이란, 확률적 모형에 기반하여 무수히 많은(예: 10,000개) 주가 경로를 난수로 생성하고, 각 경로에 대해 특정 전략(여기서는 델타 헤지)의 결과를 계산한 뒤, 그 결과들의 분포를 분석하는 수치적 기법입니다.

여기서 핵심적인 설정은 다음과 같습니다. 주가 경로는 실현 변동성 \(\sigma_R\)로 생성합니다. 그런데 이 경로를 따라가면서 옵션을 복제할 때는, 반드시 같은 \(\sigma_R\)을 쓸 필요 없이 별도의 헤징 변동성 \(\sigma_H\)를 사용하여 \(\Delta_{\text{BSM}}(\sigma_H)\)를 계산합니다. 즉, "현실의 주가는 \(\sigma_R\)로 움직이는데, 트레이더는 \(\sigma_H\)를 써서 델타를 계산한다"는 상황을 시뮬레이션하는 것입니다. 이 두 변동성이 같을 때와 다를 때 P&L 분포가 어떻게 달라지는지를 관찰하는 것이 이 절의 핵심입니다.

표기를 단순화하기 위해, \(\Delta_{\text{BSM}}(S, t, r, \sigma_H)\)를 간단히 \(\Delta_{\text{BSM}}(\sigma_H)\)로 씁니다. "헤징"과 "복제"는 수학적으로 동일한 행위의 두 측면이라는 점도 다시 강조합니다. 옵션을 매도한 뒤 주식과 채권으로 복제하는 것과, 옵션 포지션의 리스크를 줄이기 위해 주식을 사고파는 것은 본질적으로 같은 연산입니다.

---

2.2 기본 설정

분석 대상은 1개월 만기 등가격(ATM) 콜 옵션입니다. ATM이란 현재 주가 \(S\)와 행사가격 \(K\)가 같은 상태를 뜻합니다. 초기 파라미터는 아래와 같이 가장 단순한 형태로 설정합니다.

파라미터	값	의미
헤징 변동성 \(\sigma_H\)	20%	델타 계산에 투입하는 변동성
실현 변동성 \(\sigma_R\)	20%	주가 경로를 실제로 생성하는 변동성
기대수익률 \(\mu\)	0%	주가의 평균 성장률
무위험이자율 \(r\)	0%	무위험 차입/대출 금리
배당수익률	0%	기초자산의 배당

이 설정에서 \(\mu = r = 0\)은 의도적인 단순화입니다. BSM의 핵심 결과 중 하나는, 위험중립 세계(risk-neutral world)에서 기초자산의 기대수익률이 무위험이자율과 같다는 것인데, 여기서는 그 두 값을 모두 0으로 놓아 수식을 최대한 깔끔하게 만들었습니다. 나중에 \(\mu \neq r\)인 경우도 살펴보면서 이 단순화가 결론에 영향을 주는지 확인합니다.

---

2.3 상대적 P&L의 정의

상대적 P&L (Relative P&L)

시뮬레이션 결과를 측정하는 척도로 사용되는 "상대적 P&L"은 다음과 같이 정의됩니다:

$$\text{Relative P\&L} = \text{(만기 페이오프의 현재가치)} - \text{(BSM 공정가치)}$$

만약 연속 헤징이 가능했다면, 그리고 헤징 변동성이 실현 변동성과 같았다면, 이 상대적 P&L은 모든 경로에서 정확히 0이 됩니다. 따라서 상대적 P&L이 0에서 벗어나는 정도가 바로 "이산 헤징으로 인한 복제 오차"를 측정하는 것입니다.

---

2.4 Case 1: \(\sigma_H = \sigma_R = 20\%\), \(\mu = r = 0\%\)

가장 이상적인 경우부터 시작합니다. 헤징 변동성과 실현 변동성이 같고, 드리프트도 무위험이자율과 같습니다. 만약 연속 헤징이 가능했다면, 모든 경로에서 P&L이 정확히 0이었을 것입니다. 그러나 이산 헤징에서는 각 경로마다 약간씩 다른 복제 결과가 나옵니다.

첫 번째 시뮬레이션에서는 \(\Delta_{\text{BSM}}(20\%)\)를 사용하여 21회(영업일 기준 하루 1회 정도) 리밸런싱합니다. 두 번째 시뮬레이션에서는 같은 델타를 84회(하루 4회) 리밸런싱합니다. Figure 6.1은 이 두 시뮬레이션의 상대적 P&L 히스토그램을 보여줍니다.

관찰 결과 (Figure 6.1 분석)

첫째, 두 시뮬레이션 모두 평균 P&L이 거의 0에 가깝습니다. 이것은 이산 헤징이 P&L에 체계적인 편향(bias)을 만들지 않는다는 것을 의미합니다. 이산 헤징으로 인한 오차는 "평균적으로는 공정"하되, 개별 경로에서는 양 또는 음의 오차가 발생합니다.

둘째, 리밸런싱 횟수를 4배(21회에서 84회)로 늘렸을 때, P&L의 표준편차가 대략 절반으로 줄어듭니다. 이것이 이 장의 가장 중요한 관찰입니다. 수학적으로 표현하면, 리밸런싱 횟수를 \(n\)이라 할 때 오차의 표준편차가 \(1/\sqrt{n}\)에 비례하여 감소한다는 것입니다. \(n\)이 4배가 되면 \(\sqrt{4} = 2\)배만큼 분모가 커지므로, 표준편차가 정확히 절반이 됩니다.

---

2.5 Case 2: \(\sigma_H = 40\% \neq \sigma_R = 20\%\), \(\mu = r = 0\%\)

이번에는 실현 변동성은 여전히 20%이지만, 헤징 변동성을 40%로 바꿉니다. 즉, 실제 주가는 변동성 20%로 움직이는데, 트레이더는 변동성이 40%라고 "잘못" 가정하고 그에 맞는 델타(\(\Delta_{\text{BSM}}(40\%)\))로 헤지하는 상황입니다.

Figure 6.2의 결과는 첫 번째 케이스와 극명한 차이를 보입니다. P&L 분포는 여전히 대략 대칭이지만, 리밸런싱 횟수를 4배로 늘려도 표준편차가 더 이상 깔끔하게 절반으로 줄지 않습니다. 이것은 매우 중요한 관찰인데, 그 이유를 이해하려면 Chapter 5의 결과를 되돌아볼 필요가 있습니다.

왜 \(\sigma_H \neq \sigma_R\)이면 빈도 효과가 약해지는가?

Chapter 5의 Equation 5.35에 따르면, 내재 변동성(여기서는 헤징 변동성)으로 헤지할 때의 순간적 P&L에는 \((\Delta_I - \Delta_R)\,dS\)에 비례하는 항이 포함됩니다. 여기서 \(\Delta_I\)는 내재 변동성으로 계산한 델타, \(\Delta_R\)은 실현 변동성으로 계산한 델타입니다. 이 두 변동성이 다르면 \(\Delta_I \neq \Delta_R\)이 되고, 그 차이에 \(dS\)를 곱한 항이 P&L에 남습니다.

핵심은 이 항이 \(dS\)에 선형으로(1차로) 의존한다는 점입니다. 이산 헤징에서 줄일 수 있는 것은 "2차 효과"(감마 효과)인데, 1차 효과는 리밸런싱을 자주 한다고 해서 줄어들지 않습니다. 비유하자면, "방향이 틀린 운전"은 더 자주 핸들을 돌린다고 해서 고쳐지지 않는 것과 같습니다. 올바른 방향(올바른 변동성)을 알아야만 자주 조정하는 것의 효과가 나타납니다.

---

2.6 Case 3: \(\sigma_H = \sigma_R = 20\%\), \(\mu = 20\% \neq r = 0\%\)

세 번째 케이스에서는 헤징 변동성과 실현 변동성을 다시 같게(모두 20%) 맞추되, 이번에는 주가의 기대수익률(drift)을 \(\mu = 20\%\)로 설정합니다. 무위험이자율은 여전히 \(r = 0\%\)이므로 \(\mu \neq r\)입니다.

Figure 6.3은 흥미로운 결과를 보여줍니다. 드리프트가 무위험이자율과 달라졌음에도 불구하고, P&L의 표준편차는 여전히 리밸런싱 횟수의 제곱근에 반비례하여 감소합니다. 다시 말해, \(\mu \neq r\)은 이산 헤징 오차의 스케일링에 영향을 주지 않습니다.

이 결과는 BSM의 핵심 통찰과 일맥상통합니다. BSM 이론에서 옵션의 공정가치는 기초자산의 기대수익률 \(\mu\)에 의존하지 않습니다. 델타 헤징이 \(dS\)에 대한 1차 노출을 완벽히 상쇄하기 때문입니다. 마찬가지로, 이산 헤징의 정확성도 드리프트가 아니라 변동성이 올바른지 여부에 달려 있습니다.

---

2.7 Case 4: \(\sigma_H = 40\% \neq \sigma_R = 20\%\), \(\mu = 20\% \neq r = 0\%\)

마지막으로 모든 것이 "틀린" 경우를 봅니다. 헤징 변동성이 실현 변동성과 다르고, 드리프트도 무위험이자율과 다릅니다. 게다가 이번에는 ATM이 아닌 10% 외가격(OTM) 콜 옵션을 분석합니다.

Figure 6.4는 이 경우 P&L 분포가 매우 비대칭(asymmetric)이 됨을 보여줍니다. OTM 옵션은 만기 시 무가치로 끝날 확률이 높기 때문에, P&L 분포가 왼쪽(손실 방향)에 집중되면서 오른쪽에 긴 꼬리를 형성합니다.

---

2.8 네 가지 케이스의 종합 결론

네 가지 시뮬레이션 결과를 종합하면 하나의 핵심 원칙이 도출됩니다.

[핵심 원칙]

실현 변동성으로 리밸런싱하지 않으면, 리밸런싱 빈도를 아무리 올려도 복제 오차가 유의미하게 줄어들지 않습니다. 그 이유는 명확합니다. \(\sigma_H \neq \sigma_R\)이면 순간적 P&L에 \((\Delta_I - \Delta_R)\,dS\)에 비례하는 항이 존재합니다. 이 항은 기초자산 가격 변화 \(dS\)에 선형으로 의존하며, 더 자주 헤지한다고 해서 이 선형 의존성이 사라지지 않습니다. 헤징 변동성과 실현 변동성의 차이가 클수록 이 확률적 잡음(random noise)의 크기가 커지고, 리밸런싱 빈도를 높이는 것의 효과가 그만큼 약해집니다.

이하에서는 바로 이 시뮬레이션 관찰을 수학적으로 엄밀하게 증명합니다.

---

3. 헤징 오차의 해석적(Analytical) 이해

앞 절에서 시뮬레이션을 통해 "헤징 빈도를 4배로 늘리면 오차가 절반으로 줄어든다"는 것을 관찰했습니다. 이제 이 관계를 해석적으로, 즉 수학적 증명을 통해 정당화합니다. 이 절의 유도는 Michael Kamal의 미공개 연구에 기반하며, Chapter 6에서 가장 기술적으로 깊은 부분입니다.

3.1 기본 가정

내재 변동성과 실현 변동성이 동일한 경우(\(\sigma_H = \sigma_R = \sigma\))를 분석합니다. 즉, 트레이더가 미래 변동성을 정확히 알고 있으며 그것으로 헤지하는 "최선의 시나리오"입니다. 이 경우에도 이산 리밸런싱 자체가 오차를 만드는지, 그리고 그 오차가 어떤 스케일링을 따르는지를 분석하는 것이 목표입니다.

이산 시간 스텝 \(dt\) 동안 주가 수익률이 다음과 같이 표현된다고 가정합니다:

식 (6.1): 이산 시간 스텝에서의 주가 수익률

$$\frac{dS}{S} = \mu\,dt + \sigma\,Z\sqrt{dt} \tag{6.1}$$

여기서 \(Z \sim N(0,1)\)은 평균이 0이고 표준편차가 1인 표준정규확률변수입니다. 연속시간 SDE에서 \(dW\)를 이산화하면 \(Z\sqrt{dt}\)가 됩니다. 이것은 "시간 간격 \(dt\) 동안 주가가 평균적으로 \(\mu\,dt\)만큼 성장하면서, \(\sigma Z\sqrt{dt}\)만큼의 확률적 충격을 받는다"는 뜻입니다.

---

3.2 델타-헤지 포트폴리오의 정의

순간적으로 델타가 헤지된 포트폴리오를 다음과 같이 정의합니다:

식 (6.2): 델타-헤지 포트폴리오

$$\pi = C - \frac{\partial C}{\partial S}\,S \tag{6.2}$$

이 포트폴리오는 콜 옵션 1단위를 매수하고, 동시에 \(\Delta = \partial C / \partial S\)만큼의 주식을 매도한 것입니다. 이렇게 구성하면 기초자산 가격의 미소 변화에 대해서는 옵션의 가치 변화(\(\Delta \cdot dS\))와 주식 매도 포지션의 가치 변화(\(-\Delta \cdot dS\))가 정확히 상쇄됩니다. 따라서 이 포트폴리오는 "순간적으로 무위험(instantaneously riskless)"이라고 부릅니다.

연속 헤징이 가능하다면, 이 "순간적으로 무위험"인 상태가 매 순간 유지되므로, 포트폴리오 \(\pi\)의 가치는 정확히 무위험이자율 \(r\)로 성장합니다. 그런데 이산 헤징에서는, 한 번 \(\Delta\)를 맞춘 뒤 다음 리밸런싱 시점까지는 \(\Delta\)가 고정되어 있습니다. 그 사이에 \(S\)가 움직이면 옵션의 실제 \(\Delta\)도 변하지만 우리의 주식 보유량은 바뀌지 않으므로, 더 이상 "순간적으로 무위험"이 아니게 됩니다. 이 괴리가 바로 헤징 오차의 원천입니다.

---

3.3 한 스텝의 헤징 오차 유도

3.3.1 헤징 오차의 정의

이산 시간 \(dt\) 동안의 헤징 오차(\(HE_{dt}\))를 다음과 같이 정의합니다. "실제 포트폴리오의 가치 변화"에서 "연속 헤징이었다면 얻었을 무위험 수익"을 빼는 것입니다:

한 스텝 헤징 오차의 정의

$$HE_{dt} = \pi + d\pi - \pi\,e^{r\,dt} \approx d\pi - r\pi\,dt \tag{6.3a}$$

마지막 근사는 \(e^{r\,dt} \approx 1 + r\,dt\)를 사용한 것입니다(작은 \(dt\)에 대한 1차 테일러 근사).

이 정의를 말로 풀어보면 이렇습니다. 시점 \(t\)에서 포트폴리오의 가치가 \(\pi\)입니다. 한 스텝(\(dt\))이 지나면 포트폴리오의 가치가 \(\pi + d\pi\)가 됩니다. 만약 연속 헤징이 가능했다면, 이 포트폴리오는 무위험자산처럼 \(\pi\,e^{r\,dt}\)로 성장했을 것입니다. 실제 가치와 "있어야 할 가치"의 차이가 바로 한 스텝의 헤징 오차입니다.

3.3.2 \(d\pi\)의 전개

이제 \(d\pi\)를 구체적으로 계산합니다. \(\pi = C - (\partial C/\partial S)\,S\)이므로, \(d\pi = dC - (\partial C/\partial S)\,dS\)입니다(리밸런싱 사이에 \(\partial C / \partial S\)는 고정되어 있으므로 \(d(\partial C/\partial S) = 0\)으로 취급). 여기서 \(dC\)에 이토 보조정리를 적용합니다.

이토 보조정리에 의한 \(dC\)의 전개:

옵션 가격 \(C = C(S, t)\)는 주가 \(S\)와 시간 \(t\)의 함수입니다. 이토 보조정리에 따르면:

$$dC = \frac{\partial C}{\partial t}\,dt + \frac{\partial C}{\partial S}\,dS + \frac{1}{2}\frac{\partial^2 C}{\partial S^2}\,(dS)^2$$

이산 스텝에서 \((dS)^2\)를 평가해야 합니다. 식 (6.1)에서 \(dS = S(\mu\,dt + \sigma Z\sqrt{dt})\)이므로:

$$ (dS)^2 = S^2\left(\mu\,dt + \sigma Z\sqrt{dt}\right)^2 = S^2\left(\mu^2 dt^2 + 2\mu\sigma Z\,dt^{3/2} + \sigma^2 Z^2\,dt\right) $$

\(dt\)의 1차 항만 남기면 \((dS)^2 \approx \sigma^2 S^2 Z^2\,dt\)가 됩니다. 여기서 연속시간과의 결정적 차이가 나타납니다. 연속시간의 극한에서는 \(Z^2\,dt \to dt\)(확률 1로 수렴, 이것이 2차 변분의 본질)이므로 \((dS)^2 = \sigma^2 S^2\,dt\)로 확정적(deterministic)입니다. 그러나 유한한 \(dt\)에서는 \(Z^2\)이 확률변수로 남아 있어 \((dS)^2\)에 무작위성이 존재합니다. 바로 이 무작위성이 이산 헤징 오차의 근원입니다.

정리하면:

$$dC \approx \frac{\partial C}{\partial t}\,dt + \frac{\partial C}{\partial S}\,dS + \frac{1}{2}\frac{\partial^2 C}{\partial S^2}\,\sigma^2 S^2 Z^2\,dt$$

이제 \(d\pi = dC - (\partial C/\partial S)\,dS\)를 계산하면, \(\frac{\partial C}{\partial S}\,dS\) 항이 정확히 상쇄됩니다:

$$d\pi = \frac{\partial C}{\partial t}\,dt + \frac{1}{2}\frac{\partial^2 C}{\partial S^2}\,\sigma^2 S^2 Z^2\,dt$$

이 결과는 매우 중요한 의미를 담고 있습니다. 델타 헤징에 의해 기초자산 가격의 1차(선형) 변화는 완벽히 상쇄되었습니다. 남는 것은 시간에 의한 감소(\(\partial C / \partial t\) 항, 즉 theta)와 가격 곡선의 곡률에 의한 효과(\(\frac{1}{2}\Gamma\sigma^2 S^2 Z^2\,dt\) 항, 즉 gamma 효과)뿐입니다.

3.3.3 BSM PDE의 대입

\(d\pi\)를 식 (6.3a)에 대입하면:

$$HE_{dt} = d\pi - r\pi\,dt = \left[\frac{\partial C}{\partial t} + \frac{1}{2}\Gamma\,\sigma^2 S^2 Z^2 - r\!\left(C - \frac{\partial C}{\partial S}\,S\right)\right]dt \tag{6.3}$$

여기서 마지막 항 \(r(C - \frac{\partial C}{\partial S}\,S)\)를 BSM PDE를 이용하여 대체합니다. BSM PDE(배경지식 절에서 정의)를 정리하면:

식 (6.4): BSM PDE로부터의 관계

$$r\!\left(C - \frac{\partial C}{\partial S}\,S\right) = \frac{\partial C}{\partial t} + \frac{1}{2}\Gamma\,\sigma^2 S^2 \tag{6.4}$$

이 등식의 물리적 의미를 살펴보면, 좌변은 "무위험이자율로 자라야 할 포트폴리오 수익"이고, 우변은 "theta에 의한 시간가치 감소 + gamma에 의한 볼록성 이득"입니다. BSM에서 이 두 효과가 정확히 균형을 이루어야 차익거래가 없다는 조건이 바로 이 PDE입니다.

식 (6.4)를 식 (6.3)에 대입하는 과정을 한 단계씩 따라가 봅시다:

대입 과정 (상세)

식 (6.3)의 대괄호 안을 정리하면:

$$\underbrace{\frac{\partial C}{\partial t}}_{\text{(A)}} + \underbrace{\frac{1}{2}\Gamma\,\sigma^2 S^2 Z^2}_{\text{(B)}} - \underbrace{r\!\left(C - \frac{\partial C}{\partial S}\,S\right)}_{\text{(C)}}$$

항 (C)를 식 (6.4)로 대체합니다:

$$= \text{(A)} + \text{(B)} - \left[\frac{\partial C}{\partial t} + \frac{1}{2}\Gamma\,\sigma^2 S^2\right]$$ $$= \frac{\partial C}{\partial t} + \frac{1}{2}\Gamma\,\sigma^2 S^2 Z^2 - \frac{\partial C}{\partial t} - \frac{1}{2}\Gamma\,\sigma^2 S^2$$

\(\frac{\partial C}{\partial t}\) 항이 상쇄되고:

$$= \frac{1}{2}\Gamma\,\sigma^2 S^2 Z^2 - \frac{1}{2}\Gamma\,\sigma^2 S^2 = \frac{1}{2}\Gamma\,\sigma^2 S^2\!\left(Z^2 - 1\right)$$

따라서 최종 결과는:

식 (6.5): 한 스텝 헤징 오차의 핵심 공식

$$\boxed{HE_{dt} \approx \frac{1}{2}\,\Gamma\,\sigma^2 S^2\!\left(Z^2 - 1\right)\,dt} \tag{6.5}$$

---

3.4 식 (6.5)의 깊은 해석

이 공식은 이산 헤징 오차의 본질을 한 줄로 압축합니다. 각 구성 요소의 의미를 하나씩 짚어봅시다.

3.4.1 왜 \(Z^2 - 1\)인가?

연속시간의 극한에서 \(Z^2\)은 확률 1로 1에 수렴합니다. 이것은 이토 적분의 2차 변분(quadratic variation) 성질인데, 직관적으로 말하면 "무한히 많은 독립적인 정규 확률변수의 제곱 평균은 기대값으로 수렴한다"는 대수의 법칙(law of large numbers)의 결과입니다. 연속에서는 \(Z^2 = 1\)이 확정적이므로 \(Z^2 - 1 = 0\)이 되어 헤징 오차가 사라집니다. 그러나 이산에서는 \(Z\)가 유한한 확률변수로 남아 \(Z^2\)이 1이 아닌 값을 가질 수 있으며, 그 편차 \(Z^2 - 1\)이 바로 헤징 오차를 만듭니다.

3.4.2 기대값이 정확히 0인 이유

\(Z \sim N(0,1)\)일 때 \(E[Z^2] = 1\)이므로:

$$E[Z^2 - 1] = E[Z^2] - 1 = 1 - 1 = 0$$

이것은 이산 헤징이 P&L에 체계적 편향(systematic bias)을 주지 않는다는 것을 의미합니다. 어떤 경로에서는 양의 오차가, 다른 경로에서는 음의 오차가 발생하지만, 평균적으로는 상쇄됩니다. 실무적으로 이것은 "많은 옵션을 동시에 헤지하면 개별 오차가 서로 상쇄될 수 있다"는 대규모 장부 운용(large book management)의 이론적 근거가 됩니다.

3.4.3 \(Z^2 - 1\)의 분포 특성

\(Z^2\)은 자유도 1인 카이제곱(\(\chi^2_1\)) 분포를 따릅니다. 따라서 \(Z^2 - 1\)은 평균 0, 분산 2인 분포를 따르며, 오른쪽으로 긴 꼬리(right-skewed)를 가집니다. 이 분포의 핵심 적률(moments)은 다음과 같습니다:

적률	값	유도
\(E[Z^2 - 1]\)	0	\(E[Z^2] = 1\)이므로
\(\text{Var}(Z^2 - 1)\)	2	\(E[(Z^2-1)^2] = E[Z^4] - 2E[Z^2] + 1 = 3 - 2 + 1 = 2\)
\(E[(Z^2-1)^3]\)	8	왜도(skewness)가 0이 아님 → 비대칭 분포

여기서 \(E[Z^4] = 3\)은 정규분포의 첨도(kurtosis)이며, 이 값이 식 (6.7)에서 핵심적으로 사용됩니다. \(E[Z^4] = 3\)을 유도하는 방법은 여러 가지가 있는데, 가장 직접적인 방법은 적률생성함수(moment generating function)를 이용하거나, \(\int_{-\infty}^{\infty} z^4 \frac{1}{\sqrt{2\pi}}e^{-z^2/2}\,dz\)를 부분적분으로 계산하는 것입니다.

3.4.4 왜 감마(\(\Gamma\))가 핵심인가?

식 (6.5)에서 헤징 오차의 크기를 결정하는 것은 \(\frac{1}{2}\Gamma\sigma^2 S^2\)입니다. 감마는 옵션 가격 곡선의 곡률(curvature)을 나타냅니다. 델타 헤징은 곡선 위의 한 점에서 접선(tangent line)을 그어 1차 근사를 하는 것입니다. 기초자산 가격이 움직이면 실제 옵션 가치는 곡선을 따라가지만, 헤지 포트폴리오는 접선을 따라갑니다. 곡률이 클수록 "곡선과 접선의 괴리"가 커지므로, 이산 스텝 동안의 미스헤지도 커집니다.

ATM 옵션은 감마가 가장 크고, OTM이나 ITM으로 갈수록 감마가 줄어듭니다. 또한 만기가 짧을수록 감마가 커집니다(만기 근처에서 옵션 가격이 급격히 꺾이기 때문). 이것은 "ATM 단기 옵션이 이산 헤징에 가장 취약하다"는 실무적 교훈으로 이어집니다.

---

3.5 누적 헤징 오차와 \(1/\sqrt{n}\) 법칙

3.5.1 누적 오차의 표현

옵션 만기까지 \(n\)번 리밸런싱하면, 총 헤징 오차는 각 스텝의 오차를 합산한 것입니다:

식 (6.6): 누적 헤징 오차

$$HE = \sum_{i=1}^{n} \frac{1}{2}\,\Gamma_i\,\sigma_i^2\,S_i^2\left(Z_i^2 - 1\right)\,dt \tag{6.6}$$

여기서 하첨자 \(i\)는 \(i\)번째 리밸런싱 시점에서의 값을 나타냅니다. 각 \(Z_i\)는 서로 독립인 표준정규확률변수이며, \(\Gamma_i\)와 \(S_i\)는 그 시점에서의 감마와 주가입니다.

각 \(Z_i\)가 독립이고 \(E[Z_i^2 - 1] = 0\)이므로, 누적 오차의 기대값도 0입니다:

$$E[HE] = \sum_{i=1}^{n} \frac{1}{2}\,\Gamma_i\,\sigma_i^2\,S_i^2\,E[Z_i^2 - 1]\,dt = 0$$

3.5.2 누적 오차의 분산

누적 오차의 분산을 계산합니다. 각 스텝이 독립이므로, 합의 분산은 각 항의 분산의 합입니다. 각 항의 분산은:

$$\text{Var}\!\left[\frac{1}{2}\Gamma_i\sigma_i^2 S_i^2(Z_i^2-1)\,dt\right] = \frac{1}{4}(\Gamma_i\sigma_i^2 S_i^2)^2\,\text{Var}(Z_i^2-1)\,(dt)^2$$

앞서 구한 \(\text{Var}(Z^2-1) = 2\)를 대입하면:

$$= \frac{1}{4}(\Gamma_i S_i^2)^2(\sigma_i^2\,dt)^2 \times 2 = \frac{1}{2}(\Gamma_i S_i^2)^2(\sigma_i^2\,dt)^2$$

이것을 합산하면:

식 (6.7): 누적 헤징 오차의 분산

$$\sigma_{HE}^2 \approx E\!\left[\sum_{i=1}^{n} \frac{1}{2}\left(\Gamma_i\,S_i^2\right)^2 \left(\sigma_i^2\,dt\right)^2\right] \tag{6.7}$$

기대값 기호가 붙은 이유는, \(\Gamma_i\)와 \(S_i\)가 확률변수이기 때문입니다. 경로에 따라 \(S_i\)가 달라지므로, 분산 자체도 확률적입니다. 여기서는 경로들에 대한 평균 분산을 구합니다.

3.5.3 ATM에서의 평가

등가격(ATM) 옵션의 경우, 주가 수익률의 정규분포에 대한 적분을 수행하면 다음 결과를 얻습니다:

식 (6.8)

$$E\!\left[\left(\Gamma_i\,S_i^2\right)^2\right] = S_0^4\,\Gamma_0^2 \cdot \frac{\sqrt{T^2}}{T^2 - t_i^2} \tag{6.8}$$

이 식의 의미를 살펴보면, 분자의 \(\sqrt{T^2}\)는 상수이고 분모의 \(T^2 - t_i^2\)는 \(t_i\)가 만기 \(T\)에 가까워질수록 0에 접근합니다. 즉, 만기에 가까울수록 \(E[\Gamma_i S_i^2]^2\)가 커진다는 것이고, 이는 만기 근처에서 감마가 폭발적으로 커지는 ATM 옵션의 잘 알려진 특성을 반영합니다. 이것을 실무에서는 "핀 리스크(pin risk)"라고 부르기도 합니다.

3.5.4 합을 적분으로 근사: \(1/\sqrt{n}\) 도출

일정 변동성(\(\sigma_i = \sigma\))에서, 식 (6.7)의 합을 적분으로 근사하는 과정을 단계별로 진행합니다:

유도 과정 (식 (6.7) → (6.9))

Step 1: 식 (6.8)을 식 (6.7)에 대입합니다.

$$\sigma_{HE}^2 \approx \sum_{i=1}^{n} \frac{1}{2}\,S_0^4\,\Gamma_0^2\,\frac{\sqrt{T^2}}{T^2 - t_i^2}\left(\sigma^2\,dt\right)^2$$

Step 2: 경로와 무관한 항을 합 밖으로 빼냅니다.

$$= \frac{1}{2}\,S_0^4\,\Gamma_0^2\left(\sigma^2\,dt\right)^2 \sum_{i=1}^{n} \frac{\sqrt{T^2}}{T^2 - t_i^2}$$

Step 3: 합을 적분으로 근사합니다. \(dt\)가 충분히 작을 때 \(\sum_{i=1}^n f(t_i)\,dt \approx \int_t^T f(\tau)\,d\tau\)이므로:

$$\sum_{i=1}^{n} \frac{\sqrt{T^2}}{T^2 - t_i^2} \approx \frac{1}{dt}\int_t^T \frac{\sqrt{T^2}}{T^2 - \tau^2}\,d\tau$$

이 적분은 \(\frac{\pi(T-t)}{4\,dt}\)로 평가됩니다(삼각함수 치환을 통해).

Step 4: 적분 결과를 대입하고 \(n = (T-t)/dt\)를 사용하여 정리합니다.

$$\sigma_{HE}^2 \approx \frac{1}{2}\,S_0^4\,\Gamma_0^2\left(\sigma^2\,dt\right)^2 \cdot \frac{\pi(T-t)}{4\,dt}$$ $$= \frac{\pi}{4}\,S_0^4\,\Gamma_0^2\,\sigma^4\,dt^2 \cdot \frac{(T-t)}{2\,dt}$$ $$= \frac{\pi}{4\,n}\left(S_0^2\,\Gamma_0\,\sigma^2\, \tau \right)^2$$

식 (6.9): ATM 헤징 오차의 분산

$$\boxed{\sigma_{HE}^2 \approx \frac{\pi}{4n}\left(S_0^2\,\Gamma_0\,\sigma^2\, \tau \right)^2} \tag{6.9}$$

여기서 \(n = (T-t)/dt\)는 리밸런싱 총 횟수입니다. 이 식에서 가장 중요한 것은 분모에 \(n\)이 있다는 점입니다. 분산이 \(1/n\)에 비례하므로, 표준편차는 \(1/\sqrt{n}\)에 비례합니다.

---

3.6 감마-베가 연결: 오차를 Vega로 표현하기

식 (6.9)는 정확하지만, \(S_0^2\Gamma_0\)라는 항이 있어 직관적으로 해석하기 어렵습니다. BSM 모형에서 감마와 베가 사이의 항등식을 사용하면 훨씬 우아한 형태로 바꿀 수 있습니다.

식 (6.10): 감마-베가 항등식

$$S_0^2\,\Gamma_0 = \frac{1}{\sigma(T-t)}\,\frac{\partial C}{\partial \sigma} = \frac{\text{Vega}}{\sigma\,(T-t)} \tag{6.10}$$

이 항등식의 유래: BSM 공식에서 감마를 직접 계산하면 \(\Gamma = \frac{N'(d_1)}{S\sigma\sqrt{\tau}}\)이고, 베가를 계산하면 \(V = S\sqrt{\tau}N'(d_1)\)입니다. 따라서 \(S^2\Gamma = \frac{SN'(d_1)}{\sigma\sqrt{\tau}} = \frac{V}{\sigma\tau}\)가 됩니다. 이 관계는 BSM 그릭스 사이의 구조적 연결로, ATM뿐 아니라 모든 행사가격에서 성립합니다. 이 항등식의 물리적 의미는, "옵션의 가격 곡률(감마)과 변동성에 대한 민감도(베가)가 본질적으로 같은 원천에서 나온다"는 것입니다. 옵션의 가치가 변동성에 민감한 이유와, 옵션 가격이 기초자산에 대해 볼록(convex)한 이유는 동일합니다. 둘 다 옵션이 불확실성(변동성)으로부터 이득을 보는 성질에서 비롯됩니다.

식 (6.10)을 식 (6.9)에 대입합니다:

유도 과정 (식 (6.9) → (6.11) → (6.12))

Step 1: \(\tau = T-t\)로 두고, 식 (6.10)의 \(S_0^2\Gamma_0 = \text{Vega}/(\sigma\tau)\)를 식 (6.9)의 괄호 안에 그대로 대입합니다.

$$S_0^2\Gamma_0\,\sigma^2\tau = \left(\frac{\text{Vega}}{\sigma\tau}\right)\sigma^2\tau = \sigma\cdot \text{Vega} = \sigma\,\frac{\partial C}{\partial \sigma}$$

따라서 식 (6.9)는 즉시 다음과 같이 정리됩니다:

$$\sigma_{HE}^2 \approx \frac{\pi}{4n}\left(\sigma\,\frac{\partial C}{\partial \sigma}\right)^2 \tag{6.11}$$

Step 2: 양변에 제곱근을 취하면 표준편차 형태(식 (6.12))가 됩니다. 또한 \(\sqrt{\pi/4}\approx 0.886\)이므로 근사식 (6.13)도 얻습니다.

$$\sigma_{HE} \approx \sqrt{\frac{\pi}{4}}\;\frac{\sigma}{\sqrt{n}}\;\frac{\partial C}{\partial \sigma} \tag{6.12}$$ $$\sigma_{HE} \approx \frac{\sigma}{\sqrt{n}}\;\frac{\partial C}{\partial \sigma} \tag{6.13}$$

식 (6.11): 정리된 분산

$$\sigma_{HE}^2 \approx \frac{\pi}{4n}\left(\sigma\,\frac{\partial C}{\partial \sigma}\right)^2 \tag{6.11}$$

표준편차를 구하면:

식 (6.12): 이산 헤징 오차의 표준편차 — 이 장의 핵심 공식

$$\boxed{\sigma_{HE} \approx \sqrt{\frac{\pi}{4}}\;\frac{\sigma}{\sqrt{n}}\;\frac{\partial C}{\partial \sigma}} \tag{6.12}$$

\(\sqrt{\pi/4} \approx 0.886\)은 1에 가까우므로, 더 간략하게:

식 (6.13): 근사 형태

$$\sigma_{HE} \approx \frac{\sigma}{\sqrt{n}}\;\frac{\partial C}{\partial \sigma} \tag{6.13}$$

---

3.7 식 (6.13)의 아름다운 해석: "변동성 표본오차가 옵션 가치에 전이되는 크기"

이 공식에는 깊고 우아한 통계적 해석이 있습니다. 로그정규 주가 과정의 한 경로에서 \(n\)번 이산적으로 가격을 관측하여 변동성을 추정한다고 합시다. 통계학에서 표본 변동성 추정치의 표준오차(standard error)는:

$$d\sigma = \frac{\sigma}{\sqrt{n}}$$

이것은 "관측 횟수가 \(n\)일 때, 추정된 변동성과 참 변동성 사이의 전형적인 오차"입니다. 이 변동성 추정 오차가 옵션 가치에 미치는 영향은, 옵션의 변동성 민감도(베가)를 곱해서 구할 수 있습니다:

$$dC = \frac{\partial C}{\partial \sigma}\,d\sigma = \frac{\partial C}{\partial \sigma}\cdot\frac{\sigma}{\sqrt{n}}$$

[핵심 해석: 식 (6.14)]

$$\sigma_{HE} \approx dC \approx \frac{\partial C}{\partial \sigma}\,d\sigma \approx \frac{\sigma}{\sqrt{n}}\;\frac{\partial C}{\partial \sigma} \tag{6.14}$$

이 등식이 말하는 것은 다음과 같습니다. 이산 헤징의 오차는 "변동성을 유한 표본으로 측정할 때의 통계적 불확실성이 옵션 가치에 전이되는 크기"와 동일합니다.

\(n\)번 리밸런싱하면서 \(n\)번의 가격 관측을 통해 변동성을 "재는" 것과 같습니다. 측정 정밀도가 \(1/\sqrt{n}\)에 비례하여 개선되므로, 옵션 가치의 불확실성도 같은 비율로 줄어듭니다. 이것이 \(1/\sqrt{n}\) 스케일링의 본질입니다.

이 해석의 실무적 함의는 강력합니다. 오차를 절반으로 줄이려면 리밸런싱 횟수를 4배로 늘려야 합니다. 이는 통계학에서 추정치의 정밀도를 높이려면 표본 크기를 제곱으로 늘려야 한다는 원리와 정확히 동일합니다.

---

3.8 ATM 상대 오차: 가장 간결한 암산 공식

등가격(ATM) 근처에서는 더욱 깔끔한 결과를 얻을 수 있습니다. BSM 그릭스를 ATM에서 평가하면 수식이 크게 단순화되기 때문입니다.

BSM Vega의 일반형과 ATM 근사

무위험이자율과 배당이 0일 때, BSM 베가는:

식 (6.15): BSM Vega

$$V = \frac{\partial C}{\partial \sigma} = S\sqrt{\tau}\;\frac{1}{\sqrt{2\pi}}\;e^{-\frac{1}{2}d_1^2} \tag{6.15}$$

ATM(\(S = K\)), \(r = 0\)에서 \(d_1 = \sigma\sqrt{\tau}/2\)입니다. 변동성과 만기가 적당한 범위에 있으면(예: \(\sigma = 20\%\), \(\tau = 0.25\)이면 \(d_1 = 0.05\)), \(d_1 \approx 0\)이므로 \(e^{-d_1^2/2} \approx 1\)입니다. 따라서:

식 (6.16): ATM Vega 근사

$$V_{S=K} \approx \frac{S\sqrt{\tau}}{\sqrt{2\pi}} \tag{6.16}$$

ATM 콜 가격 근사

ATM에서 콜 가격의 근사식도 비슷하게 유도됩니다(상세 유도는 연습문제 6-3 해설 참조):

식 (6.17): ATM 콜 가격 근사

$$C \approx \frac{S\,\sigma\sqrt{\tau}}{\sqrt{2\pi}} \tag{6.17}$$

식 (6.16)과 (6.17)을 비교하면, ATM에서 \(C \approx \sigma \cdot V\), 즉 \(V/C \approx 1/\sigma\)라는 깔끔한 관계가 나옵니다. 이것을 식 (6.12)의 상대 오차에 대입하면:

$$\frac{\sigma_{HE}}{C} \approx \sqrt{\frac{\pi}{4}}\;\frac{\sigma}{\sqrt{n}}\;\frac{V}{C} \approx \sqrt{\frac{\pi}{4}}\;\frac{\sigma}{\sqrt{n}}\;\frac{1}{\sigma} = \sqrt{\frac{\pi}{4n}}$$

식 (6.18): ATM 상대 헤징 오차 — 암산용 핵심 공식

$$\boxed{\frac{\sigma_{HE}}{C} \approx \sqrt{\frac{\pi}{4n}} \approx \frac{0.89}{\sqrt{n}}} \tag{6.18}$$

[식 (6.18)의 해석]

이 공식은 놀랍도록 단순합니다. ATM 옵션의 이산 헤징 오차(표준편차)는 옵션 가치의 약 \(0.89/\sqrt{n}\) 비율이라는 것입니다. 여기에는 변동성 \(\sigma\)도, 주가 수준 \(S\)도, 만기 \(\tau\)도 나타나지 않습니다. 오직 리밸런싱 횟수 \(n\)만이 오차를 결정합니다.

예를 들어 \(n = 100\)이면 상대 오차는 약 8.9%입니다. 이것은 미래 변동성을 완벽히 아는 최선의 시나리오에서도 옵션 가치의 거의 10%에 해당하는 P&L 변동이 발생한다는 뜻입니다. 마켓메이커에게 이 정도의 헤징 오차는 결코 무시할 수 없는 크기입니다.

---

4. 수치 예시: 헤징 변동성과 실현 변동성이 다를 때

이론적 결과를 구체적 수치로 확인합니다.

4.1 설정

파라미터	값	비고
옵션	ATM 콜, 1개월 만기
\(r\), 배당	0
\(\sigma_R\)	30%	주가 경로 생성에 사용
리밸런싱	100회 또는 400회	4배 차이
경로 수	10,000	몬테카를로 시뮬레이션

4.2 결과 분석 (Figure 6.5)

Figure 6.5의 y축은 리밸런싱을 100회에서 400회로 4배 늘렸을 때, 복제 오차(P&L의 표준편차)가 어떤 비율(factor)로 줄어드는지를 보여줍니다. x축은 헤지에 사용한 변동성(\(\sigma_H\))입니다.

\(\sigma_H = \sigma_R = 30\%\)일 때, 오차 감소 비율은 정확히 2입니다. 이것은 이론적 예측 \(\sqrt{400/100} = 2\)와 완벽히 일치합니다. 그런데 \(\sigma_H\)가 30%에서 벗어나기 시작하면, 오차 감소 비율이 2보다 작아집니다. 예를 들어 \(\sigma_H = 40\%\)이면, 4배 더 자주 헤지해도 오차가 2배로는 줄지 않습니다. \(\sigma_H\)가 50%, 55%로 올라갈수록 감소 비율은 더욱 떨어집니다.

이 관찰은 앞서 설명한 이론적 분석과 완벽하게 일치합니다. \(\sigma_H \neq \sigma_R\)이면 P&L에 \((\Delta_I - \Delta_R)\,dS\)에 비례하는 1차 확률 성분이 존재하고, 이 성분은 리밸런싱 빈도를 올려도 사라지지 않습니다. 헤징 변동성과 실현 변동성의 차이가 클수록 이 성분의 비중이 커지므로, 빈도 증가에 의한 오차 감소 효과가 그만큼 약해지는 것입니다.

---

5. 결론: 정확한 복제와 헤징은 매우 어렵다

이론적 BSM 실험실에서조차 미래 실현 변동성을 완벽히 아는 것은 불가능합니다. 현실에서 트레이더는 시장에서 관찰되는 내재 변동성을 알 수 있을 뿐, 미래에 실제로 실현될 변동성은 예측의 영역입니다. 따라서 옵션을 헤지할 때, 트레이더는 "내재 변동성으로 헤지할 것인가" 아니면 "자신이 예측한 미래 실현 변동성으로 헤지할 것인가"를 선택해야 합니다.

BSM 가정이 성립한다고 가정하고, 옵션 매수(long) 포지션에 대해 Chapter 6에서 밝혀진 결과를 네 가지 시나리오로 정리합니다.

[시나리오별 최종 요약]

시나리오 (1): 실현 변동성으로 연속 헤지. 이것은 이론적 이상입니다. P&L이 옵션의 정확한 BSM 가치를 포착하며, 경로에 전혀 의존하지 않습니다. 완벽한 복제가 달성됩니다.

시나리오 (2): 실현 변동성으로 이산 헤지. P&L에 확률적 성분이 추가되지만, 그 기대값은 0입니다(편향 없음). 헤징 빈도를 높이면 정확한 BSM 가치에 점점 가까워지며, 오차의 표준편차는 \(1/\sqrt{n}\)에 비례하여 감소합니다. 오차를 절반으로 줄이려면 리밸런싱을 4배로 늘려야 합니다.

시나리오 (3): 내재 변동성 ≠ 실현 변동성, 연속 헤지. P&L이 경로 의존적(path-dependent)이고 예측 불가능해집니다. 감마가 최대인 구간, 즉 주가가 행사가 근처에 머물면서 옵션이 만기에 접근하는 경우에 P&L이 극대화됩니다.

시나리오 (4): 내재 변동성으로 이산 헤지. 가장 현실적이면서 가장 어려운 경우입니다. P&L은 경로 의존적이고 예측 불가능할 뿐 아니라, 리밸런싱 사이의 미스헤지도 커집니다. 게다가 \(\sigma_H \neq \sigma_R\)이므로, 리밸런싱 빈도를 올려도 \(1/\sqrt{n}\) 감소의 혜택을 온전히 받지 못합니다.

실무에서 트레이더는 대부분 시나리오 (4)에 해당하는 상황에 처해 있습니다. 내재 변동성과 실현 변동성의 차이가 클수록, 리밸런싱 빈도를 올리는 것의 효과가 줄어듭니다.

---

6. ATM 콜 가격 근사식의 유도 (식 6.17)

이 절에서는 ATM 상대 헤징 오차 공식 (6.18)의 기반이 되는 식 (6.17), 즉 ATM 콜 가격의 근사식을 유도합니다. 이것은 연습문제 6-3의 내용이기도 합니다.

6.1 출발점: BSM 콜 가격 공식의 ATM 특수형

\(S = K\), \(r = 0\), 배당 = 0에서 BSM 콜 가격은:

$$C = S\,N(d_1) - K\,e^{-rT}N(d_2)$$

\(S = K\), \(r = 0\)을 대입하면 \(C = S[N(d_1) - N(d_2)]\)이 됩니다. 이때 \(d_1\)과 \(d_2\)를 계산합니다:

$$d_1 = \frac{\ln(S/K) + (r + \sigma^2/2)\tau}{\sigma\sqrt{\tau}} = \frac{0 + \frac{\sigma^2}{2}\tau}{\sigma\sqrt{\tau}} = \frac{\sigma\sqrt{\tau}}{2} = \frac{v}{2}$$ $$d_2 = d_1 - \sigma\sqrt{\tau} = \frac{v}{2} - v = -\frac{v}{2}$$

여기서 \(v = \sigma\sqrt{\tau}\)를 총변동성(total volatility)이라 부릅니다. 이것은 만기까지의 전체 기간에 걸친 "누적된" 변동성의 크기를 나타내며, 옵션 가격을 결정하는 핵심 파라미터입니다. 예를 들어 \(\sigma = 20\%\), \(\tau = 0.25\)년이면 \(v = 0.10\)이고, \(\sigma = 40\%\), \(\tau = 1\)년이면 \(v = 0.40\)입니다.

6.2 정규분포의 대칭성 활용

표준정규 누적분포함수(CDF)의 대칭성 \(N(-x) = 1 - N(x)\)를 이용합니다. 이 성질은 표준정규분포가 0을 중심으로 좌우 대칭이라는 사실에서 직접 따라옵니다.

$$N(d_2) = N(-v/2) = 1 - N(v/2)$$ $$\therefore\; C = S\left[N(v/2) - (1 - N(v/2))\right] = S\left[2N(v/2) - 1\right]$$

6.3 \(N(z)\)의 1차 테일러 전개

\(v\)가 작을 때(짧은 만기 또는 낮은 변동성), \(v/2\) 역시 0에 가깝습니다. 따라서 \(N(z)\)를 \(z = 0\) 근처에서 1차 테일러 전개하는 것이 합리적입니다.

테일러 전개 복습: 함수 \(f(z)\)의 \(z = a\) 근처에서의 1차 테일러 전개는 \(f(z) \approx f(a) + f'(a)(z-a)\)입니다. 여기서 \(f(z) = N(z)\), \(a = 0\)이면:

$$N(z) \approx N(0) + N'(0)\cdot z + O(z^2)$$

각 항을 구합니다.

\(N(0)\): 표준정규분포의 CDF에서 \(z = 0\)이면 확률의 절반이 왼쪽에 있으므로 \(N(0) = 1/2\)입니다.

\(N'(0)\): CDF의 도함수는 PDF(확률밀도함수)입니다. 표준정규분포의 PDF는 \(\varphi(z) = \frac{1}{\sqrt{2\pi}}e^{-z^2/2}\)이므로, \(\varphi(0) = \frac{1}{\sqrt{2\pi}} \approx 0.3989\)입니다.

따라서:

$$N(z) \approx \frac{1}{2} + \frac{z}{\sqrt{2\pi}}$$

6.4 \(z = v/2\) 대입 및 최종 결과

\(z = v/2\)를 대입합니다:

$$N(v/2) \approx \frac{1}{2} + \frac{v/2}{\sqrt{2\pi}} = \frac{1}{2} + \frac{v}{2\sqrt{2\pi}}$$ $$2N(v/2) - 1 \approx 2\left(\frac{1}{2} + \frac{v}{2\sqrt{2\pi}}\right) - 1 = 1 + \frac{v}{\sqrt{2\pi}} - 1 = \frac{v}{\sqrt{2\pi}}$$ $$\therefore\; C \approx S \cdot \frac{v}{\sqrt{2\pi}} = \frac{S\,\sigma\sqrt{\tau}}{\sqrt{2\pi}}$$

식 (6.17): ATM 콜 가격 근사 (유도 완료)

$$\boxed{C \approx \frac{S\,\sigma\sqrt{\tau}}{\sqrt{2\pi}}} \tag{6.17}$$

이 식의 의미는 명확합니다. ATM 옵션의 시간가치(time value)는 주가 수준 \(S\), 변동성 \(\sigma\), 만기의 제곱근 \(\sqrt{\tau}\)에 비례합니다. 변동성이 0이면 옵션 가치도 0(ATM이므로 내재가치도 0)이고, 변동성이 커질수록 옵션 가치가 선형으로 증가합니다. 이것은 "옵션은 변동성의 함수"라는 BSM의 핵심 통찰을 가장 단순한 형태로 보여줍니다.

6.5 수치 검증

\(S = 2000\), \(\sigma = 0.2\), \(\tau = 0.25\)로 검증합니다:

$$C_{\text{approx}} = \frac{2000 \times 0.2 \times 0.5}{\sqrt{2\pi}} = \frac{200}{2.5066} = 79.79$$ $$C_{\text{exact}} = 2000 \times [2N(0.05) - 1] = 2000 \times [2 \times 0.51994 - 1] = 2000 \times 0.03988 = 79.76$$

오차는 \(|79.79 - 79.76| = 0.03\), 약 0.04%에 불과합니다.

6.6 근사의 유효 범위

이 근사는 총변동성 \(v = \sigma\sqrt{\tau}\)가 작을 때 정확합니다. 아래 표는 다양한 조건에서의 근사 오차를 보여줍니다. 표의 음영이 어두울수록 근사 오차가 큰, 즉 근사를 사용하기에 부적절한 조건입니다.

\(\sigma\)	\(\tau\) (년)	\(v = \sigma\sqrt{\tau}\)	근사 오차
20%	0.25	0.10	약 0.04% (매우 정확)
20%	1.00	0.20	약 0.3%
40%	1.00	0.40	약 2.5%
80%	1.00	0.80	10% 이상 (부적절)

[주의] "ATM이면 항상 이 근사가 성립한다"는 오해를 경계해야 합니다. ATM이면서 동시에 총변동성 \(v\)가 작아야(짧은 만기이거나 낮은 변동성이어야) 이 1차 테일러 근사가 정확합니다. 장기 만기에 고변동성인 경우, 2차 이상의 보정항이 무시할 수 없게 됩니다.

---

7. 연습문제 상세 해설

문제 6-1 (원문)

S&P 500(SPX)이 현재 2,000에 거래되고 있다. 내재 변동성과 실현 변동성이 동일하게 20%이고, SPX가 기하 브라운 운동을 따르며, 이자율과 배당이 모두 0이라고 가정하자. 3개월 만기 ATM 유럽형 콜 옵션에 대해, 식 (6.12)와 (6.15)를 이용하여 주간(weekly), 일간(daily), 하루 4회(four times per day) 리밸런싱 시 헤징 오차의 표준편차를 계산하라. 한 달은 21 영업일로 가정한다. 표준편차를 BSM 공식으로 계산한 현재 콜 가격 대비 백분율로 표시하라.

---

문제 6-1 상세 해설

Step 1: 기본 파라미터 정리

문제에서 주어진 조건을 체계적으로 정리합니다. 이 단계를 소홀히 하면 뒤의 계산에서 혼동이 생기기 쉽습니다.

파라미터	기호	값	비고
현재 주가	\(S_0\)	2,000	ATM이므로 \(K = S_0 = 2000\)
변동성	\(\sigma\)	0.20 (20%)	내재 = 실현 = 헤징
무위험이자율	\(r\)	0
배당수익률	\(q\)	0
만기	\(\tau\)	3/12 = 0.25년	63영업일 / 252 = 0.25

Step 2: 리밸런싱 횟수 \(n\) 결정

한 달이 21 영업일이므로, 3개월은 63 영업일입니다. 각 빈도에 대한 \(n\)은 다음과 같습니다. 여기서 흔한 실수는 "일수"와 "리밸런싱 횟수"를 혼동하는 것입니다. 하루 4회 리밸런싱이면 \(n = 63 \times 4 = 252\)이지, 63이 아닙니다.

빈도	계산	\(n\)
주간 (Weekly)	63영업일 / 5일	12.6
일간 (Daily)	63영업일 / 1	63
하루 4회 (4x Daily)	63영업일 × 4	252

Step 3: \(d_1\) 계산

ATM(\(S = K\))이고 \(r = 0\)인 경우:

$$d_1 = \frac{\ln(S/K) + (r + \sigma^2/2)\tau}{\sigma\sqrt{\tau}} = \frac{0 + (0 + 0.04/2)(0.25)}{0.2 \times 0.5} = \frac{0.005}{0.1} = 0.05$$

\(d_1 = 0.05\)는 0에 매우 가깝습니다. 이것은 ATM 근사가 잘 작동할 것임을 예고합니다.

Step 4: Vega 계산 (식 6.15 적용)

식 (6.15)를 직접 적용합니다:

$$V = S\sqrt{\tau}\;\frac{1}{\sqrt{2\pi}}\;e^{-d_1^2/2}$$

각 요소를 계산합니다:

\(S\sqrt{\tau} = 2000 \times \sqrt{0.25} = 2000 \times 0.5 = 1000\)

\(\frac{1}{\sqrt{2\pi}} = \frac{1}{2.5066} = 0.39894\)

\(e^{-d_1^2/2} = e^{-0.05^2/2} = e^{-0.00125} = 0.99875\)

$$V = 1000 \times 0.39894 \times 0.99875 = 398.94 \times 0.99875 \approx 398.4$$

Step 5: \(\sigma_{HE}\) 계산 (식 6.12 적용)

$$\sigma_{HE} = \sqrt{\frac{\pi}{4}}\;\frac{\sigma}{\sqrt{n}}\;V = 0.8862 \times \frac{0.2}{\sqrt{n}} \times 398.4$$ $$= 0.8862 \times 0.2 \times 398.4 \times \frac{1}{\sqrt{n}} = \frac{70.62}{\sqrt{n}}$$

빈도	\(n\)	\(\sqrt{n}\)	\(\sigma_{HE}\) (포인트)
주간	12.6	3.550	19.89
일간	63	7.937	8.90
하루 4회	252	15.875	4.45

Step 6: BSM 콜 가격 계산

\(d_1 = 0.05\), \(d_2 = d_1 - \sigma\sqrt{\tau} = 0.05 - 0.10 = -0.05\)이므로:

표준정규 CDF 값: \(N(0.05) \approx 0.51994\), \(N(-0.05) \approx 0.48006\)

$$C = S\left[N(d_1) - N(d_2)\right] = 2000 \times (0.51994 - 0.48006) = 2000 \times 0.03988 \approx 79.76$$

Step 7: 콜 가격 대비 상대 오차

빈도	\(\sigma_{HE}\)	\(\sigma_{HE}/C\)	백분율
주간	19.89	0.2494	약 24.9%
일간	8.90	0.1116	약 11.2%
하루 4회	4.45	0.0558	약 5.6%

Step 8: 결과 검증

\(1/\sqrt{n}\) 스케일링이 실제로 작동하는지 교차 검증합니다. 일간에서 하루 4회로 가면 \(n\)이 4배(63→252)이므로, 오차는 정확히 절반이어야 합니다: \(8.90 / 4.45 = 2.00\). 정확히 맞습니다. 주간에서 하루 4회로 가면 \(n\)이 약 20배(12.6→252)이므로, 오차 비율은 \(\sqrt{20} \approx 4.47\)배 줄어야 합니다: \(19.89 / 4.45 = 4.47\). 역시 정확히 맞습니다.

---

문제 6-2 (원문)

문제 6-1에서의 헤징 오차를 식 (6.18)의 근사를 사용하여 다시 계산하라.

---

문제 6-2 상세 해설

사용할 공식

식 (6.18)은 ATM 옵션에 특화된 간단한 근사입니다:

$$\frac{\sigma_{HE}}{C} \approx \sqrt{\frac{\pi}{4n}} \approx \frac{0.89}{\sqrt{n}}$$

이 공식이 성립하는 근본적인 이유를 다시 확인합니다. ATM에서 \(d_1 \approx 0\)이므로 \(e^{-d_1^2/2} \approx 1\)이 됩니다. 이 근사 덕분에 Vega(식 6.15)에서 지수 항이 사라지고, Vega와 콜 가격의 비율이 \(V/C \approx (S\sqrt{\tau}/\sqrt{2\pi}) / (S\sigma\sqrt{\tau}/\sqrt{2\pi}) = 1/\sigma\)로 깔끔해집니다. 이것을 식 (6.12)에 대입하면 \(\sigma\)가 상쇄되어 변동성에 무관한 결과가 나옵니다.

계산

먼저 상대 오차 \(\sigma_{HE}/C\)를 구한 뒤, 여기에 \(C \approx 79.76\)을 곱해 절대 오차 \(\sigma_{HE}\)를 구합니다.

빈도	\(n\)	\(0.89/\sqrt{n}\)	\(\sigma_{HE} = C \times (0.89/\sqrt{n})\)
주간	12.6	0.2508	\(79.76 \times 0.2508 = \) 20.0
일간	63	0.1121	\(79.76 \times 0.1121 = \) 8.94
하루 4회	252	0.0561	\(79.76 \times 0.0561 = \) 4.47

문제 6-1과의 비교

두 접근법의 결과를 나란히 놓고 비교합니다. 음영이 짙을수록 두 방법 간 차이가 큰 경우이지만, 실제로 차이는 극히 미미합니다.

빈도	식 (6.12)+(6.15) (문제 6-1)	식 (6.18) (문제 6-2)	차이
주간	24.9%	25.1%	약 0.2%p
일간	11.2%	11.2%	약 0.0%p
하루 4회	5.6%	5.6%	약 0.0%p

두 공식이 사실상 같은 결과를 주는 이유는 명확합니다. 식 (6.18)은 식 (6.12)에서 \(e^{-d_1^2/2} \approx 1\)이라는 추가 근사를 한 것인데, 이 문제에서 \(d_1 = 0.05\)이므로 \(e^{-0.05^2/2} = e^{-0.00125} = 0.99875\), 즉 1과의 차이가 0.125%에 불과합니다. 따라서 두 공식의 차이가 극히 미미합니다.

[실무적 함의] 식 (6.18)은 암산이 가능할 정도로 단순합니다. 예를 들어 "하루 1회 헤지하고 만기가 3개월(약 63 영업일)이면 오차가 옵션 가치의 약 11%"라는 것을 즉시 계산할 수 있습니다. 이 정도의 오차는 마켓메이커에게는 무시할 수 없는 수준이며, 이것이 대규모 옵션 장부 운용의 필요성을 뒷받침합니다.

---

문제 6-3 (원문)

BSM 공식에 기반한 ATM 바닐라 유럽형 콜 옵션의 가치 근사식인 식 (6.17)을 유도하라. 배당과 무위험이자율이 모두 0이라고 가정하라. 힌트: 누적 표준정규분포를 0 근처에서 1차 테일러 전개하라.

---

문제 6-3 상세 해설

이 문제의 전체 유도는 본문 제6절에서 이미 상세히 수행했으므로, 여기서는 핵심 논리 흐름을 요약합니다.

유도 요약 (5단계)

Step 1. \(S = K\), \(r = 0\)에서 BSM 콜: \(C = S[N(d_1) - N(d_2)]\), \(d_1 = v/2\), \(d_2 = -v/2\), \(v = \sigma\sqrt{\tau}\).

Step 2. 대칭성 \(N(-x) = 1 - N(x)\) 적용: \(C = S[2N(v/2) - 1]\).

Step 3. \(N(z)\)를 \(z = 0\)에서 1차 전개: \(N(z) \approx \frac{1}{2} + \frac{z}{\sqrt{2\pi}}\).

Step 4. \(z = v/2\) 대입: \(2N(v/2) - 1 \approx v/\sqrt{2\pi}\).

Step 5. 최종: \(C \approx Sv/\sqrt{2\pi} = S\sigma\sqrt{\tau}/\sqrt{2\pi}\). (QED)

수치 검증: \(S = 2000\), \(\sigma = 0.2\), \(\tau = 0.25\)에서 근사값 79.79 vs. 정확값 79.76. 오차 0.04%.

---

8. 수식 유도 요약표

Chapter 6의 전체 수식 흐름을 한눈에 파악할 수 있도록 정리합니다. 음영이 짙을수록 이 장에서 더 핵심적인 결과입니다.

식 번호	내용	핵심 논리
(6.1)	이산 GBM 수익률	기본 가정
(6.2)	델타-헤지 포트폴리오 \(\pi = C - \Delta S\)	정의
(6.3)	한 스텝 \(HE_{dt}\) 전개	Ito 보조정리로 \(d\pi\) 전개 후 \(\Delta\) 상쇄
(6.4)	BSM PDE 대입	\(\theta + \frac{1}{2}\Gamma\sigma^2 S^2 = r(C - \Delta S)\)
(6.5)	\(HE_{dt} = \frac{1}{2}\Gamma\sigma^2 S^2(Z^2-1)\,dt\)	(6.3) + (6.4) 결합. 이 장의 기초.
(6.6)	누적 HE = 각 스텝의 합	독립 스텝의 합산
(6.7)	HE 분산, \(E[Z^4]=3\) 사용	\(\text{Var}(Z^2-1) = 2\)
(6.8)	ATM \(E[(\Gamma_i S_i^2)^2]\) 평가	정규분포 적분
(6.9)	\(\sigma_{HE}^2 \propto 1/n\)	합→적분 근사
(6.10)	\(\Gamma S^2\)와 Vega의 관계	BSM Greeks 항등식
(6.11)–(6.12)	\(\sigma_{HE} \approx \sqrt{\pi/4}\;\sigma/\sqrt{n}\;\text{Vega}\)	(6.9) + (6.10). 이 장의 핵심 결과.
(6.13)–(6.14)	"변동성 표본오차 → 옵션 가치 불확실성" 해석	\(d\sigma = \sigma/\sqrt{n}\)으로의 재해석
(6.15)–(6.16)	BSM Vega, ATM 근사	\(d_1 \approx 0\)일 때 \(e^{-d_1^2/2} \approx 1\)
(6.17)	ATM 콜 \(\approx S\sigma\sqrt{\tau}/\sqrt{2\pi}\)	\(N(z)\)의 1차 테일러
(6.18)	상대 오차 \(\approx 0.89/\sqrt{n}\)	(6.12) + (6.16) + (6.17). 암산용 최종 공식.

---

9. 흔한 함정과 오해

Chapter 6의 내용을 학습하면서 흔히 발생하는 오해와 주의사항을 정리합니다.

[함정 1] "자주 헤지하면 오차가 무조건 0으로 수렴한다."

이것은 \(\sigma_H = \sigma_R\)일 때만 성립합니다. \(\sigma_H \neq \sigma_R\)이면 \((\Delta_I - \Delta_R)\,dS\) 항이 빈도에 무관하게 남으므로, 아무리 자주 헤지해도 오차가 사라지지 않습니다.

[함정 2] "델타헤지 P&L은 순수하게 \(\sigma_R^2 - \Sigma^2\)에만 비례한다."

순간적으로는 \(\frac{1}{2}\Gamma_I S^2(\sigma_R^2 - \Sigma^2)\,dt\)가 맞지만, \(\Gamma_I S^2\)가 확률변수(경로 의존적)이므로 누적 P&L은 경로에 따라 달라집니다. "분산 베팅"이라는 표현이 자주 쓰이지만, 바닐라 옵션 한 장의 \(\Gamma S^2\)는 일정하지 않기 때문에 "순수한(pure)" 분산 베팅이 되지 못합니다.

[함정 3] "\(n\)을 영업일 수와 혼동."

\(n\)은 "리밸런싱 총 횟수"입니다. 하루 4회 리밸런싱이면, 63영업일에 대해 \(n = 252\)이지 63이 아닙니다. 또한 \(\tau\)를 달력일로 둘지, 영업일/252로 둘지에 대한 관례도 명확히 해야 합니다.

[함정 4] 점프와 거래비용의 무시.

Chapter 6의 깔끔한 분포와 \(1/\sqrt{n}\) 스케일링은 "점프 없음, 거래비용 없음, 일정 변동성"이라는 BSM 실험실 가정하에서만 엄밀합니다. 현실에서는 점프(급등·급락), 스프레드, 슬리피지(slippage), 거래 제약 등이 추가되어 오차가 더 커집니다. 거래비용은 Chapter 7에서 다루며, "자주 헤지하면 이산 오차는 줄지만 거래비용은 늘어난다"는 트레이드오프가 존재합니다.

---

10. Chapter 5와의 연결 및 실무적 시사점

10.1 Chapter 5와의 관계

Chapter 5는 연속 헤징 세계에서 "어떤 변동성으로 헤지하는가"에 따라 P&L이 어떻게 달라지는지를 분석했습니다. 핵심 결과는 순간적 P&L이 \(\frac{1}{2}\Gamma_I S^2(\sigma_R^2 - \Sigma^2)\,dt\)에 비례한다는 것이었습니다.

Chapter 6은 여기에 "이산 효과"라는 새로운 차원을 추가합니다. 연속 헤징의 결과에 더해, 이산 리밸런싱 자체가 \(\frac{1}{2}\Gamma\sigma^2 S^2(Z^2 - 1)\,dt\)라는 추가적 잡음을 생성합니다. 이 잡음은 \(\sigma_H = \sigma_R\)여도 존재하지만, \(1/\sqrt{n}\)으로 줄일 수 있습니다. 반면 \(\sigma_H \neq \sigma_R\)에서 오는 1차 잡음 \((\Delta_I - \Delta_R)\,dS\)는 빈도로는 줄일 수 없습니다.

10.2 실무적 시사점

[시사점 1: 대규모 장부 운용의 필요성]

\(n = 100\)에서도 개별 옵션의 헤징 오차는 가치의 약 9%입니다. 마켓메이커가 단일 옵션의 헤지로 안정적 수익을 얻기는 매우 어렵습니다. 대규모 옵션 포트폴리오를 운용하여 개별 오차가 서로 상쇄되도록 해야, 포트폴리오 전체의 헤징 오차가 장부 가치의 작은 비율로 유지됩니다.

[시사점 2: 변동성 예측 능력이 곧 헤징 품질]

미래 변동성을 정확히 아는 것이 불가능한 이상, 트레이더는 항상 \(\sigma_H \neq \sigma_R\)의 위험에 노출됩니다. 이때 리밸런싱 빈도를 높이는 것의 효과가 제한적이므로, 변동성 예측의 정확성을 높이는 것이 헤징 품질 향상의 가장 직접적인 경로입니다.

[시사점 3: 헤징 빈도와 거래비용의 트레이드오프]

자주 헤지하면 이산 오차는 줄어들지만, 매번 리밸런싱할 때마다 거래비용(스프레드, 수수료, 시장 충격)이 발생합니다. 최적의 헤징 빈도는 이 두 효과의 균형점에서 결정되며, 이것이 Chapter 7의 주제입니다.

[시사점 4: 내재 변동성으로 헤지할 때의 경로 의존성]

실무에서 대부분의 트레이더는 내재 변동성으로 헤지합니다. 이 경우 P&L은 경로에 의존하며, 특히 주가가 행사가 근처에 머물면서(감마가 최대인 구간) 옵션이 만기에 접근할 때 가장 큰 P&L이 발생합니다. 이것을 실무에서는 "감마 스캘핑(gamma scalping)"이라 부르기도 합니다.

---