💰 quantitative finance

Option pricing model under the G-expectation framework

Este artículo presenta un modelo de valoración de opciones bajo el marco de la G-expectativa que generaliza la ecuación de Black-Scholes, introduciendo una transformación logarítmica y esquemas de diferencias finitas que garantizan estabilidad y convergencia para mejorar la eficiencia computacional.

Autores originales: Ziting Pei, Xingye Yue, Xiaotao Zheng

Publicado 2026-03-25

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ziting Pei, Xingye Yue, Xiaotao Zheng

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Claro que sí! Imagina que este artículo es como un manual de instrucciones para un piloto de avión que quiere navegar a través de una tormenta financiera, pero con un giro especial: el mapa del clima no es fijo, sino que es incierto y cambia constantemente.

Aquí tienes la explicación de la investigación de Pei, Yue y Zheng, traducida a un lenguaje sencillo y con analogías creativas:

1. El Problema: El Clima Financiero es "Nuboso"

En el mundo de las finanzas, calcular cuánto vale una opción (un tipo de apuesta sobre el futuro de una acción) es como intentar predecir el clima.

La vieja forma (Black-Scholes): Antes, los matemáticos usaban una fórmula que asumía que la "volatilidad" (qué tan bruscamente sube o baja el precio) era como un termómetro fijo: siempre marcaba la misma temperatura. Era elegante y fácil, pero en la vida real, el mercado es más salvaje; la volatilidad cambia, se vuelve incierta y a veces asustada.
La nueva forma (G-Expectación): Los autores proponen usar una nueva "brújula" llamada G-expectación. En lugar de asumir un solo clima, esta brújula asume que la volatilidad puede estar dentro de un rango de posibilidades (por ejemplo, entre un 15% y un 25%). Es como decir: "No sé exactamente qué tiempo hará, pero sé que no será peor que una tormenta de categoría 5 ni mejor que una brisa suave". Esto hace que la valoración sea más robusta y segura.

2. La Ecuación Mágica: El "G-Black-Scholes"

Al usar esta nueva brújula, la ecuación matemática que describe el precio de la opción deja de ser una línea recta simple y se convierte en una ecuación no lineal.

La analogía: Imagina que antes tenías que caminar por un sendero plano y recto (la ecuación clásica). Ahora, con la incertidumbre, el sendero se convierte en un terreno montañoso con baches y curvas impredecibles. Resolver esto es mucho más difícil para una computadora, como intentar encontrar el camino más rápido en un laberinto que cambia de forma.

3. El Truco del "Transformador Logarítmico"

Aquí es donde los autores hacen su gran aporte. Resolver estas ecuaciones en el terreno montañoso (usando los precios directos de las acciones) es muy lento y costoso para la computadora. A veces, la computadora se "atrapa" y necesita pasos muy pequeños para no caerse (inestabilidad).

La solución: Introducen un transformador logarítmico.
La analogía: Imagina que tienes que subir una montaña muy empinada y resbaladiza (el precio de la acción). Caminar directamente es peligroso y lento. Pero, si usas un ascensor mágico (la transformación logarítmica) que convierte esa montaña empinada en una rampa suave y uniforme, el viaje se vuelve mucho más rápido, seguro y fácil.
El resultado: Al aplicar este "ascensor", la computadora puede dar pasos más grandes sin caerse, lo que ahorra muchísimo tiempo y energía.

4. Dos Maneras de Subir la Montaña (Métodos Numéricos)

Para resolver la ecuación en la computadora, los autores diseñaron dos estrategias (algoritmos):

El Método Explícito (El corredor veloz):
- Es como un corredor que avanza paso a paso mirando solo lo que tiene justo enfrente. Es muy rápido, pero si el terreno es muy resbaladizo, puede tropezar. Por eso, necesita pasos muy pequeños.
- La ventaja del truco: Gracias al "ascensor logarítmico", este corredor puede correr mucho más rápido sin tropezar.
El Método Implícito (El escalador cuidadoso):
- Es como un escalador que mira todo el camino, calcula dónde poner cada pie con cuidado y se asegura de no caer antes de moverse. Es más lento por paso, pero es extremadamente seguro y no se cae, sin importar lo resbaladizo que sea el terreno.
- La prueba: Los autores demostraron matemáticamente que este método siempre converge a la respuesta correcta, como un GPS que nunca se pierde.

5. Los Resultados: ¿Funciona en la vida real?

Los autores probaron sus métodos con dos tipos de "juegos" financieros:

El "Spread de Mariposa": Un tipo de apuesta compleja que tiene un pago irregular (como una montaña con picos y valles).
La "Opción Digital": Una apuesta que solo paga si el precio cruza una línea exacta (como un interruptor de luz: o está encendido o apagado). Esto es muy difícil de calcular porque el cambio es brusco.

El veredicto:

Ambos métodos funcionaron con gran precisión.
Pero el truco logarítmico fue el héroe de la historia. Permitió que el método rápido (explícito) fuera mucho más eficiente, reduciendo el tiempo de cálculo en un 63% en algunos casos, sin perder precisión.

En Resumen

Este artículo nos dice: "Cuando el mercado es incierto y el clima financiero es tormentoso, no uses el mapa antiguo. Usa nuestra nueva brújula (G-expectación) y, sobre todo, usa nuestro ascensor mágico (transformación logarítmica) para que tus cálculos sean rápidos, seguros y baratos, incluso cuando el terreno sea difícil."

Es una herramienta poderosa para que los bancos y gestores de riesgo puedan protegerse mejor contra lo desconocido, ahorrando tiempo y dinero en el proceso.

Aquí presento un resumen técnico detallado del artículo "Option pricing model under the G-expectation framework" (Modelo de fijación de precios de opciones bajo el marco de la G-expectación), escrito por Ziting Pei, Xingye Yue y Xiaotao Zheng.

1. Planteamiento del Problema

La fijación de precios de derivados, tradicionalmente basada en el modelo de Black-Scholes, asume que la volatilidad es constante y sigue un movimiento browniano estándar bajo una medida de probabilidad única. Sin embargo, en la práctica, la volatilidad es incierta y puede variar dentro de un rango.

El problema central abordado en este trabajo es la valoración robusta de opciones bajo incertidumbre de modelo, específicamente dentro del marco de la G-expectación (una expectativa sublineal propuesta por Peng). En este entorno:

No existe una única medida de probabilidad, sino un conjunto de medidas posibles.
La volatilidad del activo subyacente no es constante, sino que pertenece a un intervalo $[\underline{\Sigma}, \overline{\Sigma}]$ .
El objetivo es encontrar un valor justo que sea robusto ante esta incertidumbre, lo que conduce a un problema de optimización (peor mejor caso) y a una Ecuación Diferencial Parcial (EDP) totalmente no lineal, conocida como la ecuación G-Black-Scholes.

El desafío computacional radica en resolver esta EDP no lineal de manera eficiente, ya que los métodos numéricos estándar para EDP lineales no son directamente aplicables o son inestables debido a la no linealidad y la estructura del operador "sup" (supremo) involucrado.

2. Metodología

Los autores desarrollan un enfoque unificado que combina teoría financiera avanzada con análisis numérico riguroso. La metodología se divide en cuatro etapas principales:

A. Formulación del Modelo de Valoración Neutral al Riesgo

Se define la neutralidad al riesgo en el contexto de la G-expectación: el retorno esperado G de todos los activos riesgosos debe igualar la tasa de interés libre de riesgo $r$ .
Se modela el precio del activo subyacente $S_t$ mediante un Movimiento Browniano Geométrico G (G-GBM).
Utilizando la fórmula de Feynman-Kac no lineal, el problema de valoración se transforma en la resolución de la EDP G-Black-Scholes:
$\frac{\partial U}{\partial t} + rS \frac{\partial U}{\partial S} + \frac{1}{2} \sup_{\Sigma \in [\underline{\Sigma}, \overline{\Sigma}]} \left( \sigma^2 S^2 \Sigma^2 \frac{\partial^2 U}{\partial S^2} \right) - rU = 0$

B. Transformación Logarítmica

Para mejorar la eficiencia computacional, especialmente para esquemas explícitos, los autores introducen una transformación de variable: $X = \ln(S)$ .

Esto convierte la EDP original en una EDP alternativa con coeficientes más manejables y una estructura que relaja las restricciones de estabilidad de los métodos explícitos.
La nueva EDP para la función de valor $V(t, X)$ elimina la dependencia cuadrática directa de $S$ en los coeficientes de difusión.

C. Esquemas Numéricos (Diferencias Finitas)

Se proponen y analizan dos esquemas de diferencias finitas para resolver la EDP transformada:

Esquema Explícito: Calcula la solución en el siguiente paso de tiempo directamente a partir de los valores actuales. Es computacionalmente barato por paso, pero requiere condiciones estrictas de estabilidad (relación entre $\Delta t$ y $h$ ).
Esquema Implícito: Resuelve un sistema de ecuaciones no lineales en cada paso de tiempo. Es incondicionalmente estable (en términos de estabilidad lineal), pero requiere iteraciones internas (método de Picard) para manejar la no linealidad.

D. Análisis Teórico Riguroso

El papel proporciona pruebas matemáticas estrictas basadas en el marco de Barles y Souganidis para garantizar que las soluciones numéricas converjan a la solución de viscosidad de la EDP no lineal. Se demuestran cuatro propiedades clave:

Consistencia: El esquema aproxima correctamente la EDP cuando el paso de malla tiende a cero.
Estabilidad: La solución numérica permanece acotada.
Monotonía: El esquema preserva el orden (crucial para la convergencia en EDPs no lineales).
Convergencia: Se establece la tasa de convergencia (aproximadamente $O(\Delta t^{\beta/2} + h^\beta)$ ).

3. Contribuciones Clave

Marco Unificado de Valoración: Se establece formalmente un marco de valoración neutral al riesgo bajo G-expectación, derivando la ecuación G-Black-Scholes para activos con volatilidad incierta.
Transformación Logarítmica Eficiente: Se demuestra teórica y empíricamente que la transformación $X = \ln(S)$ reduce significativamente la relación de malla requerida para la estabilidad en esquemas explícitos, disminuyendo el costo computacional en comparación con la formulación original en términos de precios $S$ .
Análisis de Convergencia Completo: Se provee una demostración rigurosa de la consistencia, estabilidad, monotonía y convergencia hacia la solución de viscosidad para ambos esquemas (explícito e implícito).
Convergencia de Iteración Interna: Para el esquema implícito, se prueba que el método de iteración interna (Picard) converge monótonamente a la solución única en cada paso de tiempo bajo ciertas condiciones de malla.

4. Resultados Numéricos

Los autores validan sus métodos mediante experimentos numéricos con dos tipos de opciones:

Spread Mariposa (Butterfly Spread): Opción con pago no convexo.
- Ambos esquemas alcanzaron una precisión de segundo orden ( $\approx 2.0$ ).
- El esquema implícito mostró una eficiencia notable, requiriendo solo 2 iteraciones internas por paso de tiempo para converger.
Opción Digital (Digital Call): Opción con pago discontinuo.
- La discontinuidad redujo la tasa de convergencia a aproximadamente primer orden, lo cual es esperado teóricamente debido a la falta de suavidad de la solución.
- A pesar de la menor tasa, los métodos mantuvieron la estabilidad y la precisión.

Comparación de Transformación Logarítmica:

Se comparó la resolución directa en el dominio $S$ frente al dominio transformado $X$ .
Resultado: La transformación logarítmica redujo el número mínimo de pasos de tiempo necesarios para la estabilidad en aproximadamente un 63% (para una malla espacial de 800 puntos).
Esto resultó en una reducción significativa del tiempo de CPU (hasta un 50-60% menos) manteniendo o mejorando la precisión.

5. Significado e Impacto

Este trabajo es significativo por varias razones:

Robustez Financiera: Ofrece una herramienta práctica para instituciones financieras que necesitan valorar opciones en mercados con alta incertidumbre de volatilidad, proporcionando cotas de precio (mejor y peor caso) que son más realistas que los modelos de volatilidad constante.
Eficiencia Computacional: La demostración de que la transformación logarítmica relaja las restricciones de estabilidad es un aporte técnico valioso. Permite utilizar esquemas explícitos (más rápidos por paso) con pasos de tiempo más grandes, o lograr la misma precisión con menos recursos computacionales.
Fundamento Teórico: Al establecer la convergencia a la solución de viscosidad, el artículo cierra la brecha entre la teoría de expectativas no lineales (G-expectación) y la implementación numérica práctica, proporcionando garantías matemáticas sobre la fiabilidad de los resultados.

En resumen, el artículo presenta un marco completo, desde la teoría financiera hasta la implementación numérica optimizada, para la valoración de opciones bajo incertidumbre de modelo, demostrando que la combinación de la G-expectación con transformaciones logarítmicas y esquemas de diferencias finitas es una estrategia robusta y eficiente.