G-기대값 프레임워크 기반의 모델 불확실성 하에서의 옵션 가격 결정 모형 및 수치해석적 방법론 분석

 

 

G-기대값 프레임워크 기반의 모델 불확실성 하에서의 옵션 가격 결정 모형 및 수치해석적 방법론 분석

 

 

 

1. 서론: 파생상품 가격 결정 모형의 진화와 모델 불확실성

파생상품의 가격 결정은 현대 금융 공학 및 수리 금융학에서 가장 핵심적인 과제 중 하나로 다루어져 왔다. 이러한 옵션 가격 결정에 대한 연구는 1900년 루이 바슐리에(Bachelier)의 기념비적인 연구로 거슬러 올라가는 긴 역사를 지니고 있다. 그러나 파생상품 가격 결정 모형의 진화는 1973년 블랙(Black)과 숄즈(Scholes)의 획기적인 연구가 등장하기 전까지는 비교적 점진적인 수준에 머물렀다. 블랙-숄즈 모형은 무차익 거래(No-arbitrage) 가정에 기반하여 동적 복제(Dynamic replication) 방법론을 사용함으로써, 배당을 지급하지 않는 주식에 대한 유럽형 콜 옵션의 명시적인 해(Explicit solution)를 도출해 내는 데 성공하였으며, 이는 옵션 가격 결정 방법론에 혁명을 일으켰다. 이 우아한 수학적 형태와 계산의 단순성 덕분에 블랙-숄즈 가격 결정 공식은 학계와 산업계 모두에서 광범위하게 인정받았으며, 1997년 노벨 경제학상의 영예를 안기도 하였다.

그러나 이 고전적인 가격 결정 이론 자체는 실제 금융 시장의 관행 및 실증적 데이터와 일치하지 않는 몇 가지 엄격한 가정을 내포하고 있다. 가장 중요한 가정 중 하나는 기초자산인 주식의 가격이 일정한 변동성(Constant volatility)을 가지는 기하 브라운 운동(Geometric Brownian motion)을 따른다는 점이다. 실제 시장의 실증적 연구들은 변동성이 결코 상수로 머물지 않으며, 오히려 시간과 기초자산 가격의 변화에 따라 변동하는 불확실한 성질을 가질 가능성이 훨씬 높다는 점을 지속적으로 보여주었다. 이러한 블랙-숄즈 모형의 한계를 극복하기 위해 학계에서는 다양한 기초자산 가격과 기간에 걸쳐 변동성 곡면(Volatility surface)을 가정하는 보다 복잡한 모형들을 개발하였다. 시장 실무자들은 일반적으로 활발하게 거래되는 광범위한 금융 상품 전반에 걸쳐 블랙-숄즈 모형을 통해 계산된 내재 변동성(Implied volatility)을 적용하여 이러한 곡면을 구성한다. 이에 대한 대안적인 방법론으로는 변동성 자체가 임의 보행(Random walk) 패턴을 따른다고 가정하는 확률적 변동성(Stochastic volatility) 모형이 있으며, 이는 헤스턴(Heston)에 의해 처음 제안되었다. 그러나 확률적 변동성 모형은 필요한 상태 변수(State variables)의 수를 증가시킴으로써 수치적 가격 결정 방법의 복잡성을 크게 가중시키는 단점을 지닌다.

이러한 수치적, 이론적 한계를 본질적으로 해결하기 위해 리옹(Lyons)과 아벨라네다(Avellaneda) 등은 독립적으로 불확실한 변동성(Uncertain volatility) 프레임워크를 제안하였다. 이 접근법에서는 기초자산의 변동성이 특정된 값의 범위 내에 존재한다고 가정한다. 그 결과, 무차익 분석에서 파생된 옵션 가격은 더 이상 단일한 값이 아니게 되며, 특정 매수(Long) 또는 매도(Short) 포지션에 대해 계산 가능한 요소는 오직 최상(Best-case) 및 최악(Worst-case) 시나리오에서의 가격 밴드뿐이다. 투자자가 이러한 최악의 시나리오를 고려할 때 자신의 포지션을 보호할 수 있으며, 실제 변동성이 변동하더라도 정의된 범위 내에 머무르는 한 헤징 포트폴리오 내에서 잔고가 마이너스로 떨어지지 않도록 보장할 수 있다. 수학적으로 불확실한 변동성 모형은 파인만-카츠(Feynman-Kac) 공식에 의해 자연스럽게 비선형 편미분방정식(Nonlinear PDE)으로 귀결된다.

더 나아가 모델 불확실성을 보다 엄밀한 수학적 토대 위에서 다루기 위해, 펑(Peng)은 비선형 기대값의 일종인 G-기대값(G-expectation) 이론을 제안하고 G-브라운 운동과 같은 핵심 개념들을 정립하였다. 그는 G-브라운 운동을 이용한 확률 적분을 확립하고 이에 대응하는 G-이토(Itô) 공식을 도출하였으며, G-프레임워크 하에서의 중심극한정리(Central limit theorem)는 시장 유가증권의 가격 변동을 G-기하 브라운 운동으로 묘사할 수 있는 강력한 이론적 기반을 제공하였다. 본 보고서는 2026년 3월 24일에 발표된 최신 연구 문헌인 Ziting Pei, Xingye Yue, Xiaotao Zheng의 "Option pricing model under the G-expectation framework" 의 내용을 바탕으로, G-기대값 프레임워크 내에서의 위험 중립 옵션 가격 결정 문제를 심층적으로 분석한다. 특히 계산 효율성을 극대화하기 위해 자산 가격에 대수 변환(Logarithmic transformation)을 도입하여 변형된 비선형 편미분방정식을 도출하고, 이를 풀기 위해 설계된 양해법(Explicit) 및 음해법(Implicit) 유한차분 스킴의 일관성, 안정성, 단조성 및 점성 해로의 수렴성을 수학적으로 어떻게 엄밀하게 입증하였는지 상세히 기술한다.

2. G-기대값 공간에서의 위험 중립 가치평가 프레임워크

옵션 가격을 결정하기 위한 가장 근본적인 전제 조건은 불완전한 시장 상황에서도 적용 가능한 기초자산의 위험 중립 역학(Risk-neutral dynamics)을 확립하는 것이다. 고전적인 선형 확률 프레임워크에서 위험 중립성은 시장의 모든 증권이 적절히 선택된 위험 중립 확률 측도 하에서 무위험 이자율의 수익을 얻는다는 잘 확립된 개념이다. 이 근본 원리는 현대 파생상품 가격 결정 이론의 초석을 형성하며, 차익 거래 기회를 제거하고 (완전 시장 가정 하에) 조건부 청구권(Contingent claims)의 고유한 가치 평가를 가능하게 한다. 그러나 비선형 기대값 프레임워크에서는 확률 측도라는 개념 자체가 존재하지 않으며, 오직 비선형 기대값 연산자인 $\mathbb{E}$만이 존재한다. 따라서 펑(Peng)의 이론에 기반하여 위험 중립성의 개념을 G-기대값 설정으로 확장하여 정의할 필요가 있다.

위험 중립 시장인 G-기대값 프레임워크 하에서, 모든 위험 증권에 대한 G-기대 수익률은 무위험 이자율 $r$과 동일해야 한다. 기초자산 가격 과정이 $S_t$이고 파생상품 과정이 $U(t, S_t)$라고 할 때, G-기대값 공간 $(\Omega, \mathcal{H}, \mathbb{E})$에서 위험 중립성은 다음과 같은 마팅게일(Martingale) 조건식으로 귀결된다:

$$\mathbb{E}_t\left[ \frac{S_T}{\Gamma_T} \right] = \frac{S_t}{\Gamma_t} \quad \text{and} \quad \mathbb{E}_t\left[ \frac{U(T, S_T)}{\Gamma_T} \right] = \frac{U(t, S_t)}{\Gamma_t}$$

여기서 $\Gamma_t = e^{rt}$는 일정한 비율 $r>0$로 성장하는 무위험 채권(Risk-free bond)을 나타내며, $T$는 만기 시점, $\mathbb{E}_t[\cdot]$는 시점 $t$에서의 조건부 G-기댓값을 의미한다. 결과적으로 이 위험 중립 시장 하에서, 초기 자산 가격이 $S_0$일 때 시간 $t=0$에서의 파생상품의 공정 가치(Fair value)는 할인된 미래 만기 페이오프의 G-기대값인 $U(0, S_0) = e^{-rT}\mathbb{E}[U(T, S_T)]$로 주어진다.

이러한 위험 중립적 가치평가의 기반이 되는 기초자산의 동적 움직임은 대칭 G-브라운 운동(Symmetric G-Brownian motion) $B_t$에 의해 구동되는 G-기하 브라운 운동(G-geometric Brownian motion)으로 모델링된다. 주가 과정 $S_t$는 구체적으로 다음의 SDE를 통해 정의된다 :

$$S_t = S_0 e^{rt - \frac{\sigma^2}{2} \langle B \rangle_t + \sigma B_t}$$

이 수식에서 $S_0 > 0$는 초기 주가를 의미하며, $r \ge 0$은 무위험 이자율, $\sigma > 0$는 변동성 파라미터를 나타낸다. 여기서 $\langle B \rangle_t$는 G-브라운 운동 $B_t$의 G-이차 변동(G-quadratic variation)을 의미한다. G-브라운 운동 $B_t$는 평균이 0이고 분산이 불확실성 구간$$에 존재하는 정규분포 $\mathcal{N}(0,)$를 따르는 것으로 정의된다. 이 주가 과정 $S_t$는 G-기대값 하에서 위험 중립적이며 다음의 미분 방정식을 만족한다 :

$$dS_t = rS_t dt + \sigma S_t dB_t, \quad S_0 = s_0$$

또한 이 과정의 G-기대값은 $\mathbb{E} = S_0 e^{rt}$가 됨이 수학적으로 증명된다. 결국, 옵션의 페이오프 함수가 $\phi(S_T)$로 주어졌을 때, 초기 주가 $s_0$에 대한 G-옵션의 가치 함수 $U(0, s_0)$는 $e^{-r(T-t)}\mathbb{E}$로 공식화된다.

3. G-블랙-숄즈 비선형 편미분방정식의 도출 및 특성

기초자산이 G-기하 브라운 운동을 따르는 위험 중립 프레임워크가 성립되면, 다음 단계는 이 옵션의 가치 함수 $U(t, S)$가 만족하는 지배 방정식을 찾는 것이다. 펑(Peng)의 비선형 파인만-카츠(Nonlinear Feynman-Kac) 공식에 따르면, 이 옵션 가격 결정 문제는 완전 비선형 편미분방정식(Fully nonlinear PDE)을 푸는 문제로 변환된다. 구체적으로 가치 함수 $U(t, S)$는 $0 \le t \le T$ 구간에서 다음의 식을 만족한다 :

$$\frac{\partial U}{\partial t} + rS\frac{\partial U}{\partial S} + \frac{1}{2}\sup_{\Sigma \in} \left(\sigma^2 S^2 \Sigma^2 \frac{\partial^2 U}{\partial S^2}\right) - rU = 0$$

이 방정식의 만기 경계 조건은 $U(t, S)|_{t=T} = \phi(S)$로 설정된다. 이 편미분방정식을 'G-블랙-숄즈 방정식(G-Black-Scholes equation)'이라 명명하며, 전통적인 블랙-숄즈 모형의 비선형적 일반화로 간주된다.

이 비선형 PDE의 가장 큰 수학적 특징은 2계 공간 미분 항(즉, 옵션의 감마(Gamma)에 해당) 앞에 상한(supremum) 연산자가 위치한다는 점이다. 이 상한 연산자는 불확실성 구간 $$ 내에서 최적의 변동성을 동적으로 선택하는 역할을 수행한다. 이는 파생상품의 구조, 구체적으로 페이오프 함수의 볼록성(Convexity) 또는 오목성(Concavity)에 따라 선택되는 변동성의 극값이 달라짐을 의미한다.

첫째, 페이오프 함수가 콜 옵션과 같이 $\phi(S) = \max(S-K, 0)$ 형태의 볼록한 구조를 가지는 경우, 가치 함수의 2계 편미분($\frac{\partial^2 U}{\partial S^2}$)은 항상 양의 값을 가지게 된다. 따라서 상한 연산자는 항상 최대 변동성인 $\overline{\Sigma}$를 선택하게 되며, 방정식은 다음과 같이 환원된다 :

$$\frac{\partial U}{\partial t} + rS\frac{\partial U}{\partial S} + \frac{1}{2} \left(\sigma^2 S^2 \overline{\Sigma}^2 \frac{\partial^2 U}{\partial S^2}\right) - rU = 0$$

둘째, 페이오프 함수가 풋 옵션의 특정 매도 포지션 등에서 나타날 수 있는 $\phi(S) = \max(K-S, 0)$ 형태의 오목한 구조일 경우, 2계 편미분이 음수가 되므로 상한을 달성하기 위해서는 최소 변동성인 $\underline{\Sigma}$가 선택되어야 한다. 이 경우 방정식은 다음과 같이 변형된다 :

$$\frac{\partial U}{\partial t} + rS\frac{\partial U}{\partial S} + \frac{1}{2} \left(\sigma^2 S^2 \underline{\Sigma}^2 \frac{\partial^2 U}{\partial S^2}\right) - rU = 0$$

명백하게도, 대칭 G-브라운 운동이 단일한 변동성을 갖는 표준 브라운 운동으로 퇴화하여 변동성의 불확실성이 소멸될 경우($\underline{\Sigma} = \overline{\Sigma}$), 상한 연산자는 무의미해지며 위 방정식은 고전적인 블랙-숄즈 방정식으로 정확히 축소된다. 이러한 수학적 구조는 G-옵션 가격 결정 모형이 기존의 금융 이론을 완벽하게 포괄하면서도 시장의 모델 불확실성을 견고하게 통제할 수 있는 일관된 체계임을 증명한다.

 

4. 계산 효율성 극대화를 위한 대수 변환(Logarithmic Transformation) 메커니즘

G-기대값 하에서의 기초자산 가격 과정 $S_t$와 완전 비선형 PDE가 확립된 후, 이 방정식을 컴퓨터 연산을 통해 수치적으로 해석하는 단계에서 심각한 병목 현상이 발생한다. 원본 $S$-도메인 방정식의 2계 미분항(확산항)의 계수는 $\sigma^2 S^2 \Sigma^2$로서, 자산 가격 $S$의 제곱에 비례하여 기하급수적으로 증가한다. 이는 유한차분법, 특히 양해법(Explicit method)을 사용하여 이산화할 때 수치적 발산을 막기 위한 안정성 제약 조건(Stability constraint)을 극도로 가혹하게 만든다.

이러한 수치적 제약을 해소하고 계산 효율성을 향상시키며 연산 비용을 감소시키기 위해 기초자산 가격에 대해 $X = \ln S$ 형태의 대수 변환(Logarithmic transformation)을 전격적으로 도입한다. 대수 변환의 편의성은 명시적 차분법의 안정성을 확보하는 데 가장 크게 기여한다. 이 변환 하에서 편미분 연산자들은 체인 룰(Chain rule)에 의해 재구성되며, 결과적으로 다음과 같은 대안적인 비선형 편미분방정식이 도출된다:

$$\frac{\partial V}{\partial t} + r\frac{\partial V}{\partial X} + \frac{1}{2} \sup_{\Sigma \in [\underline{\Sigma}, \overline{\Sigma}]} \left[ \sigma^2 \Sigma^2 \left( \frac{\partial^2 V}{\partial X^2} - \frac{\partial V}{\partial X} \right) \right] - rV = 0, \quad 0 \le t \le T$$

이때 로그 자산 가격 공간에서의 만기 조건은 $V(T, X) = \phi(e^X)$로 치환된다. 나아가 수치 해석의 편의를 위해 만기까지 남은 시간 $\tau$를 나타내는 $\tau = T - t$ 치환을 수행하여 이 방정식을 초기치 코시 문제(Cauchy problem of a fully nonlinear parabolic equation)로 변환한다. 일반성을 잃지 않기 위해 변동성 계수 $\sigma=1$로 가정하면, PDE는 다음과 같은 최종 형태를 갖추게 된다:

$$V_\tau - rV_X + rV - \frac{1}{2} \sup_{\Sigma \in [\underline{\Sigma}, \overline{\Sigma}]} \Sigma^2 (V_{XX} - V_X) = 0, \quad V|_{\tau=0} = \phi(e^X)$$

이 변환된 공식에서 상한 연산자 내의 최적 변동성 $\Sigma^*$는 2계 도함수와 1계 도함수의 차이($V_{XX} - V_X$)의 부호에 전적으로 의존하게 된다. 즉, $V_{XX} - V_X \ge 0$ 이면 상한 변동성 $\overline{\Sigma}$가 채택되고, $V_{XX} - V_X < 0$ 이면 하한 변동성 $\underline{\Sigma}$가 채택된다.

대수 변환이 갖는 본질적인 계산적 이점은 확산 계수가 더 이상 자산 가격의 상태 변수 $S$에 종속되지 않고 상수화된다는 것이다. 이는 자산 가격의 스케일이 매우 커지거나 변동 폭이 극심한 구간에서도 수치 스킴의 계수 행렬이 안정적인 구조를 유지하도록 보장한다. 또한 로그 가격 프로세스 $X_t$는 다음의 SDE를 따르게 되어, 모델의 확률론적 기반 역시 일관성 있게 유지된다:

$$dX_t = r dt - \frac{\sigma^2}{2} d\langle B \rangle_t + \sigma dB_t, \quad X_0 = \ln(S_0)$$

이 비선형 PDE에 대한 점성 해(Viscosity solution)는 확률 문제의 가치 함수 $V(t, x) = \mathbb{E}_t\left[ e^{-r(T-t)} \phi(e^{X_T}) \right]$와 완벽하게 대응된다.

5. 비선형 편미분방정식 해법을 위한 유한차분법(Finite Difference Methods) 설계

대수 변환으로 안정화된 비선형 PDE를 컴퓨터 환경에서 풀기 위해, 문제를 절단된 유한 영역(Truncated bounded domain) $|X| < L$ 로 제한한다. 공간 축을 일정한 간격 $h = 2L/M$ 으로, 시간 축을 $\Delta t = T/N$ 으로 분할하여 그리드 포인트 $X_i = -L + i \cdot h$ 와 $t^n = n \Delta t$ 를 구성한다. 좌표점 $(t^n, X_i)$ 에서의 근사 해를 $V_i^n$ 으로 표기하며, 우측 경계 등 인공 경계 조건(Artificial boundary condition)은 계약의 구체적인 페이오프 특성에 맞게 수정된다. 편미분 연산자의 이산화를 위해 공간에 대한 1계 중앙 차분 연산자 $\delta_h V_i^n = \frac{V_{i+1}^n - V_{i-1}^n}{2h}$ 와 2계 중앙 차분 연산자 $\delta_h^2 V_i^n = \frac{V_{i+1}^n - 2V_i^n + V_{i-1}^n}{h^2}$ 를 도입한다.

양해법(Explicit Difference Method)의 구축

양해법 스킴은 현재 시간 단계 $n$의 값들을 이용하여 다음 시간 단계 $n+1$의 값을 명시적으로 도출하는 방식이다. 이 방정식은 $0 < i < M$의 내부 노드에 대해 다음과 같이 전개된다 :

$$\frac{V_i^{n+1} - V_i^n}{\Delta t} - r\delta_h V_i^n + rV_i^{n+1} - \frac{1}{2} \sup_{\Sigma \in} \Sigma^2 (\delta_h^2 V_i^n - \delta_h V_i^n) = 0$$

양해법은 프로그래밍 구현이 매우 직관적이고 각 노드에서의 계산이 독립적으로 이루어지므로 연산 속도가 빠르다는 장점이 있다. 초기 조건은 $V_i^0 = \phi(e^{X_i})$ 로 설정되며, 경계 조건은 양 끝점에서 부여된다. 그러나 양해법이 발산하지 않고 해를 도출하기 위해서는 수학적으로 매우 엄격한 안정성 조건을 충족해야 하는 제약이 따른다.

음해법(Implicit Difference Method) 및 비선형 내부 반복(Inner Iteration) 메커니즘

음해법 스킴은 시스템의 안정성을 극대화하기 위해 설계되었다. 공간 미분항을 모두 갱신될 미래 시점 $n+1$의 값들로 치환하여 다음과 같은 이산 방정식을 도출한다 :

$$\frac{V_i^{n+1} - V_i^n}{\Delta t} - r\delta_h V_i^{n+1} + rV_i^{n+1} - \frac{1}{2} \sup_{\Sigma \in} \Sigma^2 (\delta_h^2 V_i^{n+1} - \delta_h V_i^{n+1}) = 0$$

음해법은 연립방정식을 풀어야 하는 구조를 지니는데, 이 시스템 내에 상한 연산자인 $\sup$이 존재하므로 이는 다차원 비선형 대수 시스템(Nonlinear algebraic system)이 된다. 따라서 각 시간 단계마다 단번에 해를 구할 수 없으며, 내부 반복(Inner iteration) 절차가 필수적으로 요구된다.

해결책으로 피카르 반복법(Picard's iteration)이 설계되었다. $V_i^{n+1}$에 대한 $k$번째 추정치를 $V_i^{n+1, k}$ 라 할 때, 내부 반복 스킴은 다음과 같이 동작한다 :

$$\frac{V_i^{n+1, k+1} - V_i^n}{\Delta t} - r\delta_h V_i^{n+1, k+1} + rV_i^{n+1, k+1} - \frac{1}{2} \Sigma^2 (\delta_h^2 V_i^{n+1, k} - \delta_h V_i^{n+1, k}) (\delta_h^2 V_i^{n+1, k+1} - \delta_h V_i^{n+1, k+1}) = 0$$

이러한 구조는 비선형적인 상한 연산자를 현재 추정된 $k$ 단계의 값으로 선형화하여 계수를 결정한 후, $k+1$ 단계의 미지수를 도출하는 방식을 취한다. 이 시스템은 수치적으로 안정적이며 강력한 수렴 특성을 지닌다.

6. 수치해석적 방법론의 엄밀한 수학적 분석: 일관성, 단조성, 안정성 및 수렴성

비선형 편미분방정식에 대해 고안된 차분 스킴이 올바른 점성 해(Viscosity solution)로 수렴하기 위해서는 바를스-수가니디스(Barles and Souganidis, 1991) 정리에 명시된 필수 조건들, 즉 일관성(Consistency), $l_\infty$ 노름에서의 안정성(Stability), 그리고 단조성(Monotonicity)을 반드시 만족해야 한다. 연구진은 두 가지 차분 스킴에 대해 이 세 가지 핵심 성질과 더불어 수렴 속도에 대한 엄밀한 수학적 증명 과정을 완비하였다.

6.1. 양해법(Explicit Scheme)의 수학적 특성 증명

일관성(Consistency): 양해법 스킴의 일관성은 시공간의 그리드 크기인 $h$와 $\Delta t$가 $0$으로 접근할 때 차분 방정식이 연속 편미분방정식으로 수렴함을 보임으로써 입증된다. 상한('sup') 연산자는 연속적인 성질을 가지므로 테일러 전개 시 잔여 오차가 소멸하여 일관성 조건이 충족된다.

단조성(Monotonicity): 단조성은 해의 진동을 방지하고 점성 해로의 수렴을 유도하는 가장 민감한 속성이다. 양해법 스킴을 함수 $g_i$로 표현할 때, 단조성 성립을 위해 목표 변수를 교란(Perturbation)하는 접근법을 취한다. 즉, 미세한 양수 $\epsilon_i^n$에 대해 $\tilde{V}_i^n = V_i^n + \epsilon_i^n$ 이라 하고, 이웃 노드들에 대해서도 유사한 교란을 적용하여 부등식 $T := g_i(V_i^{n+1}, \tilde{V}_i^n, \{\tilde{V}_k^n\}) - g_i(V_i^{n+1}, V_i^n, \{V_k^n\}) \le 0$ 가 성립하는 조건을 분석한다. 수학적 전개를 통해 도출된 항들은 다음과 같이 묶인다 :

$$T \le -\left(\frac{1}{\Delta t} - \frac{\hat{\Sigma}^2}{h^2}\right)\epsilon_i^n - \left(\frac{r}{2h} + \frac{\hat{\Sigma}^2}{2h^2} - \frac{\hat{\Sigma}^2}{4h}\right)\epsilon_{i+1}^n - \left(\frac{\hat{\Sigma}^2}{2h^2} - \frac{r}{2h} + \frac{\hat{\Sigma}^2}{4h}\right)\epsilon_{i-1}^n$$

이 오차항 $T$가 $0$ 이하가 되도록 각 계수를 음수 또는 0으로 강제하는 과정에서, 양해법의 절대적인 제약 조건이 도출된다. 즉, 다음의 부등식이 성립할 때 양해법 스킴은 단조성을 가진다 :

$$\overline{\Sigma}\sqrt{\Delta t} \le h \le \frac{2\underline{\Sigma}^2}{\max(2r-\underline{\Sigma}^2, \overline{\Sigma}^2-2r)}$$

안정성(Stability): 위의 그리드 조건이 충족된다는 가정 하에 양해법 스킴의 $l_\infty$ 안정성이 증명된다. 이산화된 스킴을 전개하여 계수들의 합을 조사하면, 모든 계수가 비음수이며 이들의 합이 $1 - r\Delta t$ 형태를 지님을 알 수 있다. 수치 해의 최댓값은 경계 내부가 아닌 경계나 초기 시점에서 달성된다는 성질을 이용하면, 점화식에 의해 $\max_n \|V^n\|_\infty \le \max(\|\phi\|_\infty, \max_n |\varphi^n|)$ 로 억제됨이 분명히 드러나며, 이는 곧 스킴이 안정적임을 입증한다.

6.2. 음해법(Implicit Scheme) 및 내부 반복 연산의 수렴성 증명

음해법 스킴 역시 유사한 방식으로 일관성, 단조성, 안정성을 검증받는다. 음해법의 경우 변수를 교란하여 단조성을 증명할 때 시간 스텝 $\Delta t$에 대한 제약이 사라지며, 공간 제약 조건인 $h \le \frac{2\underline{\Sigma}^2}{\max(2r-\underline{\Sigma}^2, \overline{\Sigma}^2-2r)}$ 만 충족되면 무조건적인 단조성과 안정성을 확보할 수 있다는 강력한 이점을 지닌다.

내부 비선형 반복의 최대 원리(Maximum Principle) 및 수렴성: 음해법에서 가장 중요한 것은 각 시간 단계마다 수행되는 피카르 반복 연산의 수렴성을 보장하는 것이다. 반복 시스템을 연산자 형태 $AV^n - \frac{1}{\Delta t}V^{n-1} = 0$으로 재구성하였을 때, 계수 행렬 $A=(a_{ij})$ 가 $a_{ii} > 0$ 이고 $i \neq j$ 인 경우 $a_{ij} \le 0$ 이며 $\sum_{j \neq i} |a_{ij}| < a_{ii}$ 를 만족하는 대각 지배적인(Diagonally dominant) M-행렬(M-matrix) 구조임이 증명되었다. M-행렬 구조는 역행렬의 모든 원소가 비음수임을 보장하여 이산 스킴이 물리적으로 의미 있는 해를 도출하게 만든다.

반복 단계 $k$ 와 $k+1$ 의 차이를 $W^k = \overline{V}^{k+1} - \overline{V}^k$ 로 정의하고 차분 방정식을 구성하면, 최대 원리에 의해 $W_i^k \ge 0$ 가 성립한다. 이는 반복 수열 $\{\overline{V}^k\}_{k>0}$ 가 단조 증가(Monotonically increasing)함을 의미한다. 동시에 해의 최댓값이 초기나 경계 조건에 의해 상단이 유계(Bounded)됨이 확인되므로, 단조 수렴 정리에 의해 내부 반복 연산은 항상 고유한 해로 수렴함이 수학적으로 완벽히 입증되었다.

6.3. 점성 해(Viscosity Solution)로의 수렴 속도(Convergence Rate) 추정

양해법 및 음해법 스킴이 일관성, 안정성, 단조성을 모두 만족하므로, 바를스-수가니디스 정리에 따라 이 스킴이 도출한 수치 해 $V^n$ 은 연속 모델의 진정한 점성 해 $v^n$ 으로 수렴함이 결론 내려진다. 여기에 더하여, 점성 해 $v$ 가 특정한 부드러움 즉 $v \in C^{1+\beta/2, 2+\beta}$ 를 지닌다고 가정할 때 수렴 속도(Rate of convergence)가 구체적으로 산출된다. 테일러 전개 과정에서 발생하는 시간과 공간의 절단 오차(Truncation error) 항을 $R_{up}^n$ 과 $R_{low}^n$ 으로 분리하고, $W_i^n = v_i^n - V_i^n$ 을 설정하여 이산화된 부등식을 전개함으로써 오차의 누적 경계를 계산한다. 최종적으로 도출된 수렴 속도 한계는 다음과 같다 :

$$\max_n \|v^n - V^n\|_\infty \le C(\Delta t^{\beta/2} + h^\beta)$$

이 수식에서 $C$는 시간 및 공간 격자 간격에 독립적인 양의 상수로, 모델이 시간축과 공간축 양방향으로 안정적인 오차 감소를 이루어냄을 시사한다.

7. 수치 실험을 통한 방법론의 실증적 검증 및 효율성 분석

수학적 증명을 교차 검증하고 제안된 수치 방법론의 계산 성능을 정량적으로 평가하기 위해 두 가지 극단적인 페이오프 구조를 지닌 옵션 상품에 대한 광범위한 실험이 수행되었다.

7.1. 비볼록 페이오프: 나비형 스프레드(Butterfly Spread) 분석

나비형 스프레드는 볼록과 오목 구간이 혼재된 비볼록(Non-convex) 형태의 페이오프 구조를 지니고 있어 비선형 옵션 가격 결정 모형의 수치 성능을 평가하기 위한 가장 표준적인 벤치마크이다. 페이오프 함수는 $\phi(X) = \max(e^X - K_1, 0) - 2\max(e^X - K_m, 0) + \max(e^X - K_2, 0)$ 이며, 실험을 위해 $T=0.25, r=0.1, K_1=90, K_2=110, \underline{\Sigma}=0.15, \overline{\Sigma}=0.25$ 가 설정되었다. 등가격(At-the-money)인 $S_0=100$ ($X=\ln(100)$) 지점에서의 옵션 가치 수렴 양상이 관찰되었다.

표 1: 나비형 스프레드에 대한 양해법(Explicit Scheme) 수렴 결과

시간 스텝 수	공간 노드 수	L∞ 오차	수렴 속도	CPU 연산 시간 (초)
16	161	1.196	-	0.0087
64	321	$3.858 \times 10^{-1}$	1.63	0.0118
256	641	$1.031 \times 10^{-1}$	1.90	0.0146
1024	1281	$2.499 \times 10^{-2}$	2.04	0.0354

표 2: 나비형 스프레드에 대한 음해법(Implicit Scheme) 수렴 결과

시간 스텝 수	공간 노드 수	L∞ 오차	수렴 속도	CPU 연산 시간 (초)
16	641	$6.032 \times 10^{-2}$	-	0.2961
64	1281	$1.565 \times 10^{-2}$	1.95	0.3198
256	2561	$4.269 \times 10^{-3}$	1.87	0.4643
1024	5121	$8.308 \times 10^{-4}$	2.36	1.9760

표 1과 표 2를 세밀하게 분석해보면, 공간 노드가 2배, 시간 스텝이 4배씩 정밀해짐에 따라(공간과 시간의 해상도 관계 유지) 두 스킴 모두 오차가 급격히 감소하며 대략 2차(Second-order, 1.90~2.36 구간) 정확도에 도달함을 확인할 수 있다. 그리드 포인트에 정확히 떨어지지 않는 타겟 포인트 $X_0 = 2\ln(10)$ 에서의 옵션 가치를 2차 라그랑주 보간법(Quadratic Lagrange interpolation)을 활용하여 도출한 결과(양해법: 4.883390, 음해법: 4.881922), 시뮬레이션 해상도를 극한으로 높여 얻은 기준 해(Reference value)인 4.881582 에 매우 정확하게 수렴하는 것을 관찰할 수 있다. 특히 음해법의 경우 비선형 시스템을 매 시간 풀어야 함에도 불구하고 시간 스텝 내의 반복 연산 횟수가 대부분 단 2회에 수렴하였다. 이 결과는 암시적 스킴의 내부 메커니즘이 수치적으로 무거운 비선형성을 지녔음에도 불구하고 실무에 즉시 도입 가능한 수준의 컴퓨팅 효율성을 확보하고 있음을 시사한다.

7.2. 불연속 페이오프: 디지털 콜 옵션(Digital Call Option) 분석

이 모델의 강건성을 한계까지 테스트하기 위해 행사가격 $K=100$ 에서 불연속성을 지니는 디지털 콜 옵션에 대한 실험이 진행되었다. 디지털 옵션의 페이오프는 $e^X \ge K$ 일 때 1, 미만일 때 0 으로 급변동하므로 일반적인 수치 기법들에서 심각한 오차나 진동을 유발하는 원인이 된다.

표 4: 디지털 콜 옵션에 대한 양해법 수렴 결과

시간 스텝 수	공간 노드 수	L∞ 오차	수렴 속도	CPU 연산 시간 (초)
64	961	$4.142 \times 10^{-2}$	-	0.0093
256	1921	$1.989 \times 10^{-2}$	1.06	0.0210
1024	3841	$9.209 \times 10^{-3}$	1.11	0.0599
4096	7681	$3.908 \times 10^{-3}$	1.24	0.3246

표 5: 디지털 콜 옵션에 대한 음해법 수렴 결과

시간 스텝 수	공간 노드 수	L∞ 오차	수렴 속도	CPU 연산 시간 (초)
64	1281	$1.195 \times 10^{-2}$	-	0.0468
256	2561	$2.238 \times 10^{-3}$	0.62	0.2089
1024	5121	$5.483 \times 10^{-3}$	0.73	1.6998
4096	10241	$1.836 \times 10^{-3}$	1.19	14.1552

예상대로 만기 조건의 불연속성으로 인해 PDE의 점성 해가 전역적 평활도(Global smoothness)를 상실함에 따라 두 수치 스킴의 수렴 속도는 나비형 스프레드에 비해 현저히 감소하여 1차(First-order) 정확도 근방으로 저하되었다. 그러나 1차 정확도로 성능이 하락한 열악한 상황 속에서도 양해법과 음해법 모두 발산하지 않고 해의 안정성을 끝까지 유지하였으며, 목표 타겟 $X_0 = 2\ln(10)$ 에서 기준 값 0.690662 을 향해 점진적으로 수렴해가는 강건성을 증명해 냈다. 음해법에서의 내부 반복 횟수 역시 나비형 스프레드와 마찬가지로 각 단계에서 2회를 거의 넘지 않아 훌륭한 계산 경제성을 유지하였다.

7.3. 대수 변환의 계산적 이점 및 안정성 제약 완화 효과의 정량화

본 연구에서 대수 변환 $X = \ln S$ 을 도입한 가장 주된 이론적 동기는 양해법이 지니는 극도로 가혹한 안정성 제약 조건을 완화하는 것이었다. 이를 수치적으로 정량화하기 위해, 원본 $S$-도메인에서 G-옵션 방정식을 직접 푸는 경우와 변환된 $X$-도메인에서 푸는 경우를 동일한 공간 그리드 포인트 수($M=200, 400, 800$)를 두고 직접 비교하였다. 비교 구역은 원본 $ = $ 이며, 대수 도메인은 $[X_{\min}, X_{\max}] = [\ln(50), \ln(150)]$ 이다. 각 $M$ 값에 대해 두 영역 각각에서 명시적 스킴의 안정성 조건이 요구하는 최소 시간 스텝 수를 도출하여 표로 구성하였다.

표 7: 나비형 스프레드에 대한 대수 변환 적용 유무 비교

공간 노드 (M)	비교 지표	변환 전 (S-도메인)	변환 후 (X-도메인)
$M=200$	최소 시간 스텝 수	$1.41 \times 10^3$	$5.18 \times 10^2$
	CPU 소요 시간(초)	$1.80 \times 10^{-2}$	$1.12 \times 10^{-2}$
$M=400$	최소 시간 스텝 수	$5.63 \times 10^3$	$2.07 \times 10^3$
	CPU 소요 시간(초)	$4.77 \times 10^{-2}$	$3.34 \times 10^{-2}$
$M=800$	최소 시간 스텝 수	$2.25 \times 10^4$	$8.29 \times 10^3$
	CPU 소요 시간(초)	$2.06 \times 10^{-1}$	$8.80 \times 10^{-2}$

표 8: 디지털 콜 옵션에 대한 대수 변환 적용 유무 비교

공간 노드 (M)	비교 지표	변환 전 (S-도메인)	변환 후 (X-도메인)
$M=200$	최소 시간 스텝 수	$1.41 \times 10^3$	$5.18 \times 10^2$
	CPU 소요 시간(초)	$3.86 \times 10^{-2}$	$1.19 \times 10^{-2}$
$M=400$	최소 시간 스텝 수	$5.63 \times 10^3$	$2.07 \times 10^3$
	CPU 소요 시간(초)	$7.08 \times 10^{-2}$	$3.17 \times 10^{-2}$
$M=800$	최소 시간 스텝 수	$2.25 \times 10^4$	$8.29 \times 10^3$
	CPU 소요 시간(초)	$2.03 \times 10^{-1}$	$8.59 \times 10^{-2}$

제시된 데이터는 대수 변환이 가져다주는 극적인 이점을 시각적으로 확인시켜 준다. 그리드가 세밀해지는 $M=800$ 의 경우를 살펴보면, 변환되지 않은 $S$-도메인에서는 양해법이 발산하지 않고 작동하기 위해 무려 22,500개의 시간 스텝이 강제된다. 그러나 대수 변환된 $X$-도메인에서는 단 8,286개의 시간 스텝만으로도 안정성이 확보되며, 이는 전체 연산 단계를 약 63%가량 제거해버리는 획기적인 최적화 결과이다.

이 차이는 시간 이산화에 대한 그리드 비율(Grid ratio)의 수학적 분석 결과와 완벽하게 부합한다. 원본 스킴은 $\Delta t$를 계산할 때 $S_{\max}$의 제곱에 반비례하도록 강제되는 반면, 변환된 스킴은 이를 제거하여 시간 그리드 비율을 대략 2.7155배 정도 현저하게 낮추는 효과를 발휘한다. 시간 스텝 수의 극단적인 감소는 CPU 소요 시간의 단축으로 직결되어, $M=800$에서 연산 시간이 $0.206$ 초에서 $0.088$ 초로 절반 이상 단축되었다. 이러한 정량적 결과는 단순한 수학적 치환 기법이 실제 컴퓨팅 성능 최적화와 결합되었을 때 모델을 구동하는 물리적 인프라 비용과 응답 시간을 얼마나 혁신적으로 절감할 수 있는지를 뚜렷하게 입증한다.

8. 결론

본 보고서는 금융 시장에 만연한 모델 불확실성을 수리적으로 제어하기 위해 펑(Peng)이 제안한 G-기대값 프레임워크를 기반으로, 위험 중립적 옵션 가치 평가 체계를 구축하고 이를 수치적으로 해결하기 위한 가장 최신의 해석학적 방법론을 심층적으로 분석하였다.

파생상품의 가격 역학을 단일한 확률 측도가 아닌 비선형 연산자에 기반하여 서술함으로써 도출된 G-블랙-숄즈 편미분방정식은 본질적으로 다루기 까다로운 강한 비선형성을 내포하고 있다. 이러한 난관을 극복하기 위해 본 연구진은 기초자산 가격에 대수 변환을 적용하여, 상태 변수에 종속적이었던 기하급수적 확산 계수를 상수로 치환시키는 수학적 기교를 도입하였다. 이 변환은 단순히 방정식의 형태를 바꾸는 데 그치지 않고, 후속되는 수치 해석 과정에서 알고리즘의 유연성과 계산의 물리적 속도를 비약적으로 끌어올리는 가장 핵심적인 전제 조건으로 작용하였다.

양해법과 음해법이라는 두 가지 대조적인 유한 차분 스킴을 설계한 뒤, 바를스-수가니디스 정리에 입각하여 이 스킴들이 연속 모델의 점성 해로 무결하게 수렴하기 위한 필요 조건인 일관성, 단조성, 안정성을 테일러 전개와 오차 교란 방식, 그리고 무한대 노름 분석을 통해 조금의 논리적 비약 없이 수학적으로 증명해냈다. 특히 비선형 음해법의 병목 지점인 내부 반복 연산에서 피카르 반복 수열을 적용하고, 이산화된 계수 행렬이 대각 지배적인 M-행렬 구조를 가짐을 입증하여 무조건적 단조 수렴을 이끌어낸 점은 이 방법론이 지닌 이론적 완결성을 대변한다.

최종적으로 비볼록한 구조의 나비형 스프레드와 불연속성을 지닌 디지털 콜 옵션을 대상으로 한 광범위한 수치 실험은, 이러한 수학적 이론이 실무적 컴퓨팅 환경에서도 강력한 성능을 발휘함을 여실히 보여주었다. 대수 변환을 통해 명시적 스킴의 안정성 제약 조건이 획기적으로 완화되어 전체 시간 스텝과 CPU 연산량이 최대 63%까지 절감되었으며, 페이오프의 기하학적 형태에 크게 구애받지 않고 극도로 안정적인 해를 산출해 내었다.

종합적으로, G-기대값에 기반한 본 옵션 가격 결정 수치 모델과 대수 변환 기법의 결합은 고도로 불확실하고 변동성이 팽창하는 현대 금융 환경에서 리스크 관리자와 트레이더들이 가장 견고한 최악-최상의 밴드 시나리오를 실시간에 준하는 속도로 도출할 수 있게 하는 확고한 수리적 기반이 될 것이다.