🤖 machine learning

Arbitrage-Aware Multi-Step Forecasting of Implied Volatility Surfaces: Modelling Surface Trajectories Using Latent Diffusion

Este artículo propone un marco de difusión latente condicional consciente del arbitraje que genera pronósticos probabilísticos de pasos múltiples de la superficie de volatilidad implícita y de los rendimientos subyacentes que sean realistas y económicamente admisibles, superando a los referentes de persistencia en el pronóstico puntual mientras modela eficazmente la geometría compleja de la superficie y la dependencia temporal.

Autores originales: Dominik Manuel Buchegger, Lukas Gonon

Publicado 2026-08-25

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Dominik Manuel Buchegger, Lukas Gonon

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

Los mercados financieros son ecosistemas vastos y complejos donde el precio de un activo es solo la mitad de la historia; la otra mitad es la incertidumbre que rodea a ese precio. Cuando los inversores compran opciones, que son contratos que les otorgan el derecho a comprar o vender algo más adelante, están esencialmente pagando por una predicción de cuánto podría oscilar ese precio. Para dar sentido a estas predicciones, los operadores observan una "superficie de volatilidad". Imagine un mapa tridimensional donde cada punto representa cuánta incertidumbre espera el mercado para un objetivo de precio específico y una fecha futura determinada. Este mapa no es plano; tiene colinas y valles que cambian constantemente, reflejando el estado de ánimo colectivo del mercado. Si este mapa se dibuja incorrectamente, puede conducir a pérdidas financieras masivas o permitir ganancias libres de riesgo que no deberían existir, lo que se conoce como arbitraje. Debido a que estos mapas son tan centrales para la fijación de precios y la gestión de riesgos, la capacidad de predecir cómo cambiarán con el tiempo es el santo grial de las finanzas. Sin embargo, predecir la forma futura de este mapa es increíblemente difícil porque debe seguir reglas económicas estrictas y, al mismo tiempo, dar cuenta de la naturaleza caótica e impredecible del comportamiento humano y las noticias del mercado.

Investigadores de la Universidad de St. Gallen han desarrollado una nueva forma de pronosticar estos mapas cambiantes, tratando el problema no como una simple conjetura, sino como un viaje a través del tiempo. En lugar de intentar predecir un único punto futuro, su sistema genera una "película" completa de treinta días sobre cómo podría evolucionar la superficie de volatilidad, día a día, junto con el movimiento del propio mercado de valores. Construyeron un sistema de aprendizaje automático de dos partes para lograr esto. La primera parte actúa como un traductor, comprimiendo el complejo mapa tridimensional en un código de baja dimensión más simple que captura su forma esencial sin el ruido. Este traductor es entrenado con una regla estricta: nunca debe producir un mapa que permita obtener ganancias libres de riesgo. Al integrar esta regla económica directamente en el traductor, el sistema asegura que cada escenario futuro que crea sea financieramente válido. La segunda parte del sistema es un motor generativo que toma este código simplificado e imagina los próximos treinta días de movimiento. Aprende de años de datos históricos para entender cómo cambia usualmente el mapa, cómo reacciona ante las caídas de los precios de las acciones y cómo la incertidumbre tiende a propagarse con el tiempo.

Los resultados de este enfoque revelan un sistema que es notablemente bueno capturando el ritmo del mercado, aunque posee un punto ciego específico. Cuando los investigadores probaron su modelo con datos del índice S&P 500, encontraron que los mapas generados parecían muy reales. Preservaron la familiar forma de "sonrisa" que los mercados de opciones suelen mostrar, donde la incertidumbre es mayor para movimientos de precios extremos, y reprodujeron correctamente la forma en que la incertidumbre cambia a medida que pasa el tiempo. El modelo también capturó con éxito la profunda conexión entre los precios de las acciones y la volatilidad: cuando las acciones caen, la incertidumbre suele aumentar, y el modelo aprendió a generar esta relación negativa de manera precisa durante períodos de una semana o un mes. De hecho, para pronósticos que se extienden más allá de unos pocos días, las predicciones del modelo fueron más precisas que simplemente asumir que el mercado se mantendrá exactamente como está hoy. Este es un hallazgo significativo porque los mercados financieros suelen ser tan eficientes que la mejor suposición para el mañana es generalmente el estado actual de hoy.

Sin embargo, el modelo no es una bola de cristal para el futuro inmediato. Para el mismísimo día siguiente, el sistema tuvo dificultades para superar la simple suposición de que nada cambiará, prediciendo a menudo demasiado movimiento donde el mercado en realidad permaneció estático. Además, aunque el modelo fue excelente para predecir la dirección y la forma de los cambios futuros, consistentemente subestimó qué tan salvajes serían esos cambios. El rango de resultados posibles que generó era demasiado estrecho; capturó la trayectoria que el mercado podría tomar, pero no capturó la intensidad total de la tormenta. Esto sugiere que el modelo es mejor entendiendo la estructura de los movimientos del mercado que la magnitud pura de su caos. A pesar de esto, el sistema produce un conjunto de escenarios plausibles y económicamente sólidos que pueden ayudar a los inversores a visualizar una gama de futuros en lugar de una única predicción rígida.

Los investigadores también se aseguraron de que su trabajo pudiera ser verificado y repetido por otros, publicando el código y los protocolos de datos que utilizaron. Esta transparencia es crucial en un campo donde los modelos suelen ser cajas negras. Al proporcionar un camino claro para que otros prueben sus ideas contra los mismos datos, están ayudando a construir un estándar sobre cómo se deben resolver estos problemas complejos. El estudio concluye que, si bien esta herramienta no es perfecta para predecir el precio del mismísimo día siguiente, es un poderoso motor para generar historias realistas de varias semanas sobre cómo podría desarrollarse la incertidumbre del mercado. Ofrece una forma de ver el futuro no como una sola línea, sino como una nube de posibilidades que respeta las leyes fundamentales de la economía, dando a los operadores un mejor sentido del terreno que tendrán que navegar en las semanas venideras.

Resumen Técnico: Pronóstico de Superficies de Volatilidad Implícita con Conciencia de Arbitraje mediante Pasos Múltiples

Planteamiento del Problema
La superficie de volatilidad implícita (IVS, por sus siglas en inglés) es un insumo central para la valoración de opciones, la cobertura (hedging) y la gestión de riesgos. El pronóstico de su evolución presenta tres desafíos distintos: (1) la superficie debe satisfacer restricciones de admisibilidad económica para descartar el arbitraje estático; (2) los pronósticos deben capturar la compleja dependencia temporal y la evolución conjunta de la superficie y los rendimientos subyacentes; y (3) la IVS es altamente persistente, lo que significa que un simple punto de referencia de "persistencia" (proyectar la superficie actual hacia adelante) constituye una base formidable. La literatura existente se centra mayoritariamente en pronósticos deterministas de un solo paso o generación estática, fallando al no abordar el pronóstico probabilístico conjunto de trayectorias completas de IVS respetando estrictamente las condiciones de no-arbitraje.

Metodología
Los autores proponen un marco de difusión latente condicional en dos etapas diseñado para generar trayectorias conjuntas de 30 pasos de IVSs y rendimientos de acciones subyacentes.

Representación Latente con Conciencia de Arbitraje (Autoencoder):
- Entrada: IVSs escaladas temporalmente (t-IVS) derivadas de datos de OptionMetrics para el SPX, aumentadas con rendimientos logarítmicos del SPX y resúmenes de volatilidad móvil.
- Arquitectura: Un autoencoder determinista inspirado en RAE (Autoencoder Regularizado) comprime la superficie de alta dimensión en un estado latente de 8 dimensiones.
- Decodificador: Un campo neuronal basado en coordenadas reconstruye la superficie de forma continua.
- Imposición de Admisibilidad: En lugar de post-procesamiento o restricciones paramétricas, las propiedades de no-arbitraje se integran mediante el objetivo de entrenamiento. La función de pérdida incluye:
  - Error de reconstrucción (MSE).
  - Regularización $L_2$ sobre los códigos latentes.
  - Penalizaciones de No-Arbitraje Estático: Penalizaciones explícitas por violaciones de la condición de Durrleman (arbitraje de mariposa/butterfly) y arbitraje de calendario (calendar-spread), evaluadas en una rejilla densa. La suavidad y la positividad están garantizadas por la arquitectura (redes residuales) y la parametrización logarítmica, respectivamente.
Difusión de Trayectoria Latente Condicional:
- Tarea: Un problema de inpainting unidireccional donde el modelo extiende historiales observados de 21 días para generar los siguientes 30 días de estados latentes y rendimientos.
- Representación: Las trayectorias se representan como desplazamientos anclados ( $\Delta z_s = z_s - z_{t_0}$ ) para separar la evolución de los niveles absolutos.
- Modelo: Un denoiser (reductor de ruido) de estilo Transformer procesa tokens históricos y tokens objetivo futuros de forma conjunta.
- Entrenamiento: Utiliza la parametrización $v$ sobre 500 pasos de difusión.
- Comuerta de Escalamiento de la Media (Mean-Scaling Gate): Para corregir la tendencia del modelo a sobreestimar la magnitud del movimiento (probablemente debido a cambios de régimen), se ajusta una compuerta de escalamiento específica del horizonte tras el entrenamiento. Esta ajusta la media predictiva hacia la base de persistencia preservando la variabilidad muestreada (residuales).

Contribuciones Clave

Protocolo de Datos Reproducible: Los autores proporcionan un protocolo transparente para construir conjuntos de datos de pronóstico de IVS a partir de datos de OptionMetrics, incluyendo rejillas de coordenadas específicas y operadores de suavizado, lo que permite un entorno de evaluación común.
Marco de Modelado Novedoso: La integración de un autoencoder con conciencia de arbitraje con un modelo de difusión latente condicional permite la generación de trayectorias de IVS-rendimiento conjuntas y de múltiples pasos que son probabilísticamente informativas y económicamente admisibles.
Benchmarking: El trabajo establece una comparación rigurosa contra un punto de referencia de persistencia, abordando la omisión común en la literatura de pronósticos donde los modelos no son suficientemente desafiados por la alta persistencia de las IVS.

Resultados
Evaluado en superficies del SPX desde 2023 en adelante, el marco demuestra lo siguiente:

Realismo Generativo y Admisibilidad: El modelo reproduce la geometría dominante de la sonrisa (smile) y la estructura de términos (term-structure). Las superficies generadas están esencialmente libres de arbitraje estático; las violaciones son raras y económicamente insignificantes (típicamente dentro del diferencial bid-ask).
Dinámica de Factores: El modelo captura con precisión la naturaleza de baja dimensión de los movimientos de la superficie (Nivel, Sesgo/Skew, Curvatura), alineándose estrechamente con los componentes principales realizados.
Estructura de Dependencia: El modelo reproduce con éxito la dependencia negativa entre rendimientos y volatilidad (efecto de apalancamiento/leverage effect) en horizontes semanales a mensuales, aunque subestima la magnitud de esta dependencia en el horizonte de un día.
Calidad Distribucional:
- Desempeño Probabilístico: El modelo supera a los benchmarks de persistencia por bootstrap en las métricas CRPS (Continuous Ranked Probability Score) y scores de energía a partir de los horizontes semanales.
- Calibración: El modelo exhibe subdispersión; los intervalos predictivos se amplían con el horizonte pero siguen siendo demasiado estrechos en comparación con la varianza realizada.
Pronóstico de Punto:
- Dependencia del Horizonte: La persistencia es superior en el horizonte de un día ( $h=1$ ). Sin embargo, el modelo de difusión comienza a superar a la persistencia en RMSE y MAE aproximadamente desde $h=4$ a $h=6$ en adelante.
- Heterogeneidad Espacial: Las ganancias son más fuertes en vencimientos cortos y en las "alas" (moneyness extrema), donde la superficie es más dinámica. El centro de largo vencimiento, más estable, sigue siendo difícil de mejorar.

Significación y Reivindicaciones
Los autores posicionan este trabajo no como un modelo de pronóstico de punto de un día superior, sino como un generador de escenarios probabilísticos y un modelo de trayectoria de múltiples pasos. El valor principal reside en generar trayectorias realistas, coherentes y libres de arbitraje que capturan la ley condicional de los movimientos futuros de la superficie mejor que la persistencia en horizontes de mediano a largo plazo.

El artículo afirma dar un "primer paso hacia un benchmark reproducible" para el pronóstico de IVS, un campo que carece actualmente de protocolos de evaluación estandarizados. Reconoce limitaciones, específicamente la subdispersión de los intervalos predictivos y la dificultad de superar la persistencia en horizontes muy cortos, sugiriendo que el trabajo futuro debería centrarse en identificar métricas apropiadas para trayectorias funcionales y probar aplicaciones prácticas en cobertura y pruebas de estrés.

Más como este