Quanto Option을 위한 Black-Scholes PDE

1. Quanto Option 이란

 Quanto option의 정의를 따오자면 다음과 같다. (출처: Investopedia)

DEFINITION of 'Quantity-Adjusting Option - Quanto Option'

A cash-settled, cross-currency derivative in which the underlying asset is denominated in a currency other than the currency in which the option is settled. Quantos are settled at a fixed rate of exchange, providing investors with shelter from exchange-rate risk. At the time of expiration, the option's value is calculated in the amount of foreign currency and then converted at a fixed rate into the domestic currency.


Read more: Quantity-Adjusting Option (Quanto Option) Definition | Investopedia http://www.investopedia.com/terms/q/quantooption.asp#ixzz3rtA3UYDD 
Follow us: Investopedia on Facebook

  예를 들면 KRW로 발행한 옵션인데, 기초 자산은 Eurostoxx 50이고, 환 관계없이 수익률에만 의존하는 옵션 정도로 생각하면 될 것 같다. 그렇다보니 실제 헤지 운용을 하는 입장에서는 FX에 대한 부분을 어떻게 처리 하느냐가 중요한 이슈가 된다.

2. PDE의 유도

 직전의 'Black-Scholes PDE의 유도'와 같은 방식으로 진행해보자. 추가적으로 $X$는 기초자산 통화에서 옵션의 통화로 바꿔주는 환율의 GBM 프로세스라 하자. Quanto call option을 가정하면 그 옵션의 값은 다음과 같이 표현할 수 있다.

$$ f = X_{0} (S-K)^{+} $$

 즉, 고정된 환율로 옵션의 수익을 변환한다고 생각할 수 있다. 그러면 BS PDE를 유도하는 방식대로 포트폴리오를 만들고, 그 포트폴리오의 아주 짧은 기간의 수익률이 옵션의 환에 사용되는 무위험 이자율만큼 되도록 한다. 여기서 $r$은 옵션의 환(domestic currency)이고 $r_{f}$는 기초 자산의 환이다. 여기서도 콜 옵션 매도 포지션을 가정한다.

$$ d(-X_{0}f + \Delta_{S}XS + \Delta_{M}XM_{f}) = r(-X_{0}f + \Delta_{S}XS + \Delta_{M}XM_{f})dt $$

 이 식에서 보면 $M_{f}$는 운용되는 현금이고 기초자산과 환이 같다. 그리고 각 항마다 각자 환율을 곱한 것을 볼 수 있다. 단 옵션 가격에만 초기 환율(고정 환율)이 곱해져 있다. 앞 포스트의 노테이션을 사용하여 좌항을 전개해보자.

$$ d(-X_{0}f + \Delta_{S}XS + \Delta_{M}XM_{f}) \\ = -X_{0}(\Theta dt + \Delta_{0} dS + 0.5\Gamma dS^2) + \\ \Delta_{S}(XdS + SdX + dXdS) + \Delta_{M}(XdM_{f} + M_{f}dX) $$

뭐가 많이 생겼다. 여기서 $X$ 자체가 어떤 GBM process이기 때문에 stochastic calculus를 적용해줘야 한다. 그렇다보니 환 $X$에 대한 노출을 잡아줄 필요가 있다.  위의 식을 $dS$와 $dX$에 대해 묶고 $dSdX = XS\rho\sigma_{S}\sigma_{X}$의 관계식을 사용하여 전개하면 다음과 같다.

$ d(-X_{0}f + \Delta_{S}XS + \Delta_{M}XM_{f}) = \\ -X_{0}(\Theta dt + 0.5\Gamma dS^2) + (-X_{0}\Delta_{0} + X\Delta_{S})dS  + (\Delta_{M}M_{f} +  \Delta_{S}S)dX \\ + \Delta_{S}XS\rho\sigma_{S}\sigma_{X} + \Delta_{M}r_{f}XM_{f}dt $

 그렇다면 stochastic term인 $dS$와 $dX$에 대한 민감도를 없애기 위해선 다음과 같이 $\Delta$를 잡아야 한다.

$ \Delta_{S} = \frac{X_{0}}{X} \Delta_{0} $
$ \Delta_{M}M_{f} = -\Delta_{S}S = -\frac{X_{0}}{X}\Delta_{0}S $

 즉, 환율로 나누어진 주식의 delta외에도 주식 delta 수량만큼의 현금 반대 포지션이 있어야 환에 대한 민감도를 없앨 수 있다는 의미가 된다. 이 경우 정확하게 헤지를 하려면 해당 현금에 대한 매도 포지션이 있어야 하는데 현실적으로 어려우므로 환 선물 등을 이용할 수 있다.
 위의 delta에 대한 식을 대입하여 조합하면 다음과 같은 식을 얻을 수 있다.

$ d(-X_{0}f + \Delta_{S}XS + \Delta_{M}XM_{f}) \\ = -X_{0}(\Theta + (r_{f} - \rho\sigma_{S}\sigma_{X})\Delta_{0}S + 0.5\sigma_{S}^{2}S^{2}\Gamma)dt $

 이제 우항을 앞서 구해진 delta식 등을 이용하여 전개하면 다음과 같다.

$ r(-X_{0}f + \Delta_{S}XS + \Delta_{M}XM_{f})dt = r(-X_{0}f + \Delta_{0}X_{0}S - \Delta_{0}X_{0}S)dt = -rX_{0}fdt $

 좌항과 우항을 조합하면 다음과 같다.

$ -X_{0}(\Theta + (r_{f} - \rho\sigma_{S}\sigma_{X})\Delta_{0}S + 0.5\sigma_{S}^{2}S^{2}\Gamma)dt = -rX_{0}fdt $

 이제 양 항을 $-X_{0}dt$로 나누면 다음과 같은 결론을 얻을 수 있다.

$ \Theta + (r_{f} - \rho\sigma_{S}\sigma_{X})\Delta_{0}S + 0.5\sigma_{S}^{2}S^{2}\Gamma = rf $

 즉, 기초 자산의 drift term이 $r_{f} - \rho\sigma_{S}\sigma_{X}$ 식으로 바뀐 Black-Scholes PDE를 도출할 수 있다.

 여기서 국내 시장의 상황상 $r_{f}$ 금리를 무엇을 사용하느냐가 이슈가 될 수 있다. 결국 운용하는데 있어 외환의 차입 또는 운용방식에 따라 금리를 맞게 사용해야 할 것이다.


Black-Scholes PDE의 유도

Black-Scholes PDE를 유도하는 방법을 살펴보자. 여기서 볼 방법은 옵션과 헤지 대상인 자산의 포트폴리오를 만들어 유도하는 방식이다.

우선 $f$라는 가격을 갖는 '콜 옵션'을 가정하자. 그리고 이 옵션의 기초 자산의 가격을 $S$라 하고, 운용 또는 차입을 할 수 있는 무위험 금리를 $r$이라고 하자. 여기서 이 콜 옵션을 팔았다고 가정하고 델타 헤지를 하게 되면 다음과 같은 포트폴리오를 구성 할 수 있다.

$ -f + \Delta_{S}S + \Delta_{M}M$

 여기서 $\Delta_{S}$는 헤지를 위해 거래해야 하는 기초 자산의 수량이고 $\Delta_{M}$은 주식을 사기 위해 차입한 자금의 수(수량이 있다면)이다. 그렇다면 자연스럽게 $M$은 무위험 금리로 운용되는 자금이라 볼 수 있다.

 옵션 헤지 운용은 헤지를 통한 옵션 운용이 무위험 금리만큼의 수익을 내는 것을 기본 가정으로 깔고 시작한다. 그러므로 위의 포트폴리오가 아주 짧은 시간(이라 쓰고 대충 하루라 읽는다)인 $dt$ 동안 변해야할 양은 다음과 같다.

$d(-f + \Delta_{S}S + \Delta_{M}M) = r(-f + \Delta_{S}S + \Delta_{M}M)dt $

 이제 이 식을 가지고 유도해보자. 일단 좌항부터 전개를 하자. 그 전에 편의를 위해 다음과 같이 미분항을 알려진(쉬운?) 노테이션으로 바꾸자.

$ \Theta = \frac{\partial{f}}{\partial{t}}, \Delta_{0} = \frac{\partial{f}}{\partial{S}}, \Gamma = \frac{\partial^2{f}}{\partial{S}^2}$

이 노테이션을 이용하면 앞의 포트폴리오 식을 다음과 같이 전개할 수 있다.

$ d(-f + \Delta_{S}S + \Delta_{M}M) = -(\Theta dt + \Delta_{0} dS + 0.5 \Gamma dS^2) + \Delta_{S}dS + \Delta_{M}dM$

 여기서 델타 헤지를 위해서 $dS$항을 없애야 한다. 그렇다면 다음과 같은 관계식이 성립하여야 한다. (Gamma에 붙은 항은 어차피 $S^2\sigma^2dt$만 남는다.)

$ \Delta_{0} = \Delta_{S}$

 즉, 기초 자산의 수량은 $S$로 미분한 값에 맞춰주면 된다는 의미이다. 그리고 $M$의 경우 짧은 시간동안의 변동량은 무위험 이자율 만큼이므로 다음과 같이 쓸 수 있다.

$ \Delta_{M}dM = r\Delta_{M}Mdt $

 이제 우항을 전개하면 다음과 같이 쓸 수 있다.

$ r(-f + \Delta_{S}S + \Delta_{M}M)dt = -rfdt + r\Delta_{0}Sdt + r\Delta_{M}Mdt $

 이제 앞서 구한 델타 값과 $M$에 대한 식을 이용하여 완성된 식으로 써보자.

$ -(\Theta dt + 0.5 \sigma^2 \Gamma S^2 dt) +  r\Delta_{M}Mdt = -rfdt + r\Delta_{0}Sdt + r\Delta_{M}Mdt $

 이 식을 잘 정리하면 최종 결과로 다음과 같은 식을 구할 수 있다.

$ \Theta + r\Delta_{0}S + 0.5 S^2\sigma^2 \Gamma = rf $

 즉, Black-Scholes PDE를 구할 수 있다.



BJJ - 다시 수련을 시작하며

근 1년 가까이 주짓수 수련을 쉬다가 최근 다시 시작했다.
다행히 집에서 버스 타고 10분 거리에 최근 도장이 생겼다.
그래서 예전과 달리 거리에 대한 부담도 없고, 애들 다 씻기고 생각날 때 휙 다녀올 수 있어 너무 좋다.

너무 쉬어서 다시 폼이 올라오려면 시간이 좀 걸리겠지만, 할 수 있다는 것 자체가 너무 기쁘다.
앞으로 하프 가드와 압박 패스를 주로 사옹하며 다듬을 예정이다.
물론 사범님이 가르쳐 주시는 기술도 꾸준히 다듬어야지.

Basis Spline

1. Basis Spline (B-Spline)이란?

 Spline을 영어 사전에서 찾아보면 다음과 같다.

Definition of SPLINE

1
:  a thin wood or metal strip used in building construction
2
:  a key that is fixed to one of two connected mechanical parts and fits into a keyway in the other;also :  a keyway for such a key
3
:  a function that is defined on an interval, is used to approximate a given function, and is composed of pieces of simple functions defined on subintervals and joined at their endpoints with a suitable degree of smoothness

 즉, 문자 그대로 어떤 두 지점을 잇는 어떤 것을 의미하는데, 커브 생성에 사용되는 spline도 같은 의미이다. (앞의 인용을 보면 3번 정의이다.)
 업계(금융 수치 해석)에서 많이 쓰는 spline은 cubic spline이라고 하여 두 점을 잇는 함수가 다음과 같이 3차 함수의 모양을 갖는다.

$ f(x) = ax^3 + bx^2 + cx + d $

 그래서 각 데이터 포인트를 연결하는 $a$에서 $d$까지의 계수를 찾아 부드러운 곡선으로 각 점을 잇는다. Basis-Spline(이하 B-Spline)은 조금 더 일반화 된 방식의 spline인데, 말 그대로 각 점을 정의된 Basis function으로 연결한다는 의미이다.
 (참고로 이 포스트의 내용 및 그림 등은 http://www.cs.mtu.edu/~shene/COURSES/cs3621/NOTES/ 이 사이트를 매우 많이 참고했다.)

 B-spline의 경우 knots, parameter, control point, data point, degree라는 개념을 짚고 넘어가야 한다.

  • Data point : interpolation이나 추정 대상이 되는 점을 의미한다. 함수 $y = f(x)$에서 x를 의미한다.
  • Parameter : 어떤 data point가 주어졌을 때 그 data point를 B-spline에 적용할 수 있게 쪼갠 값이다. 이 값을 구하기 위해 data point를 균등하게 자를 수도 있고, 그 외 현란한 방법으로 자를 수 도 있다.
  • Knots : knot은 말 그대로 하면 매듭이란 뜻으로 풀이가 된다. 여기서 knot은 basis function을 정의하는 기준 점 정도로 이해할 수 있다. Knot의 경우 parameter를 평균 내거나, parameter와 상관 없이 구간을 일정하게 쪼개기도 한다.
  • Control point : 이게 설명하기가 애매하다. 뒤에 나오겠지만, interpolation을 위해 사용되는 basis function에 곱해져 커브 상의 값을 가지고 오는데 쓰인다.
  • Degree : basis function의 차수를 의미한다. 3이면 cubic-spline과 동일하다.
 B-spline의 curve 추정 함수는 다음과 같다.

$ C(u) = \sum^{n}_{0} N_{i, d}(u)Q_{i} $

 여기서 C가 추정하고자 하는 커브 상의 값이고, $n$은 data point의 갯수에서 하나를 뺀 값이다. 즉, $n+1$이 data point의 수가 된다. 그리고 $d$가 degree를 말하고 $Q$가 control point이다. 즉, data point 수 만큼의 basis function과 control point 값을 곱하여 합하면 추정하는 값이 나온다는 의미이다.

 Basis function ($N_{i, d}(u)$)는 다음과 같이 회귀적으로 정의한다.

$ N_{i, 0}(u) = \left \{ \begin{array}{ll} 1, \mbox{if $u_{i} \leq u < u_{i+1}$} \\ 0, \mbox{otherwise}  \end{array} \right.  $

$ N_{i, d} = \frac{u - u_{i}}{u_{i+p} - u_{i}} N_{i,p-1}(u) + \frac{u_{i+p+1} - u}{u_{i+p+1} - u{i+1}} N_{i+1,p-1}(u) $


 Degree가 0이면 찾고자 하는 값의 인수가 해당 knot에 해당할 경우 1, 아니면 0을 넘겨주고, 이후에는 회기 함수를 이용하여 basis function의 값을 구한다. 그리고 그 값을 이용하여 커브 상의 값을 추정한다.

2. 구현하기

 B-Spline을 구현할 때 다음과 같은 순서로 코드를 제작하였다.

  1. Data point, 각 data point에 해당하는 결과 값, degree를 받아들임
  2. Data point를 이용하여 parameter 만들기
  3. Knot의 모음임 knot vector 만들기
  4. Global interpolation 또는 Global fitting 방식을 쓸 것인지에 따라 control point 구하기
  5. 값이 들어오면 추정 값을 넘겨주기
 이렇게 크게 다섯 개의 틀로 볼 수 있다.
 각각의 단계를 조금씩만 더 디벼보자. (조금만 디벼보자. 깊이는 나도 모르겠다. ㅎㅎ)

 2번의 경우 parameter를 생성하기 위해 데이터 구간을 균등하게 자르는 방법과, Chord length method, Centripetal method가 있다. 이 중 당연하게도(?) 가장 구현이 간단한 Uniformly spaced method(균등하게 자르기)를 이용하였다.  각 방식에 따라 추정하는 커브의 모양이 달라지는데, 다음의 퍼온 그림을 참고하자.

 3번의 경우 parameter와 상관 없이 knot을 구간의 갯수만큼 1/n하여 자르는 방법과 parameter를 평균내는 방법이 있다. 이 중 후자의 방법을 선택했다. 참고한 문서에서는 전자의 경우 chord length 등을 사용하면 결과가 제대로 안 나올 수 있다는 설명이 있다. (물론 쓰진 않지만. ㅎㅎ)
 knot을 만드는 과정을 식으로 표현하면 다음과 같다.
 여기서 p가 degree이다. knot의 경우 'data의 수(n+1) + degree(p) + 1'개 만큼 생성을 한다. 그리고 degree까지의 knot은 0(또는 data point 구간의 첫 번째 값)으로 지정하고, 'knot의 갯수(m+1) - degree(p) - 1'부터 마지막 knot은 1(또는 data point 구간의 마지막 값)으로 지정한다.

 그리고 마지막으로 control point를 구해주는데, global interpolation과 global fitting 두 가지 방식이 있다. Global interpolation의 경우 주어진 data point를 모두 통과하도록 제한을 두어 control point를 구하는 방식이고, global fitting은 least square 방식으로 커브의 에러를 최소화 시키는 방식으로 구하는 방식이다.
 Global interpolation은 다음의 식을 앞서 설명한 LU decomposition을 이용하여 푼다.

$ \mathbf{NQ=D}$

여기서 $\mathbf{N}$은 basis function의 $n\times n$ matrix이고 $D$는 data point vector 또는 matrix, $Q$는 control point vector 또는 matrix이다.
 Global fitting의 경우 다음의 식을 최소화 하도록 푼다.

$ E = 1/2 \sum^{m}_{k = 0} | \sum^{n}_{j=0}N_{j,d}\mathbf{Q_{j}} - \mathbf{D_{k}}|^2 $

 이 least square 식을 풀어 matrix 형태로 풀어내면 다음과 같은 system을 푸는 문제로 만들 수 있다.

$\mathbf{N^{T}NQ=N^{T}D}$


3. 결과 예제

 결과를 테스트 해보기 위해 간단하게 standard normal distribution의 PDF를 추정하도록 해보자. 여기서 degree는 3으로 하였으며, 데이터 포인트 갯수를 20개와 50로 나누어봤다. 그리고 interpolation과 fitting을 사용하여 어떤 차이가 있는지 보자.

N+1=50, D=3, Interpolation

N+1=50, D=3, Fitting
 100개의 data를 추정하는데 50개의 data point를 사용한 결과인데, x표가 closed form이고 선이 생성된 커브, +가 사용된 data point이다. point 수가 많기 때문에 fitting과 interpolation이 큰 차이를 보이지 않으나, fitting이 약간의 에러를 보여준다.

N+1=20, D=3, Interpolation

N+1=20, D=3, Fitting
 Data point를 20개로 줄이고 100개의 점을 추정할 경우, interpolation과 fitting이 차이를 보인다. 하지만 여기서 생각해봐야 할 것은 대상이 되는 커브 자체가 매우 부드러운 함수이기 때문에 상황에 따라서는 어떤 것이 원본치에 가까우냐는 이견의 여지가 있을 수 있다는 것이다.  (물론 datapoint 갯수가 더 줄어들면 fitting 방식의 커브가 더 많이 꺾이기도 한다.)

끝.

LU Decomposition

1. LU Decomposition이란?

 NxN 인 square matrix $ \mathbf{A}$가 있다. 이 matrix를 쪼갤 수 있는 방법은 매우 많다. 예를 들어 Cholesky decomposition을 통하여 $\mathbf{LL^{T}}$ 형식으로 lower triangle과 그 transpose로 쪼갤 수 있다. LU decomposition은 square matrix를 lower triangle과 upper triangle 두 부분으로 나누는 기법을 말한다.

$ \mathbf{A = LU} $

 예를 들어 $\mathbf{A}$라는 matrix가 3x3이라고 하면 이 matrix를 다음과 같이 나눌 수 있다.

$
\left( \begin{array}{ccc}  l_{1,1} & 0 & 0 \\ l_{2,1} & l_{2,2} & 0 \\ l_{3,1} & l_{3,2} & l_{3,3} \end{array} \right)
\left( \begin{array}{ccc}  u_{1,1} & u_{1,2} & u_{1,3} \\ 0 & u_{2,2} & u_{2,3} \\ 0 & 0 & u_{3,3} \end{array} \right)  =
\left( \begin{array}{ccc}  a_{1,1} & a_{1,2} & a_{1,3} \\ a_{2,1} & a_{2,2} & a_{2,3} \\ a_{3,1} & a_{3,2} & a_{3,3} \end{array} \right) $

 이 matrix를 풀어보면 다음과 같이 쓸 수 있다.

$
\left( \begin{array}{ccc} l_{1,1}u_{1,1} & l_{1,1}u_{1,2} & l_{1,1}u_{1,3} \\
l_{2,1}u_{1,1} & l_{2,1}u_{1,2} + l_{2,2}u_{2,2} & l_{2,1}u_{1,3} + l_{2,2}u_{2,3} \\
l_{3,1}u_{1,1} & l_{3,1}u_{1,2} + l_{3,2}u_{2,2} & l_{3,1}u_{1,3} + l_{3,2}u_{2,3} + l_{3,3}u_{3,3} \end{array} \right)  =
\left( \begin{array}{ccc}  a_{1,1} & a_{1,2} & a_{1,3} \\ a_{2,1} & a_{2,2} & a_{2,3} \\ a_{3,1} & a_{3,2} & a_{3,3} \end{array} \right) $

이렇게 보면 찾아야 하는 값은 $ 3 \times 3 + 3$개인데 식은 $3\times 3$개만 있는 상황이 된다. 즉 답이 하나가 아닐 수 있다는 의미이다. 이 때 자주 쓰이는 알고리듬이 'Crout's Method' 이다. 실제 내용이나 구현 방법은 링크 또는 Numerical Recipe라는 책을 찾아보면 자세히 나와있다.
 구현에 따라 $ \mathbf{A=LU}$가 아니라 $\mathbf{PA=LU}$의 형식으로 답을 구하는데 여기서 $\mathbf{P}$는 permutation matrix이고, orthogonal이므로 $\mathbf{A=P^{T}LU}$로 다시 역산할 수 있다.


2. 어디에 쓰는가. 

 LU Decomposition을 사용하면 $\mathbf{Ax=b}$ 형태의 linear system을 쉽게 풀 수가 있다. 일반적으로 이런 식을 풀기 위해 Gauss-Jordan Elimination을 사용한다. LU Decomposition으로 푸는 방식은 다음과 같다.

$ \mathbf{ Ax=(LU)x=L(Ux)=b} $

와 같이 식을 쓰게 되면 우선

$ \mathbf{ Ly=b }$ 

에서 $\mathbf{y}$를 Forward substitution방식으로 풀고,

$ \mathbf{Ux=y}$

식을 backward substitution으로 풀 수 있다.

Girsanov Theorem과 Measure Change (non stochastic case)

 앞서 포스트에서 Girsanov Theorem에 대해 썼었는데, 아무리 생각해도 내가 순서도 건너 뛴 느낌이고, 이해도 제대로 못하고 있는 것 같다.(물론 지금도 다 이해한 것은 아닌게 확실하지만.-_-) 원래대로라면 Stochastic process에서의 Girsanov Theorem 전에 일반적인 random variable에서의 경우를 정리하는 것이 맞다.

 - Girsanov Theorem과 Radon-Nikodym derivative


 어떤 random variable $x$가 다음과 같은 분포를 따른다고 하자.

$x \sim N(\mu, \nu)$

 즉, 평균이 $\mu$이고 분산이 $\nu$인 정규분포를 따른다는 의미이다. 여기서 이 분포의 확률 밀도(probability density)함수 $f(x)$는 다음과 같다.

$f(x) = \frac{1}{\sqrt{2\pi\nu}}e^{-\frac{(x - \mu)^2}{2\nu}}$

그렇다면, 이 $x$의 기대값은 다음과 같은 식으로 표현할 수 있다.

$E^{P}[x]=  \int_{x\in\Omega} xf(x) dx = \int_{x\in\Omega} xdP(x)$

 그런데 여기서 어떠한 이유에서든 해당 random variable을 평균이 0이고 분산이 $\nu$인 척도(measure)에서 기대값을 측정하고 싶다고 하면 다음과 같은 과정을 거쳐 변환할 수 있다. 단, 여기서 가정은 어쨌건 두 척도가 어떤 random variable $y$에 대해, 한 쪽에서 확률이 0이라면 다른 한 쪽에서도 확률이 0이어야 한다. 즉 Equivalent해야 한다.

 우선 앞서 확률 밀도 함수 $f(x)$를 해체해 보면 다음과 같이 이해할 수 있다.

$f(x) = \frac{1}{\sqrt{2\pi\nu}}e^{-(x^2 - 2\mu x + \mu^2)/2\nu} = \frac{1}{\sqrt{2\pi\nu}} e^{(-x^2/2\nu)} e^{((2\mu x - \mu^2)/2\nu)}$

 이제 제일 오른쪽 항의 마지막 $e^{*}$를 어떤 함수 $g(x)$라 지칭하면 다음과 같이 쓸 수 있다.

$ g(x) = e^{(2\mu x - \mu^2)/2\nu} =  e^{\mu x/\nu - \mu^{2}/2\nu} $

 결국 어떤 확률 변수 $x$의 기대값을 구할 때 $g(x)^{-1}$를 함께 곱해서 구해주면 평균 $0$, 분산 $\nu$인 새로운 확률 척도(measure)에서의 기대값을 구할 수 있게 된다.

$ E^{\tilde{P}} [x] = E^{P} [g(x)^{-1}x] $

 그리고 이것을 Measure change라 부른다. 그리고 앞서 measure change에 지대한 역할을 한 $g(x)^{-1}$를 다음과 같이 각 척도의 비율로 볼 수 있다.

$g(x)^{-1} = \varepsilon (x) = e^{- \mu x/\nu + \mu^{2}/2\nu} = \frac{d\tilde{P}}{dP}$

 바로 이 식이 Radon-Nikodym Derivative의 한 예이다. 이 식을 이용해 앞의 random variable $x$의 기대값을 $\tilde{P}$ 척도에서 구하는 식을 써보면 다음과 같이 쓸 수 있다.

$E^{\tilde{P}} [x] = E^{P} [\varepsilon (x) x] = \int x \varepsilon (x) dP(x) = \int x  d\tilde{P}(x)$

 이렇게 Girsanov Theorem의 예제를 살펴보았으니 정말로 numeraire change를 정리해 볼 때이다.

Girsanov Theorem

https://en.wikipedia.org/wiki/Girsanov_theorem

자세한 내용은 위의 Wikipedia page를 참고하자.
일단 수학과 출신이 아니니 내가 아는대로만 정리하자.

1. Equivalent Martingale Measure

 어느 stochastic process의 성질이 maringale process이면 계산하는데 있어 다양한 이점을 지닌다. (자세한건 더 공부해서 정리하도록 하자.) 그래서 어떤 확률 분포 하에서 $S(t)$라는  continuous stochastic process가 submartingale이나 supermartingale인 경우 이를 확률 분포를 바꿔 martingale로 바꾸는 과정을 거치면 좋다.
 어떤 확률분포 $P$에서 $S(t)$가 다음과 같이 submartingale이라 하자.

$E^{P}[e^{-ru}S(t+u)] > S_{t}$

 그리고 확률 분포$P$를 equivanlent probability $\tilde{P}$로 바꿔 다음과 같이 martingale로 바꿀 수 있다고 하자.

$E^{\tilde{P}}[e^{-ru}S(t+u)] = S_{t}$

 그렇다면 확률분포 $\tilde{P}$를 $P$의 Equivalent Martingale Measure라 부른다.
 이 두 measure간의 변환을 위한 개념이 Radon-Nykodym Derivative라는 개념인데, 다음과 같이 쓸 수 있다.

$\xi(z_{t})=\frac{d\tilde{P}(z_{t})}{dP(z_{t })}$

 즉, 어떤 measure $P$에서 $\tilde{P}$로 가는 일종의 변환식이라고 보면 될 것 같다.

2. Girsanov Theorem

 Igor Vladimirovich Girsanov라는 러시아 수학자 아저씨의 이론. 여기서 대상이 되는 stochastic process는 continuous 조건을 만족해야 한다.(그 조건이 뭔지는 나도 아직 모름.) 어쨌건... Salih N. Neftci가 쓴 An Introduction to Mathematics of Financial Derivatives라는 책을 참고로 정리 해보겠다.

 어떤 $t$ 시점의 information set $\{I_{t}\}$(probability space를 간편하게 부르는 듯)이 한정된 구간 $[0, T]$에 존재한다고 가정하자. 그리고 이 구간에서 다음과 같은 random process $\xi_{t}$를 정의 하자.

$\xi_{t} = \exp\{\int^{t}_{0}X_{u}dW_{u}-\frac{1}{2}\int^{t}_{0}X^{2}_{u}du\}, \enspace t \in [0, T] $

여기서 $X_{t}$는 $I_{t}$-measurable process이다. 그리고 $W_{t}$는 $P$라는 확률 분포상의 Wiener process이다.그리고 $E[\xi_{T}]=1$이라는 성질을 만족하여야 한다. (이 부분은 좀 더 공부해봐야 할 듯)
 추가로 $X_{t}$는 다음의 Novikov condition을 만족하는데 이는 $X_{t}$ 가 순식간에 변하지 않는다는의미를 갖는다.

$ E[\exp\{\int^{t}_{0}X^{2}_{u}du\}] < \infty , \enspace t \in [0, T] $ 

 그리고 $\xi_{t}$에 Ito Lemma를 적용하면 다음과 같은 결과를 얻을 수 있다.

$ d \xi_{t}=\xi_{t} X_{t} dW_{t}, \enspace \xi_{0}=1 $

 위 식의 양 변에 적분을 취하면 다음과 같다.

$ \xi_{t}=1+\int^{t}_{0}\xi_{s}X_{s}dW_{s}$

 위에서 적분 항은 Wiener process에 대한 적분이고, Novikov condition을 만족하므로 이 적분은 martingale의 성질을 갖는다.

$ E[\int^{t}_{0} \xi_{s}X_{s}dW_{s} | I_{u}] = \int^{u}_{0} \xi_{s}X_{s}dW_{s}$

 앞서까지 정리한 내용을 가지고 Girsanov theorem을 정리하면 다음과 같다.

 Theorem: 앞에 정의한 $\xi_{t}$가 martingale이면 다음과 같은 process 또한 Wiener process 이다.

$\tilde{W}_{t} = W_{t} - \int^{t}_{0}X_{u}du, \enspace t \in [0, T]$

 그리고 위 Wiener process를 적용할 probability measure $\tilde{P}_{T}$는 어떤 이벤트 $A$에 대해 다음과 같이 정의할 수 있다.

$\tilde{P}_{T}(A)=E^{P}[1_{A}\xi_{T}]$

 여기서 $1_{A}$는 indicator function이다. 
 이를 다시 해적해보자면, 어떤 Wiener process $W_{t}$가 있다면 이 process의 확률 분포에 $\xi_{t}$를 곱하여 새로운 Wiener process인 $\tilde{W}_{t}$와 이에 해당하는 확률 분포 $\tilde{P}$를 얻을 수 있다는 의미이다. 두 Wiener process는 다음과 같은 관계를 갖는다.

$d\tilde{W}_{t} = dW_{t} - X_{t}dt$
 
이제 좀 더 공부해서 Measure change하는 부분을 정리하여 보자.

패닉

0. 중국의 폭락과 손실
 최근 HSCEI 지수의 수익률이 하루 하루 요동을 치고 있다. HSCEI는 중국 기업이 HKEX(Hong knog Exchange)에 상장을 하여 HKD로 거래되는 주식들의 모음이다. 주로 금융주로 구성이 되어있다 보니 무엇보다 금융 시장의 움직임에 민감하다.

  우리나라의 ELS 시장은 매우 크다. 주로 은행 신탁으로 고객들에게 판매가 상당수 되었고, 지금도 되고 있으며, 기초자산이 대부분 몇 개 지수에 편중되어있다. 그 지수는 KOSPI 200, HSCEI, Eurostoxx 50, S&P 500, Nikkei 225 등이다. 이 중 HSCEI는 사실 선물/옵션 시장의 biggest player는 한국 증권사들이다. 그래서 장이 안정되고 발행 물량이 많을 때에는 지수가 떨어짐에도 불구하고 내재 변동성이 떨어지는 경우도 자주 있었다. 이는 발행 물량의 베가 및 세타를 커버하기 위한 물량이다. 상황이 이렇다보니 HKEX에서는 급기야 한국 기관 투자자의 한도에 대해 경고 메시지를 보냈고, 국내 감독기관도 HSCEI에 대한 발행을 암묵적으로나마 중단시키기에 이른다.

 최근 중국의 성장률 저하 우려와 각종 지표 값이 좋지 않게 나타나면서 중국의 장세가 하락일로를 걷고 있고, 그에 따라 HSCEI도 6개월만에 14,000대에서 9,000대로 주저 앉았다. 이에 따라 단기 내재 변동성이 급등을하고 꾸준히 변동성이 높은 상태에서 거래가 되고 있다. 이러면서 발행 물량을 커버하기 위한 옵션 및 선물에서 증권사들마다 꽤 큰 손실을 기록하고 있고, 대부분 그래도 아직 수익 상태라고 얘기는 하지만 진실은 잘 모르겠다. (물론 다들 잘 막았으리라 생각하지만.)

1. Stepdown
 국내 발행 ELS의 경우 대부분 KI가 있거나 없는 Stepdown 형태로 발행한다. 이 구조가 꽤나 재미있는데, 지수의 움직임에 따라 감마와 베가가 수시로 바뀐다.

 - 발행시점
 발행을 하면 기본적으로 ITM 상태로 발행한다. 즉 첫 번째 조기 상환 배리어가 발행일 지수의 90%~80% 정도이다. 그러면 감마와 베가는 초기 상태에 발행자 입장에서 Long이 된다. 베가의 경우 Volatility Surface를 사용하는 만큼 일정한 term-structure를 가지게 되는데, 3년 만기 ELS를 발행했다 가정 하면 초기의 경우 duration에 맞게 6M~1Y, 2~3Y의 두 구간에서 가장 크게 나타난다.

- 지수가 하락할 경우
 이런 상황은 지수가 하락하면서 조기 상환 배리어를 기점을 지나면서 역전된다.
 지수가 하락하여 조기 상환 배리어 근처에 주가가 위치하게 되면 남은 조기상환까지의 기간, 즉 짧은 구간의 베가가 높아지게 된다. 그리고 추가 하락을  하여 지수가 더 낮아지면, ELS 상품의 duration이 길어지면서 대부분의 베가가 만기 근처에 몰리게 된다. 그리고 더 내려가면 put 옵션 구간이 ITM으로 바뀌며 감마가 훅 빠진다.

2. Hedge와 손실
 일반적으로 ELS 마진을 지키기 위한 hedge는 대부분 감마를 희생하고 세타와 베가를 막는데 치중한다. 그러다보니 매도 옵션의 대부분이 단기(1년 미만)에 몰리게 된다. 또한 지수가 상승하고 변동성이 빠지는 시기에 ELS 수요가 많아지면서 해당 지수에 발행이 몰리게 되는데 이 때 빠지는 변동성에 의해 옵션의 감마와 세타의 비율이 불리한 상황으로 변한다.
$\frac{1}{2}\sigma^{2}\Gamma = \Theta$
위의 수식은 금리와 배당이 0일 경우 그릭간의 관계식이다.(델타는 헤지가 되었다 가정함.) 앞의 수식을 보면 비율의 관계가 눈에 보인다.
이런 상황에서 ELS의 감마와 베가의 모양이 바뀌면서 장이 크게 흔들릴 때 불리한 형태로 포지션이 짜여지고, 폭락기에 큰 손실을 보게 된다.

3. 그렇다면?
 그렇다면 결국 손실을 보더라도 포지션의 빠른 re-balancing이 답일 것 같다. 그리고 세타로 잃는 부분이 있더라도 그 부분은 어느정도 감수를 하고 넘어가면서 포지션의 안정성을 높이는 것이 결국 승리하는 방법이 아닐까 한다. 사실 답이 이렇게 간단하다면 손실 볼 일이 없어야 하겠지만 그렇지도 않은게 트레이딩 일 것 같다.

테스트를 해봐요

텀블러 쓰다가 뭔가 아쉬워서 넘어오긴 하는데.
여기다가 뭔가 많이 쓸거 같지는 않다.
내가 그렇지 뭐

인생논어 - 1

  0. 조형권님이 쓴 <<인생논어>> 를 읽고 필사한다는 생각으로 구문들을 옮겨 적으려 한다.  1. 나만의 속도를 유지하라.   子曰, 射不主皮 爲力不同科 古之道也 (자왈, 사부주피 위력부동과 고지도야)  해석: 활을 쏠 때 ...