Chapter 7. Numerical Methods for Pricing and Calibration

Chapter 7. 수치해석 기반 가격평가와 캘리브레이션
Numerical Methods for Pricing and Calibration

---

0. 이 장을 읽기 전에 반드시 알아야 할 배경지식

Chapter 7은 금융공학에서 가장 실무적인 질문을 정면으로 다룹니다. "모형이 주어졌을 때 가격을 어떻게 계산하는가?", 그리고 "시장 데이터에 맞게 모형 파라미터를 어떻게 조정하는가?". 이 두 질문은 수학적으로는 기대값(적분)과 역문제(inverse problem)로서의 최적화로 환원되지만, 현실에서는 닫힌형 해가 거의 없기 때문에 수치해석가 필수 도구가 됩니다.

이 장의 난이도는 단순히 공식을 많이 외워서 높아지는 것이 아닙니다. 난이도의 핵심은 서로 다른 층위의 개념들이 한 사이클로 연결되어 있다는 점입니다. 확률론(기대값) → 위험중립(측도변경) → 가격 엔진(MC/PDE/푸리에) → 수치오차(편향/노이즈) → 최적화(LM 등) → 다시 가격 엔진 호출. 이 연결고리를 한 번이라도 끊어 이해하면, 실무에서 가장 흔한 실패(캘리브레이션 발산, IV 루트 미존재, PDE 폭주, MC 노이즈로 야코비안 붕괴)를 피할 수 없습니다.

[이 장의 정체성]

Chapter 7은 “수치기법 목록”이 아니라, 가격(기대값) ↔ 수치계산 ↔ 오차 ↔ 캘리브레이션의 한 덩어리 시스템을 다룹니다. 따라서 각 기법을 외우기보다, 왜 이 기법이 이 병목을 해결하는가를 구조적으로 이해하는 것이 목표입니다.

0.1 핵심 개념 지도: 무엇이 어디로 이어지는가

계층	개념	이 장에서의 역할	연결
확률·가격	조건부기대값, 마팅게일	가격을 “현재 정보 하 기대값”으로 정의	마팅게일 가격평가, Tower property
측도	Girsanov, 누메레르	현실 드리프트를 가격에서 제거	\(\mathbb{P}\to\mathbb{Q}\), forward measure
수치적분	Monte Carlo, 분산감소	고차원·경로의존 기대값 계산	CLT, SE, CV/IS/CRN/QMC
PDE	유한차분, 안정성	저차원에서 빠르고 노이즈 없는 가격	BSM PDE, CFL, CN, ADI
선형대수	삼대각/희소시스템	Implicit/CN/ADI의 핵심 병목	Thomas, conditioning, sparse LU
루트파인딩	IV 계산, Brent/Newton	시장 데이터를 “변동성”으로 표준화	vega, 브라켓, 무차익 범위
최적화	LM, GN, Regularization	모형 파라미터를 데이터에 맞춤	Jacobian, identifiability, constraints
수치오차	편향 vs 노이즈	캘리브레이션 품질을 직접 결정	time/space discretization, MC SE

0.2 읽는 방법: “초심자 경로”와 “실무자 경로”

처음 보는 독자(개념 연결이 목표)

• Section 1 → 2 → 3: “가격 = 위험중립 기대값”이 왜 성립하는지
• Section 6 → 7: MC가 왜 필요한지, 왜 배리어에서 어려운지
• Section 8 → 10: PDE 스킴과 안정성의 핵심 논리
• Section 4 → 5: IV와 캘리브레이션이 수치적으로 어떤 의미인지

실무자(속도/안정성/디버깅이 목표)

• Section 4.6~4.7: 브렌트 + 예외처리(루트 없음, 베가 0)
• Section 5.6~5.7: LM과 야코비안, MC 노이즈 상호작용
• Section 10.4 & 12: Rannacher + 비균일 격자(정확도/진동/도메인)
• Section 13.2: 오차 분류를 기준으로 디버깅 루틴 구성

0.3 표기·스케일·컴퓨터 산술: 수치해석이 실제로 어려운 이유

부동소수점과 머신 엡실론

컴퓨터는 실수를 정확히 저장하지 못합니다. IEEE 754 배정밀도(double)에서는 대략 15~16자리 유효숫자를 가집니다. 머신 엡실론 \(\varepsilon_{\text{mach}}\approx 2^{-52}\approx 2.22\times 10^{-16}\)은 “1과 구분되는 가장 작은 양의 수”의 대표적 스케일입니다.

이 사실은 “미소 \(h\)”를 쓰는 유한차분, “작은 시간스텝 \(\Delta t\)”를 쓰는 PDE/MC에서 곧바로 문제를 일으킵니다. 너무 작은 \(h\)를 쓰면 함수값 차이가 반올림 오차에 묻히고(치명적 소거), 너무 큰 \(h\)를 쓰면 절단오차가 커집니다.

[실무 함정]

“정밀도를 올리려고 \(h\)를 더 줄였는데 오히려 결과가 나빠졌다”는 현상은 유한차분에서 매우 흔합니다. 이 장에서는 절단오차(truncation)와 반올림오차(round-off)의 균형이 반복해서 등장합니다.

---

1. 가격평가의 출발점: 기대값과 ‘계산 불가능성’

1.1 파생상품은 무엇이고, 왜 가격 계산이 본질적으로 어렵나

파생상품(derivative)은 기초자산의 미래 값(또는 미래 경로)에 의해 지급액이 결정되는 계약입니다. 유럽형 콜 옵션을 가장 단순한 예로 들면, 만기 \(T\)에 \(\Phi(S_T)=(S_T-K)^+\)를 지급합니다.

“가격이 어렵다”는 말은 단순히 적분이 복잡하다는 뜻이 아닙니다. 핵심은 다음 두 층위가 동시에 얽힌다는 점입니다.

• 불확실성 층위: \(\Phi\) 자체가 확률변수이며, 분포가 모형에 의해 결정된다.
• 가치평가 층위: “불확실한 현금흐름의 현재가치”를 어떤 원리로 정하는가(무차익, 복제, 위험중립).

[핵심]

파생상품 가격평가의 진짜 난점은 “미래를 예측하기 어려워서”가 아니라, 불확실한 현금흐름을 동일한 기준으로 현재가로 환산하는 구조가 필요하기 때문입니다. 이 구조가 무차익과 위험중립 측도입니다.

1.2 위험중립 가격평가 공식: 이 장의 모든 수치기법이 결국 풀려는 ‘한 줄’

가장 일반적인 형태(국내 단위로 표기)

$$V_0=\mathbb{E}^{\mathbb{Q}}\!\left[\exp\!\left(-\int_0^T r_d(t)\,dt\right)\,\Phi(\text{path})\right]$$

유럽형이면 \(\Phi\)가 \(S_T\)만의 함수지만, 배리어/아시안/룩백/클리퀘처럼 경로의존형이면 \(\text{path}\) 전체에 의존합니다.

문제는 이 기대값이 대부분의 현실적 모형에서 닫힌형으로 계산되지 않는다는 것입니다. 따라서 이 장의 수치해석은 사실상 다음을 다양한 방식으로 수행하는 기술입니다.

• 적분을 표본 평균으로 근사한다 → Monte Carlo
• 기대값이 만족하는 PDE를 풀어 값 자체를 구한다 → Backward PDE + 유한차분
• 특성함수/푸리에 적분으로 기대값을 빠르게 평가한다 → Semi-analytic (FFT/COS 등)

방법	핵심 아이디어	강점	약점
Monte Carlo	기대값 = 표본 평균	고차원·경로의존에 강함	\(1/\sqrt{N}\) 수렴, 배리어 편향
PDE (Backward)	가격함수가 만족하는 PDE를 수치적으로 해석	저차원(1~3D) 매우 빠름	차원의 저주, 고차원 불가
Semi-analytic	푸리에/특성함수로 적분 가속	Heston 등에서 압도적으로 빠름	특성함수 알려진 모델 한정

1.3 캘리브레이션: “최적화 문제”처럼 보이지만 실질은 ‘가격 엔진’ 문제

캘리브레이션(calibration)은 시장 데이터(가격/IV)를 설명하도록 모형 파라미터 \(\theta\)를 맞추는 과정입니다. 수학적으로는 다음과 같은 최소제곱 문제로 표현되는 경우가 많습니다.

$$\theta^\*=\arg\min_{\theta}\sum_{i=1}^{M} w_i\Big(q_{\text{model}}^{(i)}(\theta)-q_{\text{mkt}}^{(i)}\Big)^2$$

여기서 \(q\)는 가격 또는 내재변동성, \(w_i\)는 가중치, \(M\)은 데이터 포인트 수입니다.

중요한 사실은 최적화가 한 번의 계산이 아니라는 점입니다. 최적화 알고리즘은 \(\theta\)를 반복적으로 업데이트하며, 매 반복마다 모든 \(q_{\text{model}}^{(i)}(\theta)\)를 다시 계산해야 합니다. 즉, 캘리브레이션의 실질 비용은

“가격 엔진 호출 비용 × 최적화 반복 횟수 × 데이터 포인트 수”

따라서 가격 엔진이 느리거나(예: PDE 격자 너무 큼), 수치 노이즈가 크거나(예: MC 경로 수 부족), 민감도(야코비안)가 불안정하면(유한차분 \(h\) 선택 실패), 최적화는 “수학적으로는 맞는 알고리즘”이어도 현장에서 무너집니다.

---

2. 확률공간·기대값·조건부기대값: MC와 위험중립의 ‘문법’

2.1 확률공간의 구조: 불확실성을 수학으로 고정하는 방법

확률공간 \((\Omega,\mathcal{F},\mathbb{P})\)

• \(\Omega\): 가능한 모든 결과(경로)의 집합
• \(\mathcal{F}\): 사건들의 집합(측정 가능한 정보)
• \(\mathbb{P}\): 사건에 확률을 부여하는 측도

확률변수 \(X:\Omega\to\mathbb{R}\)는 “값을 확률로 논할 수 있는” 가측 함수입니다. 옵션 페이오프 \(\Phi(S_T)\)는 \(S_T\)가 확률변수이므로 자동으로 확률변수입니다.

여기서 \(\mathcal{F}\)가 중요한 이유는 “정보”를 다루기 위해서입니다. 금융에서 우리는 항상 “지금까지 관측된 정보”를 조건으로 기대값을 계산합니다. 이를 위해 시간에 따라 정보가 증가하는 구조, 즉 여과(filtration) \(\{\mathcal{F}_t\}\)를 도입합니다.

여과 \(\{\mathcal{F}_t\}\)와 조건부기대값

\(\mathcal{F}_t\)는 시점 \(t\)까지 관측 가능한 모든 정보를 담습니다. 조건부기대값 \(\mathbb{E}[X|\mathcal{F}_t]\)는 “현재 정보로 보았을 때의 최선의 예측(평균)”이며, 마팅게일은 바로 이 조건부기대값의 고정 성질로 정의됩니다.

2.2 기대값의 정의: 합과 적분, 그리고 ‘가격 = 적분’의 정체

이산형에서는 기대값이 합, 연속형에서는 적분입니다. 옵션 가격이 어려운 이유는 대부분 “복잡한 분포에 대한 적분”으로 귀결됩니다.

연속형 기대값

$$\mathbb{E}[g(X)]=\int_{-\infty}^{\infty} g(x)f_X(x)\,dx$$

유럽콜에 대해 \(g(x)=(x-K)^+\)이면 $$\mathbb{E}[(S_T-K)^+]=\int_{K}^{\infty}(x-K)f_{S_T}(x)\,dx.$$

2.3 조건부기대값의 두 성질: Tower와 선형성

[Tower property]

$$\mathbb{E}\!\left[\mathbb{E}[X|\mathcal{F}_t]\right]=\mathbb{E}[X],\qquad \mathbb{E}\!\left[X|\mathcal{F}_s\right]=\mathbb{E}\!\left[\mathbb{E}[X|\mathcal{F}_t]|\mathcal{F}_s\right]\ (s\le t).$$

이 성질은 다기간 이항모형의 backward induction, PDE의 backward 성격, MC에서 단계적 시뮬레이션 구조 모두의 수학적 기반입니다.

2.4 분산·표준오차·CLT: MC 결과에 ‘오차막대’를 붙이는 이유

MC는 “가격을 숫자로 하나 찍어준다”가 아니라, “가격 추정치 + 불확실성(표준오차)”를 함께 제공해야 의미가 있습니다.

표본평균 \(\bar{X}\)의 분산

Step 1. \(X_1,\dots,X_N\) i.i.d., \(\mathrm{Var}(X_i)=\sigma^2\)

$$\mathrm{Var}(\bar{X})=\mathrm{Var}\!\left(\frac{1}{N}\sum_{i=1}^N X_i\right)=\frac{1}{N^2}\sum_{i=1}^N\mathrm{Var}(X_i)=\frac{\sigma^2}{N}$$

결론. 표준오차(SE) = \(\sigma/\sqrt{N}\)

중심극한정리(CLT)와 신뢰구간

충분히 큰 \(N\)에서 \(\bar{X}\approx N(\mu,\sigma^2/N)\)이므로, 95% 신뢰구간은 대략 \(\bar{X}\pm 1.96\, s/\sqrt{N}\)입니다. 실무 리포트에서 “MC 가격 = 1.2345”만 단독으로 쓰면 정보가 부족합니다.

---

3. 무차익·측도변경·누메레르: 왜 ‘드리프트’는 가격에서 사라지나

3.1 무차익의 정의: “손실 없이 가끔 이기는” 전략의 부재

차익거래(Arbitrage)

초기 비용이 0(또는 음수)이고, 미래에 손실이 없으며(\(\ge 0\) a.s.), 어떤 상태에서는 양(+)의 이익이 발생하는 전략. 무차익은 이런 전략이 존재하지 않는다는 가정입니다.

무차익은 “현실에서 항상 완벽히 성립한다”는 진술이 아니라, 마찰이 작고 경쟁이 존재하는 시장에서 가격결정의 논리적 기준으로 작동하는 규범입니다. 이 규범이 성립하는 순간, 가격은 주관적 예측이 아니라 구조적 제약을 받습니다.

3.2 물리 측도 \(\mathbb{P}\)에서의 SDE: 기대수익률(위험프리미엄)의 자리

$$dS_t=\mu_{\mathbb{P}}S_t\,dt+\sigma S_t\,dW_t^{\mathbb{P}}$$

\(\mu_{\mathbb{P}}\)는 “현실 세계에서의 기대수익률”이며 일반적으로 \(r+\)위험프리미엄을 포함합니다. 그런데 옵션가격은 이 \(\mu_{\mathbb{P}}\)를 직접 필요로 하지 않습니다. 이 역설의 해답이 측도변경입니다.

3.3 Girsanov 정리: “확률을 바꾸면 브라운 운동의 드리프트가 바뀐다”

위험중립 측도로의 전환(핵심 형태)

시장가격의 위험 \(\lambda\)를 사용해 라돈-니코딤 도함수(우도비)를 정의:

$$\frac{d\mathbb{Q}}{d\mathbb{P}}\Big|_{\mathcal{F}_T}= \exp\!\left(-\lambda W_T^{\mathbb{P}}-\tfrac12\lambda^2T\right).$$

그 결과 \(\mathbb{Q}\) 아래에서 \(\tilde{W}_t=W_t^{\mathbb{P}}+\lambda t\)가 브라운 운동이 되고, 드리프트는 무위험이자율로 “재정렬”됩니다.

$$dS_t=rS_t\,dt+\sigma S_t\,d\tilde{W}_t^{\mathbb{Q}}.$$

[핵심 해석]

드리프트가 사라진다는 뜻은 “현실에서 기대수익률이 없다”가 아니라, 가격결정에 필요한 확률체계(위험중립 측도)를 선택하면 할인된 가격이 마팅게일이 되도록 만들 수 있다는 뜻입니다. 즉 \(\mu_{\mathbb{P}}\)는 “현실의 통계”이고, 가격은 “무차익의 구조”입니다.

3.4 마팅게일 가격평가 정리: 이 장의 중심 공식(조건부 형태)

$$V_t=\mathbb{E}^{\mathbb{Q}}\!\left[e^{-\int_t^T r(u)\,du}\,\Phi\ \Big|\ \mathcal{F}_t\right]$$

이 식은 “가격 = 현재 정보 하에서의 할인 기대값”이라는 문장 하나로 요약되지만, 그 뒤에는 무차익, 측도변경, 조건부기대값, 마팅게일이 동시에 깔려 있습니다.

3.5 누메레르 선택: FX에서 특히 중요한 이유

누메레르(numeraire)는 가치 측정의 기준 자산입니다. 누메레르를 바꾸면 측도가 바뀌고, 드리프트의 형태가 달라지지만, 최종 가격은 동일해야 합니다. FX에서는 국내/해외 두 머니마켓이 공존하므로 이 구조가 실무적으로 자주 등장합니다.

FX 위험중립 드리프트(국내 측도)

$$dS_t=(r_d-r_f)S_t\,dt+\sigma S_t\,dW_t^{\mathbb{Q}^d}.$$

해외 통화를 “배당률 \(r_f\)”을 주는 자산으로 보는 관점이 이 드리프트를 자연스럽게 만듭니다.

---

4. 내재변동성(IV)과 루트파인딩: “가격”을 표준화하는 수치 알고리즘

4.1 Garman–Kohlhagen 공식: FX 바닐라의 기준점(베이스라인)

$$C=S_0e^{-r_fT}N(d_1)-Ke^{-r_dT}N(d_2)$$ $$d_1=\frac{\ln(S_0/K)+(r_d-r_f+\tfrac12\sigma^2)T}{\sigma\sqrt{T}},\qquad d_2=d_1-\sigma\sqrt{T}.$$

이 공식은 단지 “닫힌형 가격”이 아니라, IV 정의, vega, 무차익 범위, 캘리브레이션의 표준 스케일을 제공하는 기준점입니다.

4.2 IV의 정의: “가격 방정식을 \(\sigma\)에 대해 푸는 것”

시장 가격 \(C_{\text{mkt}}\)가 주어졌을 때, \(\sigma\mapsto C(\sigma)\)의 역함수를 찾는 것이 IV입니다. 즉 \(F(\sigma)=C(\sigma)-C_{\text{mkt}}=0\)의 근을 찾습니다.

왜 IV를 쓰는가

• 모형/통화/노션이 달라도 “변동성 포인트”로 비교 가능
• 가격 스케일의 차이를 제거해 목적함수(캘리브레이션)가 안정적
• 시장 관행(특히 FX)의 표면 표기 방식(ATM/RR/BF)

4.3 무차익 범위: 루트가 존재하려면 가격이 ‘물리적으로’ 가능해야 한다

$$\max\!\left(S_0e^{-r_fT}-Ke^{-r_dT},\ 0\right)\le C \le S_0e^{-r_fT}.$$

이 범위를 벗어나면 수치 알고리즘이 아니라 입력 데이터가 문제일 가능성이 큽니다.

4.4 단조성과 vega: “해가 유일하다”는 사실이 루트파인딩을 가능하게 한다

바닐라의 vega는 항상 양수

GK/BSM에서 $$\mathcal{V}=\frac{\partial C}{\partial\sigma}=S_0e^{-r_fT}\varphi(d_1)\sqrt{T}>0.$$

따라서 \(C(\sigma)\)는 \(\sigma\)에 대해 단조 증가하며, 무차익 범위 안에서는 IV가 유일합니다.

4.5 이분법(Bisection): 느리지만 ‘깨지지 않는’ 기본기

이분법은 브라켓 \([a,b]\)에서 부호가 바뀐다는 것만 확보되면(연속성 가정 하) 반드시 수렴합니다. 수렴 속도는 선형(1차)이며 \(n\)회 반복 후 오차 상한은 \((b-a)/2^n\)입니다.

def bisection(F, a, b, tol_F=1e-8, tol_x=1e-10, max_iter=100):
    fa = F(a)
    fb = F(b)
    if fa * fb > 0:
        raise ValueError("Root not bracketed")

    for _ in range(max_iter):
        m = 0.5 * (a + b)
        fm = F(m)
        if abs(fm) < tol_F or (b - a) < tol_x:
            return m
        if fa * fm <= 0:
            b, fb = m, fm
        else:
            a, fa = m, fm

    return 0.5 * (a + b)

4.6 Newton–Raphson: 빠르지만 실패할 수 있는 이유를 ‘베가’로 설명하라

$$\sigma_{n+1}=\sigma_n-\frac{C(\sigma_n)-C_{\text{mkt}}}{\mathcal{V}(\sigma_n)}.$$

2차 수렴이라는 장점은 “해 근처에서”만 보장됩니다. \(\mathcal{V}\approx 0\)인 초단기/심도 OTM에서는 분모가 작아 업데이트가 폭주합니다.

[뉴턴법 실패 패턴]

• 초단기 \(T\to 0\): \(\mathcal{V}\sim \sqrt{T}\to 0\)
• 심도 OTM: \(\varphi(d_1)\)가 거의 0 → vega 붕괴
• 나쁜 초기값: 발산/진동/음수 변동성

4.7 Brent법: 실무 표준이 되는 이유(안정성 + 가속의 결합)

브렌트는 이분법의 “최악의 경우 안전장치”를 유지하면서, 할선법/역이차보간으로 가속합니다. 즉, 빠른 후보가 신뢰 가능하면 채택하고, 그렇지 않으면 이분법으로 후퇴합니다. 이 로직 때문에 실무에서는 IV 계산에 브렌트를 디폴트로 둡니다.

케이스	증상	원인	권장 대응
초단기	뉴턴 폭주	vega \(\to 0\)	Brent + 하한 \(\sigma_{\min}\)
심도 OTM	가격이 기계정밀도 수준	상대오차/소거	로그 공간, 상대오차 기준
무차익 위반	루트 없음	입력 데이터 오류/스프레드	사전 필터링 + 오류 플래그
정상	빠른 수렴	브라켓 정상	Brent 또는 Newton+bracket

---

5. 캘리브레이션: 역문제, 식별가능성, 그리고 야코비안의 수치 안정성

5.1 캘리브레이션은 ‘역문제’다: 왜 본질적으로 불안정해지나

가격평가(forward problem)는 \(\theta \mapsto q_{\text{model}}(\theta)\)를 계산하는 문제입니다. 캘리브레이션(inverse problem)은 반대로 관측값 \(q_{\text{mkt}}\)로부터 \(\theta\)를 복원합니다. 역문제는 일반적으로 다음 특징을 가집니다.

• 비유일성: 서로 다른 \(\theta\)가 유사한 표면을 만들 수 있음(식별가능성 문제)
• 민감도: 작은 데이터 노이즈가 \(\theta\)에 큰 변화를 유발
• 비선형성: 목적함수가 좁고 긴 골짜기 형태로 나타남

[실무적 결론]

캘리브레이션은 “정답 파라미터 찾기”가 아니라, 시장 범위 안에서 안정적으로 재현되는 파라미터 영역을 찾고, 그 해가 경제적으로 합리적인지 진단하는 과정입니다.

5.2 Heston 모델: 확률적 변동성의 대표이자 ‘식별가능성’의 교과서

$$dS_t=(r_d-r_f)S_t\,dt+\sqrt{v_t}S_t\,dW_t^{(1)}$$ $$dv_t=\kappa(\bar v-v_t)\,dt+\alpha\sqrt{v_t}\,dW_t^{(2)},\qquad \langle dW^{(1)},dW^{(2)}\rangle=\rho\,dt.$$

5개 파라미터(\(v_0,\kappa,\bar v,\alpha,\rho\))가 표면의 레벨/스큐/볼록성/만기 구조를 분담하지만, 일부 조합은 서로를 대체할 수 있어 목적함수가 길게 찢어진 형태가 됩니다.

파라미터	주요 영향	표면에서 나타나는 현상
\(v_0\)	단기 레벨	단기 ATM 변동성 결정
\(\bar v\)	장기 레벨	장기 ATM 변동성 수준
\(\kappa\)	회귀 속도	단기→장기 연결(만기 구조 기울기)
\(\rho\)	비대칭 스큐	RR(리스크 리버설) 형태
\(\alpha\)	볼록성	BF(버터플라이) 수준

5.3 목적함수 설계: 가격 공간 vs IV 공간, 그리고 가중치의 의미

가격 공간에서 오차를 재면 ATM이 목적함수를 지배합니다(가격 스케일이 큼). IV 공간에서 오차를 재면 “변동성 포인트” 단위로 균형 잡힌 비교가 됩니다.

$$F(\theta)=\sum_{i=1}^M w_i\left(\sigma_{\text{model}}^{(i)}(\theta)-\sigma_{\text{mkt}}^{(i)}\right)^2+\lambda_{\text{reg}}R(\theta).$$

규제항 \(R(\theta)\)는 역문제 불안정성을 완화합니다(과도한 파라미터 진동 억제, 경제적 제약 반영).

5.4 제약 처리: “제약 없는 최적화”로 변환하는 좌표변환

$$v_0=e^{x_1},\quad \kappa=e^{x_2},\quad \bar v=e^{x_3},\quad \alpha=e^{x_4},\quad \rho=\tanh(x_5).$$

최적화 변수를 \(\mathbb{R}^5\)로 두면 알고리즘이 훨씬 안정적으로 동작합니다.

5.5 LM(Levenberg–Marquardt): “GN의 속도”와 “GD의 안정성” 사이의 가변 스위치

정규방정식과 LM 수정

잔차 벡터 \(r(\theta)\), 야코비안 \(J(\theta)\)에 대해 GN은 $$(J^TJ)\Delta=-J^Tr.$$

LM은 수치적으로 불안정한 \(J^TJ\)를 안정화하기 위해 $$(J^TJ+\lambda I)\Delta=-J^Tr$$ 를 푼다. \(\lambda\)를 줄이면 GN에 가까워져 빠르고, 키우면 GD에 가까워져 안정적이다.

5.6 수치 야코비안과 MC 노이즈: “\(h\)를 줄이면 더 정확해질까?”의 반전

PDE/반해석 가격은 매끄럽지만, MC 가격은 통계 노이즈를 포함합니다. 유한차분 야코비안 \(\frac{r(\theta+he_j)-r(\theta)}{h}\)에서 노이즈가 차분으로 증폭되어 \(\sim \varepsilon_{\text{noise}}/h\) 형태로 나타납니다. 따라서 \(h\)를 무작정 줄이면 오히려 야코비안이 망가집니다.

[실무 해법: Common Random Numbers (CRN)]

\(\theta\)와 \(\theta+he_j\)를 평가할 때 같은 난수(같은 경로)로 MC를 돌리면, 두 값이 비슷한 방향의 노이즈를 공유하므로 차이에서 노이즈가 크게 상쇄됩니다. 이는 야코비안 안정성과 분산감소를 동시에 달성합니다.

---

6. Monte Carlo: SDE 이산화, 분산감소, 그리고 “오차의 분해”

6.1 왜 SDE인가: 연속시간 모델링과 시뮬레이션의 필연성

주가는 이산적으로 관측되지만, 모형은 연속시간에서 정의되는 경우가 많습니다. 연속시간의 장점은 (i) 측도변경과 마팅게일 이론이 깔끔해지고, (ii) PDE/푸리에/확률해석이 연결되며, (iii) 헤지(동적 복제)의 극한 논리가 가능해진다는 점입니다.

6.2 브라운 운동: “정규 난수”가 금융 시뮬레이션의 언어가 되는 이유

브라운 운동의 핵심 성질

• \(W_t-W_s\sim N(0,t-s)\)
• 독립 증분
• 연속 경로(하지만 거의 어디서도 미분 불가)

MC에서 \(\Delta W=\sqrt{\Delta t}\,Z\)로 생성하는 것이 표준이며, 모든 다요인 모델의 상관 구조는 “상관된 정규 벡터 생성” 문제로 환원됩니다.

6.3 Euler–Maruyama: 가장 기본적인 SDE 이산화

$$X_{t_{i+1}}\approx X_{t_i}+\mu(t_i,X_{t_i})\Delta t+\Sigma(t_i,X_{t_i})\sqrt{\Delta t}\,Z_i.$$

Euler는 구현이 단순하지만, 경로 수준(강수렴)에서는 1/2차, 기대값(약수렴)에서는 1차입니다. 상품이 경로의존일수록 “강수렴”이 중요해집니다.

6.4 GBM의 Exact Scheme: “이산화 오차가 0인 드문 경우”

\(S\)가 GBM이면 로그로 바꿔 정확히 적분 가능

$$S_{t+\Delta t}=S_t\exp\!\left[\left(r_d-r_f-\tfrac12\sigma^2\right)\Delta t+\sigma\sqrt{\Delta t}\,Z\right].$$

이 스킴은 \(\Delta t\)를 크게 잡아도 편향이 없으므로, 바닐라 유럽형에서는 단 한 스텝으로도 \(S_T\)를 생성할 수 있습니다.

6.5 상관 브라운 운동: Cholesky 분해가 ‘다요인 MC’의 출발점

$$\Gamma=LL^T,\qquad Z_{\text{corr}}=LZ_{\text{indep}}.$$

\(\Gamma\)가 상관행렬이면 \(Z_{\text{corr}}\)는 원하는 상관을 갖는 다변량 정규 벡터가 됩니다. Heston의 \(\rho\)는 바로 이 상관 구조에 들어갑니다.

6.6 분산감소: \(1/\sqrt{N}\)의 벽을 ‘같은 계산량으로’ 낮추는 법

6.6.1 대립변수(Antithetic Variates)

\(Z\)와 \(-Z\)를 짝으로 쓰면, 많은 페이오프에서 음의 상관이 발생해 분산이 감소합니다. 바닐라에서 효과가 큰 편이지만, 경로의존에서는 효과가 약해질 수 있습니다.

6.6.2 제어변량(Control Variates): “기댓값을 아는 변수를 빌려온다”

$$\hat{V}^{\text{CV}}=\hat{V}-\hat{\beta}(\hat{Y}-\mathbb{E}[Y]),\qquad \beta^\*=\frac{\mathrm{Cov}(V,Y)}{\mathrm{Var}(Y)}.$$

상관이 클수록 분산 감소가 커집니다. 실무에서는 “복잡한 상품”을 “바닐라”로 보정하는 제어변량이 매우 강력합니다.

6.6.3 중요도 샘플링(Importance Sampling): 희귀 이벤트를 ‘자주 보게’ 만든 뒤 보정

$$\mathbb{E}^{\mathbb{Q}}[\Phi] =\mathbb{E}^{\tilde{\mathbb{Q}}}\!\left[\Phi\cdot \frac{d\mathbb{Q}}{d\tilde{\mathbb{Q}}}\right].$$

OTM 옵션처럼 페이오프가 드문 경우, 드리프트를 페이오프 방향으로 이동시키면 표본 효율이 크게 좋아집니다. 단, 우도비(라돈-니코딤) 보정이 빠지면 가격이 완전히 틀어집니다.

6.7 강수렴 vs 약수렴: Euler와 Milstein 선택의 기준

수렴 유형	측정 대상	형태	실무 관련
강수렴	경로 자체 오차	\(\mathbb{E}[|X_T^{\Delta t}-X_T|]=O((\Delta t)^p)\)	배리어/아시안 등 경로의존
약수렴	기대값 오차	\(|\mathbb{E}[g(X_T^{\Delta t})]-\mathbb{E}[g(X_T)]|=O((\Delta t)^q)\)	유럽형 가격 자체

Euler는 강수렴 1/2차, 약수렴 1차입니다. Milstein은 강수렴을 1차로 올리지만, 약수렴은 대개 1차로 유지됩니다. 따라서 “유럽형 가격”만 보면 Milstein이 Euler보다 항상 낫다고 단정할 수 없고, “연속 배리어처럼 경로가 중요한 경우”에 Milstein의 가치가 커집니다.

---

7. 연속 배리어와 MC: 왜 ‘관측 방식’이 가격 편향을 만든다

7.1 연속 모니터링 배리어의 정의와 이산 관측 편향

연속 배리어 옵션은 \(0\le t\le T\) 사이 어느 순간이라도 배리어를 터치하면 KO/KI가 발생합니다. 하지만 MC는 유한한 시간격자에서만 경로를 관측하므로, 두 관측점 사이의 터치를 놓칠 수 있습니다. 이것이 이산 관측 편향이며, KO 옵션에서는 보통 생존을 과대평가해 가격을 과대평가합니다.

[중요]

이 편향은 경로 수 \(N\)을 늘려도 줄어들지 않습니다. 이는 통계오차가 아니라 시간 이산화 편향이기 때문입니다. 줄이려면 \(\Delta t\)를 줄이거나(비용↑), 연속 터치 확률을 반영하는 보정이 필요합니다.

7.2 브라운 브리지: 두 점 사이의 “조건부 경로”를 이용해 연속 터치를 계산

브라운 브리지의 분포

\(B_0=x\), \(B_T=y\)로 고정한 브라운 운동의 조건부 과정. 중간 \(t\)에서 $$B_t|(B_0=x,B_T=y)\sim N\!\left(x+\frac{t}{T}(y-x),\ \frac{t(T-t)}{T}\right).$$

7.3 비접촉 확률 공식: 반사원리로 얻는 ‘구간 생존확률’

업-배리어(로그공간) 비접촉 확률의 핵심 형태

구간 \([t_i,t_{i+1}]\)에서 \(X=\ln S\), \(b=\ln H\)라 하면, 양 끝점이 배리어 아래일 때 생존확률은

$$\mathbb{P}(\text{no-hit in }[t_i,t_{i+1}]\,|\,X_i,X_{i+1}) =1-\exp\!\left(-\frac{2(b-X_i)(b-X_{i+1})}{\sigma^2\Delta t}\right).$$

이 식을 각 구간에 적용해 생존확률을 누적시키면, “연속 모니터링”에 훨씬 가까운 MC가 됩니다. 또한 Boolean KO(0/1) 대신 연속 확률을 사용하므로 분산 감소 효과도 기대할 수 있습니다.

7.4 BGK 보정: 배리어를 \(O(\sqrt{\Delta t})\)만큼 이동시키는 1차 보정

$$H_{\text{equiv}}=H\exp(\pm \beta\sigma\sqrt{\Delta t}),\qquad \beta=\frac{\zeta(1/2)}{\sqrt{2\pi}}\approx 0.5826.$$

이산 모니터링을 연속 모니터링에 맞추기 위해 “배리어 위치를 살짝 이동”시키는 방법입니다. 구현이 매우 간단하지만, 정밀도는 브라운 브리지 보정이 더 좋은 경우가 많습니다.

항목	BGK	브라운 브리지
구현 난이도	매우 쉬움	중간(구간별 확률 계산)
거친 \(\Delta t\)	보통	좋음
분산 감소	거의 없음	있음(연속 확률)
확장성	다중배리어 복잡	상대적으로 단순

---

8. PDE로의 연결: 기대값이 ‘함수 방정식’이 되는 이유

8.1 이토 보조정리: 확률미분의 체인룰(2차항이 사라지지 않는다)

핵심 전개

\(dS=\mu Sdt+\sigma SdW\)이면 \((dS)^2=\sigma^2S^2dt\)가 되므로, 테일러 전개에서 2차항이 남습니다.

$$dV=\left(V_t+\mu SV_S+\tfrac12\sigma^2S^2V_{SS}\right)dt+\sigma SV_S\,dW.$$

8.2 무차익 헤지로 PDE 유도: 랜덤 항을 제거하면 남는 것은 ‘무위험 성장’

Step 1. \(\Pi=-V+\Delta S\)

Step 2. \(\Delta=V_S\)로 \(dW\) 항 제거(델타 헤지)

Step 3. 무위험 포트폴리오는 \(r\)로 성장해야 함

결론(FX: GK PDE)

$$V_t+\tfrac12\sigma^2S^2V_{SS}+(r_d-r_f)SV_S-r_dV=0,\qquad V(S,T)=\Phi(S).$$

8.3 시간 역전: Backward PDE를 수치적으로 전진 문제로 바꾸기

$$\tau=T-t,\qquad U(S,\tau)=V(S,T-\tau),\qquad U(S,0)=\Phi(S).$$

\(\tau\)를 잔존만기로 두면 초기조건이 만기 페이오프가 되고, \(\tau\)에 대해 전진하며 수치해석을 할 수 있습니다.

8.4 경계조건의 금융적 의미: “도메인 자르기”가 오차를 만든다

조건	형태	금융적 의미	대표 사용
Dirichlet	\(V=g(t)\)	경계에서 값 고정	KO 배리어 \(V=0\)
Neumann	\(V_S=h(t)\)	델타 고정	자연 경계
선형	\(V_{SS}=0\)	감마=0(멀리서 선형)	극단 OTM
자유경계	값/기울기 접합	조기행사 경계	아메리칸

---

9. Explicit 스킴과 안정성: 왜 어떤 격자에서는 ‘폭주’하는가

9.1 수치 불안정의 본질: 오차 증폭(특히 고주파 모드)

불안정은 “정답이 틀렸다”가 아니라, 계산 과정에서 발생하는 아주 작은 오차(절단오차, 반올림오차)가 시간스텝 반복을 통해 기하급수적으로 커지는 현상입니다. von Neumann 분석은 이 오차 증폭을 푸리에 모드로 분해해 추적합니다.

9.2 순수 확산의 CFL 조건: explicit이 ‘조건부 안정’인 이유

FTCS에서 \(r=D\Delta\tau/h^2\)

성장인자 \(g=1-2r(1-\cos\xi)\)이므로 \(|g|\le1\)을 위해 \(r\le 1/2\).

$$\boxed{\frac{D\Delta\tau}{h^2}\le \frac12}\quad\text{(CFL 조건)}$$

9.3 이류 지배와 업윈드: 진동(wiggles)의 원인을 수치적으로 설명하라

페클렛 수와 진동 조건

$$\text{Pe}_h=\frac{|\mu|h}{2D},\qquad \text{Pe}_h>1 \Rightarrow \text{중앙차분에서 진동 가능}.$$

드리프트(이류)가 커지면 중앙차분은 음의 가중치를 만들 수 있고, 이는 비물리적 진동을 유발합니다. 업윈드 차분은 진동을 줄이지만 수치확산이 커져 정확도 손실이 생깁니다.

---

10. Implicit·Crank–Nicolson: 안정성을 “선형시스템”과 교환하다

10.1 Implicit 스킴: 무조건 안정의 대가

$$(I-\Delta\tau L)V^{n+1}=V^n.$$

1D에서는 삼대각 시스템이 되어 \(O(N)\) Thomas 알고리즘으로 풉니다. 하지만 시스템이 커질수록(2D/3D) 선형대수 비용이 지배합니다.

10.2 \(\theta\)-방법: explicit과 implicit의 연속체

$$(I-\theta\Delta\tau L)V^{n+1}=[I+(1-\theta)\Delta\tau L]V^n.$$

• \(\theta=0\): explicit (조건부 안정)
• \(\theta=1\): implicit (무조건 안정, 시간 1차)
• \(\theta=\tfrac12\): Crank–Nicolson (무조건 안정, 시간 2차)

10.3 CN의 진동과 Rannacher: “초기 불연속”을 먼저 감쇠시켜라

콜 페이오프는 꺾임이 있어 고주파 성분이 강합니다. CN은 고주파 감쇠가 약해 초기 구간에서 진동이 생길 수 있습니다. Rannacher는 초반 몇 스텝을 implicit으로 수행해 고주파를 먼저 죽이고, 그 뒤 CN으로 전환해 2차 정확도를 확보합니다.

10.4 삼대각 시스템과 Thomas 알고리즘: PDE가 사실상 선형대수 문제인 이유

삼대각 시스템

1D 유한차분에서 각 격자점은 이웃 두 점과만 연결됩니다(3점 스텐실). 따라서 선형시스템은 삼대각 행렬이 되며, 가우스 소거를 특화한 Thomas 알고리즘으로 \(O(N)\)에 풉니다.

---

11. 2차원 PDE와 ADI: 행렬 폭발을 피하는 방향분할

11.1 2D의 본질적 문제: 미지수 \(N_S N_v\)개, 직접 implicit은 너무 비싸다

Heston PDE는 \(S\)와 \(v\) 두 상태변수로 2D가 됩니다. \(N_S=N_v=200\)만 되어도 미지수는 4만 개이며, 직접 implicit은 거대한 희소시스템을 매 스텝 풀어야 합니다. 이때 비용과 구현 복잡도를 낮추는 대표 전략이 ADI입니다.

11.2 ADI의 핵심 아이디어: “한 번에 2D를 풀지 말고, 1D를 여러 번 풀자”

ADI는 한 타임스텝을 하위 스텝으로 쪼개고, 각 하위 스텝에서 한 방향만 implicit으로 처리하여 삼대각 시스템을 반복해서 풉니다. 결과적으로 2D 전체 시스템을 직접 푸는 것보다 훨씬 저렴합니다.

11.3 교차미분이 있을 때: Craig–Sneyd 계열이 필요한 이유

\(\rho\neq 0\)이면 교차미분 \(V_{Sv}\) 항이 생겨 단순 방향분할이 깨끗하지 않습니다. Craig–Sneyd(CS)와 그 변형(MCS/HV)은 교차항을 별도 보정 단계로 처리해 안정성과 정확도를 유지합니다.

[선택 기준]

• 교차미분 있음(\(\rho\neq0\)): CS/MCS/HV 계열 고려
• 2D 교차미분 없음: PR/DR도 가능
• 3D 확장: 안정성 측면에서 HV/DR 계열이 선호되는 경우가 많음

---

12. 격자 설계: 정확도는 ‘스킴’이 아니라 ‘격자’에서 무너진다

12.1 균일 격자의 한계: 옵션 가격 함수는 ‘어디서나 같은 난이도’가 아니다

옵션 가격은 행사가/배리어 근처에서 급격히 변하고, 멀리 OTM에서는 매우 매끄럽습니다. 균일 격자는 쉬운 구간에 점을 낭비하고, 어려운 구간에 점이 부족해 전체 오차가 커집니다.

12.2 Sinh 변환: 중요한 지점(예: \(K\), \(S_0\), 배리어)에 격자점을 집중

$$x(u)=c+d\sinh(\alpha(u-u_0)),\qquad u\in[0,1].$$

\(\alpha\)가 클수록 \(u_0\) 근처에 점이 몰립니다. 실무에서는 \(c\)를 \(K\) 또는 \(\ln K\), \(u_0\)를 집중 중심으로 잡아 행사가 근처의 곡률(감마)을 더 잘 해상합니다.

12.3 시간 격자: 만기 근처를 더 촘촘히 잡아야 하는 이유

Backward PDE에서는 \(\tau=0\) (만기 직후)에서 페이오프의 불연속 미분이 가장 강합니다. 따라서 초기 구간에서 작은 \(\Delta\tau\)를 쓰면 진동/오차가 크게 줄어듭니다. 예: \(\tau_i=T(i/M)^p,\ p>1\)로 만기 근처를 촘촘하게.

12.4 수렴 테스트: “좋은 격자”는 감으로 판단하지 않는다

[격자 진단의 원칙]

• \(h\)를 절반으로 줄였을 때 오차가 \(1/4\)로 줄면(2차) 설계가 제대로 작동 중
• 도메인을 확장해도 값이 거의 변하지 않으면 경계 오차가 작음
• Rannacher 적용 전/후 진동 비교로 고주파 감쇠 확인

---

13. 통합 관점: 엔진 선택, 오차 예산, 캘리브레이션 워크플로

13.1 가격 엔진 선택 기준: 차원, 페이오프 구조, 그리고 반복 호출 여부

상황	권장 방법	이유
유럽형, 1~2D	반해석(푸리에) 또는 PDE	빠름, 노이즈 없음
배리어/아메리칸, 1~3D	PDE(+ADI)	연속 배리어 자연 처리, 안정적
다자산(4D+)	Monte Carlo	차원의 저주 회피, 유연한 페이오프
복잡한 경로의존	MC + 분산감소	경로 전체가 필요
캘리브레이션	가능하면 반해석 + LM	반복 호출이 핵심 병목

13.2 오차의 분류: “노이즈”와 “편향”을 구분하지 못하면 디버깅이 불가능하다

오차	원인	감소 방법	발생
통계오차(SE)	MC 표본 수 유한	\(N\) 증가, 분산감소, QMC	MC
시간 이산화	\(\Delta t\) 유한	\(\Delta t\) 감소, 강수렴 스킴	MC/PDE
공간 이산화	\(h\) 유한	\(h\) 감소, 비균일 격자	PDE
연속 배리어 편향	이산 관측	브라운브리지/BGK	MC(배리어)
도메인/경계 오차	도메인 절단	도메인 확장, 경계조건 개선	PDE

13.3 Heston 캘리브레이션: 전체 워크플로(한 번에 연결하기)

Step 1. 시장 IV 데이터 수집, 무차익 필터(바운드/캘린더/버터플라이)

Step 2. 가중치 설계(액체성, bid-ask, ATM/OTM 밸런스)

Step 3. 초기값 설정(경험적/통계적)

Step 4. 파라미터 변환으로 제약 제거

Step 5. 가격 엔진(가능하면 특성함수+푸리에) 구축

Step 6. 가격 → IV 변환(Brent) + 잔차 계산

Step 7. LM 업데이트(야코비안 안정화, 필요시 규제)

Step 8. 진단(잔차 패턴, 파라미터 합리성, Feller 조건 등)

13.4 최종 메시지: “도구”가 아니라 “사이클”로 이해하라

가격(기대값) ↔ 수치 엔진(MC/PDE/푸리에) ↔ 수치 오차(편향+노이즈) ↔ 최적화(캘리브레이션)

새로운 상품/모형을 만나면 먼저 이 사이클에서 병목이 어디인지 파악하십시오. 그 병목이 “차원”인지, “경로의존”인지, “선형대수”인지, “루트파인딩”인지, “야코비안 노이즈”인지에 따라 답이 달라집니다.

---

14. 흔한 함정과 오해

[함정 1] MC 경로 수만 늘리면 배리어가 정확해진다

배리어의 핵심 문제는 통계오차가 아니라 이산 관측 편향입니다. \(\Delta t\) 또는 보정을 건드려야 합니다.

[함정 2] 유한차분에서 \(h\)를 줄일수록 야코비안이 좋아진다

반올림오차와 MC 노이즈가 \(\sim 1/h\)로 증폭됩니다. CRN, 적절한 \(h\), 중앙차분/스무딩을 같이 고려해야 합니다.

[함정 3] CN은 무조건 안정이니 항상 최고의 선택이다

CN은 진동 문제를 가질 수 있고, 초기 불연속에서 특히 악화됩니다. Rannacher로 감쇠 후 CN이 표준적 대응입니다.

[함정 4] 캘리브레이션이 안 되면 최적화 알고리즘이 나쁘다

많은 경우 문제는 엔진 노이즈/야코비안/식별가능성/데이터 무차익 위반입니다. 알고리즘 교체 전에 오차 분류표(Section 13.2)로 원인을 분해하십시오.

---

15. 암기 체크리스트

번호	체크 항목	확인
1	위험중립 가격평가식이 “조건부기대값” 형태로 왜 필요한가 설명 가능한가?
2	MC 오차가 \(1/\sqrt{N}\)인 이유와 SE 보고의 의미를 설명 가능한가?
3	이산 관측 편향이 왜 경로 수 증가로 해결되지 않는지 구분 가능한가?
4	브라운 브리지 생존확률 공식이 왜 편향을 줄이는지 설명 가능한가?
5	IV 루트파인딩에서 브렌트가 실무 표준인 이유를 말할 수 있는가?
6	LM이 GN과 GD 사이를 어떻게 오가는지(\(\lambda\)의 의미) 설명 가능한가?
7	Explicit의 CFL 조건과, Implicit/CN의 장단점을 비교 가능한가?
8	2D PDE에서 ADI가 “큰 시스템 대신 여러 1D”를 푸는 이유를 말할 수 있는가?
9	격자 설계(비균일, 도메인, 시간격자)에서 수렴 테스트의 역할을 설명 가능한가?

---

16. 다음 장으로의 연결

Chapter 7에서 얻어야 하는 가장 중요한 역량은 “가격을 계산하는 알고리즘”이 아니라, 오차를 분해하고, 병목을 진단하고, 그에 맞는 수치 도구를 선택하는 감각입니다. 다음 장에서는 (당신의 커리큘럼에 따라) 더 복잡한 모델(LSV, 금리 결합, 크로스커런시) 또는 수치적 그릭스/리스크(민감도, 헤지오차)로 확장되며, 여기서 배운 “사이클 관점”이 그대로 확장되어 작동합니다.

---