Beyond Black-Scholes: A Computational Framework for Option Pricing Using Heston, GARCH, and Jump Diffusion Models

Esta investigación presenta un marco computacional que supera las limitaciones del modelo Black-Scholes al utilizar simulaciones de Monte Carlo con los modelos GARCH, Heston y de difusión con saltos, demostrando que el modelo Heston ofrece las estimaciones más precisas frente a los precios de mercado utilizando datos en vivo de noviembre de 2024.

Lo esencial

¡Claro que sí! Imagina que este documento es como un manual de ingeniería para predecir el futuro de los precios de las acciones, pero explicado de una manera que cualquiera pueda entender, sin necesidad de ser un matemático experto.

Aquí tienes la explicación de la investigación de Karmanpartap y Pranshi, usando analogías sencillas:

🎯 El Problema: El Mapa Antiguo y el Terreno Real

Imagina que quieres navegar por un océano. Durante décadas, los navegantes usaron un mapa muy famoso llamado Black-Scholes. Este mapa era genial porque era simple: te decía que el mar (el mercado) siempre tenía olas de la misma altura (volatilidad constante) y que el barco nunca saltaba de golpe de un lado a otro.

El problema: El mundo real no es así.

• A veces hay tormentas repentinas (crisis financieras).
• A veces las olas cambian de tamaño de un momento a otro (volatilidad que sube y baja).
• A veces el barco da un salto gigante por un evento inesperado (como una noticia de guerra o un hackeo).

El mapa antiguo (Black-Scholes) fallaba porque asumía que todo era tranquilo y predecible. Cuando llegaba una tormenta real, sus predicciones de precios de opciones (que son como "seguros" para comprar o vender acciones) salían mal.

🛠️ La Solución: Un Nuevo Sistema de Navegación

Los autores de este paper decidieron construir un nuevo sistema de navegación usando computadoras potentes. En lugar de usar un solo mapa estático, usaron una técnica llamada Simulación de Monte Carlo.

La analogía de Monte Carlo:
Imagina que quieres saber si tu paracaídas funcionará. En lugar de saltar una vez, saltas 10,000 veces en una computadora, simulando diferentes vientos, diferentes pesos y diferentes alturas. Al final, miras cuántas veces aterrizaste bien y sacas una conclusión muy precisa.

• En finanzas, la computadora simula miles de caminos posibles que podría tomar el precio de una acción (como Tesla o Meta) hasta que vence el contrato.

🚀 Las Tres Mejoras (Los Nuevos Modelos)

Para hacer que este sistema de "10,000 saltos" fuera aún más realista, los autores añadieron tres "superpoderes" al modelo:

1. El Modelo GARCH: El Meteorólogo de las Olas

• Qué hace: En el modelo antiguo, se asumía que las olas (volatilidad) eran siempre iguales. El modelo GARCH es como un meteorólogo inteligente que mira el clima de ayer para predecir el de hoy.
• La analogía: Si ayer hubo una tormenta fuerte, GARCH sabe que hoy es probable que sigan las olas grandes. Si ayer estuvo tranquilo, asume que hoy también lo estará.
• Resultado: Permite predecir mejor cómo cambiará la "tempestad" del mercado en los próximos días.

2. El Modelo Heston: El Motor que Cambia de Marcha

• Qué hace: Este modelo reconoce que la volatilidad no es constante, sino que es aleatoria y cambiante (estocástica).
• La analogía: Imagina que conduces un coche. El modelo antiguo decía que siempre ibas a 60 km/h. El modelo Heston dice: "Oye, a veces aceleras, a veces frenas, y a veces el tráfico se pone loco". Además, este modelo usa Inteligencia Artificial (optimizadores) para ajustar el motor del coche automáticamente para que coincida con la carretera real.
• Resultado: Captura mejor los momentos en que el mercado se vuelve loco o cuando las opciones "lejanas" (con precios muy altos o bajos) tienen precios extraños.

3. El Modelo Merton (Salto de Difusión): El Salto del Saltamontes

• Qué hace: A veces, el precio de una acción no sube o baja suavemente; ¡da un salto gigante! (como cuando una empresa anuncia que ha descubierto una cura para una enfermedad o quiebra de la noche a la mañana).
• La analogía: El modelo antiguo imaginaba que el precio subía como una escalera suave. El modelo Merton añade la posibilidad de que el precio sea un saltamontes: puede caminar suavemente, pero de repente ¡BOOM! Salta 10 metros hacia arriba o abajo.
• Resultado: Es vital para acciones muy volátiles (como criptomonedas o empresas de cine como AMC) donde los precios se mueven de forma brusca.

📊 ¿Qué descubrieron? (Los Resultados)

Los autores probaron estos modelos con acciones reales como Tesla, Meta, AMC y Shopify.

• El modelo antiguo (Black-Scholes): Funcionaba bien en días tranquilos, pero fallaba estrepitosamente cuando el mercado se ponía nervioso.
• Los nuevos modelos (Heston y Merton): Fueron mucho más precisos.
  • El modelo Heston fue el mejor para predecir precios en general, especialmente para opciones a largo plazo, porque entendía que la "tempestad" del mercado cambia.
  • El modelo Merton fue el héroe para acciones con saltos bruscos, ajustándose mejor a los precios reales cuando había noticias impactantes.

💡 Conclusión Simple

La investigación nos dice que el mundo financiero es demasiado complejo para usar reglas simples. Para predecir el precio de un "seguro" (opción) con precisión, necesitamos:

1. Simular miles de futuros posibles (Monte Carlo).
2. Aprender del clima pasado (GARCH).
3. Permitir que la velocidad cambie aleatoriamente (Heston).
4. Permitir saltos gigantes repentinos (Merton).

Al combinar matemáticas avanzadas con computadoras rápidas e inteligencia artificial, los inversores pueden tomar decisiones más seguras y entender mejor los riesgos de su dinero, evitando que los "mapas antiguos" los lleven a chocar contra las rocas.

Resumen técnico

Aquí tienes un resumen técnico detallado del documento de investigación en español:

Resumen Técnico: Más allá de Black-Scholes: Un Marco Computacional para la Valoración de Opciones

1. Planteamiento del Problema

El modelo tradicional de Black-Scholes (BS), aunque ha sido fundamental desde la década de 1980 para la valoración de opciones y estrategias de cobertura, presenta limitaciones críticas en entornos de mercado modernos y dinámicos. Sus principales deficiencias incluyen:

• Volatilidad Constante: Asume que la volatilidad del activo subyacente no cambia con el tiempo, lo cual contradice la realidad de los mercados financieros donde la volatilidad fluctúa y muestra agrupamiento (clustering).
• Movimientos Continuos: Asume que los precios siguen un movimiento browniano geométrico continuo, ignorando los "saltos" (jumps) o movimientos bruscos de precios causados por eventos geopolíticos o crisis económicas (ej. crisis de 2008).
• Restricciones de Estilo: Está diseñado principalmente para opciones europeas y no maneja bien las opciones americanas o dependientes de la trayectoria (path-dependent).
• Subvaloración en Crisis: Debido a la suposición de volatilidad constante, el modelo tiende a subvalorar opciones out-of-the-money durante periodos de alta volatilidad.

El objetivo de esta investigación es desarrollar un marco computacional más robusto y preciso que supere estas limitaciones mediante el uso de modelos estocásticos avanzados y técnicas de aprendizaje automático.

2. Metodología

Los autores proponen un marco computacional implementado en Python que utiliza la Simulación de Montecarlo como columna vertebral, combinada con cuatro enfoques matemáticos distintos:

A. Simulación de Montecarlo Estándar (GBM)

Utiliza el Movimiento Browniano Geométrico (GBM) para generar miles de trayectorias de precios del activo subyacente.

• Ecuación: $dS(t) = \mu S(t) dt + \sigma S(t) dW(t)$
• Función: Sirve como línea base para comparar la precisión de los modelos avanzados.

B. Modelo de Salto-Difusión de Merton (Merton Jump-Diffusion)

Integra un componente de salto en el modelo GBM para capturar movimientos discontinuos y bruscos en los precios.

• Mecanismo: Añade un término de salto $(J-1)dN(t)$ donde $N(t)$ sigue un proceso de Poisson y $J$ es una variable aleatoria log-normal.
• Optimización: Se empleó un optimizador basado en gradientes (L-BFGS-B) y aprendizaje automático para calibrar los parámetros del salto ($\lambda_j, \mu_j, \sigma_j$) minimizando el error cuadrático medio entre el precio del modelo y el precio de mercado.

C. Modelo GARCH (1,1)

Se utiliza para predecir la volatilidad futura basándose en datos históricos, abordando el problema de la volatilidad variable y el agrupamiento.

• Enfoque: Modela la varianza condicional ($\sigma_t^2$) como dependiente de choques pasados y volatilidad previa.
• Aplicación: La volatilidad pronosticada por GARCH se utiliza como entrada dinámica para la simulación de Montecarlo, permitiendo estimar precios de opciones para días futuros (ej. 19, 20 y 21 de noviembre).

D. Modelo de Heston con Volatilidad Estocástica

Aborda la limitación de la volatilidad constante asumiendo que la volatilidad misma sigue un proceso estocástico.

• Ecuaciones: Modela conjuntamente el precio del activo $S(t)$ y su varianza $v(t)$, permitiendo correlación entre ambos.
• Calibración: Al igual que en el modelo de Merton, se utilizó L-BFGS-B para optimizar los parámetros de Heston ($\kappa, \theta, \sigma_v$) minimizando la diferencia entre la varianza histórica y la predicha.

Datos y Portafolio

El estudio se validó utilizando datos en vivo e históricos de Yahoo Finance para un portafolio diverso de acciones con diferentes perfiles de riesgo y modelos de negocio:

• Tesla (TSLA): Automotriz eléctrica.
• Meta (META): Tecnología y redes sociales.
• AMC Entertainment: Cine (alta volatilidad).
• MARA Holdings: Minería de criptomonedas (extrema volatilidad).
• Shopify (SHOP): E-commerce.

3. Contribuciones Clave

1. Marco Unificado: Integración exitosa de modelos estocásticos avanzados (Heston, Merton, GARCH) con simulaciones de Montecarlo en un solo entorno computacional.
2. Optimización Automatizada: Aplicación de optimizadores de aprendizaje automático (L-BFGS-B) para la calibración eficiente de parámetros en modelos complejos no lineales, superando la calibración manual tradicional.
3. Análisis Comparativo: Evaluación exhaustiva de cómo cada modelo se comporta frente a diferentes condiciones de mercado (activos estables vs. activos volátiles) y diferentes strikes.
4. Predicción Temporal: Capacidad del modelo GARCH-Montecarlo para proyectar precios de opciones futuros (a 1, 2 y 3 días) con mayor precisión que los modelos estáticos.

4. Resultados

Los experimentos, realizados con datos de noviembre de 2024, arrojaron las siguientes conclusiones:

• Precisión General: Todos los modelos avanzados superaron al modelo Black-Scholes estándar (GBM) en términos de precisión de valoración.
• Modelo de Heston: Fue el más consistente y preciso en general, especialmente para opciones con vencimientos a largo plazo y activos con volatilidad dinámica. Capturó eficazmente el "sesgo de volatilidad" (volatility skew).
  • Ejemplo: En Tesla, el error medio entre el modelo Heston y el precio de mercado fue significativamente menor que el de GBM.
• Modelo de Merton: Mostró mejoras notables en activos con alta volatilidad y movimientos bruscos (como MARA y AMC), donde los modelos de difusión continua fallan. Sin embargo, tendió a sobreestimar ligeramente los precios en strikes altos debido a la falta de datos históricos suficientes para calibrar perfectamente la estocasticidad.
• Modelo GARCH: Proporcionó las mejores predicciones para horizontes temporales futuros (1-3 días), demostrando su utilidad para la gestión de riesgos a corto plazo al capturar la dinámica temporal de la volatilidad.
• Desviaciones: Se observaron desviaciones menores en casos de baja liquidez o desequilibrios de oferta/demanda (bid-ask spread), lo cual es inherente a cualquier modelo teórico frente a datos de mercado reales.

5. Significado e Impacto

Este trabajo demuestra que la combinación de matemáticas financieras avanzadas con técnicas de optimización computacional (Machine Learning) puede cerrar la brecha entre las suposiciones teóricas y la complejidad del mercado real.

• Para Traders y Gestores: Ofrece herramientas más precisas para la valoración de opciones, permitiendo estrategias de cobertura (hedging) más efectivas y una mejor toma de decisiones de inversión.
• Avance Académico: Establece un precedente para el uso de optimizadores basados en gradientes en la calibración de modelos estocásticos complejos.
• Futuro: Los autores sugieren que futuras investigaciones podrían incorporar Redes Neuronales para una optimización de parámetros aún más adaptativa y el uso de Caminatas Cuánticas (Quantum Walks) para simular trayectorias de precios y volatilidad con ventajas computacionales adicionales.

En conclusión, el marco propuesto representa un paso significativo hacia la modernización de la ingeniería financiera, proporcionando modelos que no solo son teóricamente sólidos, sino también empíricamente robustos en entornos de mercado volátiles.