확률모형과 딥러닝 기반 시장·파생상품 평가 연구

Probabilistic Modeling and Deep Learning for Market and Derivatives Valuation

연구 내용

확률미분방정식과 생성모형을 기반으로 시장을 모델링하고, 강화학습으로 동적 투자정책을 최적화하며, 딥러닝으로 파생상품 평가를 고도화하는 연구

확률미분방정식 기반의 시장 동학과 팩터 구조를 수학적으로 정식화한 뒤, 생성모형을 통해 시계열 데이터의 분포를 학습합니다. 이후 강화학습을 적용하여 거래·포지션 의사결정이 포함된 투자정책을 구성하고, 파생상품 평가에서는 모형 캘리브레이션과 결합된 신경망을 활용하여 가격 산출의 정확도를 개선합니다. 딥러닝 기반 추정과 금융수학적 제약을 함께 두는 설계를 통해 평가·의사결정의 일관성을 확보하는 방향이 핵심입니다.

관련 프로젝트

3건

연구 흐름

초기에는 파생상품 평가에서 신경망을 활용하되 모형 캘리브레이션 절차와 연계하는 방식으로 접근하였습니다. 이후 예측과 생성의 관점을 확장하여 팩터 구조와 확률미분방정식 기반 동적 모델을 구성하고, SDE 기반 생성모형을 통해 시장 상태를 표현하는 방향으로 확장하였습니다. 최근에는 강화학습을 결합해 투자정책 최적화로 연구 범위를 넓히고, 동적투자 문제를 수학적 모델과 데이터 기반 학습으로 통합하는 흐름을 보이고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

파생상품 가격결정 자동화
모형 캘리브레이션 보조모듈
시장 상태 생성 기반 리스크 시뮬레이션
동적 투자정책 최적화
팩터 기반 포트폴리오 모델링
거래 전략 의사결정 모델
시간의존 파라미터 추정
금융 데이터 확률생성 파이프라인
평가·의사결정 일관성 검증
금융수학 기반 ML 적용 프레임워크