[논문 리뷰] Market Implied Probability Distributions and Bayesian Skew Estimation

Ulrich Kirchner|ArXiv.org|2009. 11. 04.

Stochastic processes and financial applications참고 문헌 2인용 수 5

한 줄 요약

이 논문은 희소한 옵션 데이터에서 시장이 암시하는 확률 분포를 추정하기 위해 베이지안 프레임워크를 제안하며, 변동성 스куп을 단일 최적 적합 곡선이 아닌 가능한 모델들의 분포로 간주한다. 변동성, 기울기, 곡률 등의 스куп 파라미터를 다변량 사후 분포로 모델링하고 '흐린 미소(fuzzy smile)' 시각화 기법을 도입함으로써, 특히 근근이 있는 행사가에서의 확률에 대한 불확실성을 정량화하며, 결정론적 스куп 피팅에 비해 더 견고한 대안을 제공한다.

ABSTRACT

We review and illustrate how the volatility smile translates into a probability distribution, the market-implied probability distribution representing believes priced in. The effects of changes in the smile are examined. Special attention is given to the effects of slope, which might appear at first counter-intuitive. We then show how Bayesian methods can be used to deal with sparse real market data. With each skew in a parametric model we associate a probability. This is illustrated with an example, for which multivariate parameter distributions are derived. We introduce the fuzzy smile (or fuzzy skew) as a visual illustration of the skew distribution.

연구 동기 및 목표

• 옵션 마켓 데이터가 희소하고 노이즈가 많을 때 시장이 암시하는 확률 분포를 추정하는 데 도전하는 것.
• 변동성 스куп의 단일 점 추정을 넘어서 스куп 파라미터의 불확실성을 확률 분포로 모델링하는 것.
• 가능한 스куп의 집합과 그에 해당하는 확률을 표현하는 시각적·계산적 프레임워크인 '흐린 미소(fuzzy smile)'를 개발하는 것.
• 베이지안 추론과 암시 확률 공식을 융합하여 향후 자산 분포에 대한 시장의 믿음에 대해 더 견고하고 불확실성 인식이 가능한 추정치를 도출하는 것.
• 파rameter 불확실성을 통합할 경우 기존의 결정론적 스куп 피팅 방법에 비해 더 신뢰할 수 있는 확률 분포를 도출할 수 있음을 입증하는 것.

제안 방법

• 이차 함수를 사용하여 변동성 스куп을 매개변수화: σ = a + b(x−1) + c(x−1)², 여기서 a는 근근이 있는 행사가의 변동성, b는 기울기, c는 곡률이다.
• 베이즈 정리에 따라 사후 분포 P(M|DI) ∝ P(D|M I)P(M|I)를 계산하며, 여기서 M은 스куп 모델 파라미터를 나타내고 D는 관측된 시장 데이터이다.
• 스куп 파라미터에 대한 보수적인 사전 믿음을 반영하기 위해 비정보성(균일) 사전 분포 P(M|I)를 가정한다.
• 노이즈가 많은 데이터 하에서도 안정적인 추정을 가능하게 하기 위해 다변량 정규분포를 사용하여 가능도 P(D|M I)를 모델링하며, 척도 파라미터를 포함한다.
• 수치적 통합을 통해 파라미터 쌍들(예: a와 b, 또는 b와 c)의 주변 사후 분포를 계산하고, 2차원 확률 밀도도로 시각화한다.
• '흐린 미소'를 구성하여 스куп 집합의 시각적 표현을 제공하며, 여기서 색상 강도는 각 행사가에서 주어진 암시적 변동성의 확률을 나타낸다.

실험 결과

연구 질문

• RQ1 암시적 변동성 스무프의 기울기가 시장이 암시하는 확률 분포의 형태에 미치는 영향은 무엇이며, 왜 이 효과는 초보자에게 직관적이지 않은가?
• RQ2 시장 데이터가 희소하거나 노이즈가 많을 때, 베이지안 추론을 어떻게 활용하여 변동성 스куп의 불확실성을 정량화할 수 있는가?
• RQ3 스куп을 단일 최적 적합 곡선이 아닌 가능한 파라미터 값들의 분포로 모델링할 경우, 이는 결과로 도출된 암시 확률 분포에 어떤 영향을 미치는가?
• RQ4 '흐린 미소' 시각화 기법은 다양한 행사가에서의 암시적 변동성에 대한 불확실성을 효과적으로 어떻게 전달할 수 있는가?
• RQ5 파라미터 불확실성을 통합할 경우, 결정론적 피팅 방법에 비해 얼마나 더 견고한 시장 암시 확률 추정치를 도출할 수 있는가?

주요 결과

• 스куп의 기울기는 확률에 비단조화적인 영향을 미친다: 음수 기울기는 큰 하락 움직임의 확률을 감소시키지만, 근근이 있는 아웃 오브 더 머니 풋의 가격을 상승시켜 더 높은 테일 리스크를 반영한다.
• 베이지안 접근법은 스쿠파라미터(예: a와 b, 또는 b와 c)에 대해 다변량 사후 분포를 성공적으로 도출하여, 추정된 스쿠파라미터 간의 상관관계와 불확실성을 드러낸다.
• '흐린 미소' 시각화 기법은 암시적 변동성에 대한 높은 신뢰도와 낮은 신뢰도 영역을 효과적으로 전달하며, 어두운 영역은 특정 행사가에서 더 높은 확률을 의미한다.
• 스куп 집합의 평균을 취해 도출된 최적 추측 시장 암시 확률 분포는 단일 최적 적합 스쿠퍼의 분포보다 더 견고하고 아티팩트에 덜 민감한 형태를 보인다.
• 이 방법은 이차함수 외에도 다른 매개변수 스쿠퍼 모델로 일반화 가능하며, 다항식 모델은 파라미터 피팅을 위한 선형 회귀 기법으로 계산상의 이점을 제공한다.
• 보수적인 비정보성 사전 분포를 사용함에도 불구하고, 베이지안 프레임워크는 데이터 희소성 하에서도 추정의 안정성을 크게 향상시켜 노이즈 있는 관측치에 대한 과적합을 감소시킨다.