기하학적 브라운 운동의 수학적 유도

금융 경제학의 핵심 개념 중 하나인 기하학적 브라운 운동 (Geometric Brownian Motion, GBM) 은 옵션 가격 결정 모델인 블랙 - 슈올스 모델의 기초가 됩니다. 이 과정은 자산 가격이 시간에 따라 어떻게 무작위로 진화하는지를 설명하며, 연속적인 배당과 변동성을 가정합니다. GBM 의 가장 큰 특징은 곱셈적 성질로, 자산 가격의 로그는 드리프트가 있는 브라운 운동을 따릅니다. 이 유도 과정은 확률 미적분학, 특히 이토 정리 (Ito's lemma) 를 기반으로 이루어집니다. 본 글에서는 GBM 의 엄밀한 수학적 유도를 제시하고, 그 확률적 성질과 미분 방정식, 그리고 금융 모델링에 미치는 영향을 다룹니다.

기하학적 브라운 운동의 확률 미분 방정식

기하학적 브라운 운동을 지배하는 확률 미분 방정식 (SDE) 은 자산 가격이 연속적으로 진화하며 무작위 요동에 영향을 받는다는 가정에서 유도됩니다. 시간 $ t $에서의 자산 가격을 $ S(t) $, 초기 가격을 $ S(0) $으로 정의합니다. 이때 GBM 의 SDE 는 다음과 같이 표현됩니다:

$$
dS(t) = \mu S(t) dt + \sigma S(t) dW(t)
$$

여기서 각 용어의 의미는 다음과 같습니다:

  • $\mu$: 기대 수익률 (드리프트), 즉 자산의 평균 성장률
  • $\sigma$: 변동성 (자산 수익률의 표준편차)
  • $dW(t)$: 위너 과정 (독립적인 증분을 가진 연속 시간 확률 과정)

이 방정식은 자산 가격의 결정론적 성장 (드리프트 항) 과 무작위 요동 (변동성 항) 을 포착합니다. 특히 $\sigma S(t) dW(t)$ 항은 자산 가격에 불확정성을 도입하는 확률적 성분을 의미합니다.

미분 방정식 유도 과정

GBM 의 SDE 를 유도하기 위해서는 자산 가격의 로그가 드리프트가 있는 브라운 운동을 따른다는 가정에서 시작합니다. 자산의 로그 수익률인 **$\ln(S(t))$**을 고려하고, 함수 $ f(t, S(t)) = \ln(S(t)) $에 대해 이토 정리를 적용합니다. 이를 통해 다음 식을 얻을 수 있습니다:

$$
df(t, S(t)) = \left( \mu - \frac{\sigma^2}{2} \right) dt + \sigma dW(t)
$$

여기서 $ f(t, S(t)) = \ln(S(t)) $를 대입하면 다음과 같은 결과가 나옵니다:

$$
d \ln(S(t)) = \left( \mu - \frac{\sigma^2}{2} \right) dt + \sigma dW(t)
$$

이 식은 자산 가격의 로그가 드리프트 **$\mu - \frac{\sigma^2}{2}$**를 가진 브라운 운동을 따른다는 것을 보여줍니다. 이는 GBM 의 핵심 속성 중 하나입니다. 이 미분 방정식을 풀면 다음과 같은 폐쇄형 해를 얻을 수 있습니다:

$$
S(t) = S(0) e^{(\mu - \frac{\sigma^2}{2})t + \sigma \sqrt{t} W(t)}
$$

여기서 $ W(t) $는 표준 정규 확률 변수입니다.

기하학적 브라운 운동의 주요 성질

GBM 은 금융 모델링에서 필수적인 몇 가지 중요한 성질을 가지고 있습니다:

  1. 곱셈적 성질: 자산 가격은 곱셈적으로 진화하며, 가격의 로그가 가우시안 과정을 따릅니다. 이는 자산 가격이 음수가 될 수 없음을 보장합니다.
  2. 연속적 진화: 과정은 연속 시간과 확률적 증분을 가정하므로, 이산적인 점프를 피합니다. 이는 금융 시장에서의 순간적인 가격 변동보다는 지속적인 흐름을 모델링하는 데 적합합니다.
  3. 지수적 성장: $ S(t) $의 기대값은 시간이 지남에 따라 지수적으로 증가하며, 이는 수익률의 배당 효과를 반영합니다.
  4. 변동성: 변동성 항 **$\sigma$**는 무작위 요동의 크기를 결정하며, **$\sigma^2$**는 로그 수익률의 분산을 나타냅니다.

이러한 성질들은 GBM 이 자산 가격 분석과 위험 관리에 있어 잘 정의되고 계산 가능한 모델임을 보장합니다.

금융 모델링에 대한 함의

이토 정리를 통해 GBM 을 유도하는 과정은 금융 시장에서 결정론적 요소와 확률적 요소 간의 상호작용을 보여줍니다. SDE **$ dS(t) = \mu S(t) dt + \sigma S(t) dW(t) $**는 기대 수익률과 가격 변동에 따른 위험 사이의 트레이드오프를 포착합니다. 금융 컨텍스트에서는 이 방정식을 사용하여 자산 가격의 진화를 모델링하고, 기대 수익률, 위험 프리미엄, 옵션 가격을 계산할 수 있습니다.

SDE 의 해인 **$ S(t) = S(0) e^{(\mu - \frac{\sigma^2}{2})t + \sigma \sqrt{t} W(t)} $**는 GBM 이 금융 이론에서 차지하는 역할을 강조합니다. 이 공식은 자산 가격의 기대값과 분산을 계산할 수 있게 하여 포트폴리오 최적화와 위험 평가에 필수적입니다. 또한, 이 과정의 속성은 로그 수익률이 정규 분포를 따른다는 것을 보장하여 통계적 방법을 금융 분석에 적용할 수 있게 합니다.

결론

기하학적 브라운 운동의 수학적 유도는 금융 시장에서 자산 가격의 확률적 거동을 이해하는 엄밀한 틀을 제공합니다. 자산 가격의 로그에 이토 정리를 적용함으로써, 결정론적 성장과 무작위 요동을 모두 포착하는 SDE 를 얻었습니다. 이는 GBM 을 현대 금융 이론의 핵심으로 만들었습니다. 유도 과정은 확률 미적분학이 금융 과정 모델링에서 얼마나 중요한지를 보여주며, 위험, 수익, 자산 가격 분석을 가능하게 합니다. GBM 의 폐쇄형 해는 금융 모델링의 유용성을 더욱 강조하며, 포트폴리오 관리와 위험 평가 등 다양한 분야에서 실용적인 도구로 자리 잡았습니다.