[논문 리뷰] MVA: Initial Margin Valuation Adjustment by Replication and Regression

Andrew R. Green, Chris Kenyon|arXiv (Cornell University)|2014. 05. 02.

Fuzzy Logic and Control SystemsComputer Science인용 수 19

한 줄 요약

이 논문은 파생상품 가격 책정에서 초기 마진의 자금 조달 비용을 반영하기 위해 마진 밸류에이션 어드저스트먼트(MVA)를 도입한다. 이는 Burgard와 Kjaer(2013) 및 Green 등(2014)의 반복적 복제 프레임워크를 확장한 것으로, 기대 초기 마진 프로파일을 추정하기 위해 Longstaff-Schwartz 보완 압축(LSAC)을 사용하는 계산 효율적인 방법을 제안하여 몬테카를로 계산 부담을 줄인다. 결과적으로, 담보 없는 포트폴리오에서 MVA는 FVA의 약 50%에 해당한다.

ABSTRACT

Initial margin requirements are becoming an increasingly common feature of derivative markets. However, while the valuation of derivatives under collateralisation (Piterbarg 2010, Piterbarg2012), under counterparty risk with unsecured funding costs (FVA) (Burgard2011, Burgard2011, Burgard2013) and in the presence of regulatory capital (KVA) (Green2014) are established through valuation adjustments, hitherto initial margin has not been considered. This paper further extends the semi-replication framework of (Burgard2013a), itself later extended by (Green2014), to cover the cost of initial margin, leading to Margin Valuation Adjustment (MVA). Initial margin requirements are typically generated through the use of VAR or CVAR models. Given the form of MVA as an integral over the expected initial margin profile this would lead to excessive computational costs if a brute force calculation were to be used. Hence we also propose a computationally efficient approach to the calculation of MVA through the use of regression techniques, Longstaff-Schwartz Augmented Compression (LSAC).

연구 동기 및 목표

• 초기 마진의 자금 조달 비용을 파생상품 평가에 공식적으로 통합하여 FVA, KVA, MVA를 포함한 평가 조정의 완성도를 높이기.
• 위험 중립 가격 책정 내에서 기계적 몬테카를로 시뮬레이션을 사용해 기대 초기 마진 프로파일을 계산할 경우 발생하는 높은 계산 비용 문제를 해결하기.
• VAR/CVAR 모델에서 발생하는 큰 시장 충격을 고려해도 정확도를 유지하면서도 확장성 있고 효율적인 MVA 계산 방법을 개발하기.
• 대표적인 금리 스왑 포트폴리오에서 MVA와 FVA의 상대적 크기를 정량화하기.
• LSAC가 초기 마진 추정을 위한 포지션 압축 기법으로서의 실현 가능성과 성능을 입증하기.

제안 방법

• Burgard와 Kjaer(2013) 및 Green 등(2014)의 반복적 복제 프레임워크를 확장하여 초기 마진 자금 조달을 새로운 평가 조정(MVA)으로 통합한다.
• 기본적으로 역사적 VAR 또는 CVAR(기대 손실) 접근 방식을 사용해 초기 마진을 모델링하며, 시간에 따른 기대 초기 마진 프로파일 추정이 필요하다.
• 선형 조합으로 구성된 스왑과 애너uities를 기반으로 한 기저 함수를 사용해 포지션 가치와 초기 마진 노출을 Longstaff-Schwartz 회귀로 근사한다.
• 큰 시장 변동에 대응해 회귀 정확도를 향상시키기 위해 상태 공간에 추가적인 충격을 도입함으로써 LSAC(Longstaff-Schwartz 보완 압축)를 도입한다.
• 검증 및 성능 벤치마킹을 위해 GPU 가속 기반 C++/CUDA 구현을 사용해 빠른 기계적 비교를 가능하게 한다.
• 모든 시간 포인트에서 동일한 기저 함수 집합을 사용해 일관성과 계산 오버헤드 감소를 확보한다.

실험 결과

연구 질문

• RQ1 반복적 복제 프레임워크 내에서 초기 마진 자금 조달 비용을 일관되게 파생상품 평가에 통합할 수 있는 방법은 무엇인가?
• RQ2 기본 몬테카를로 방법을 사용해 기대 초기 마진 프로파일을 계산할 경우 발생하는 계산 비용은 얼마이며, 이를 줄일 수 있는가?
• RQ3 Longstaff-Schwartz와 같은 회귀 기반 방법은 VAR/CVAR 모델에서 큰 충격이 발생할 경우에도 초기 마진을 정확히 추정하는 데 적합한가?
• RQ4 일반적인 금리 스왑 포트폴리오에서 MVA의 크기는 FVA와 비교해 얼마나 되는가?
• RQ5 MVA 계산에서 LSAC는 기계적 몬테카를로 대비 속도와 정확도 측면에서 얼마나 뛰어난 성능을 보이는가?

주요 결과

• MVA는 중요한 평가 조정으로, 담보 없는 금리 스왑 포트폴리오에서 FVA의 약 50%에 해당한다.
• 10,000개의 스왑으로 구성된 포트폴리오에서 LSAC 방법은 기계적 몬테카를로 대비 최대 100배의 계산 속도 향상을 달성한다.
• 기저 함수 수가 적더라도 포지션 평가의 회귀 정확도는 높은 편이며, 포지션이 나이가 들수록 더욱 향상된다.
• LSAC 방법은 VAR 및 IM 자금 조달 비용 추정에서 높은 정확도를 유지하며, 기저 함수 수가 증가할수록 오차는 감소한다.
• 기대 긍정 노출(EPE) 및 기대 부정 노출(ENE) 프로파일을 분석한 결과, MVA는 노면이 크고 만기일자가 긴 포트폴리오에서 가장 영향력이 크다.
• 이 방법은 선형 파생상품에 특히 효과적이며, 복잡한 금융 상품에 적용하기 위해 '초기 시작' 몬테카를로 접근 방식을 통해 확장 가능하다.