💰 quantitative finance

An Analytic COS Method for Compound Option Valuation

Este artículo introduce un método analítico de coseno de Fourier (COS) para la valoración de opciones compuestas que deriva expresiones de forma cerrada para los coeficientes de coseno con el fin de eliminar la cuadratura numérica en las etapas intermedias, logrando así una eficiencia computacional y precisión superiores a través de diversos modelos estocásticos y estructuras de múltiples etapas.

Autores originales: Zhipeng Huang, Cornelis W. Oosterlee

Publicado 2026-07-29

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Zhipeng Huang, Cornelis W. Oosterlee

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

Imagina que eres un detective tratando de resolver un misterio que aún no ha ocurrido. En el mundo de las finanzas, esto es lo que sucede cuando las empresas intentan determinar el valor de grandes y complicadas apuestas llamadas "opciones". Piensa en una opción como un cupón que te permite comprar algo más tarde a un precio fijo. Pero, ¿qué pasa si ese cupón es, en sí mismo, un cupón? Eso es una "opción compuesta": una apuesta sobre una apuesta. Es como comprar un boleto para una rifa, donde el premio es otro boleto para una rifa más grande. Para calcular cuánto vale ese primer boleto, tienes que adivinar cuánto valdrá el segundo boleto, lo cual depende de lo que suceda en el futuro.

Lo complicado es que el futuro es caótico. Los precios no se mueven simplemente en líneas suaves y predecibles como un coche en una autopista; a veces saltan, tartamudean o se quedan atrapados en atascos de noticias repentinas. Los matemáticos utilizan herramientas especiales llamadas "funciones características" para describir estos movimientos caóticos, que son algo así como un pronóstico del tiempo que predice no solo la lluvia, sino también la posibilidad de una granizada repentina. Durante mucho tiempo, calcular el valor de estas opciones compuestas fue como intentar contar cada grano de arena en una playa a mano: lento, tedioso y propenso a errores. Tenías que dar pasos diminutos, medir, sumar, medir y sumar de nuevo, una y otra vez.

Este artículo presenta un atajo ingenioso. Los autores, Zhipeng Huang y Cornelis W. Oosterlee, han desarrollado una nueva forma de realizar estos cálculos utilizando un método llamado "método COS". En lugar de contar cada grano de arena, encontraron una forma de escribir una fórmula única y perfecta que te dice exactamente cuántos granos hay, saltándose por completo el tedioso conteo. Demuestran que, al utilizar la "forma" matemática de las posibilidades futuras, pueden calcular el valor de estas complejas apuestas de múltiples etapas de forma instantánea y con una precisión increíble. Esto es importante porque ayuda a las empresas a tomar decisiones más inteligentes sobre inversiones enormes, como el desarrollo de nuevos medicamentos o la construcción de infraestructura, donde el costo de equivocarse es muy alto.

La magia del atajo de la "Coseno"

Entonces, ¿cómo funciona realmente este nuevo método? Usemos una analogía. Imagina que estás tratando de predecir el marcador final de un torneo de fútbol que tiene varias rondas. Con el método antiguo (el método de "cuadratura"), para determinar el valor del equipo en la Ronda 1, tendrías que simular miles de posibles juegos para la Ronda 2, luego miles más para la Ronda 3, y así sucesivamente, promediándolos todos. Es como ver cada partido posible en el universo para ver quién gana. Toma una eternidad.

El nuevo método de los autores es como tener una bola de cristal mágica que no necesita ver los partidos. En su lugar, observa el patrón de cómo juegan los equipos habitualmente. El "método COS" (que significa Fourier Coseno) es una forma de describir cualquier patrón complejo utilizando una pila de líneas onduladas simples llamadas "cosenos". Piensa en ello como describir una canción compleja apilando notas musicales simples unas sobre otras.

El gran avance en este artículo es que los autores descubrieron cómo apilar estas notas sin realizar el trabajo pesado. Normalmente, cuando tienes una "apuesta sobre una apuesta", tienes que detenerte y hacer mucha matemática desordenada (cuadratura numérica) para determinar la siguiente capa de la pila. Los autores descubrieron que, debido a que la matemática de estas ondas es tan regular, en realidad puedes escribir la respuesta para la siguiente capa utilizando una fórmula elegante de forma cerrada. Es como darse cuenta de que, en lugar de contar los ladrillos en una pared uno por uno, simplemente puedes multiplicar la altura por el ancho porque sabes que el patrón es perfecto.

Lo que encontraron y por qué es importante

El artículo demuestra que este nuevo enfoque "analítico" no solo es más rápido, sino también más preciso. En sus pruebas, compararon su método con la vieja y lenta forma de contar.

Velocidad: Cuando probaron su método en un modelo financiero estándar (el modelo Black-Scholes), su método fue aproximadamente 10 veces más rápido que el método antiguo, ofreciendo el mismo nivel de precisión. En una prueba, el método antiguo tardó unos 3,5 milisegundos en obtener una respuesta muy precisa, mientras que el nuevo método lo hizo en solo 0,3 milisegundos.
Precisión: Demostraron que, a medida que añadían más "ondas de coseno" a su pila, la respuesta se acercaba cada vez más al valor real de forma increíblemente rápida. Con solo 128 ondas, su error era menor a 1 en 10 mil millones.

Pero la verdadera magia ocurre cuando las cosas se vuelven caóticas. Los autores probaron su método en escenarios donde el "futuro" no es fluido. Observaron situaciones donde ocurren "saltos": cambios bruscos y grandes en el valor, como cuando un ensayo clínico de un fármaco tiene éxito o fracasa repentinamente. Incluso modelaron saltos "agrupados", donde una mala noticia provoca una ola de otras malas noticias (como un efecto dominó).

En una simulación de la investigación y desarrollo (I+D) de una empresa farmacéutica, descubrieron que el momento de estos saltos importa mucho.

Si los saltos son aleatorios e independientes (como el antiguo modelo "Merton"), el valor del proyecto es uno.
Pero si los saltos están "agrupados" (como su nuevo modelo "Q-Hawkes"), el valor cambia de forma ligera pero significativa. Para una inversión de fármacos de dos etapas, el modelo agrupado sugería que el proyecto valía aproximadamente 47,30, mientras que el modelo aleatorio decía 45,57.
Para un proyecto de múltiples etapas con cinco pasos, la diferencia fue aún más reveladora. El modelo agrupado valoró el proyecto en 6,937, comparado con los 6,751 del modelo aleatorio.

Esto sugiere que la estructura de la incertidumbre —si las malas noticias llegan en estallidos aislados o en una tormenta caótica— realmente cambia cuánto vale una inversión. Los métodos antiguos tenían dificultades para manejar estos escenarios complejos de saltos sin quedar estancados en cálculos lentos. El nuevo método COS los maneja con facilidad, permitiendo a las empresas ver cómo diferentes tipos de riesgo afectan sus decisiones.

La conclusión

Los autores no solo inventaron una calculadora más rápida; construyeron una nueva forma de pensar sobre las decisiones anidadas. Demostraron que no es necesario avanzar mediante aproximaciones en cada paso de un problema complejo de múltiples etapas. Al utilizar la simetría matemática de las ondas, transformaron un proceso lento y paso a paso en un salto único y elegante.

Demostraron que esto funciona para todo, desde apuestas simples de dos pasos hasta proyectos complejos del mundo real, como la creación de una línea de productos farmacéuticos. Ya sea que el futuro sea fluido o esté lleno de saltos repentinos, este método proporciona una forma clara, rápida y precisa de ver lo que el futuro podría valer. Es una herramienta que convierte la niebla de la incertidumbre en un mapa claro, ayudando a inversores y empresas a navegar las complicadas aguas de las decisiones compuestas con confianza.

Resumen Técnico: Un Método COS Analítico para la Valoración de Opciones Compuestas

Planteamiento del Problema

Las opciones compuestas son derivados donde el activo subyacente es, en sí mismo, una opción. Si bien Geske [Ges79] derivó una solución de forma cerrada para las opciones compuestas bajo el modelo Black–Scholes, tales soluciones analíticas son generalmente indisponibles cuando el activo subyacente sigue dinámicas estocásticas más complejas (por ejemplo, procesos de difusión con saltos o procesos de Lévy). Estas dinámicas complejas son cruciales en aplicaciones del mundo real como las inversiones de I+D por etapas, donde las características de la incertidumbre (como el riesgo de salto y el agrupamiento o clustering) pueden variar entre fases.

Matemáticamente, la valoración de las opciones compuestas implica expectativas condicionales anidadas. En un entorno de múltiples etapas, el valor en una fecha de decisión intermedia depende del valor de continuación de las etapas subsiguientes. Los enfoques numéricos tradicionales para resolver estas expectativas anidadas suelen depender de la cuadratura numérica para computar los coeficientes de coseno externos en los métodos basados en Fourier. Esto introduce una capa adicional de error de aproximación y costo computacional, lo que puede oscurecer las propiedades de convergencia espectral del método subyacente y limitar la escalabilidad en problemas de múltiples etapas.

Metodología

El artículo propone un método Fourier coseno (COS) totalmente analítico para valorar opciones compuestas. El método COS, introducido originalmente por Fang y Oosterlee [FO08], aproxima la densidad de transición del logaritmo del precio del activo utilizando una serie de Fourier-coseno, con coeficientes derivados directamente de la función característica del proceso.

La innovación central de este trabajo es la derivación de expresiones de forma cerrada para los coefores de coseno externos en la recursión de la opción compuesta. La metodología procede de la siguiente manera:

Aproximación de la Etapa Interna: El valor de la opción interna (la opción subyacente en la fecha de decisión intermedia $T_1$ ) se aproxima mediante la expansión COS estándar. Debido al supuesto de incrementos independientes del proceso de log-activo, este valor interno $V_{inner}(x)$ puede expresarse como un polinomio trigonométrico finito (una suma de senos y cosenos) con coeficientes computables analíticamente.
Coeficientes Externos Analíticos: En lugar de utilizar la cuadratura numérica para computar los coeficientes de la opción externa (que tiene un beneficio de $(V_{inner}(x) - K_1)^+$ ), los autores sustituyen la representación trigonométrica de $V_{inner}(x)$ directamente en la definición integral de los coeficientes externos.
Integración de Forma Cerrada: Al explotar las identidades de productos trigonométricos, las integrales resultantes se evalúan en forma cerrada. Esto elimina la necesidad de integración numérica en la etapa externa.
Frontera de Ejercicio: El método requiere resolver una única ecuación no lineal escalar para encontrar la frontera de ejercicio numérica $x^*$ donde $V_{inner}(x^*) = K_1$ . Esto se resuelve eficientamente utilizando un método de Newton salvaguardado o el método de Brent, aprovechando la derivada analítica de la expansión trigonométrica.
Extensión a Múltiples Etapas: El marco se extiende recursivamente a $m$ fechas de decisión compuesta. En cada paso hacia atrás desde el vencimiento, el valor de continuación se representa como un polinomio trigonométrico, lo que permite que los coeficientes para la etapa anterior se computen analíticamente sin necesidad de cuadratura.
Flexibilidad del Modelo: El método es aplicable a cualquier modelo donde la función característica condicional de los incrementos del log-precio sea conocida en forma cerrada, incluyendo el Movimiento Browniano Geométrico (GBM), la difusión con saltos de Merton y el proceso Queue–Hawkes (Q-Hawkes) para saltos agrupados.

Principales Contribuciones

Formulación Totalmente Analítica: El artículo deriva la primera formulación COS compuesta totalmente analítica donde los coeficientes externos se evalúan en forma cerrada. Esto elimina por completo la capa de cuadratura numérica de la recursión compuesta.
Eficiencia Computacional: Al eliminar la cuadratura, el método reduce la complejidad computacional asociada con los coeficientes externos. La complejidad pasa de $O(n_q N)$ (donde $n_q$ es el número de puntos de cuadratura) a $O(N_{in} N_{out})$ , donde $N$ representa el número de términos de coseno.
Preservación de la Convergencia Espectral: La eliminación de la capa de error de cuadratura asegura que las propiedades de convergencia espectral del método COS se preserven a lo largo de la valoración recursiva, siempre que las densidades de transición subyacentes cumplan con las condiciones de regularidad.
Manejo de Dinámicas Heterogéneas: El marco acomoda naturalmente las dinámicas dependientes de la etapa. Se pueden utilizar diferentes funciones características (y, por tanto, diferentes distribuciones de difusión o de saltos) para diferentes intervalos de tiempo sin alterar la estructura recursiva.
Extensión a Otros Derivados: Se muestra que la estructura analítica se extiende más allá de las llamadas compuestas estándar a otros contratos con beneficios de continuación de frontera única, como las opciones chooser y las opciones put bermudanas.

Resultados Numéricos

Los autores validan el método a través de varios experimentos numéricos:

Validación Black–Scholes: Bajo la dinámica de GBM, el método reproduce la solución de forma cerrada de Geske con alta precisión. Con $N=128$ términos de coseno, el error absoluto es inferior a $10^{-10}$ .
Comparación de Eficiencia: En comparación con una implementación COS basada en cuadratura, el método analítico logra una precisión comparable (error $\approx 10^{-5}$ ) significativamente más rápido. Por ejemplo, para igualar la precisión del método analítico con $N=64$ , el método de cuadratura requirió 5,120 puntos de cuadratura y tomó aproximadamente un orden de magnitud más de tiempo de CPU.
Opciones Reales con Riesgo de Salto: El método se aplica a problemas de inversión en I+D farmacéutica de dos y múltiples etapas.
- Dos Etapas: El estudio compara GBM, difusión con saltos de Merton (saltos independientes) y Q-Hawkes (saltos agrupados autoexcitados). Los resultados indican que el riesgo de salto impacta significativamente la valoración, y la naturaleza autoexcitada de Q-Hawkes (agrupamiento) conduce a valores de opción ligeramente superiores que los saltos independientes, incluso cuando se igualan el número esperado de saltos y las distribuciones de tamaño de salto.
- Múltiples Etapas: Se modela un proyecto de I+D de cuatro etapas donde el riesgo de salto se introduce solo en la etapa final. Los resultados demuestran que el riesgo de salto anticipado en la etapa tardía se propaga hacia atrás, afectando materialmente los umbrales de inversión de las etapas tempranas y los valores de los proyectos. El método analítico maneja estas dinámicas dependientes de la etapa sin problemas.

Significado y Reivindicaciones

El artículo afirma que el método COS compuesto analítico propuesto proporciona una herramienta robusta, eficiente y precisa para valorar la opcionalidad anidada bajo dinámicas estocásticas realistas.

Eliminación del Error de Cuadratura: La principal significación es la eliminación de la capa de error de cuadratura, lo que no solo acelera la computación, sino que también evita la introducción de errores de aproximación adicionales que pueden degradar la convergencia espectral del método en entornos de múltiples etapas.
Riqueza de Modelado: El método permite la valoración de problemas complejos de opciones reales con dinámicas heterogéneas (por ejemplo, cambiar de difusión a difusión con saltos entre etapas) sin necesidad de estimación de continuación basada en regresión o simulación anidada, que son típicas en los enfoques de Monte Carlo.
Transparencia: La formulación analítica proporciona una estructura matemática transparente para la recursión compuesta, facilitando un análisis de error riguroso y demostrando que la convergencia espectral de los pasos individuales de COS se preserva en el entorno compuesto recursivo.

Los autores concluyen que este enfoque es particularmente valioso para entornos de decisión de múltiples etapas donde tanto la eficiencia computacional como la riqueza de modelado son esenciales, como en los proyectos de I+D por etapas o proyectos de infraestructura.