In this thesis, we examine the empirical performance of rough volatility models within the S&P 500 and KOSPI 200 Index options markets. We thoroughly investigate the rough Heston and rough Bergomi models, employing a neural network-based calibration method to expedite calibration times. Our findings suggest that rough volatility models generally outperform the classical Heston model in both in-sample and out-of-sample pricing performance. Their hedging performance, however, does not consistently exhibit improvement, except for a notable enhancement in KOSPI 200 put options. This research contributes to filling the void in empirical studies on rough volatility models, robustly validating their superior performance in two prominent options markets.
본 학위논문에서는 S&P 500 및 KOSPI 200 지수 옵션 시장에서 거친 변동성 모형의 실증적 성과를 분석한다. 거친 헤스톤 및 거친 베르고미 모형을 면밀히 검토하며, 신경망 기반 보정 방법을 도입하여 보정 시간을 단축시킨다. 분석 결과에 따르면, 거친 변동성 모형은 옵션 가격 결정 및 예측 면에서 일반적으로 전통적인 헤스톤 모형보다 뛰어난 성과를 보인다. 헤징 성과 측면에서는 개선이 일관되게 나타나지 않으며, KOSPI 200 풋 옵션에서만 예외적인 개선이 관찰되었다. 본 연구는 두 주요 옵션 시장에 걸쳐 거친 변동성 모형의 우수성을 입증하며, 해당 분야의 실증적 연구의 공백을 메우는 데 기여한다.
