마틴게일 부등식과 수렴 정리 (Martingale Inequalities & Convergence)

1. 마틴게일의 기본 개념

1.1. 기본 구성 요소: 확률 공간과 필트레이션

모든 논의는 확률 공간 $(\Omega, \mathcal{F}, P)$에서 시작합니다. 여기서 $\Omega$는 가능한 모든 결과의 집합(표본 공간), $\mathcal{F}$는 사건들의 집합(시그마-대수), P는 각 사건에 확률을 부여하는 함수(확률 측도)입니다.

금융 시장의 동적인 특성을 모델링하기 위해, 우리는 '시간의 흐름에 따른 정보의 축적'을 수학적으로 표현해야 합니다. 이것이 바로 필트레이션(filtration), $\mathbb{F} = (\mathcal{F}_n)_{n \in \mathbb{N}}$의 역할입니다.

• 필트레이션 ($\mathcal{F}_n$): 시점 n까지 관찰 가능한 모든 정보를 포함하는 시그마-대수(a collection of events)입니다. 시간이 흐름에 따라 정보는 소실되지 않고 축적되므로, 필트레이션은 $n \le m$ 이면 $\mathcal{F}_n \subseteq \mathcal{F}_m$ 이라는 성질을 만족해야 합니다. 
• 적응 확률 과정 (Adapted Stochastic Process): 확률 과정 $\xi = (\xi_n)_{n \in \mathbb{N}}$이 필트레이션 $\mathbb{F}$에 적응(adapted)한다는 것은, 각 시점 n에서 확률변수 $\xi_n$의 값이 $\mathcal{F}_n$의 정보를 통해 완벽하게 결정될 수 있음을 수학적으로 표현한 것입니다 (즉, $\xi_n$이 $\mathcal{F}_n$-가측(measurable)임). 이는 주식 가격과 같은 확률 과정의 값이 해당 시점까지의 정보 없이는 결정될 수 없다는 현실을 반영합니다.

1.2. 정의: 마틴게일, 서브마틴게일, 슈퍼마틴게일

정의 (Definition): 마틴게일 (Martingale)

적응 확률 과정 $\xi = (\xi_n)_{n \ge 0}$이 다음 세 가지 조건을 만족할 때, 필트레이션 $(\mathcal{F}_n)_{n \ge 0}$에 대한 마틴게일이라고 합니다.

1. 모든 $n \ge 0$에 대해 $\xi_n$은 $\mathcal{F}_n$-가측(measurable)입니다. ( 적응 조건)
2. 모든 $n \ge 0$에 대해 $E[|\xi_n|] \lt \infty$ 입니다. (적분가능성 조건)
3. 모든 $n \ge 0$에 대해 $E[\xi_{n+1} \mid \mathcal{F}_n] = \xi_n$ 입니다. (마틴게일 성질)

세 번째 조건이 핵심으로, n시점까지의 모든 정보를 알고 있을 때, 다음 시점 n+1의 값에 대한 가장 합리적인 예측(조건부 기댓값)은 다름 아닌 현재 시점의 값 $\xi_n$이라는 것을 의미합니다. 이는 미래의 변화에 대한 아무런 편향(bias)이 없음을 뜻합니다.

• 서브마틴게일 (Sub-martingale): $E[\xi_{n+1} \mid \mathcal{F}_n] \ge \xi_n$. 이는 시간이 지남에 따라 평균적으로 증가하는 경향을 보이는 과정입니다. 금융에서는 이자가 발생하는 예금 계좌의 잔고나, 양(+)의 추세(drift)를 갖는 자산의 가치 과정을 모델링하는 데 사용될 수 있습니다.
• 슈퍼마틴게일 (Super-martingale): $E[\xi_{n+1} \mid \mathcal{F}_n] \le \xi_n$. 이는 시간이 지남에 따라 평균적으로 감소하는 경향을 보이는 과정입니다. 거래 비용이 존재하는 시장에서의 포트폴리오 가치나, 불리한 게임에서의 자본금 변화를 나타낼 수 있습니다.

1.3. 예측가능 과정 (Predictable Process)

마틴게일 이론에서 중요한 또 하나의 개념은 예측가능성입니다. 확률 과정 $(H_n)_{n \ge 1}$이 예측가능(predictable)하다는 것은, 각 시점 $n$에서의 값 $H_n$이 그 이전 시점인 $n-1$까지의 정보, 즉 $\mathcal{F}_{n-1}$에 의해 결정될 수 있음을 의미합니다. 수학적으로는 $H_n$이 $\mathcal{F}_{n-1}$-가측(measurable)인 경우를 말합니다.

금융에서 이는 투자 전략을 모델링하는 데 매우 자연스러운 개념입니다. 예를 들어, $H_n$을 시점 $n-1$과 $n$ 사이에 보유할 주식의 수라고 한다면, 이 결정은 시점 $n-1$에 가용한 정보에 기반해야 합니다. 미래의 정보를 보고 투자 결정을 할 수는 없습니다. 이러한 거래 전략을 마틴게일 변환(martingale transform) 또는 확률 적분(stochastic integral)이라 하며, 이는 포트폴리오 가치의 변화를 모델링하는 핵심 도구가 됩니다.

1.4. 둡 마틴게일 (Doob Martingale): 예측 과정의 모델링

마틴게일을 구성하는 가장 근본적이고 중요한 방법 중 하나는 둡의 마틴게일입니다. 임의의 적분 가능한 확률변수 $\xi$ (예를 들어, 만기 시점의 자산 가격)와 필트레이션 $\mathcal{F}_n$이 주어졌을 때, 새로운 확률 과정 $\xi_n$을 다음과 같이 정의할 수 있습니다.

$$ \xi_n := E[\xi \mid \mathcal{F}_n] $$

이렇게 정의된 과정 $\xi_n$은 자연스럽게 마틴게일이 됩니다. 그 이유는 측도론의 기본 성질인 'Tower Property' (또는 반복 기댓값의 법칙) 때문입니다. $\mathcal{F}_n \subset \mathcal{F}_{n+1}$ 이므로,

$$ E[\xi_{n+1} \mid \mathcal{F}_n] = E[E[\xi \mid \mathcal{F}_{n+1}] \mid \mathcal{F}_n] = E[\xi \mid \mathcal{F}_n] = \xi_n $$

이 성립합니다. 둡 마틴게일 $\xi_n$은 시간이 지남에 따라 정보($\mathcal{F}_n$)가 점차 구체화되면서, 불확실한 미래의 최종 결과($\xi$)에 대한 우리의 예측이 어떻게 합리적으로 갱신되어 가는지를 완벽하게 보여주는 수학적 모델입니다. 이는 마틴게일 수렴 정리의 핵심적인 예시가 됩니다.

2. 둡의 최대 부등식 (Doob's Maximal Inequality): 극단적 움직임의 통제

이 부등식은 서브마틴게일 과정이 특정 수준을 넘어설 확률, 즉 '극단적인 사건'이 발생할 확률에 대한 명확한 상한(upper bound)을 제공합니다. 이는 확률 과정의 경로가 아무리 불규칙하게 움직이더라도 그 변동성이 무한정 커질 수는 없음을 보여주는 강력한 통제 장치입니다. 금융 모델에서 이는 자산 가격이 비정상적으로 급등할 확률을 추정하고, 리스크 관리 모델의 견고함을 증명하는 데 핵심적인 이론적 기반을 제공합니다.

정리 (Proposition): Doob's Maximal Inequality

음이 아닌 서브마틴게일(non-negative sub-martingale) $(\xi_n)_{n \ge 0}$에 대하여, 임의의 양수 $\lambda \gt 0$에 대해 다음이 성립합니다.

$$ P(\max_{0 \le k \le n} \xi_k \ge \lambda) \le \frac{1}{\lambda} E[\xi_n I_{\{\max_{0 \le k \le n} \xi_k \ge \lambda\}}] \le \frac{1}{\lambda} E[\xi_n] $$

여기서 $I_A$는 집합 A의 지시 함수(indicator function)로, 사건 A가 발생하면 1, 아니면 0의 값을 가집니다.

증명 과정 심층 해설

핵심 도구: 최댓값과 멈춤 시간(Stopping Time): 증명의 독창성은 확률 과정의 동적인 경로를 분석하기 위해 '멈춤 시간'이라는 정교한 개념을 도입하는 데 있습니다.

• 경로 최댓값: $\xi_n^* = \max_{0 \le k \le n} \xi_k$. 이는 시점 n까지의 경로상에서 가장 높았던 지점을 기록합니다. 우리의 목표는 이 최댓값이 $\lambda$를 넘을 확률을 제어하는 것입니다.
• 멈춤 시간: $\tau = \min\{k \in \{0, ..., n\} : \xi_k \ge \lambda\}$로 정의하고, 만약 모든 $k \le n$에 대해 $\xi_k \lt \lambda$이면 $\tau = n$으로 정의합니다. 이 $\tau$는 과정 $\xi_k$가 처음으로 $\lambda$라는 문턱(threshold)을 넘는 시점입니다. 중요한 점은, 시점 k에서 $\tau=k$인지 아닌지의 여부는 오직 k시점까지의 정보($\mathcal{F}_k$)만으로 판단 가능하다는 것입니다. 미래의 정보를 '엿볼' 필요가 없습니다. 이러한 성질을 만족하는 시간을 멈춤 시간(Stopping Time)이라고 합니다. 수학적으로 $\tau$가 멈춤 시간이라는 것은 모든 $k$에 대해 $\{\tau=k\} \in \mathcal{F}_k$임을 의미합니다.

선택적 멈춤 정리 (Optional Stopping Theorem)의 활용: 멈춤 시간 $\tau$는 최대 n을 넘지 않으므로 유계(bounded)입니다. 유계인 멈춤 시간에 대해서는 서브마틴게일 $\xi_n$에 대해 선택적 멈춤 정리의 가장 기본적인 형태를 적용할 수 있으며, 이는 $E[\xi_n] \ge E[\xi_\tau]$를 보장합니다. 이 정리의 직관적인 의미는 "유리한 게임(서브마틴게일)에서, 미래를 보지 않고 미리 정한 유한한 규칙에 따라 게임을 멈춘다고 해서, 게임을 끝까지 했을 때보다 평균적으로 더 나은 결과를 얻을 수는 없다"는 것입니다.

기댓값의 전략적 분해: 증명의 핵심 단계는 $E[\xi_n]$를 우리가 관심 있는 사건, 즉 최댓값이 $\lambda$를 넘는 사건을 기준으로 두 조각으로 나누어 분석하는 것입니다.

사건 $A = \{\xi_n^* \ge \lambda\}$ (이는 $\{\tau \le n\}$과 같은 사건입니다) 라고 정의합시다. 우리는 $E[\xi_n]$을 사건 A와 그 여사건 $A^c$에 대해 분해할 수 있습니다.

$$ E[\xi_n] = E[\xi_n I_A] + E[\xi_n I_{A^c}] $$

선택적 멈춤 정리에 의해 $E[\xi_n] \ge E[\xi_\tau]$ 입니다. $E[\xi_\tau]$ 또한 사건 A를 기준으로 분해합니다.

$$ E[\xi_\tau] = E[\xi_\tau I_A] + E[\xi_\tau I_{A^c}] $$

• 사건 A가 발생한 경우: A가 발생했다는 것은 $\tau$의 정의에 의해 $\xi_\tau \ge \lambda$임을 직접적으로 의미합니다. 따라서 이 경우의 기댓값은 마르코프 부등식의 아이디어와 유사하게 $E[\xi_\tau I_A] \ge E[\lambda I_A] = \lambda P(A)$ 와 같이 아래로 제한됩니다.
• 사건 A가 발생하지 않은 경우: $A^c$가 발생했다면, $\tau$는 정의에 따라 n이 됩니다. 따라서 이 경우의 기댓값은 $E[\xi_\tau I_{A^c}] = E[\xi_n I_{A^c}]$ 입니다.

부등식의 재조립 및 완성: 위 결과들을 논리적으로 종합합니다. $$ E[\xi_n] \ge E[\xi_\tau] = E[\xi_\tau I_A] + E[\xi_n I_{A^c}] \ge \lambda P(A) + E[\xi_n I_{A^c}] $$ 이제 $E[\xi_n] = E[\xi_n I_A] + E[\xi_n I_{A^c}]$ 이었으므로, 위 부등식은 다음과 같이 변형됩니다.

$$ E[\xi_n I_A] + E[\xi_n I_{A^c}] \ge \lambda P(A) + E[\xi_n I_{A^c}] $$

양변에서 공통항 $E[\xi_n I_{A^c}]$을 소거하면 다음을 얻습니다.

$$ E[\xi_n I_A] \ge \lambda P(A) $$

사건 A의 정의($A = \{\xi_n^* \ge \lambda\}$)를 대입하고 양변을 $\lambda$로 나누면 첫 번째 부등식 $P(\max_{0 \le k \le n} \xi_k \ge \lambda) \le \frac{1}{\lambda} E[\xi_n I_{\{\max_{0 \le k \le n} \xi_k \ge \lambda\}}]$ 를 얻습니다. 마지막으로, $\xi_n \ge 0$ 이고 지시함수는 1을 넘지 않으므로 $E[\xi_n I_A] \le E[\xi_n]$ 임은 자명하므로 두 번째 부등식도 자연스럽게 성립합니다.

3. 둡의 최대 $L^p$-부등식 (Doob's Maximal $L^p$-inequality): 변동성의 크기 측정

최대 부등식이 극단적 사건의 '확률'을 다루었다면, $L^p$-부등식은 경로상 최댓값의 '크기' 자체를 통계적으로 측정합니다. 특히 $L^2$-부등식은 최댓값의 제곱평균(이는 분산과 밀접한 관련이 있음)이 최종 시점 값의 제곱평균에 의해 제어됨을 명확히 보여줍니다. 이는 마틴게일 과정의 변동성(volatility)이 시간에 따라 어떻게 제한되는지에 대한 정량적인 정보를 제공하며, 금융 파생상품의 위험 측정에 중요한 시사점을 줍니다.

정리 (Theorem): Doob's Maximal $L^p$-inequality

$p \gt 1$에 대하여, 음이 아닌 서브마틴게일 $\xi_n$이 $E[|\xi_n|^p] \lt \infty$를 만족하면 다음이 성립합니다.

$$ E[(\max_{0 \le k \le n} \xi_k)^p] \le \left(\frac{p}{p-1}\right)^p E[|\xi_n|^p] $$

특히, 금융에서 변동성 측정에 널리 사용되는 $p=2$인 경우 ($L^2$-inequality) 는 다음과 같은 간결한 형태를 가집니다.

$$ E[(\max_{0 \le k \le n} \xi_k)^2] \le 4 \cdot E[\xi_n^2] $$

$L^2$-부등식 증명 과정 심층 해설

기댓값의 적분 표현 항등식: 증명의 출발점은 음이 아닌 확률변수 $X$의 p-제곱 기댓값을 확률분포함수를 이용한 적분으로 변환하는 유용한 항등식입니다. $E[X^p] = \int_0^\infty p\lambda^{p-1} P(X \ge \lambda) d\lambda$. 이 공식은 Fubini 정리를 통해 적분 순서를 교환함으로써 증명되며, 기댓값 계산을 다른 관점에서 바라볼 수 있게 해주는 강력한 도구입니다.

이 공식을 $p=2$이고 $X=\xi_n^* = \max_{0 \le k \le n} \xi_k$ 인 경우에 적용하면, $E[(\xi_n^*)^2] = \int_0^\infty 2t P(\xi_n^* \ge t) dt$ 를 얻습니다.

최대 부등식의 대입: 위 식의 $P(\xi_n^* \ge t)$ 항에 바로 위에서 증명한 Doob's Maximal Inequality를 적용하여 확률을 기댓값으로 변환합니다.

$$ P(\xi_n^* \ge t) \le \frac{1}{t} \int_{\{\xi_n^* \ge t\}} \xi_n dP $$

이를 대입하면, $E[(\xi_n^*)^2] \le \int_0^\infty 2t \cdot \frac{1}{t} \left(\int_\Omega \xi_n I_{\{\xi_n^* \ge t\}} dP\right) dt = 2 \int_0^\infty \int_\Omega \xi_n I_{\{\xi_n^* \ge t\}} dP dt$

Fubini 정리와 Cauchy-Schwarz 부등식의 조화:

다시 한번 Fubini 정리를 적용하여 적분 순서를 바꾸면, 안쪽의 t에 대한 적분은 $\int_0^{\xi_n^*(\omega)} dt = \xi_n^*(\omega)$ 가 되므로, 전체 식은 $2 \int_\Omega \xi_n(\omega) \xi_n^*(\omega) dP(\omega) = 2 E[\xi_n \xi_n^*]$ 로 깔끔하게 정리됩니다.

마지막 단계는 Cauchy-Schwarz 부등식($E[XY] \le \sqrt{E[X^2]E[Y^2]}$)을 적용하여 두 변수의 곱의 기댓값을 각각의 제곱 기댓값으로 분리하는 것입니다.

$$ 2E[\xi_n \xi_n^*] \le 2 \sqrt{E[\xi_n^2]} \sqrt{E[(\xi_n^*)^2]} $$

결과적으로 우리는 $E[(\xi_n^*)^2] \le 2 \sqrt{E[\xi_n^2]} \sqrt{E[(\xi_n^*)^2]}$ 라는 자기참조적인 부등식을 얻게 됩니다.

$E[(\xi_n^*)^2]$가 유한하다고 가정하면 (만약 무한하다면 부등식은 자명하게 성립), 양변을 $\sqrt{E[(\xi_n^*)^2]}$로 나누고 제곱하여 최종 결과 $E[(\xi_n^*)^2] \le 4E[\xi_n^2]$ 를 도출합니다.

4. 둡의 마틴게일 수렴 정리 (Doob's Martingale Convergence Thm.)

이 정리는 마틴게일 이론의 가장 심오하고 중요한 결과 중 하나로, 특정 조건 하에서 마틴게일 과정이 시간이 무한히 경과할 때 거의 확실하게(almost surely, a.s.) 하나의 값으로 수렴함을 보장합니다. 이는 끝없이 변동하는 것처럼 보이는 확률 과정에도 내재된 안정성이 있음을 보여줍니다. 금융 시장의 맥락에서 이는 자산 가격이나 포트폴리오 가치가 무한정 발산하거나 영원히 진동하지 않고, 어떤 안정된 값(파산 상태인 0일 수도 있음)으로 수렴할 수 있는 근본적인 조건을 제시합니다.

정리 (Theorem): Doob's Martingale Convergence Theorem

서브마틴게일 $(\xi_n)_{n \ge 0}$ 이 $\sup_n E[\xi_n^+] \lt \infty$ 조건(여기서 $\xi_n^+ = \max(\xi_n, 0)$)을 만족하면, $n \to \infty$ 일 때 $\xi_n(\omega) \to \xi(\omega)$ a.s. 를 만족하는 적분 가능한 확률변수 $\xi$가 존재한다. 특히, 음이 아닌 슈퍼마틴게일이나 $L^1$-유계($\sup_n E[|\xi_n|] \lt \infty$)인 마틴게일은 이 조건을 만족하여 거의 확실하게 수렴한다.

"Almost surely (a.s.)": '거의 확실하게'라는 이 표현은 확률론의 핵심 개념으로, 수렴하지 않는 예외적인 표본 경로($\omega$)가 존재할 수는 있지만, 그러한 '이상한' 경로들의 집합 전체의 확률 측도(measure)가 정확히 0임을 의미합니다.

증명의 핵심 아이디어: 상향횡단(Upcrossing) 부등식

이 심오한 정리의 증명은 '상향횡단 부등식(Upcrossing Inequality)'이라는, 둡의 또 다른 천재적인 발명품을 사용합니다.

• 상향횡단(Upcrossing) 횟수: 임의의 두 실수 $a \lt b$에 대해, 확률 과정 $\xi_n$의 경로가 a 아래에 있다가 b 위로 올라가는, 즉 '상향 횡단'하는 횟수를 $U_n(a,b)$로 정의합니다.
• 상향횡단 부등식: 둡은 서브마틴게일에 대해, 이 상향 횡단 횟수의 기댓값이 유한하며, $E[U_n(a,b)] \le \frac{E[(\xi_n - a)^+] - E[(\xi_0 - a)^+]}{b-a}$ 와 같이 명확한 상한을 가짐을 보였습니다.
• 수렴과의 논리적 연결: 만약 $\xi_n$의 어떤 경로가 수렴하지 않는다면, 그 경로는 발산하거나 무한히 진동해야 합니다. 후자의 경우, 그 경로는 어떤 유리수 구간 $[a, b]$를 무한히 많이 상향 횡단해야만 합니다. 하지만 정리의 조건($\sup_n E[\xi_n^+] \lt \infty$)은 상향 횡단 횟수의 기댓값이 유한함을 보장하므로, 단조 수렴 정리에 의해 $U_\infty(a,b)$의 기댓값도 유한하고, 따라서 $U_\infty(a,b)$는 거의 확실하게 유한합니다. 이는 무한히 횡단하는 경로의 집합은 확률 0을 가져야 함을 의미합니다. 모든 유리수 구간에 대해 이 논리를 적용하면, 과정은 거의 모든 경로에 대해 수렴해야 한다는 결론에 이릅니다.

5. 균등 적분가능성 (Uniform Integrability) & $L^1$ 수렴: 수렴의 완성

마틴게일이 어떤 값 $\xi$로 a.s. 수렴한다는 사실만으로는, 기댓값 역시 수렴하는지, 즉 $E[\xi_n] \to E[\xi]$를 보장할 수 없습니다. 금융에서 자산의 가격은 본질적으로 미래 현금흐름의 (위험조정) 기댓값이므로, 이 간극을 메우는 것은 이론과 실제를 연결하는 데 매우 중요합니다. 이 때 결정적인 역할을 하는 핵심 조건이 바로 균등 적분가능성(Uniform Integrability, UI) 입니다.

5.1. 정의: 균등 적분가능성 (Uniform Integrability)

정의 (Definition): Uniform Integrability

확률변수들의 집합(또는 시퀀스) $\{\xi_n\}$이 균등 적분가능하다는 것은, 다음의 두 동치 조건 중 하나를 만족함을 의미합니다.

1. $\sup_n E[|\xi_n|] \lt \infty$
2. $\lim_{M \to \infty} \sup_n \int_{\{|\xi_n| \gt M\}} |\xi_n| dP = 0$

두 번째 조건의 직관적인 의미는, 시퀀스에 속한 모든 확률변수들의 '꼬리(tail)' 부분이 기댓값에 미치는 영향이 균일하게(uniformly) 통제된다는 것입니다. 즉, M을 충분히 크게 잡으면, 어떤 $\xi_n$을 가져오더라도 그 값이 M을 초과하는 극단적인 경우들이 전체 기댓값에 미치는 영향은 무시할 수 있을 정도로 작아진다는 뜻입니다.

5.2. 적분가능성과의 관계 (Relationship with Integrability)

균등 적분가능성은 단일 확률변수의 적분가능성 개념을 확률변수 '시퀀스 전체'로 확장하고 강화한 개념입니다.

명제 (Proposition):

단일 확률변수 $\xi$가 적분가능하다 ($E[|\xi|] \lt \infty$)는 것과 다음 조건은 동치이다.

$$ \lim_{M \to \infty} E[|\xi| I_{\{|\xi| \gt M\}}] = 0 $$

증명 (Pf):

(⇒): $\xi$가 적분가능하다고 가정하자. 확률변수열 $Y_M = |\xi| I_{\{|\xi| \gt M\}}$을 생각하면, 모든 M에 대해 $Y_M \le |\xi|$ 이고 가정에 의해 $E[|\xi|] \lt \infty$ 이다. 또한, $M \to \infty$ 이면 $Y_M \to 0$ a.s. 이다. 따라서 르벡의 지배 수렴 정리(Dominated Convergence Theorem)에 의해 극한과 적분(기댓값)의 순서를 교환할 수 있어, $\lim_{M \to \infty} E[Y_M] = E[\lim_{M \to \infty} Y_M] = E[0] = 0$ 이다.

(⇐): $\lim_{M \to \infty} E[|\xi| I_{\{|\xi| \gt M\}}] = 0$ 이라고 가정하자. 이는 임의의 작은 $\epsilon \gt 0$에 대해 충분히 큰 N을 잡으면 $E[|\xi| I_{\{|\xi| \gt N\}}] \lt \epsilon$ 임을 의미한다. 기댓값을 두 부분으로 분해하면,

$$ E[|\xi|] = E[|\xi| I_{\{|\xi| \gt N\}}] + E[|\xi| I_{\{|\xi| \le N\}}] $$

여기서 두 번째 항은 $E[|\xi| I_{\{|\xi| \le N\}}] \le E[N I_{\{|\xi| \le N\}}] \le N$ 이므로,

$$ E[|\xi|] \le E[|\xi| I_{\{|\xi| \gt N\}}] + N \lt \epsilon + N $$

이 되어 유한한 값보다 작다. 따라서 $\xi$는 적분가능하다.

5.3. 균등 적분가능성의 실용적 조건

정의를 직접 확인하는 것은 까다로울 수 있습니다. 실용적으로 UI를 보장하는 가장 흔하고 강력한 방법은 다음과 같습니다.

정리 (Theorem):

만약 확률 과정 $\xi_n$이 어떤 적분 가능한 확률변수 Y에 의해 '지배(dominate)'되면, 즉 모든 n에 대해 $|\xi_n| \le Y$ a.s. 이고 $E[Y] \lt \infty$ 이면, $\{\xi_n\}$은 균등 적분가능합니다.

증명 (Pf):

$|\xi_n| \le Y$ 이므로, $|\xi_n|$이 M보다 크다는 사건은 Y가 M보다 크다는 사건의 부분집합입니다. 즉, $\{|\xi_n| \gt M\} \subset \{Y \gt M\}$ 이 성립합니다.

따라서 적분의 단조성에 의해, $\int_{\{|\xi_n| \gt M\}} |\xi_n| dP \le \int_{\{|\xi_n| \gt M\}} Y dP \le \int_{\{Y \gt M\}} Y dP$ 입니다.

Y가 적분가능하므로, 바로 위에서 증명한 명제에 의해 $M \to \infty$ 일 때 오른쪽 항 $\int_{\{Y \gt M\}} Y dP$는 0으로 수렴합니다.

이 상한이 n에 무관하므로, $\lim_{M \to \infty} \sup_n \int_{\{|\xi_n| \gt M\}} |\xi_n| dP = 0$ 이 되어 $\{\xi_n\}$은 정의에 의해 균등 적분가능합니다.

5.4. 마틴게일 수렴 이론의 완성

균등 적분가능성은 거의 확실한 수렴(a.s. convergence)을 훨씬 강력한 $L^1$ 수렴으로 격상시키고, 마틴게일 과정을 최종 결과의 조건부 기댓값으로 표현할 수 있게 해주는, 이론의 화룡점정과도 같습니다.

정리 (Theorem): Martingale Convergence Theorem (Complete Version)

마틴게일 $(M_n)_{n \ge 0}$에 대하여 다음 세 명제는 서로 동치(equivalent)입니다.

1. $\{M_n\}_{n \ge 0}$은 균등 적분가능(uniformly integrable)하다.
2. $M_n$은 $L^1$ 공간에서 수렴한다. 즉, $E[|M_n - M_\infty|] \to 0$ as $n \to \infty$ 를 만족하는 $M_\infty \in L^1$ 이 존재한다.
3. $M_n$은 닫힌 마틴게일(closable martingale)이다. 즉, 모든 $n \ge 0$에 대해 $M_n = E[M_\infty \mid \mathcal{F}_n]$ 를 만족하는 $M_\infty \in L^1$ 이 존재한다.

결론 및 금융적 함의:

마틴게일이 균등 적분가능이라는 강력한 조건을 만족하면, 그 마틴게일은 거의 모든 경로에 대해 수렴할 뿐만 아니라, 평균적으로도 오차 없이 수렴($L^1$ 수렴)합니다. 더 나아가, 마틴게일 과정의 임의의 시점 n에서의 값 $M_n$은, 우리가 알지 못하는 최종 수렴값 $M_\infty$을 n시점의 정보($\mathcal{F}_n$) 하에서 계산한 최선의 예측(조건부 기댓값)과 정확히 일치한다는 놀라운 결과를 얻습니다.

이는 현대 금융의 자산 가격 결정의 기본 정리(Fundamental Theorem of Asset Pricing)의 수학적 표현과 정확히 일치합니다. 위험중립 확률 측도 Q 하에서, 이자율로 할인된 파생상품 가격 과정 $e^{-rt} C_t$ ($C_t$는 시점 t의 파생상품 가격)는 마틴게일이어야 합니다. 만기 T에서의 페이오프(payoff)가 $C_T$일 때, 위 정리에 의해 시점 t의 가격은 다음과 같이 유일하게 결정됩니다.

$$ e^{-rt}C_t = E_Q[e^{-rT}C_T \mid \mathcal{F}_t] \implies C_t = E_Q[e^{-r(T-t)} C_T \mid \mathcal{F}_t] $$

이처럼 마틴게일의 부등식과 수렴 이론은 금융 시장의 동적인 불확실성을 수학적으로 엄밀하고 아름답게 다루며, 현대 금융공학의 가격 결정 및 리스크 관리 이론에 대한 확고한 근본적인 토대를 제공합니다.