균등적분가능성(Uniform Integrability)

Uniform Integrability (균등적분가능성)

금융수학, 특히 확률과정론에서 균등적분가능성(Uniform Integrability)은 확률변수들의 집합이 "꼬리(tail)" 부분에서 가지는 질량이 균일하게 작다는 것을 의미하는 매우 중요한 개념입니다. 어떤 확률변수열 ${f_n}$이 L1 공간에서 수렴하는지, 즉 $E[|f_n - f|] \to 0$ 인지를 판별하는 핵심적인 조건이 됩니다.

단순히 확률적으로 수렴($f_n \xrightarrow{P} f$)하는 것만으로는 기댓값의 수렴($E[f_n] \to E[f]$)을 보장할 수 없습니다. 이는 르벡의 지배수렴정리(Lebesgue's Dominated Convergence Theorem)에서 수렴을 보장하기 위해 필요한 '지배 함수(dominating function)' $g \in L^1$가 존재하지 않는 경우에 발생할 수 있는 문제입니다. 확률분포의 '질량(mass)'이 $n \to \infty$ 과정에서 무한대로 '새어 나가는(escape to infinity)' 현상이 발생할 수 있기 때문입니다. 균등적분가능성은 바로 이러한 질량의 유실을 방지하고, 지배 함수가 존재하지 않더라도 $L^1$ 수렴을 보장해주는 '가교' 역할을 합니다.

---

정의 (Uniformly Integrable)

확률변수들의 집합 ${f_n}$이 다음 두 가지 동치 조건 중 하나를 만족할 때, 균등적분가능(uniformly integrable)하다고 합니다.

• $\lim_{M \to \infty} \sup_n \int_{{|f_n| > M}} |f_n| dP = 0$
• 임의의 $\epsilon > 0$에 대해, 어떤 $M > 0$이 존재하여 모든 $n$에 대해 $\int_{{|f_n| > M}} |f_n| dP < \epsilon$ 을 만족한다.

직관적으로, $M$을 충분히 크게 잡으면, $|f_n|$의 값이 $M$을 초과하는 "아주 드문 사건"이 발생하더라도, 그 사건에서의 $f_n$의 기댓값(적분값)이 모든 $n$에 대해 균일하게 0으로 수렴한다는 의미입니다. 이는 개별 $f_n$이 적분 가능하다는 조건($E[|f_n|] < \infty$)보다 훨씬 강력한 조건입니다. 여기서 핵심은 $M$의 선택이 특정 $n$에 의존하지 않고, 전체 수열 $\{f_n\}$에 대해 일괄적으로 적용된다는 점입니다.

---

보조정리 (Lemma): 적분 가능한 함수의 기본 성질

먼저 모든 논증의 기초가 되는 중요한 보조정리를 살펴보겠습니다.

Lemma: 확률변수 $f$가 적분 가능하다면 ($f \in L^1$, 즉 $E[|f|] < \infty$), 임의의 $\epsilon > 0$에 대해 적절한 $\delta > 0$가 존재하여, $P(A) < \delta$인 모든 사건 $A$에 대해 다음이 성립한다. $$ \int_A |f| dP < \epsilon $$ 이를 측도 $v(A) = \int_A |f| dP$가 확률측도 $P$에 대해 절대 연속(absolutely continuous)이라고도 부릅니다. 즉, $P(A)=0$이면 $v(A)=0$이 성립함을 의미하며, 더 나아가 $P(A)$가 아주 작은 값을 가지면 $v(A)$도 아주 작은 값을 가짐을 보장합니다.

증명 (Proof):

1. 적분 영역 분할: 우리의 목표는 $\int_A |f| dP$ 값을 통제하는 것입니다. 이를 위해 적분 영역 $A$를 $f$의 값이 큰 부분과 작은 부분으로 나눕니다. $$ \int_A |f| dP = \int_{A \cap \{|f| > M\}} |f| dP + \int_{A \cap \{|f| \le M\}} |f| dP $$ 여기서 $M$은 우리가 조절할 수 있는 양수입니다.
2. 첫 번째 항 통제: $f$는 적분 가능하므로, 단조수렴정리(Monotone Convergence Theorem)에 의해 $\lim_{M \to \infty} E[|f| \cdot 1_{\{|f| \le M\}}] = E[|f|]$ 이고, 따라서 $\lim_{M \to \infty} E[|f| \cdot 1_{\{|f| > M\}}] = 0$ 입니다. 여기서 $1_B$는 사건 $B$가 일어나면 1, 아니면 0인 지시함수(indicator function)입니다. 따라서, 주어진 $\epsilon > 0$에 대해, $M$을 충분히 크게 선택하여 다음을 만족시킬 수 있습니다. $$ \int_{\{|f| > M\}} |f| dP < \frac{\epsilon}{2} $$ 적분 영역이 $A \cap \{|f| > M\}$로 더 작아지므로, 다음 부등식은 자명하게 성립합니다. $$ \int_{A \cap \{|f| > M\}} |f| dP \le \int_{\{|f| > M\}} |f| dP < \frac{\epsilon}{2} $$
3. 두 번째 항 통제: 두 번째 항에서는 $|f| \le M$ 이므로, 적분값은 다음과 같이 제한됩니다. $$ \int_{A \cap \{|f| \le M\}} |f| dP \le \int_{A \cap \{|f| \le M\}} M dP = M \cdot P(A \cap \{|f| \le M\}) \le M \cdot P(A) $$
4. 델타(δ) 설정 및 결론: 이제 두 항을 합치면 다음과 같습니다. $$ \int_A |f| dP < \frac{\epsilon}{2} + M \cdot P(A) $$ 우리는 이 전체 값이 $\epsilon$보다 작아지기를 원합니다. 이를 위해 $\delta = \frac{\epsilon}{2M}$ 으로 설정합시다. 만약 $P(A) < \delta$ 라면, $$ M \cdot P(A) < M \cdot \delta = M \cdot \frac{\epsilon}{2M} = \frac{\epsilon}{2} $$ 가 되어, 최종적으로 다음 결론을 얻습니다. $$ \int_A |f| dP < \frac{\epsilon}{2} + \frac{\epsilon}{2} = \epsilon $$ 이로써 증명이 완료됩니다.

---

균등적분가능성을 위한 동치 조건: de la Vallée Poussin Theorem

균등적분가능성을 정의에 따라 직접 확인하는 것은 종종 까다롭습니다. 이때 유용하게 사용되는 것이 de la Vallée Poussin의 정리입니다.

Theorem (de la Vallée Poussin): 확률변수 집합 $\{f_n\}$이 균등적분가능하기 위한 필요충분조건은, 다음을 만족하는 non-negative, non-decreasing, convex 함수 $G: [0, \infty) \to [0, \infty)$가 존재하는 것이다: $$ \lim_{x \to \infty} \frac{G(x)}{x} = \infty \quad \text{and} \quad \sup_n E[G(|f_n|)] < \infty $$

이 정리는 균등적분가능성이라는 '꼬리'에 대한 조건을, 모든 수열에 대해 $G(|f_n|)$의 기댓값이 유계(bounded)가 되게 하는 '볼록 함수' $G$의 존재성 문제로 바꾸어 줍니다. 직관적으로 $G$는 $x$가 커짐에 따라 $x$보다 훨씬 빠르게 증가해야 하며($\lim_{x \to \infty} G(x)/x = \infty$), 이러한 $G$를 적용했음에도 불구하고 기댓값이 발산하지 않는다는 것은 $|f_n|$의 꼬리 부분이 충분히 빠르게 감소함을 의미합니다. 예를 들어, 만약 $\sup_n E[|f_n|^{1+\epsilon}] < \infty$ for some $\epsilon > 0$ 이라면, $G(x) = x^{1+\epsilon}$ 으로 잡을 수 있으므로 $\{f_n\}$은 균등적분가능합니다. 즉, $L^p$ ($p>1$) 공간에서 유계인 수열은 항상 균등적분가능합니다.

---

명제: L1 수렴과 균등적분가능성의 관계

Proposition: 확률변수열 $\{f_n\}$이 $L^1$ 공간에서 $f$로 수렴한다면 ($f_n \xrightarrow{L^1} f$), $\{f_n\}$은 균등적분가능(uniformly integrable)하다.

이는 균등적분가능성이 $L^1$ 수렴을 위한 필요조건(necessary condition)임을 의미합니다.

증명 (Proof):

$f_n \xrightarrow{L^1} f$ 라는 것은 $\lim_{n \to \infty} E[|f_n - f|] = 0$ 을 의미합니다.

1. L1 수렴 조건 활용: $L^1$ 수렴 가정에 따라, 임의의 $\epsilon > 0$ 에 대해, 충분히 큰 $N$을 찾을 수 있어서 모든 $n \ge N$ 에 대해 다음이 성립합니다. $$ E[|f_n - f|] = \int_{\Omega} |f_n - f| dP < \frac{\epsilon}{2} $$
2. 보조정리(Lemma) 적용: $f_n \xrightarrow{L^1} f$ 이면 $f$ 또한 $L^1$에 속합니다 (삼각부등식 $|f| \le |f_n| + |f_n - f|$를 이용해 증명 가능). 따라서 앞서 증명한 보조정리에 의해, 어떤 $\delta > 0$가 존재하여 $P(A) < \delta$ 이면 다음을 만족합니다. $$ \int_A |f| dP < \frac{\epsilon}{2} $$
3. 균등한 확률 경계 설정 (Claim): 이제 모든 $n$에 대해 $P(\{|f_n| > M\}) < \delta$ 를 만족하는 $M$을 찾을 수 있음을 보여야 합니다. 이는 마르코프 부등식(Markov's Inequality)을 통해 보일 수 있습니다. $$ P(\{|f_n| > M\}) \le \frac{E[|f_n|]}{M} $$ $f_n$이 $L^1$에서 수렴하므로, 기댓값의 수열 $E[|f_n|]$은 유계(bounded)입니다. 즉, $\sup_n E[|f_n|] < C$ 인 상수 $C$가 존재합니다. 이제 $M$을 $M > C/\delta$ 가 되도록 충분히 크게 잡으면, 모든 $n$에 대해, $$ P(\{|f_n| > M\}) \le \frac{E[|f_n|]}{M} \le \frac{C}{M} < \delta $$ 가 성립합니다.
4. 적분값 분해 및 결론 ($n \ge N$인 경우): 이제 균등적분가능성의 정의를 확인해 봅시다. $$ \int_{\{|f_n| > M\}} |f_n| dP $$ 삼각부등식 $|f_n| \le |f_n - f| + |f|$ 를 이용해 적분을 분해합니다. $$ \int_{\{|f_n| > M\}} |f_n| dP \le \int_{\{|f_n| > M\}} |f_n - f| dP + \int_{\{|f_n| > M\}} |f| dP $$ 첫 번째 항: 적분 영역을 전체 $\Omega$로 확장해도 값은 커지므로, $$ \int_{\{|f_n| > M\}} |f_n - f| dP \le \int_{\Omega} |f_n - f| dP = E[|f_n - f|] < \frac{\epsilon}{2} \quad (\text{for } n \ge N) $$ 두 번째 항: 3단계에서 $P(\{|f_n| > M\}) < \delta$ 임을 보였고, 2단계에서 $P(A) < \delta$ 이면 $\int_A |f| dP < \epsilon/2$ 임을 알았으므로, $A = \{|f_n| > M\}$ 으로 두면 $$ \int_{\{|f_n| > M\}} |f| dP < \frac{\epsilon}{2} $$ 두 결과를 합치면, 모든 $n \ge N$에 대해 $\int_{\{|f_n| > M\}} |f_n| dP < \frac{\epsilon}{2} + \frac{\epsilon}{2} = \epsilon$ 을 얻습니다.
5. 유한 개의 항 처리 ($n < N$인 경우): $n = 1, 2, \ldots, N-1$ 에 대해서는 유한 개의 적분 가능한 함수 $\{f_1, \ldots, f_{N-1}\}$만 고려하면 됩니다. 각각의 $f_i$에 대해 $\lim_{M \to \infty} \int_{\{|f_i| > M\}} |f_i| dP = 0$ 이므로, 우리는 충분히 큰 $M'$을 선택하여 모든 $i \in \{1, \ldots, N-1\}$ 에 대해 $\int_{\{|f_i| > M'\}} |f_i| dP < \epsilon$ 이 되게 할 수 있습니다. 따라서, 4단계에서 찾은 $M$과 여기서 찾은 $M'$ 중에서 더 큰 값, 즉 $M_{\text{final}} = \max(M, M')$ 을 선택하면, 모든 $n \in \mathbb{N}$에 대해 $$ \int_{\{|f_n| > M_{\text{final}}\}} |f_n| dP < \epsilon $$ 이 성립합니다. 이는 $\{f_n\}$이 균등적분가능함의 정의와 정확히 일치합니다.

---

핵심 정리: 비탈리 수렴 정리 (Vitali Convergence Theorem)

균등적분가능성의 중요성을 가장 잘 보여주는 정리는 바로 비탈리 수렴 정리입니다. 이 정리는 $L^1$ 수렴과 확률 수렴 사이의 관계를 명확하게 규명합니다.

Theorem (Vitali): $L^1$에 속하는 확률변수열 $\{f_n\}$과 확률변수 $f$에 대하여, 다음은 동치이다.

$f_n \xrightarrow{L^1} f$ (즉, $\lim_{n \to \infty} E[|f_n - f|] = 0$)

$\iff$

(i) $f_n \xrightarrow{P} f$ (확률 수렴) 그리고 (ii) 확률변수열 $\{f_n\}$은 균등적분가능하다.

증명 스케치 ((i), (ii) $\implies L^1$ 수렴):

$L^1$ 수렴이 균등적분가능성을 함의한다는 것은 위에서 증명했습니다. 반대 방향의 증명은 다음과 같은 단계로 이루어집니다.

1. 목표 설정: $E[|f_n - f|] \to 0$ 임을 보여야 합니다.
2. 적분 분해: 임의의 $M>0$에 대해 적분을 두 부분으로 나눕니다. $$ E[|f_n - f|] = \int_{\{|f_n-f| \le M\}} |f_n - f| dP + \int_{\{|f_n-f| > M\}} |f_n - f| dP $$
3. 첫 번째 항 통제: 적분 영역 안에서는 $|f_n - f| \le M$ 이므로, 이 항은 $M \cdot P(\Omega) = M$ 보다 작습니다. 하지만 더 타이트한 바운드가 필요합니다. $f_n \xrightarrow{P} f$ 이므로, $n$을 충분히 크게 하면 $|f_n - f|$가 아주 작은 $\delta$보다 작을 확률이 1에 가까워집니다. 이 사실과 Egorov's Theorem을 이용하여 이 항이 0으로 감을 보일 수 있습니다. 더 간단하게는, $g_n(M) = \min(|f_n-f|, M)$ 으로 정의하면 $g_n(M) \xrightarrow{P} 0$ 이고 $g_n(M) \le M$ 이므로 지배수렴정리에 의해 $E[g_n(M)] \to 0$ 입니다.
4. 두 번째 항(꼬리) 통제: 삼각부등식에 의해 $\int_{\{|f_n-f| > M\}} |f_n - f| dP \le \int_{\{|f_n-f| > M\}} |f_n| dP + \int_{\{|f_n-f| > M\}} |f| dP$ 입니다. $\{f_n\}$이 균등적분가능하고 $f$도 $L^1$에 속하므로 (이는 UI 조건과 확률수렴으로 증명 가능), 충분히 큰 $M$에 대해 이 두 항을 임의의 $\epsilon$보다 작게 만들 수 있습니다. $\{f_n\}$의 균등적분가능성이 $\{|f_n-f|\}$의 균등적분가능성을 함의함을 보이는 과정이 필요하며, 이를 통해 $M$을 크게 잡으면 $n$에 무관하게 이 항을 작게 만들 수 있습니다.
5. 결론: 임의의 $\epsilon>0$에 대해, 먼저 $M$을 충분히 크게 잡아 두 번째 꼬리 부분을 $\epsilon/2$보다 작게 만들고, 그 $M$에 대해 $n$을 충분히 크게 하여 첫 번째 부분을 $\epsilon/2$보다 작게 만들 수 있으므로 $E[|f_n-f|] \to 0$을 보일 수 있습니다.

---

예제 분석

예제 1: 조건부 기댓값과 마틴게일

$f$가 적분 가능한 확률변수이고, $\mathcal{F}_n$이 여과(filtration)일 때, $f_n = E[f | \mathcal{F}_n]$으로 정의된 확률변수열은 균등적분가능한 마틴게일(uniformly integrable martingale)임을 보이시오.

풀이:

마틴게일 성질:

$f_n = E[f | \mathcal{F}_n]$은 마틴게일의 정의를 만족합니다. 여과 $\mathcal{F}_n$은 $\mathcal{F}_{n+1}$에 포함되므로($\mathcal{F}_n \subseteq \mathcal{F}_{n+1}$), Tower Property (첩의 법칙)에 의해 다음이 성립합니다. $$ E[f_{n+1} | \mathcal{F}_n] = E[E[f | \mathcal{F}_{n+1}] | \mathcal{F}_n] = E[f | \mathcal{F}_n] = f_n $$ 또한, 젠센 부등식(Jensen's inequality)에 의해 $|f_n| = |E[f | \mathcal{F}_n]| \le E[|f| | \mathcal{F}_n]$ 이고, $E[|f_n|] \le E[E[|f| | \mathcal{F}_n]] = E[|f|] < \infty$ 이므로 $f_n$은 적분 가능합니다. 따라서 $\{f_n\}$은 마틴게일입니다.

균등적분가능성 증명:

이 부분이 핵심입니다. 우리는 $\lim_{M \to \infty} \sup_n \int_{\{|f_n| > M\}} |f_n| dP = 0$ 임을 보여야 합니다. 젠센 부등식을 다시 사용하면, $|f_n| \le E[|f| | \mathcal{F}_n]$ 입니다. 조건부 기댓값의 성질 중 하나인 Partial Averaging을 이용합니다: 사건 $A \in \mathcal{F}_n$에 대해, $\int_A E[X | \mathcal{F}_n] dP = \int_A X dP$ 가 성립합니다. 사건 $A_n = \{|f_n| > M\}$ 은 $f_n$에 의해 결정되므로 $\mathcal{F}_n$에 속하는 가측 사건($A_n \in \mathcal{F}_n$)입니다. 이제 증명을 진행해 봅시다. $$ \int_{\{|f_n| > M\}} |f_n| dP \le \int_{\{|f_n| > M\}} E[|f| | \mathcal{F}_n] dP $$ 여기서 $A_n = \{|f_n| > M\}$ 에 Partial Averaging 성질을 적용하면, $$ = \int_{\{|f_n| > M\}} |f| dP $$ 이제 우변의 적분은 $n$에 직접적으로 의존하지 않고, 오직 사건 $\{|f_n|>M\}$을 통해서만 $n$과 관련됩니다. 모든 $n$에 대해 $P(\{|f_n|>M\}) \le \frac{E[|f_n|]}{M} \le \frac{E[|f|]}{M}$ 이므로, $M \to \infty$ 이면 $P(\{|f_n|>M\}) \to 0$ 이 균일하게 성립합니다. 적분 가능한 함수 $f$에 대한 적분은 (위의 보조정리에 의해) 측도가 0으로 갈 때 0으로 가므로, $\sup_n \int_{\{|f_n| > M\}} |f| dP \to 0$ 이 성립합니다. 따라서 $\{f_n\}$은 균등적분가능합니다.

예제 2: 균등적분가능성과 L1 유계(Boundedness)

균등적분가능한 확률변수열 $\{f_n\}$은 $L^1$에서 유계임을 보이시오. (즉, $\sup_n E[|f_n|] < \infty$)

풀이:

1. 균등적분가능성 정의 활용: $\{f_n\}$이 균등적분가능하므로, $\epsilon=1$ 로 설정했을 때, 어떤 $M>0$ 이 존재하여 모든 $n$에 대해 다음을 만족합니다. $$ \int_{\{|f_n| > M\}} |f_n| dP < 1 $$
2. 기댓값 분해: $E[|f_n|]$을 두 부분으로 나눕니다. $$ E[|f_n|] = \int_{\Omega} |f_n| dP = \int_{\{|f_n| > M\}} |f_n| dP + \int_{\{|f_n| \le M\}} |f_n| dP $$
3. 각 항의 경계 설정: 첫 번째 항은 1보다 작습니다: $\int_{\{|f_n| > M\}} |f_n| dP < 1$ 두 번째 항에서는 $|f_n| \le M$ 이므로, $$ \int_{\{|f_n| \le M\}} |f_n| dP \le \int_{\{|f_n| \le M\}} M dP = M \cdot P(\{|f_n| \le M\}) \le M \cdot 1 = M $$
4. 결론: 두 결과를 합치면, 모든 $n$에 대해 $$ E[|f_n|] < 1 + M $$ $1+M$은 $n$에 의존하지 않는 상수입니다. 따라서 $E[|f_n|]$의 상한(supremum)은 유한하며, 이는 $\{f_n\}$이 $L^1$에서 유계임을 의미합니다.

주의: 역은 성립하지 않습니다. 즉, $L^1$에서 유계인 수열이라고 해서 항상 균등적분가능한 것은 아닙니다. 아래의 반례가 이를 잘 보여줍니다.

---

반례: 균등적분가능하지 않은 경우

균등적분가능성의 필요성을 이해하기 위해 대표적인 반례를 살펴보겠습니다. 확률공간을 $[0, 1]$ 구간과 르벡 측도로 설정합시다. 다음과 같은 확률변수열 $f_n$을 정의합니다. $$ f_n(\omega) = \begin{cases} n & \text{if } 0 \le \omega < 1/n \\ 0 & \text{otherwise} \end{cases} $$

• 확률 수렴: 임의의 $\epsilon > 0$에 대해, $P(\{|f_n| > \epsilon\}) = P(\{f_n=n\}) = 1/n$ 입니다. 따라서 $n \to \infty$ 일 때, $P(\{|f_n| > \epsilon\}) \to 0$ 이므로, $f_n$은 0으로 확률 수렴합니다 ($f_n \xrightarrow{P} 0$).
• $L^1$ 유계 및 수렴 실패: 기댓값을 계산해보면, $E[|f_n|] = \int_0^{1/n} n \, d\omega = n \cdot (1/n) = 1$ 입니다. 따라서 모든 $n$에 대해 $E[|f_n|]=1$ 이므로 수열은 $L^1$에서 유계입니다. 하지만 $\lim_{n \to \infty} E[|f_n - 0|] = 1 \ne 0$ 이므로 $L^1$ 수렴은 하지 않습니다.
• 균등적분가능성 실패: $M$을 아무리 크게 잡아도, $M$보다 큰 $n$에 대해서는 $\{|f_n|>M\} = \{f_n=n\} = [0, 1/n]$ 입니다. 따라서, $$ \int_{\{|f_n| > M\}} |f_n| dP = \int_0^{1/n} n \, d\omega = 1 $$ 이 값은 $M \to \infty$ 일 때 0으로 수렴하지 않습니다. 즉, $\{f_n\}$은 균등적분가능하지 않습니다. 이 예제는 $L^1$-유계임에도 불구하고 균등적분가능하지 않을 수 있으며, 이 '도망가는 질량' 때문에 $L^1$ 수렴이 실패함을 명확히 보여줍니다.

---

금융공학적 의의 및 최종 정리

• $L^1$ 수렴 $\iff$ 확률 수렴 + 균등적분가능성: 이것이 핵심입니다. $L^1$ 수렴은 금융공학에서 매우 중요한데, 이는 기댓값(가격)의 수렴을 의미하기 때문입니다.
• 마틴게일 수렴 정리 (Doob's Martingale Convergence Theorem): 모든 균등적분가능한 마틴게일 $M_n$은 Almost Surely (거의 확실히) 그리고 $L^1$에서도 어떤 극한 확률변수 $M_\infty$로 수렴합니다. ($M_n \to M_\infty$ a.s. and in $L^1$). 더 나아가, 이 경우 $M_n = E[M_\infty | \mathcal{F}_n]$ 의 형태로 표현할 수 있습니다. 이는 금융 파생상품 가격 이론에서 위험중립측도 하의 할인된 자산 가격 과정이 마틴게일이라는 점과 결부되어, 자산 가격의 수렴성을 보장하는 핵심적인 이론적 기반이 됩니다.
• 자산 가격 결정 이론의 근간: 파생상품의 가격은 위험중립측도 $Q$ 하에서 미래 페이오프 $X_T$의 할인된 기댓값, 즉 $X_t = E_Q[e^{-r(T-t)}X_T | \mathcal{F}_t]$로 표현됩니다. 이는 예제 1에서 본 $f_n = E[f | \mathcal{F}_n]$ 형태의 마틴게일입니다. 이 마틴게일이 균등적분가능하다는 사실(Shreve, Stochastic Calculus for Finance II의 Theorem 3.4.8)은, 시간 흐름에 따른 정보가 아무리 많아져도 ($t \to T$) 가격이 발산하지 않고 안정적으로 최종 페이오프의 기댓값으로 수렴함을 수학적으로 보장합니다. 만약 균등적분가능성이 없다면, 가격 과정이 수렴하더라도 그 기댓값이 수렴하지 않는 현상(즉, $E[X_t] \ne E[X_T]$)이 발생할 수 있으며, 이는 차익거래 기회가 발생할 수 있는 불안정한 가격 모델로 이어질 수 있습니다. 균등적분가능성은 제1기본정리(차익거래 부재 $\iff$ 등가 마틴게일 측도 존재)와 제2기본정리(시장 완비성 $\iff$ 등가 마틴게일 측도 유일성)가 실제 가격결정에 일관성 있게 적용되도록 하는 필수적인 조건입니다.