Finance-Informed Neural Network: Learning the Geometry of Option Pricing

Este artículo presenta FINN, una red neuronal informada por finanzas que aprende la geometría de la valoración de opciones mediante un objetivo de cobertura dinámica auto-supervisado, logrando así consistencia económica, recuperación de relaciones fundamentales como la paridad put-call y una adaptación superior a entornos de volatilidad estocástica sin depender de soluciones analíticas o datos históricos de precios de opciones.

Lo esencial

¡Claro que sí! Imagina que el mundo de las finanzas es como un gran mercado de frutas, pero en lugar de manzanas y peras, la gente compra y vende "promesas de futuro" llamadas opciones.

El problema es que a veces es muy difícil saber cuánto vale una de estas promesas. Los matemáticos tradicionales usan fórmulas muy rígidas (como una receta de cocina estricta) que funcionan bien si el clima es perfecto, pero fallan cuando hay una tormenta. Por otro lado, las Inteligencias Artificiales (IA) modernas son como chefs que prueban todo a ciegas: aprenden rápido probando miles de recetas, pero a veces cocinan algo que sabe bien pero que rompe las reglas de la física (o en este caso, las reglas del dinero).

Aquí es donde entra FINN (Red Neuronal Informada por Finanzas), la estrella de este artículo.

🍎 La Analogía: El Entrenador de Fútbol vs. El Observador Pasivo

Imagina que quieres enseñarle a un robot a jugar al fútbol.

1. El método antiguo (IA normal): Le muestras miles de videos de partidos ganados y le dices: "Adivina qué jugada hizo el jugador". El robot memoriza los movimientos, pero si el partido cambia de reglas o el campo está lloviendo, el robot se confunde porque solo aprendió a imitar, no a entender.
2. El método de FINN: En lugar de mostrarle videos de partidos ganados, le das al robot una pelota y le dices: "Juega. Si te caes o pierdes la pelota, te castigo. Si mantienes el equilibrio y sigues las reglas del juego, te premias".

FINN no aprende mirando precios pasados. Aprende jugando. Su objetivo no es "adivinar el precio correcto", sino construir un equipo de defensa perfecto que pueda protegerse de cualquier golpe del mercado.

¿Cómo funciona exactamente? (La Magia de la "Copia")

En el mundo de las opciones, hay una regla de oro: Si puedes copiar exactamente lo que hace una opción comprando y vendiendo la acción real, entonces el precio de la opción debe ser el costo de esa copia. A esto se le llama replicación.

FINN hace lo siguiente:

• No le dice al cerebro artificial: "Este precio es 10 dólares".
• Le dice: "Intenta crear una cartera de inversión que se comporte exactamente igual que esta opción. Si la cartera sube o baja de forma diferente a la opción, ¡has cometido un error! Intenta de nuevo".

Al intentar minimizar esos errores de "copia", el cerebro artificial descubre por sí mismo las matemáticas correctas. Es como si un estudiante de física, en lugar de memorizar la fórmula de la gravedad, intentara lanzar una pelota miles de veces hasta que su movimiento fuera perfecto; al final, ¡descubriría la fórmula de la gravedad por sí mismo!

¿Por qué es tan genial? (Las 3 Ventajas)

1. Es honesto (No rompe las reglas):
   Las IAs normales a veces dicen que una opción cuesta 10 dólares hoy y mañana 5 dólares, lo cual es imposible en el mundo real (sería como tener dinero de la nada). FINN, al aprender basándose en la "copia" y la protección, nunca rompe las reglas del dinero. Si el precio de la acción sube, la opción sube. ¡Es lógico!

2. Es un camaleón (Funciona en cualquier clima):
   Los modelos antiguos fallan cuando la volatilidad (el "temor" del mercado) cambia de forma loca. FINN es como un buen surfista: no importa si las olas son pequeñas o gigantes, FINN ajusta su tabla y sigue surfando. En pruebas con mercados caóticos (como crisis financieras), FINN se equivocó mucho menos que los métodos tradicionales.

3. Funciona donde no hay datos (El "Superpoder"):
   Imagina que quieres saber el precio de una opción para una acción nueva que acaba de salir y nadie la ha comprado ni vendido todavía.

   • Los métodos antiguos dicen: "No puedo, no tengo datos".
   • FINN dice: "Déjame ver cómo se ha movido la acción en el pasado. Voy a simular cómo me defendería si tuviera una opción sobre ella".
     FINN puede crear precios y riesgos para activos que no tienen mercado de opciones, simplemente aprendiendo del comportamiento de la acción base.

En resumen

FINN es como un entrenador financiero que no te da las respuestas, sino que te entrena para que encuentres las respuestas basándote en las leyes fundamentales de la economía (como no perder dinero de la nada).

En lugar de ser una caja negra que adivina números, FINN es una herramienta que entiende la lógica detrás de los precios. Esto significa que los bancos y gestores de riesgo pueden confiar más en ella, usarla para protegerse de desastres financieros y hasta valorar productos nuevos que nadie ha visto antes.

Es, en esencia, enseñar a una máquina a pensar como un economista, no solo a calcular como una calculadora.

Resumen técnico

Resumen Técnico: Finance-Informed Neural Network (FINN)

1. El Problema

La fijación de precios y la cobertura (hedging) de opciones financieras enfrentan una dicotomía fundamental en la práctica:

• Modelos Tradicionales: Basados en teoría económica y condiciones de no arbitraje (como Black-Scholes o EDPs estocásticas). Son interpretables y auditable, pero a menudo dependen de supuestos restrictivos (ej. volatilidad constante) que limitan su precisión empírica en mercados reales.
• Modelos de Aprendizaje Automático (ML): Ofrecen alta flexibilidad y rendimiento predictivo al ajustarse a datos de mercado, pero suelen operar como "cajas negras". A menudo violan principios financieros fundamentales (como la paridad put-call o la ausencia de arbitraje), generando precios y sensibilidades (Griegas) económicamente inconsistentes.

El desafío central es desarrollar un marco que combine la consistencia teórica de los modelos financieros con la flexibilidad y potencia del aprendizaje profundo, sin depender de datos de precios etiquetados que puedan estar sesgados o ser escasos.

2. Metodología: La Red Neuronal Informada por Finanzas (FINN)

FINN propone un cambio de paradigma: en lugar de entrenar una red neuronal para predecir precios observados (supervisión directa), se entrena mediante un objetivo de auto-supervisión basado en la replicación dinámica.

Principios Clave:

• Objetivo de Pérdida (Loss Function): La red se entrena minimizando el error de replicación de una cartera de cobertura dinámicamente gestionada. La premisa económica es que una cartera de cobertura perfectamente replicada y libre de riesgo debe crecer a la tasa libre de riesgo.
• Formulación Matemática:
  • Se define una cartera $\Pi_t$ que incluye la opción (valorada por la red $g_\theta$), el activo subyacente y, opcionalmente, otra derivada líquida.
  • Se imponen condiciones de neutralidad Delta ($\Delta$) y Gamma ($\Gamma$) calculadas automáticamente a través de la diferenciación automática de la red.
  • La función de pérdida mide la desviación cuadrática media entre el crecimiento real de la cartera y el crecimiento libre de riesgo teórico:
    $$\mathcal{L}(\theta) = \mathbb{E}\left[ \sum_{n=0}^{N-1} \left( \Pi_{t_{n+1}} - e^{\int_{t_n}^{t_{n+1}} r_s ds} \Pi_{t_n} \right)^2 \right]$$
• Teorema de Identificación: El artículo demuestra teóricamente que minimizar este residuo de replicación en el límite de tiempo continuo es equivalente a resolver la EDP de fijación de precios libre de arbitraje (como la EDP de Black-Scholes). Por lo tanto, la red aprende no solo el precio, sino también las sensibilidades (Griegas) que satisfacen las condiciones de no arbitraje por construcción.
• Extensibilidad: El marco se adapta a opciones americanas mediante una función de pérdida compuesta que penaliza la violación de la restricción de ejercicio temprano ($g \geq f$) y a entornos de volatilidad estocástica sin necesidad de derivadas analíticas cerradas.

3. Contribuciones Principales

1. Marco de Aprendizaje Híbrido: FINN integra principios de no arbitraje derivados de la replicación dinámica directamente en el objetivo de entrenamiento, cerrando la brecha entre métodos basados en teoría y basados en datos.
2. Auto-supervisión vía Consistencia de Replicación: Propone un método donde los precios y las sensibilidades se aprenden minimizando errores de cobertura económicamente significativos, eliminando la necesidad de datos de precios de opciones etiquetados.
3. Generalización Robusta: Demuestra que FINN generaliza eficazmente desde modelos de difusión simples (Geometric Brownian Motion) hasta entornos complejos de volatilidad estocástica (Modelo de Heston), manteniendo estabilidad incluso cuando no existen soluciones analíticas.
4. Implicaciones para la Gestión de Riesgos: Muestra que FINN soporta estrategias de cobertura avanzadas (Delta-Gamma) y mejora el rendimiento de la cobertura en escenarios de estrés y costos de transacción, superando a los enfoques tradicionales.

4. Resultados Empíricos

Los experimentos validan FINN en cuatro escenarios clave:

• Consistencia con Black-Scholes: En entornos de volatilidad constante, FINN recupera con precisión las funciones de precio y las Delta analíticas de Black-Scholes, con errores relativos medios (RMAD) inferiores al 4%.
• Robustez en Volatilidad Estocástica (Heston): En el modelo de Heston, donde las derivadas analíticas son complejas, FINN mantiene una alta precisión en precios y Delta, demostrando capacidad para aprender la geometría no lineal subyacente sin suposiciones paramétricas rígidas.
• Emergencia de Relaciones de No Arbitraje: Sin imponer restricciones explícitas, FINN satisface la paridad put-call de manera endógena. Los errores de paridad son mínimos y estables, confirmando que la red internaliza la lógica económica del arbitraje.
• Cobertura Delta-Gamma y Pruebas de Estrés:
  • FINN supera a la cobertura Delta tradicional de Black-Scholes en escenarios de crisis (2008, 2020) y con costos de transacción.
  • La estrategia FINN-Delta produce ajustes de cobertura más suaves, reduciendo el volumen de negociación y las pérdidas por costos de transacción, lo que resulta en colas de distribución de P&L (Ganancias y Pérdidas) más seguras (menor VaR y CVaR).
• Reconstrucción de Superficies de Volatilidad Implícita: Al compararse con la calibración híbrida del modelo de Heston, FINN reconstruye superficies de volatilidad implícita con un error medio absoluto (MAE) un 60.5% menor, mostrando una mejor adaptabilidad fuera de muestra y menos sesgo estructural.
• Mercados sin Opciones Listadas: Un hallazgo crucial es la capacidad de FINN para entrenarse directamente sobre la historia de precios del activo subyacente (sin datos de opciones) para generar precios y Griegas coherentes para activos sin mercado de derivados (ej. nuevos ETFs o instrumentos OTC).

5. Significado e Impacto

FINN representa un avance significativo en la intersección de las finanzas cuantitativas y el aprendizaje automático:

• Cambio de Paradigma: Replantea la fijación de precios de opciones como el aprendizaje de un operador de precios en lugar del ajuste de precios. Esto alinea el aprendizaje automático con la lógica económica de la replicación y el control de riesgos.
• Herramienta Práctica: Ofrece a los profesionales una herramienta escalable para la fijación de precios, cobertura y gestión de riesgos en mercados establecidos y emergentes.
• Gestión de Riesgos y Regulación: Al garantizar la consistencia económica por construcción (no arbitraje), FINN mitiga el riesgo de modelo y mejora la interpretabilidad, facilitando la validación y el cumplimiento regulatorio.
• Aplicabilidad Universal: Su capacidad para funcionar sin datos de opciones etiquetadas lo hace ideal para la valoración de derivados personalizados, productos estructurados y activos ilíquidos donde los métodos tradicionales de calibración fallan.

En conclusión, FINN demuestra que es posible construir sistemas de IA financiera que sean a la vez precisos, robustos y teóricamente sólidos, superando las limitaciones de los enfoques puramente paramétricos y los modelos de caja negra.