Risk-indifference Pricing of American-style Contingent Claims

Este artículo presenta una definición general de precios de indiferencia al riesgo para opciones americanas en un entorno de información asimétrica, caracterizándolos mediante ecuaciones diferenciales estocásticas reflejadas en modelos de volatilidad estocástica para facilitar su implementación numérica mediante aprendizaje profundo.

Lo esencial

¡Claro que sí! Imagina que este artículo es como un manual de instrucciones para poner precio a un "cupón de descuento" especial (una opción financiera) en un mundo donde las cosas son un poco caóticas y nadie tiene toda la información.

Aquí tienes la explicación, traducida a un lenguaje cotidiano con analogías:

1. El Problema: ¿Cuánto vale un "cupón" que puedes usar cuando quieras?

Imagina que quieres comprar un cupón que te permite vender tu coche en el futuro a un precio fijo, digamos $20,000. La ventaja de este cupón (llamado "Opción Americana") es que puedes decidir cuándo usarlo: hoy, mañana o el día antes de que venza.

• El dilema: En un mundo perfecto (donde todo el mundo sabe todo y los precios son predecibles), habría una fórmula mágica (como la de Black-Scholes) para decirte exactamente cuánto cuesta ese cupón.
• La realidad: El mercado es imperfecto. Nadie sabe exactamente hacia dónde irá el precio del coche (o de la acción). Además, hay dos personas involucradas:
  • El Vendedor: Quiere cobrar lo más posible por el cupón.
  • El Comprador: Quiere pagar lo menos posible.
  • El conflicto: Como el comprador decide cuándo usar el cupón, el vendedor tiene que adivinar qué hará el comprador. Si el vendedor pone un precio muy bajo, pierde dinero si el comprador lo usa en el momento peor. Si lo pone muy alto, nadie lo compra.

2. La Solución: El "Precio de Indiferencia"

En lugar de buscar un precio "justo" matemático (que a veces no existe), los autores proponen una pregunta diferente: "¿A qué precio te da igual tener el cupón o no tenerlo?".

Imagina que eres el vendedor. Tienes dos escenarios:

1. Vender el cupón: Cobras $X, pero luego tienes que cubrirte (hacer apuestas contrarias en el mercado) por si el comprador usa el cupón.
2. No vender el cupón: No cobras nada, pero tampoco tienes que cubrirte.

El precio de indiferencia es ese punto mágico donde, al final del día, tu riesgo total y tu bolsillo son exactamente iguales en ambos casos. Si el precio es más bajo, prefieres no vender. Si es más alto, prefieres vender.

3. El Truco Matemático: "Espejos dentro de Espejos" (Ecuaciones Reflejadas)

Aquí es donde la cosa se pone interesante. Para calcular este precio, los autores usan unas herramientas matemáticas muy potentes llamadas Ecuaciones Diferenciales Estocásticas.

• La analogía del espejo: Imagina que el precio de la opción es una pelota que rebota.
  • Normalmente, la pelota rebota en el suelo (el precio de ejercicio).
  • Pero en este caso, el "suelo" no es fijo. El suelo es otra pelota que también se mueve y rebota.
  • Es como tener un espejo que se refleja en otro espejo. El precio de venta no solo depende del valor del cupón hoy, sino también del riesgo que te queda si el cupón se ejerce y tienes que esperar hasta el final del contrato para cerrar las cuentas.

Los autores descubrieron que para calcular el precio del vendedor, necesitan resolver un sistema donde una ecuación (el precio) está "reflejada" o limitada por otra ecuación (el riesgo residual). Lo llaman BSDE-R-BSDE (una ecuación que rebota sobre otra ecuación).

4. La Inteligencia Artificial: El "Gimnasio" para las Matemáticas

Resolver estas ecuaciones de "espejo dentro de espejo" a mano es imposible. Es como intentar calcular la trayectoria de millones de pelotas de ping-pong rebotando en un laberinto al mismo tiempo.

• La solución: Usaron Deep Learning (Aprendizaje Profundo), que es básicamente una red neuronal (una IA) entrenada como un atleta en un gimnasio.
• Cómo funciona: En lugar de resolver la ecuación paso a paso, la IA "practica" millones de veces simulando escenarios futuros (subidas y bajadas del mercado). Con el tiempo, la IA aprende a predecir el precio correcto sin necesidad de una fórmula cerrada. Es como si le enseñáramos a la IA a jugar al ajedrez contra sí misma millones de veces hasta que se vuelve maestra en calcular el mejor movimiento.

5. El Resultado: ¿Qué aprendimos?

Al final, el paper nos dice:

1. El precio del vendedor y del comprador son diferentes: El vendedor siempre pedirá un poco más que lo que el comprador está dispuesto a pagar (el "spread" o diferencia), porque el vendedor asume más riesgo al no saber cuándo el comprador ejercerá su opción.
2. Funciona en mercados reales: Su método funciona incluso cuando la volatilidad (el "temblor" del mercado) cambia, algo que las fórmulas antiguas no podían manejar bien.
3. La IA es útil: Demostraron que usar redes neuronales para calcular estos precios complejos es rápido y preciso.

En resumen

Este paper es como un nuevo GPS financiero. Antes, para saber cuánto cobrar por un cupón especial, tenías que usar mapas antiguos que no funcionaban en terrenos difíciles. Ahora, los autores han creado un GPS (basado en el riesgo y la inteligencia artificial) que te dice exactamente cuánto cobrar o pagar, incluso si el terreno es un caos y el conductor (el comprador) decide cuándo frenar.

Es una forma de decir: "No intentemos predecir el futuro perfecto; calculemos el precio donde ambos lados se sientan seguros de que no han perdido nada."

Resumen técnico

Resumen Técnico: Precios de Indiferencia de Riesgo para Derechos Contingentes de Estilo Americano

A continuación se presenta un resumen técnico detallado del artículo "Risk-indifference Pricing of American-style Contingent Claims" de Kumar, Miller, Nasralah y Sturm.

1. Planteamiento del Problema

La valoración de opciones de estilo americano (que pueden ejercerse en cualquier momento antes del vencimiento) sigue siendo un desafío activo en la investigación financiera. A diferencia de las opciones europeas, que en mercados completos tienen una solución cerrada (fórmula de Black-Scholes), las opciones americanas en mercados incompletos no tienen un precio único determinado por el principio de no arbitraje. En su lugar, el no arbitraje solo proporciona límites amplios (precios de cobertura superior e inferior).

El objetivo del artículo es establecer un precio "justo" o de reserva (precio de indiferencia) para compradores y vendedores en un entorno de tiempo continuo, utilizando medidas de riesgo convexas totalmente dinámicas. Un desafío central es la asimetría de información: el vendedor no conoce el momento exacto en que el comprador ejercerá la opción (ya que es una variable aleatoria dependiente de la filtración del comprador), lo que complica la definición de estrategias de cobertura admisibles para el vendedor.

2. Metodología

A. Marco Teórico General

Los autores definen el precio de indiferencia basándose en la minimización del riesgo residual tras la cobertura en el mercado subyacente.

• Medidas de Riesgo: Utilizan medidas de riesgo convexas totalmente dinámicas ($\rho_{s,t}$), que son monótonas, invariantes al efectivo, convexas y consistentes en el tiempo.
• Asimetría de Información: Se modelan dos filtraciones distintas: $\mathcal{F}^{buy}$ (comprador) y $\mathcal{F}^{sell}$ (vendedor). El vendedor solo conoce la información de los activos, mientras que el comprador tiene acceso a su propia información privada para decidir el momento de ejercicio $\tau$.
• Estrategias Admisibles:
  • Para el vendedor, se introduce un concepto clave de "funciones de selección de estrategia" ($H'_{sell}$). Estas funciones permiten al vendedor elegir una estrategia de cobertura que se actualice dinámicamente una vez que se observa la realización del momento de ejercicio $\tau(\omega)$, sin anticipar el evento antes de que ocurra. Esto garantiza que la estrategia sea predecible con respecto a la filtración ampliada por el tiempo de ejercicio observado.
  • Para el comprador, la decisión de ejercicio y la cobertura se optimizan simultáneamente bajo su propia filtración.

B. Formulación Matemática en Modelos de Volatilidad Estocástica

El artículo se especializa en modelos de volatilidad estocástica (donde el activo subyacente $S$ y la volatilidad $V$ siguen procesos correlacionados).

• Representación mediante EDPs Atrás (BSDEs): Las medidas de riesgo se especifican mediante soluciones de Ecuaciones Diferenciales Estocásticas Atrás (BSDEs) con un generador (driver) $g$.
• Estructura BSDE-R-BSDE: La principal innovación técnica es la caracterización de los precios de indiferencia mediante un sistema de Ecuaciones Diferenciales Estocásticas Atrás Reflejadas en Ecuaciones Diferenciales Estocásticas Atrás (BSDE-R-BSDE).
  • El precio del vendedor se expresa como la diferencia entre dos componentes: uno asociado al pago de la opción ($\xi$) y otro asociado a un contrato cero.
  • La condición de reflexión (la barrera inferior de la ecuación reflejada) no es una función determinista simple, sino que está dada por la solución de otra BSDE ($Y_t$).
  • Interpretación Económica: La barrera de reflexión $\zeta_u + Y_u$ representa el valor de ejercicio $\zeta_u$ más el riesgo de mantener un contrato nulo desde el momento de ejercicio hasta el vencimiento, permitiendo la mitigación de riesgos mediante el comercio en el mercado.

C. Solución Numérica mediante Aprendizaje Profundo

Dado que los sistemas BSDE-R-BSDE son de alta dimensión y no tienen soluciones analíticas cerradas, los autores emplean métodos de Deep Learning.

• Se utiliza el algoritmo RDBDP (Reflected Deep Backward Dynamic Programming) desarrollado por Huré, Pham y Warin.
• El método discretiza el tiempo y utiliza redes neuronales profundas para aproximar las soluciones de las BSDEs y las condiciones de frontera en cada paso temporal, trabajando hacia atrás desde el vencimiento $T$.
• Se implementa en TensorFlow utilizando optimizadores Adam y funciones de activación ReLU.

3. Contribuciones Clave

1. Definición Rigurosa de Precios de Indiferencia Americanos: Proporcionan una definición general y consistente con el no arbitraje para precios de compradores y vendedores en un entorno de información asimétrica, superando las limitaciones de la literatura previa que a menudo asumía filtraciones idénticas o ignoraba la anticipación no válida en las estrategias del vendedor.
2. Caracterización BSDE-R-BSDE: Demuestran que en modelos de volatilidad estocástica, los precios de indiferencia se pueden caracterizar mediante sistemas de BSDEs reflejadas donde la barrera es dinámica y estocástica (dada por otra BSDE). Esto captura la naturaleza dual del riesgo: el riesgo de la opción y el riesgo de la posición de cobertura post-ejercicio.
3. Implementación Numérica Avanzada: Presentan una implementación práctica utilizando redes neuronales profundas para resolver estos sistemas complejos, demostrando la viabilidad de calcular precios de indiferencia para opciones americanas en modelos de volatilidad estocástica, un problema previamente difícil de abordar numéricamente.
4. Análisis de Spread Bid-Ask: Muestran teóricamente que la diferencia entre el precio de venta y compra (spread) es no negativa bajo condiciones de convexidad, validando la coherencia del modelo.

4. Resultados Principales

• Ejemplo Numérico: Se aplicó el modelo a una opción de venta (put) americana bajo un modelo de volatilidad estocástica tipo "arctan".
• Comparación de Precios:
  • La diferencia absoluta entre el precio de indiferencia del comprador y del vendedor es pequeña en términos monetarios, lo que sugiere que, bajo un agente representativo, estos precios podrían interpretarse como el bid y el ask del mercado.
  • Sin embargo, al convertir los precios a volatilidades implícitas, la diferencia entre las curvas de volatilidad del comprador y del vendedor se vuelve más pronunciada.
  • Ambas curvas exhiben el patrón de "sonrisa" (smile) típico observado en los mercados reales.
• Opción Americana vs. Europea: La diferencia entre los precios de indiferencia de las opciones americanas y europeas es pequeña, pero mayor que la diferencia entre los precios de compra y venta de la opción americana.
• Convergencia: El método de aprendizaje profundo logra aproximar las soluciones con precisión, validando la utilidad de estas técnicas para problemas de dimensión media-alta en finanzas cuantitativas.

5. Significado e Impacto

Este trabajo es significativo porque cierra la brecha entre la teoría de medidas de riesgo dinámicas y la valoración práctica de derivados americanos en mercados incompletos.

• Teórico: Resuelve el problema conceptual de cómo definir estrategias de cobertura para un vendedor que no conoce el tiempo de ejercicio del comprador, introduciendo una estructura de filtración y estrategias no anticipativas rigurosa.
• Práctico: Al vincular las medidas de riesgo con BSDEs reflejadas y ofrecer una solución numérica basada en Deep Learning, proporciona una herramienta viable para instituciones financieras que necesitan valorar derivados complejos en entornos de volatilidad estocástica, donde los métodos tradicionales (como diferencias finitas o árboles binomiales) pueden volverse computacionalmente prohibitivos o inexactos.
• Regulatorio: El uso de medidas de riesgo convexas (en lugar de solo utilidad) alinea el modelo con los marcos regulatorios actuales (como Basilea III/IV) que exigen la gestión de riesgos basada en medidas de riesgo coherentes o convexas.

En resumen, el artículo establece un nuevo estándar para la valoración de opciones americanas en mercados incompletos, combinando rigor matemático avanzado con técnicas computacionales de vanguardia.