💰 quantitative finance

COS-TT-CHF: A Tensor-Train Characteristic-Function COS Method for Multi-Asset Option Pricing

Este artículo presenta COS-TT-CHF, un método de rango bajo tipo Tensor-Train que supera la maldición de la dimensionalidad en la valoración de opciones multi-activo bajo modelos de Lévy y afines, al comprimir los tensores de la función característica, permitiendo así la valoración precisa y eficiente de opciones de cesta y de mín/máx para hasta 30 activos con un rendimiento superior en comparación con los referentes directos de COS, tensor-Fourier y QMC.

Autores originales: Lucas Arenstein, Michael Kastoryano

Publicado 2026-08-19

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Lucas Arenstein, Michael Kastoryano

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

En el mundo de las finanzas, predecir el valor futuro de una sola acción ya es una tarea compleja, pero los mercados modernos a menudo requieren que los inversores valoren opciones sobre cestas que contienen docenas de activos simultáneamente. Estos contratos financieros, conocidos como opciones, otorgan al poseedor el derecho de comprar o vender un grupo de acciones a un precio específico en el futuro. La dificultad surge al intentar calcular el precio justo para estos contratos a medida que aumenta el número de activos. Las herramientas matemáticas tradicionales luchan intensamente contra este crecimiento; cada vez que se añade un nuevo activo a la cesta, la cantidad de cálculo requerido no solo aumenta ligeramente, sino que explota exponencialmente. Este fenómeno, conocido como la maldición de la dimensionalidad, ha obligado durante mucho tiempo a los analistas a depender de métodos aproximados y lentos o a limitar su análisis a grupos muy pequeños de activos, dejando un vacío significativo en nuestra capacidad para valorar productos financieros complejos de múltiples activos de forma precisa y rápida.

Investigadores de la Universidad de Copenhague han desarrollado un nuevo enfoque para cerrar esta brecha, creando un método que permite la valoración rápida de opciones sobre cestas que contienen hasta treinta activos diferentes. Su trabajo, publicado en un artículo titulado "COS–TT–CHF", se centra en un tipo específico de modelo financiero que describe cómo se mueven los precios de los activos utilizando una herramienta matemática llamada función característica. En lugar de intentar calcular el precio observando cada posible combinación de movimientos de activos a la vez —una tarea que se vuelve imposible a medida que aumenta el número de activos—, el equipo utilizó una técnica llamada aproximación de tensor-tren (tensor-train approximation). Este método funciona comprimiendo los masivos datos de alta dimensión necesarios para el cálculo en un formato mucho más pequeño y manejable. Es similar a cómo una fotografía de alta resolución puede comprimirse en un archivo pequeño sin perder los detalles esenciales necesarios para reconocer la imagen, lo que permite que la computadora procese la información de manera eficiente sin verse agobiada por el puro volumen de datos.

Los investigadores probaron su nuevo método frente a varios puntos de referencia establecidos, incluyendo técnicas de cálculo directo más antiguas y métodos de simulación sofisticados que dependen del muestreo aleatorio. Descubrieron que para cestas con solo dos o tres activos, su nuevo método no era necesariamente más rápido que las técnicas existentes. Sin embargo, tan pronto como el número de activos aumentó a cuatro o más, el nuevo método comenzó a superar significamente a los enfoques de cálculo directo más antiguos. En pruebas que involucraban veinte activos, el método completó los cálculos en cuestión de segundos, mientras que los métodos directos tradicionales habrían tardado minutos o incluso horas para alcanzar un nivel de precisión similar. El equipo también demostró que su enfoque funciona bien para diferentes tipos de modelos de mercado, incluidos aquellos que contemplan saltos repentinos en los precios o cambios en la volatilidad, que son características comunes en los mercados financieros del mundo real.

Más allá de simplemente encontrar el precio de la opción, el nuevo método permite el cálculo rápido de las "Griegas", que son medidas de qué tan sensible es el precio de la opción a los cambios en los activos subyacentes o en las condiciones del mercado. Esto es crucial para la gestión de riesgos, ya que los operadores necesitan saber cómo reaccionarán sus carteras ante los cambios del mercado. Los investigadores demostraron que, una vez construida la estructura de datos comprimida inicial, calcular estas sensibilidades para diferentes precios de ejercicio o escenarios de mercado era casi instantáneo. Esta reutilización es una ventaja clave, ya que significa que el trabajo pesado se realiza solo una vez, y los resultados pueden aplicarse a una amplia gama de preguntas sin tener que empezar el cálculo desde cero.

El estudio también abordó un tipo específico de opción que paga basándose en el activo con mejor o peor desempeño en un grupo, conocida como opciones min/max. Estas son notoriamente difíciles de valorar porque el pago depende de la interacción entre todos los activos de una manera que no se ajusta a los patrones de cálculo estándar. Los investigadores adaptaron con éxito su método para manejar estos pagos complejos, demostrando que su representación comprimida podía capturar el comportamiento conjunto necesario de los activos. En sus pruebas, el método mantuvo una alta precisión incluso al tratar con treinta activos, una escala que anteriormente estaba fuera del alcance de este tipo de técnicas de valoración. Los resultados sugieren que, al trasladar la complejidad del cálculo a un formato comprimido al principio del proceso, es posible evitar el crecimiento exponencial del costo computacional que durante mucho tiempo ha obstaculizado la valoración de derivados de múltiples activos.

Los investigadores compararon sus hallazgos con datos de referencia generados por otros métodos de alta precisión, tales como técnicas de muestreo aleatorio que se consideran el estándar de oro en cuanto a precisión, pero que son muy lentas. El nuevo método igualó estos precios de referencia con alta precisión siendo órdenes de magnitud más rápido en dimensiones superiores. Por ejemplo, en una prueba de estrés que involucraba un modelo financiero común con veinte activos, el nuevo método completó el cálculo en aproximadamente sesenta y tres segundos, mientras que el método de simulación de referencia tardó más de quinientos segundos. La precisión se mantuvo constante a través de diferentes tipos de activos y condiciones de mercado, incluyendo modelos con distribuciones de cola pesada donde los movimientos extremos de precios son más probables.

Este trabajo no pretende resolver todos los problemas de las matemáticas financieras, ni sugiere que todos los desafíos de valoración sean ahora obsoletos. El método se basa en la suposición de que los datos subyacentes pueden comprimirse eficazmente, lo cual es cierto para muchos modelos de mercado comunes, pero puede variar en escenarios más exóticos. Sin embargo, los resultados demuestran claramente que, para una amplia gama de aplicaciones prácticas, la barrera de la dimensionalidad puede reducirse. Al transformar el problema en una representación comprimida, los investigadores han proporcionado una herramienta que hace que sea factible valorar opciones complejas de múltiples activos con una velocidad y precisión que antes eran inalcanzables. Este avance ofrece un camino práctico hacia adelante para las instituciones financieras que necesitan gestionar el riesgo y valorar productos en mercados cada vez más interconectados y complejos.

Resumen Técnico: COS–TT–CHF para la Valoración de Opciones Multi-Activo

Planteamiento del Problema
El artículo aborda la valoración de opciones europeas multi-activo bajo modelos de función característica de Lévy y afines. El obstáculo principal es la "maldición de la dimensionalidad": los métodos directos de Fourier o COS (Coseno) multidimensionales construyen arreglos de coeficientes sobre mallas de producto tensorial cuyo tamaño crece exponencialmente ( $N^d$ ) con el número de activos $d$ . Si bien los métodos existentes como la cuadratura de cuadrícula dispersa adaptativa, las fórmulas COS amortiguadas y el Quasi-Monte Carlo (QMC) abordan este problema, estos o bien estiman expectativas mediante muestreo, o bien construyen representaciones espectrales que no son fácilmente reutilizables para diferentes precios de ejercicio (strikes) o griegas. El artículo identifica una brecha en la capacidad de hacer que la propia representación de los coeficientes espectrales sea utilizable en altas dimensiones sin necesidad de re-muestrear o re-computar todo el tensor para cada nueva consulta.

Metodología: COS–TT–CHF
Los autores proponen COS–TT–CHF (COS de Función Característica de Tensor-Train), una construcción de bajo rango que desplaza la aproximación de tensor-train (TT) hacia arriba en el flujo de trabajo. A diferencia de otros enfoques que comprimen el tensor de coeficientes COS final, este método comprime el tensor de la función característica conjunta (CHF) muestreada antes de transformarla en coeficientes COS.

El flujo de trabajo procede de la siguiente manera:

Muestreo: La función característica conjunta $\phi_X(\omega)$ se muestrea en una malla de frecuencias de producto tensorial, formando un tensor de alta dimensión $\Phi$ .
Compresión TT-Cross: El tensor muestreado $\Phi$ se comprime en un formato de Tensor-Train (TT) utilizando el algoritmo TT-cross. Esto aproxima $\Phi$ utilizando una secuencia de núcleos de bajo rango $G_m$ , evitando el almacenamiento de todas las entradas $N^d$ .
Transformación por Núcleos: Los núcleos TT se transforman en núcleos de coeficientes COS $B_m$ mediante un mapa unidimensional que convierte los nodos de frecuencia en modos COS. Este paso se realiza localmente en cada núcleo, preservando la estructura de bajo rango.
Contracción del Payoff:
- Canastas Aritméticas: El tensor de coeficientes COS comprimido se contrae con factores de transformación de canasta unidimensionales para recuperar la función característica de la canasta escalar $\phi_H$ . Esto permite la valoración estándar de calls y puts de canasta mediante el método COS en 1D.
- Opciones Min/Max: El método calcula las probabilidades de rectángulo (integrales de cola) directamente desde el coeficiente COS conjunto. Al reescribir los payoffs de min/max como integrales de probabilidades de cola, el método utiliza la estructura de producto cartesiano de las regiones de integración para realizar contracciones de bajo rango eficientes.
Griegas: Las griegas de primer orden (Delta, Vega) se calculan diferenciando la función característica con respecto a los parámetros del modelo (por ejemplo, precio spot, volatilidad) para formar un tensor derivado, el cual se propaga a través de los mismos mapas lineales y contracciones utilizados para la valoración.

Contribuciones Clave

Aproximación "Upstream": El artículo introduce un flujo de trabajo que comprime el tensor de la función característica en lugar del tensor de coeficientes. Esto evita tener que resolver el objeto oscilatorio en el dominio de la frecuencia en la etapa de coeficientes, abordando un cuello de botella señalado en trabajos previos (Schaap 2025).
Gestión Unificada de Payoffs: El método va más allá de las canastas aritméticas para incluir opciones min/max. Logra esto derivando los precios de min/max a partir de las probabilidades de cola conjuntas calculadas directamente mediante el tensor de coeficientes COS comprimido, en lugar de proyectar a una densidad escalar.
Griegas Eficientes: El marco permite el cálculo de vectores Delta y Vega por componente diferenciando el tensor de la CHF y propagando el resultado a través de los mapas lineales y contracciones existentes, evitando el ruido de diferencias finitas o estimadores de trayectoria independientes.
Reutilización: Una vez construida la representación COS comprimida, esta permite realizar cálculos rápidos post-configuración para mallas de strikes arbitrarias y griegas seleccionadas sin tener que ejecutar nuevamente la costosa compresión TT-cross.

Resultados Numéricos
El artículo valida el método contra referentes de cuadratura adaptativa de Fourier (Bayer et al. 2023), métodos COS directos (Junike y Stier 2025), un referente de min-option de Fourier tensorial (Kastoryano y Pancotti 2022) y referencias de QMC aleatorizado.

Precisión: El método reproduce los benchmarks de canastas publicados (modelos GBM y VG) dentro de las tolerancias establecidas. Las pruebas de alta dimensión alcanzan $d=30$ para Movimiento Browniano Geométrico (GBM) y $d=20$ para Variance Gamma (VG), Normal Inverse Gaussian (NIG) y modelos comunes de Heston, manteniendo la precisión frente a las referencias de QMC.
Rendimiento de Tiempo de Ejecución:
- Cruce de Rendimiento (Crossover): Se observa un cruce de tiempo de ejecución de baja dimensión frente al COS directo: el COS–TT–CHF es más lento en $d=2$ pero más rápido en $d=4$ .
- Altas Dimensiones: Frente al referente de min-option de Fourier tensorial, el COS–TT–CHF muestra tiempos favorables a partir de $d=3$ . Frente a las referencias de QMC para modelos de Heston comunes, ya es más rápido en $d=2$ .
- Escalabilidad: El método demuestra una escalabilidad favorable hasta $d=30$ para GBM y $d=20$ para modelos de difusión con saltos y volatilidad estocástica, con tiempos de ejecución que permanecen en el rango de sub-segundos a decenas de segundos dependiendo de la complejidad del modelo y el rango requerido.
Diagnósticos: El artículo reporta diagnósticos extensos que incluyen la masa recuperada, residuales de paridad put-call y sensibilidad a controles numéricos (ventana de frecuencia, nodos de cuadratura, límite de rango TT).

Significancia y Reivindicaciones
El artículo sostiene que el COS–TT–CHF proporciona un "estado reutilizable" para la valoración multi-activo. Al comprimir la función característica, el método crea un solucionador cuyo resultado es una representación COS comprimida que puede reutilizarse para múltiples strikes, tipos de payoff (canastas y min/max) y griegas. Los autores enfatizan que el método no es meramente un dispositivo de compresión de coeficientes, sino un solucionador basado en la función característica que resuelve el crecimiento dimensional de las mallas de producto tensorial mediante la aproximación de tensores de bajo rango. La evidencia numérica sugiere que, para modelos donde los rangos TT efectivos permanecen moderados, este enfoque ofrece una alternativa computacionalmente eficiente tanto para los métodos tensoriales directos como para el muestreo basado en QMC, particularmente en dimensiones donde los métodos directos se vuelven intratables.

Resumen Técnico: COS–TT–CHF para la Valoración de Opciones Multi-Activo

Más como este