опцион 가격 속에 숨은 시장의 '진짜 마음' — SDF로 주식 프리미엄 예측하기

들어가며: 시장은 왜 '할인'하는가

주식을 사면 미래에 돈을 벌 수 있을 거라는 기대가 있습니다. 그런데 미래의 1만 원과 지금의 1만 원은 같지 않습니다. 시간이 지나면 불확실성도 커지고, 돈의 가치도 달라지죠. 이 '미래 돈의 현재 가치'를 정해주는 숨겨진 주인공이 바로 확률할인인수(Stochastic Discount Factor, SDF)입니다.

쉽게 말하면, SDF는 "시장 전체가 미래의 불확실성에 대해 어떤 태도를 가지고 있나"를 수치로 나타낸 지표입니다. SDF가 크면 미래를 크게 두려워한다는 뜻이고, 작으면 자신감이 넘친다는 뜻이죠. 그런데 이 SDF를 직접 관찰할 수는 없습니다. 옵션 가격 안에 고스란히 녹아 있거든요.

바로 여기서 흥미로운 연구가 나왔습니다. S&P 500 옵션 가격만으로 SDF를 복원하고, 거기서 주식 프리미엄을 예측하겠다는 아이디어입니다.

무엇이 문제였나

기존에는 주식 프리미엄을 예측하려면 주가 데이터, 배당 데이터, 거시경제 지표 등을 한데 모아 분석했습니다. 그런데 이런 데이터는 '이미 지나간 뒤'의 숫자들입니다. 과거를 돌아보는 거죠.

게다가 시장이 실제로 미래를 어떻게 생각하는지는 옵션 가격에 가장 잘 드러나 있습니다. 옵션을 사고파는 사람들의 집단 지혜가 가격에 담기 때문이죠. 그런데 대부분의 예측 모델은 이 '살아 있는' 옵션 정보를 제대로 활용하지 못하고 있습니다.

핵심 아이디어: 옵션에서 꺼낸 '시장의 기대'

이 논문의 핵심은 간단하면서도 강력합니다.

첫째, 옵션 가격에서만 필요한 모든 정보를 추출한다. 주가, 이자율, 배당수익률 — 이 셋 다 옵션 가격 안에 숨어 있습니다. 박스 스프레드(put-call parity) 같은 옵션 이론을 이용해 일관성 있게 꺼내는 방식입니다.

둘째, 시변 변동성으로 SDF를 스케일링한다. 시장이 조용한 날과 떠들썩한 날의 변동성이 다릅니다. 이 차이를 반영해서 SDF를 스케일링하면, 더 안정적인 형태로 복원됩니다.

셋째, 조각별 다항식으로 SDF 형태를 모델링한다. 수학적 함수를 쓰는 대신, 데이터에 가까 맞는 유연한 형태를 찾습니다.

추정한 SDF를 살펴보면 놀랍게도 **만기에 따라 모양이 바뀝니다.

• 만기가 짧을 때: 얕은 풋 쪽에 봉우리(hump)가 하나 보입니다.
• 만기가 길어지면: 그 봉우리가 양쪽으로 퍼지면서 W자형으로 변합니다.

이 W자형은 "시장이 극단적 상황을 회피하려는 본능"을 수학적으로 표현한 것입니다.

결과: 무엇을 알아냈나

예측 성능: 기존 벤치마크를 압도

이 연구가 S&P 500 옵션 데이터(1996~2023)로 실험한 결과, 시변 변동성 SDF(TVS)에서 추출한 주식 프리미엄이 기존 방법들보다 훨씬 더 정확했음을 보여줍니다.

구체적으로, 360일 만기 기준으로 비교하면:

(원문 수치: Shiraya, Yamakami, Yamazaki (2026))

기존 벤치마크보다 4~11%p 높은 예측력입니다. 특히 Martin bound라고 불리는 기존 최신 방법을 크게 앞서는 것이 인상적입니다.

SDF의 '지문' 읽기

추정된 SDF의 형태에서 시장의 '심리'를 읽을 수 있습니다.

1차 계수($a_1$)가 음수 → 전체적으로 하락 쪽으로 기울어 있습니다. 위험 회피 성향을 뜻하죠.

2차 계수($a_2$)가 대부분 음수 → 국부적으로 오목한(볼록한) 형태를 만듭니다. 이 오목한 부분이 바로 봉우리를 만드는 주인공입니다.

양쪽 꼬리에서 다시 위로 기울어지는 → 극단적 상황(대폭락·대폭등)에 대한 회피를 반영합니다.

쉽게 말하면 "평소에는 약간 내려가지만, 양 끝 극단에서는 다시 올라간다"는 형태입니다. 이것은 시장이 "너무 극단적인 상황은 싫어"라고 말하는 것과 수학적으로는 분포의 꼬리가 두꺼운 특성을 가진 것의 조합입니다.

Hansen 검정 통과: 더 믿을 만한 모델

SDF가 올바르게 잘 추정되었는지 통계적으로도 검증했습니다. Hansen의 J-검정을 적용한 결과, TVS SDF가 CVS SDF보다 더 일관되게 통과. 특히 60~180일 만기 구간에서 뚜렷한 우위를 보였습니다.

이는 "추정한 SDF가 실제로 시장 가격과 잘 맞는다"는 것을 의미합니다.

한계와 주의점

모든 연구에는 한계가 있습니다. 이 논문도 예외는 아닙니다.

첫째, S&P 500 옵션에만 집중했습니다. 미국 대형주 옵션은 유동성이 풍부해서 좋은 실험실이지만, 다른 시장(예: 개별주, 해외 지수)에서는 결과가 다를 수 있습니다.

둘째, 상수 시장위험가격 가정. 실험에서 시장위험가격이 시간에 따라 변하지 않는다고 가정했는데, 현실에서는 이것이 얼마나 유지되는지 추가 검증이 필요합니다.

셋째, 코드와 데이터 미공개. 논문에서 구체적인 구현 세부사항을 확인하기 어렵습니다. 수학적 프레임워크 자체는 충분히 명확하지만, 실제 투자 전략으로 연결하려면 추가 작업이 필요합니다.

그래서 투자/실무엔?

이 연구의 시사점은 명확합니다.

지수 타이밍 전략: SDF에서 추출한 주식 프리미엄 신호는 "지금 시장이 고평가인가, 저평가인가"를 forward-looking으로 보여줍니다. 기존의 과거 실적 기반 지표보다 한 발 앞서 나갑니다.

리스크 관리: W자형 SDF의 형태 변화는 위험 선호의 regime 변화를 조기에 감지하는 신호가 될 수 있습니다. 포트폴리오의 리스크 한도를 동적으로 조절하는 데 활용할 수 있습니다.

변동성 예측: 옵션 내재 변동성의 정밀한 추정은 옵션 트레이딩의 기본 입력입니다. SDF 추정 과정에서 자연스럽게 얻어지는 변동성 추정의 정확도 향상 효과도 기대됩니다.

다만 주의할 점이 있습니다. 옵션 시장의 유동성·미시구조 잡음에 민감하므로, 실제 투자 전략을 설계할 때는 반드시 독립적인 검증 과정을 거쳐야 합니다.

함께하기

이런 연구가 더 궁금하다면 ohselab.com에서 함께하세요.

• 최신 논문 큐레이션과 분석을 받아보실 수 있습니다.
• 퀀트 전략 구축에 관심이 있으시다면 상담을 요청해주세요.
• 정기 뉴스레터를 구독하시면 AI·퀀트 최신 연구를 이메일로 받아보실 수 있습니다.

더 알아보기

• 논문 원문: arXiv:2607.08500
• KB 5차원 점수 — 복합(composite): 65.8 / 신규성: 72 · 적용성: 68 · 엄밀성: 66 · 재현성: 45 · 통찰력: 74**
• 분과: B4 (시계열 계량경제학)
• 관련 논문: python3 scripts/kb.py related 2607.08500