# 확률 변동성 모형: 무작위 분산, 위험 프리미엄과 스마일 동학

확률 변동성 모형 계열, 실제·위험중립 측도의 분산 동학, Heston·SABR·러프 변동성의 차이와 정적 스마일 적합을 넘어선 검증을 설명합니다.

표준 URL: https://wiki.fcontext.com/ko/options/stochastic-volatility-model/
사실 확인일: 2026-07-22

> 교육 목적으로만 제공되며 투자 조언이 아닙니다

<a id="answer"></a>

## 직접 답변

**확률 변동성 모형**은 자산의 순간 분산을 상수 또는 현물과 시간의 결정론적 함수가 아니라 무작위 상태변수로 둡니다. 일반적인 연속 2요인 표현은:

`dS_t = μ_t S_t dt + √v_t S_t dW_t^S`

`dv_t = a(v_t,t)dt + b(v_t,t)dW_t^v`, 그리고 `dW_t^S dW_t^v = ρ_t dt`

추가 분산 충격은 시변 변동성, 군집, 평균회귀, 스큐와 더 풍부한 스마일 동학을 만들 수 있습니다. 변동성이 “알려지는” 것이 아니라 확률법칙을 지정하며, 그 매개변수와 위험중립 버전을 추정하거나 보정해야 합니다.

이는 하나의 공식이 아니라 모형 계열입니다. Heston은 평균회귀 제곱근 분산 과정, SABR은 선도와 그 변동성, 선도분산 모형은 분산 기간구조, 러프 변동성 모형은 비 Markov 기억을 다룹니다. 선택마다 적합·헤지 대상과 수치·모형 위험이 다릅니다.

<a id="mechanism"></a>

## 실제 동학은 가격결정 동학이 아니다

과거 수익률은 실제 측도 `P`, 무차익 옵션 가치는 위험중립 측도 `Q`에서 모형화합니다. 거래할 수 없는 분산 충격이 있으면 주식과 현금만으로 모든 불확실성을 복제할 수 없어 시장은 일반적으로 불완전합니다. 따라서 무차익만으로 분산 위험 프리미엄이나 `Q`에서의 분산 드리프트를 유일하게 정할 수 없습니다.

같은 분산 상태도 `P`에서는:

`dv_t = a_P(v_t,t)dt + b(v_t,t)dW_t^{v,P}`

`Q`에서는:

`dv_t = a_Q(v_t,t)dt + b(v_t,t)dW_t^{v,Q}`

일 수 있습니다. `a_P`와 `a_Q`의 차이에 변동성 위험 보상이 들어갑니다. 수익률에서 추정한 `P` 매개변수를 가격결정기에 그대로 넣으면 이 차이를 설명 없이 없애는 셈입니다.

상관계수 `ρ`는 수익률과 분산 충격을 연결합니다. 주식 모형에서 위험중립 상관이 음수로 보정되면 더 비싼 하방 Put을 만드는 데 도움이 됩니다. Vol-of-Vol은 미래 분산의 퍼짐과 스마일 곡률, 평균회귀는 기간구조를 형성합니다. 그러나 매개변수는 상호작용하며 여러 조합이 비슷한 vanilla 가격을 만들 수 있습니다.

### 정적 적합과 동학

보정은 한 시점의 행사가·만기별 오차를 줄입니다. 위험 모형은 현물, 시간과 변동성 충격 후 표면이 어떻게 변하는지도 규정해야 합니다. 오늘의 vanilla를 똑같이 맞추는 두 모형도 배리어 가치, 선도 스큐, 헤지 비율과 다음 날 손익은 다를 수 있습니다. 스마일 동학과 표본 외 헤지는 보정 오차와 별도로 검증합니다.

<a id="example"></a>

## 예시: 같은 현재 분산, 두 측도

현재 분산이 `v₀ = 0.04`라서 순간 변동성이 `√0.04 = 20%`라고 가정합니다. 설명을 위해 두 측도 모두 평균회귀한다고 둡니다.

`E[v_T] = θ + (v₀ − θ)e^(−κT)`

가상의 매개변수는:

| 측도 | `κ` | `θ` | 6개월 `E[v_0.5]` |
| --- | ---: | ---: | ---: |
| 실제 측도 `P` | `1` | `0.04` | `0.04` |
| 위험중립 측도 `Q` | `2` | `0.0625` | `0.05422` |

`P`에서는:

`0.04 + (0.04 − 0.04)e^(−1×0.5) = 0.04`

`Q`에서는:

`0.0625 + (0.04 − 0.0625)e^(−2×0.5) = 0.05422`

제곱근은 각각 `20%`와 `23.29%`입니다. 이 차이는 옵션 이익 예측도, 한 번의 관측으로 위험 프리미엄을 식별한 것도 아닙니다. 옵션에서 보정한 위험중립 분산 기간구조를 예상 실현변동성이라고 바꿔 부를 수 없음을 보여줍니다.

또한 일반적으로 `√E[v_T] ≠ E[√v_T]`입니다. 이 예시는 기대분산의 제곱근이지 기대변동성이 아닙니다. 전체 옵션 가치는 분산의 분포와 경로, 수익률과의 상관, 페이오프에 의존합니다.

<a id="risks"></a>

## 모형 선택과 검증

- 확률방정식, 측도, 상태변수, 매개변수 단위, 경계 행동과 상관구조를 명시합니다.
- `P`에서 수익률로 추정한 매개변수와 `Q`에서 옵션 가격으로 보정한 것을 분리합니다.
- 동기화된 실행 가능 호가, 선도, 할인계수, 배당과 계약 조건을 사용합니다.
- Bid-Ask 또는 Vega 같은 경제적 중요도로 오차를 가중하고 만기와 날개별로 검사합니다.
- 여러 초깃값에서 최적화하고 거의 동등한 매개변수 조합을 보고합니다.
- 양수성, 모멘트 조건, 시뮬레이션 편향, 이산화, 변환 적분과 분기 처리를 확인합니다.
- 모든 보정 상품을 재평가하고 IV RMSE뿐 아니라 시장 스프레드와 오차를 비교합니다.
- 미래 표면 이동, 헤지 손익과 매개변수 안정성을 표본 밖에서 검증합니다.
- 가격 점프, 이벤트 분산, 상관 붕괴, Vol-of-Vol 급등과 유동성 상실을 스트레스합니다.
- 실제 페이오프에 대해 Heston, local vol, stochastic local vol, jump, rough를 비교합니다.
- 미국형 행사, 이산 배당, 배리어와 경로의존에는 적절한 수치법을 사용합니다.
- 거래비용, 이산 재헤지, 자금조달, 배정과 거래 불가능한 헤지 수단을 포함합니다.
- 의도적으로 뺀 위험을 기록합니다. 정밀 보정도 누락 위험을 줄이지 않습니다.

<a id="misconceptions"></a>

## 흔한 오해

- **“확률 변동성은 변동성을 예측한다.”** 모형과 매개변수 선택 후의 조건부 동학입니다.
- **“과거 분산 매개변수로 옵션을 가격결정할 수 있다.”** 일반적으로 위험중립 동학과 위험 프리미엄이 필요합니다.
- **“vanilla를 완벽히 맞추면 모형이 맞다.”** 정적 적합은 경로나 헤지 행동을 식별하지 않습니다.
- **“요인이 많을수록 항상 정확하다.”** 불안정, 과적합과 헤지 불가능한 매개변수 위험도 늘어납니다.
- **“확률 변동성은 폭락을 포함한다.”** 연속 모형은 가격과 분산 점프를 빠뜨릴 수 있습니다.
- **“위험중립 기대분산은 시장 예측이다.”** 위험 프리미엄을 포함하는 가격결정 대상입니다.
- **“보정 매개변수마다 하나의 경제 의미가 있다.”** 서로 보상하고 식별이 약할 수 있습니다.

<a id="related"></a>

## 관련 주제

- [Heston 모형](/ko/options/heston-model/)
- [국소 변동성 모형](/ko/options/local-volatility-model/)
- [스큐 동학](/ko/options/skew-dynamics/)
- [옵션 모형 위험](/ko/options/option-model-risk/)

<a id="sources"></a>

## 학술 자료

- [Hull과 White: The Pricing of Options on Assets with Stochastic Volatilities](https://doi.org/10.1111/j.1540-6261.1987.tb02568.x)
- [Heston: A Closed-Form Solution for Options with Stochastic Volatility](https://doi.org/10.1093/rfs/6.2.327)
- [Bergomi: Smile Dynamics IV](https://doi.org/10.2139/ssrn.1520443)
- [Hagan 외: Managing Smile Risk](https://www.next-finance.net/IMG/pdf/pdf_SABR.pdf)