A market resilient data-driven approach to option pricing

Each language version is independently generated for its own context, not a direct translation.

Imagina que el mercado de opciones financieras es como un gigantesco juego de apuestas donde la gente intenta predecir el futuro de una acción (como si subirá o bajará de precio). Para hacer estas apuestas, necesitan saber cuánto debe costar el "boleto" (la opción) hoy para que sea justo.

Los matemáticos llevan décadas intentando crear fórmulas perfectas para calcular este precio, basándose en teorías muy complejas sobre cómo se mueven las acciones. Sin embargo, el mundo real es caótico: a veces las acciones se comportan de formas que las fórmulas antiguas no pueden predecir, especialmente en momentos de pánico o crisis (como durante la pandemia).

Este paper (artículo científico) propone una nueva forma de hacer las cosas: una mezcla de inteligencia artificial y teoría matemática para crear un sistema que no se rompa cuando el mercado cambia drásticamente.

Aquí te explico las ideas clave con analogías sencillas:

1. El Problema: "El Entrenador que solo conoce un equipo"

Imagina que eres un entrenador de fútbol que ha pasado años estudiando al Equipo A (por ejemplo, el índice NIFTY 50 de la India). Conoces cada jugada, cada jugador y cómo reaccionan al sol o a la lluvia. Tu modelo de predicción es perfecto para el Equipo A.

Pero, de repente, tienes que predecir el rendimiento del Equipo B (el índice BANKNIFTY). Aunque ambos son equipos de fútbol, juegan en estadios diferentes, tienen reglas ligeramente distintas y, lo peor de todo, el Equipo B enfrenta una tormenta de nieve (una crisis de mercado) que el Equipo A nunca ha visto.

Si usas tu modelo entrenado solo con el Equipo A para predecir al Equipo B en medio de la tormenta, fallarás estrepitosamente. En finanzas, a esto se le llama "cambio de dominio" (domain shift). Los datos de entrenamiento ya no sirven para el nuevo escenario.

2. La Solución: "El Traductor Universal"

Los autores proponen no solo entrenar a la IA con datos, sino darle una regla matemática de oro (basada en la teoría de "no arbitraje", que básicamente significa que no hay dinero gratis en el mercado).

Usan una idea llamada "Pista de Homogeneidad" (Homogeneity Hint).

La analogía: Imagina que el precio de una opción es como una receta de pastel. Si tienes una receta para un pastel pequeño y quieres hacer uno gigante, simplemente escalas los ingredientes. La relación entre los ingredientes se mantiene igual.
El truco: Los autores dicen: "No importa si el pastel es de fresa (Equipo A) o de chocolate (Equipo B). Si escalamos los ingredientes correctamente, la forma en que se comportan es similar".

Esto permite crear un "Espacio de Representación Común". Es como traducir el idioma del Equipo A y el del Equipo B a un idioma universal (digamos, "Matemático"). Una vez que ambos equipos hablan el mismo idioma, la IA puede aprender de uno y aplicar ese conocimiento al otro, incluso si están en condiciones muy diferentes.

3. La Innovación: "El Escalador de Volatilidad"

Para que esta traducción funcione, necesitan un "puente". Los autores crean una variable mágica llamada Escalar de Volatilidad.

La analogía: Imagina que el Equipo A corre a 10 km/h y el Equipo B a 20 km/h. Si quieres comparar sus estrategias, no puedes hacerlo directamente. Pero si le pones un "acelerador" al Equipo A (o un freno al B) para que ambos corran a la misma velocidad relativa, ahora sí puedes comparar sus jugadas.
Este "acelerador" es el escalar de volatilidad. Permite que la IA vea a ambos mercados como si tuvieran la misma "intensidad" de movimiento, facilitando el aprendizaje cruzado.

4. El Gran Truco: "El Equipo de Respaldo (Ensemble)"

Los autores se dan cuenta de que a veces el mercado es normal (días soleados) y a veces es una locura (tormenta).

Si el mercado es normal, el modelo antiguo (que solo mira la "Pista de Homogeneidad") funciona muy bien.
Si el mercado es una locura, el modelo nuevo (el que usa el "Traductor Universal" y el "Escalar") es el que salva el día.

¿La solución? Crear un equipo mixto.
Imagina que tienes dos asesores:

El Tradicional: Bueno para días normales.
El Innovador: Bueno para días de crisis.

Ellos crean un sistema de votación inteligente. Si detectan que el mercado está tranquilo, escuchan más al Tradicional. Si detectan que el mercado se está volviendo loco (miden esto con algo llamado "Cociente de Cambio de Dominio"), le dan más peso al voto del Innovador.

5. Los Resultados: "Probando en la Vida Real"

Probaramos este sistema con datos reales de la Bolsa de la India (NIFTY 50 y BANKNIFTY), incluyendo el periodo del confinamiento por COVID-19 (cuando el mercado se desplomó).

Resultado: Los modelos viejos fallaron estrepitosamente durante la crisis.
El nuevo sistema: Gracias a su capacidad de "traducir" entre mercados y adaptarse a la volatilidad, logró predecir los precios con mucha más precisión, incluso cuando los datos eran muy diferentes a los de entrenamiento.

En resumen

Este paper nos dice que no necesitamos elegir entre matemáticas puras y datos puros.

Si solo usas datos, te cegas cuando el mercado cambia.
Si solo usas matemáticas, te vuelves rígido.

La clave es usar las matemáticas para crear un marco de referencia común (un idioma universal) y luego usar la inteligencia artificial para aprender dentro de ese marco. Así, puedes entrenar a tu sistema con un mercado y usarlo para predecir en otro, incluso si hay una tormenta financiera. Es como tener un GPS que no solo conoce tu ciudad, sino que sabe cómo navegar cualquier ciudad del mundo, incluso si las calles están bloqueadas.

Each language version is independently generated for its own context, not a direct translation.

Aquí presento un resumen técnico detallado del artículo "A MARKET RESILIENT DATA-DRIVEN APPROACH TO OPTION PRICING" (Un enfoque impulsado por datos y resiliente al mercado para la fijación de precios de opciones), escrito por Anindya Goswami y Nimit Rana.

1. El Problema

La fijación de precios justa de opciones es un problema central en las finanzas matemáticas. Tradicionalmente, se basa en modelos estocásticos teóricos (como Black-Scholes-Merton) que asumen dinámicas específicas de los activos subyacentes. Sin embargo, los enfoques puramente basados en datos (machine learning) a menudo carecen de interpretabilidad teórica o fallan cuando enfrentan desplazamientos de dominio (domain shifts), es decir, cuando las condiciones del mercado de prueba (ej. crisis financieras, alta volatilidad) difieren significativamente de las condiciones de entrenamiento.

El desafío específico abordado en este trabajo es:

Cómo crear un modelo de fijación de precios de opciones impulsado por datos que sea resiliente al mercado.
Cómo lograr la adaptación de dominio para transferir el aprendizaje de un activo (o periodo de mercado) a otro con distribuciones de retorno diferentes, sin depender de modelos teóricos rígidos para la predicción final.

2. Metodología

Los autores proponen un marco teórico que combina la teoría de no arbitraje con técnicas de aprendizaje automático, estructurándose en tres enfoques principales:

A. Enfoque de la Pista de Homogeneidad (AHH - Homogeneity Hint Approach)

Base Teórica: Se basa en el Teorema 2.2, que establece que bajo ciertas condiciones (ausencia de arbitraje, estructura afín), el precio de una opción normalizado por el precio del activo ( $C/S$ ) es una función de la moneyness ( $K/S$ ), el tiempo al vencimiento y la distribución de los retornos bajo la medida neutral al riesgo.
Mecanismo: Utiliza la propiedad de homogeneidad de grado uno de las opciones. El modelo aprende a predecir la relación $C/S$ utilizando como características (features) las estadísticas de orden de los retornos logarítmicos históricos centrados.
Limitación: Funciona bien cuando las distribuciones de retorno del activo de entrenamiento y prueba son idénticas, pero falla ante desplazamientos de dominio significativos (diferentes volatilidades o dinámicas de mercado).

B. Enfoque de Desplazamiento de Dominio (ADS - Approach for Domain Shift)

Concepto Clave: Introducción de un Escalar de Volatilidad ( $\rho$ ).
- Definido teóricamente como la raíz cuadrada de la varianza promedio futura del activo.
- Permite escalar el proceso de precios del activo ( $A(t) = S(t)^{1/\rho}$ ) para que las distribuciones de retorno neutral al riesgo de dos activos diferentes sean idénticas.
Espacio de Representación Común: Los autores derivan una relación aproximada (basada en una fórmula de aproximación de volatilidad implícita) que conecta los precios de opciones de diferentes activos en un espacio normalizado.
- La variable objetivo se transforma en una cantidad invariante $U$ , que depende de las características del contrato y el escalar $\rho$ , pero no de la magnitud específica de la volatilidad del activo original.
Ventaja: Al entrenar en este espacio común, el modelo puede generalizar a activos o periodos de mercado con distribuciones de retorno muy diferentes.

C. Modelo de Ensemble (AE - Ensemble Approach)

Mecanismo: Combina las predicciones de AHH y ADS.
Cociente de Desplazamiento de Dominio (DSQ): Se introduce una métrica para cuantificar la atipicidad de los datos de prueba en comparación con los datos de entrenamiento:
$DSQ = \frac{|\sigma_{test} - \sigma_{train}|}{\sigma_{train}}$
Ponderación: El modelo de ensemble asigna pesos dinámicos a las predicciones de AHH y ADS basándose en el DSQ. Si el desplazamiento es bajo, se favorece a AHH (más preciso en condiciones normales). Si el desplazamiento es alto, se favorece a ADS (más robusto ante cambios).

Implementación Técnica

Algoritmo: XGBoost (Gradient Boosting).
Datos: Opciones europeas call de los índices indios NIFTY 50 y BANKNIFTY (NSE).
Características: Estadísticas de orden de 19 retornos logarítmicos diarios, moneyness, tiempo al vencimiento, precio anterior de la opción y tasa de interés libre de riesgo.
Objetivo de Regresión: Precio normalizado ( $C/S$ ) para AHH y la variable transformada $U$ para ADS.

3. Contribuciones Clave

Fundamentación Teórica de la Adaptación de Dominio: Derivan teóricamente un espacio de representación común para opciones de diferentes activos utilizando el concepto de escalar de volatilidad, validando matemáticamente cómo se pueden conectar distribuciones de retorno distintas.
Nueva Métrica (DSQ): Proponen un "Cociente de Desplazamiento de Dominio" para medir la atipicidad del mercado y ajustar dinámicamente los modelos de ensemble.
Resiliencia en Crisis: Demuestran que los modelos puramente basados en datos pueden ser robustos ante eventos extremos (como la crisis de COVID-19 en India) si se incorporan principios de no arbitraje en la ingeniería de características y la transformación de objetivos.
Entrenamiento Multi-Fuente: Validan que entrenar modelos con datos de múltiples activos (NIFTY 50 + BANKNIFTY) mejora la capacidad de predicción para activos con datos históricos limitados, superando una barrera común en el aprendizaje automático financiero.

4. Resultados Experimentales

Los autores evaluaron los modelos en dos conjuntos de prueba:

Típico: Periodo de mercado normal (Sept 2019 - Dic 2019).
Atípico: Periodo de la crisis de COVID-19 (Ene 2020 - Abr 2020), caracterizado por alta volatilidad y desplazamiento de distribución.

Hallazgos principales (medidos por RMSE - Error Cuadrático Medio):

Rendimiento General: Todos los modelos propuestos superaron significativamente al modelo de referencia Black-Scholes-Merton (BSM), reduciendo el error en más del 50%.
Condiciones Típicas: El enfoque AHH superó ligeramente a ADS cuando el activo de prueba era el mismo que el de entrenamiento, validando la teoría de homogeneidad en condiciones estables.
Condiciones Atípicas (Crisis): El enfoque ADS superó consistentemente a AHH en todos los escenarios de prueba atípicos, demostrando su superioridad ante desplazamientos de dominio.
Modelo Ensemble (AE): El modelo combinado logró el mejor rendimiento global.
- En datos atípicos, el AE redujo el error hasta en un 50% comparado con AHH.
- En datos típicos, mantuvo un rendimiento cercano al óptimo de AHH.
Entrenamiento Multi-Fuente: Los modelos entrenados con datos combinados (N50 + BNF) mostraron una alta fiabilidad, logrando errores comparables a los modelos entrenados específicamente en cada índice, lo que demuestra la capacidad de generalización del espacio de representación común.
Datos Sintéticos: Experimentos con simulaciones de Movimiento Browniano Geométrico (GBM) con volatilidades extremas confirmaron que el error de AHH crece linealmente con la divergencia de volatilidad, mientras que el error de ADS crece mucho más lentamente, validando la teoría de adaptación.

5. Significado e Impacto

Este trabajo es significativo porque cierra la brecha entre la teoría financiera clásica (no arbitraje) y el aprendizaje automático moderno.

Interpretabilidad: A diferencia de las "cajas negras" típicas del machine learning, este enfoque mantiene la interpretabilidad al basarse en relaciones teóricas de homogeneidad y escalado de volatilidad.
Robustez: Ofrece una solución práctica para predecir precios en mercados inestables o para activos con poca historia de datos, un problema común en mercados emergentes o nuevos instrumentos financieros.
Marco General: La idea de utilizar un "espacio de representación común" mediante escalado de volatilidad puede extenderse a otros problemas de derivación financiera donde la adaptación de dominio es crítica.

En resumen, el artículo demuestra que integrar restricciones teóricas de finanzas en la arquitectura de modelos de datos (transformación de objetivos y características) es la clave para crear sistemas de predicción financiera que sean tanto precisos como resilientes ante cambios drásticos en el mercado.