SPX-VIX Risk Computations Via Perturbed Optimal Transport

Este artículo propone un marco independiente de modelos que utiliza una metodología de perturbación aplicada al transporte óptimo para generar escenarios de riesgo y estimaciones de sensibilidad para el SPX y el VIX de manera rápida y precisa, evitando la necesidad de recalibraciones completas tras choques de mercado.

Lo esencial

Imagina que el mercado de opciones financieras (específicamente el SPX, que es el índice de las 500 empresas más grandes de EE. UU., y el VIX, que es el "miedo" o la volatilidad del mercado) es como un globo terráqueo gigante y elástico.

Este artículo, escrito por expertos de JPMorgan Chase, presenta una nueva forma de entender y predecir cómo se mueve este globo cuando le das un pequeño empujón, sin tener que volver a inflarlo desde cero cada vez.

Aquí tienes la explicación sencilla, paso a paso:

1. El Problema: El "Globo" es Difícil de Calcular

Hasta ahora, para saber qué pasaría con el precio de las opciones si el mercado sube o baja un poco, los matemáticos usaban modelos complejos (como el modelo de Heston) que asumían reglas fijas sobre cómo se mueve la volatilidad. Era como intentar predecir el clima asumiendo que siempre hay sol o siempre hay lluvia.

Otra forma más moderna (llamada Transporte Óptimo) ya existía. Imagina que tienes un mapa de cómo se distribuye el dinero hoy (el SPX) y cómo se distribuye el miedo (el VIX). Esta técnica crea un "puente" perfecto entre ambos para que coincidan con los precios reales del mercado. Pero, había un problema: si el mercado cambiaba un poquito, tenías que destruir todo el puente y construirlo de nuevo desde cero para ver qué pasaba. Esto era muy lento y costoso computacionalmente.

2. La Solución: "Empujar" el Globo en lugar de Reinflarlo

Los autores proponen una idea brillante: no necesitas reconstruir el puente. Si el puente es elástico y flexible, solo necesitas saber cómo se estira cuando le das un pequeño empujón.

Llamaron a esto Transporte Óptimo Perturbado (POT).

• La Analogía del Muelle: Imagina que el puente entre el SPX y el VIX es un muelle gigante. Si empujas un extremo (cambia el precio del SPX), el otro extremo (el VIX) se mueve de una manera predecible.
• La "Geometría del Muelle": El papel descubre que este puente tiene una "forma" matemática específica (llamada Fisher Information Matrix). Conociendo esa forma, pueden calcular instantáneamente cuánto se moverá el VIX si el SPX se mueve, sin tener que volver a hacer todos los cálculos pesados.

3. Dos Trucos para Hacerlo Rápido

Para que esto funcione en la vida real, usaron dos estrategias creativas:

A. El "Sistema de Respuesta Lineal" (LR) - La Regla de la Física

Es como tener una fórmula mágica. Si sabes cómo reacciona el muelle a un empujón pequeño, puedes predecir el resultado en milisegundos.

• En la práctica: En lugar de esperar horas a que la computadora resuelva el problema de nuevo, usan esta fórmula para obtener los "Griegas" (los riesgos) al instante. Es como calcular la sombra de un objeto en lugar de medir el objeto entero cada vez que el sol se mueve un poco.

B. La "Reducción Dimensional" (DR) - El Truco del Espectro

A veces, el puente es tan complejo que parece tener 3 dimensiones (SPX hoy, Miedo hoy, SPX mañana).

• El Truco: Los autores descubrieron que, si el "miedo" (VIX) no cambia su estructura interna drásticamente, solo necesitas ajustar la "base" del puente (2 dimensiones) y dejar que la parte superior se adapte automáticamente.
• La Analogía: Imagina que tienes una marioneta de 3 dimensiones. En lugar de mover cada cuerda individualmente, descubrieron que si mueves solo el cuerpo principal, la cabeza y los brazos siguen el movimiento casi perfectamente. Esto hace que el cálculo sea 100 veces más rápido.

4. El "Pegamento" del Mundo Real (SSR)

El mercado real es caótico. A veces, cuando el SPX sube, el "miedo" (VIX) no solo sube, sino que su forma cambia (la curva de volatilidad se inclina).

• Para esto, incorporaron una regla del mundo real llamada SSR (Ratio de Adherencia de la Asimetría).
• La Analogía: Es como si supieras que, cuando el viento sopla fuerte, las hojas de los árboles no solo se mueven hacia arriba, sino que también giran en una dirección específica. El modelo incluye esta "regla de giro" para que las predicciones sean más realistas y no solo matemáticas puras.

5. ¿Funciona en la vida real? (El Test de Choque)

Los autores probaron su método contra el método antiguo (reconstruir todo desde cero) y contra otros modelos financieros estándar.

• Precisión: Sus predicciones fueron casi idénticas a las del método lento y pesado, pero mucho más rápidas.
• Protección (Hedging): Cuando usaron sus predicciones para proteger carteras de inversión contra caídas del mercado, perdieron menos dinero que usando los modelos tradicionales, especialmente en días de mucha volatilidad.

Resumen Final

Este papel es como inventar un GPS para el riesgo financiero.
Antes, para saber a dónde te llevaría un desvío en el mercado, tenías que volver a planificar todo el viaje desde el principio. Ahora, con este nuevo método, el GPS sabe exactamente cómo se dobla la carretera con un simple cálculo instantáneo, permitiéndote tomar decisiones de inversión más rápidas, precisas y seguras.

En una frase: Es una forma inteligente y rápida de predecir cómo reaccionará el miedo del mercado (VIX) cuando la economía (SPX) da un paso, sin tener que volver a hacer toda la tarea matemática cada vez.

Resumen técnico

1. El Problema: Modelado Conjunto y Gestión de Riesgos en SPX-VIX

La modelización conjunta de los derivados del índice S&P 500 (SPX) y del índice de volatilidad VIX es un desafío central en los mercados de volatilidad accionaria.

• Desafío de Consistencia: Las opciones SPX codifican la distribución de precios futuros de las acciones, mientras que las opciones VIX son contratos derivados sobre la volatilidad implícita (raíz cuadrada de la varianza forward). La consistencia entre ambos mercados es crucial para la valoración y la gestión de riesgos.
• Limitaciones de los Modelos Paramétricos: Los enfoques tradicionales (Heston, Bergomi, volatilidad rugosa) imponen supuestos estructurales sobre la dinámica de la volatilidad que no siempre se alinean con las superficies de opciones observadas en el mercado. Además, a menudo no pueden recuperar simultáneamente las distribuciones marginales observadas de SPX y VIX.
• Ineficiencia en la Gestión de Riesgos: Los enfoques libres de modelo existentes, como el Transporte Óptimo de Martingala (MOT) con regularización entrópica (propuesto por Guyon), logran una calibración perfecta de las sonrisas de SPX y VIX. Sin embargo, para calcular sensibilidades (Griegas), estos métodos requieren un enfoque de "golpear y recalibrar" (bump-and-recalibrate), que es computacionalmente costoso y oculta la relación estructural entre los choques del mercado y el riesgo implícito.

2. Metodología: Transporte Óptimo Perturbado (POT)

El artículo propone un nuevo marco llamado Transporte Óptimo Perturbado (POT), que utiliza la teoría de perturbaciones sobre la calibración entrópica para generar riesgos sin necesidad de recalibrar el modelo completo.

A. Fundamentos Teóricos

El acoplamiento óptimo calibrado en el MOT entrópico pertenece a una familia exponencial (distribución de Gibbs). Esto permite definir una variedad estadística donde la geometría local (matriz de información de Fisher) determina cómo reacciona el acoplamiento ante perturbaciones marginales.

B. Dos Enfoques Complementarios

Los autores proponen dos metodologías dentro del marco POT:

1. Sistema de Respuesta Lineal (LR - Linear Response):

   • Utiliza el Teorema de la Función Implícita aplicado a la formulación dual del problema de transporte.
   • Demuestra que el acoplamiento de Gibbs calibrado depende suavemente de las perturbaciones admisibles del mercado.
   • Deriva fórmulas explícitas para las sensibilidades de primer orden (Griegas) gobernadas por la matriz de información de Fisher ($H$) de la familia exponencial calibrada.
   • La sensibilidad de un pago $G$ ante un choque marginal $h$ se calcula como $\Pi'(0) = g^T H^{-1} h$, donde $g$ es el vector de covarianza entre el pago y las estadísticas suficientes.

2. Reducción Dimensional (DR - Dimensional Reduction):

   • Identifica una estructura de invarianza del acoplamiento condicional. Bajo perturbaciones pequeñas, la distribución condicional de $S_2$ (SPX futuro) dado $(S_1, V)$ permanece fija.
   • Esto permite reducir el problema de transporte tridimensional $(S_1, V, S_2)$ a un problema bidimensional $(S_1, V)$.
   • Las restricciones de martingala y consistencia de varianza se preservan automáticamente al mantener fijo el núcleo condicional, permitiendo una recalibración rápida (solo en 5-6 iteraciones de Sinkhorn) sin resolver el problema completo 3D.

C. Incorporación de Dinámicas Empíricas (SSR)

Para que el marco sea realista, los autores integran la dinámica de la Relación de Adherencia de la Asimetría (Skew Stickiness Ratio - SSR) del VIX como restricciones lineales en el problema de proyección entrópica.

• Se linealiza la relación de Bergomi: $\partial \sigma / \partial F = -SSR \cdot \text{Skew}$.
• Esto permite propagar choques en la superficie de SPX hacia la sonrisa de volatilidad del VIX de manera coherente y sin introducir modelos estocásticos paramétricos.

3. Contribuciones Clave

1. Sistema LR para POT: Desarrollo de un marco de perturbación para transporte óptimo entrópico discreto bajo restricciones financieras, proporcionando fórmulas analíticas para sensibilidades basadas en la información de Fisher.
2. Dinámica SSR Linealizada para VIX: Introducción de la dinámica SSR del VIX como restricciones lineales, permitiendo una propagación de riesgos modelo-independiente que preserva la convexidad del problema.
3. Reducción Dimensional (DR): Demostración teórica de que, bajo invarianza condicional, el problema de riesgo se reduce a una proyección 2D, manteniendo la consistencia financiera y reduciendo drásticamente la complejidad computacional.
4. Validación Numérica: Comparación exhaustiva que muestra que las sensibilidades obtenidas por POT (LR y DR) coinciden estrechamente con las de una recalibración completa, pero con una fracción del tiempo de cálculo.
5. Backtesting de Cobertura: Evaluación práctica donde las coberturas basadas en las sensibilidades POT superan a las de un modelo de volatilidad local estocástica (benchmark), reduciendo la varianza del P&L (Beneficios y Pérdidas) de la cobertura, especialmente en regímenes de alta volatilidad.

4. Resultados Experimentales

• Precisión: Las sensibilidades (Delta y Vega cruzados de SPX para futuros y opciones VIX) calculadas mediante el método LR-POT difieren mínimamente de las obtenidas por recalibración completa. Los errores son pequeños y se concentran en las colas de la distribución donde los efectos no lineales son más fuertes.
• Eficiencia Computacional:
  • Recalibración completa: ~370 segundos.
  • Método LR-POT: ~5.7 segundos.
  • Método DR-POT: ~18.5 segundos.
  • Se logra una aceleración de más de 60x manteniendo la precisión.
• Eficacia en Cobertura: En un backtest con 50 carteras aleatorias de opciones VIX (enero 2024 - febrero 2026):
  • Las coberturas utilizando sensibilidades POT generaron consistentemente una menor varianza en el P&L de la cobertura en comparación con un modelo de volatilidad estocástica.
  • La mejora fue más pronunciada durante periodos de alta volatilidad de mercado, demostrando la robustez del marco ante choques significativos.

5. Significado e Impacto

Este trabajo representa un avance decisivo en la ingeniería financiera cuantitativa al transformar el Transporte Óptimo de Martingala de una herramienta puramente de calibración estática a un marco unificado para calibración y propagación de riesgos.

• Independencia del Modelo: Ofrece un mecanismo de generación de riesgos que no depende de supuestos paramétricos sobre la dinámica de la volatilidad, basándose únicamente en la geometría estadística de los datos de mercado observados.
• Viabilidad Operativa: Resuelve el cuello de botella computacional de la gestión de riesgos en tiempo real para productos complejos SPX-VIX, haciendo factible el uso de modelos libres de modelo en entornos de trading de alta frecuencia o gestión de riesgos diaria.
• Consistencia Financiera: Al integrar dinámicamente el SSR y las restricciones de martingala, asegura que las sensibilidades generadas sean coherentes con la estructura de arbitraje del mercado y la evolución empírica de la volatilidad.

En resumen, el marco POT demuestra que es posible obtener riesgos precisos, eficientes y financieramente consistentes para el ecosistema SPX-VIX sin incurrir en los costos computacionales de la recalibración repetida ni en los sesgos de los modelos paramétricos tradicionales.