Data Driven Options Pricing using ANN: Evidence from the CRR Model

En el mundo de las finanzas, un contrato conocido como opción otorga a su propietario el derecho, pero no la obligación, de comprar o vender un activo a un precio específico en una fecha determinada. Estos instrumentos son vitales para gestionar el riesgo y apostar por los movimientos del mercado, pero determinar su valor justo es notoriamente difícil. El precio depende de un entramado cambiante de factores: el coste actual del activo, el precio de ejercicio acordado, cuánto tiempo queda, los tipos de interés de la economía y una medida de qué tan erráticamente podría oscilar el precio del activo, conocida como volatilidad. Durante décadas, la forma estándar de calcular estos valores ha dependido de complejos modelos matemáticos que simulan miles de posibles trayectorias futuras para el activo. Aunque precisos, estos cálculos son lentos y computacionalmente pesados, requiriendo a menudo potentes ordenadores para procesar los números solo para obtener un único precio. Cuando los mercados se mueven rápido, esperar a que termine un cálculo puede ser una responsabilidad o un lastre.

Un equipo de investigadores del Instituto Indio de Tecnología de Ropar ha explorado un camino diferente, utilizando un tipo de programa informático llamado red neuronal artificial para resolver este problema. En lugar de construir una nueva simulación desde cero cada vez que se necesita un precio, entrenaron a un cerebro digital para reconocer los patrones ocultos dentro de los resultados de los modelos tradicionales y lentos. Los investigadores alimentaron la red con millones de ejemplos de precios de opciones generados por un método bien establecido llamado modelo de Cox-Ross-Rubinstein, el cual descompone el tiempo en pequeños pasos para predecir cómo podría moverse un activo. Una vez que la red aprendió la relación entre los factores de entrada y el precio final, se convirtió en un sustituto ultrarrápido. El estudio demuestra que esta red entrenada puede predecir el valor de varios tipos de opciones casi instantáneamente, con un nivel de precisión que se ajusta estrechamente a los cálculos tradicionales mucho más lentos.

Los investigadores probaron este enfoque en varios tipos diferentes de contratos financieros. Comenzaron con opciones europeas estándar, que solo pueden ejercerse al final de su vida, y opciones americanas, que pueden ejercerse en cualquier momento. También abordaron instrumentos más complejos, como las opciones asiáticas, donde el pago final depende del precio promedio del activo durante un periodo en lugar de solo el precio al final, y las opciones de barrera, que solo existen o pagan si el precio del activo cruza un umbral específico durante su vida. Para las opciones estándar y asiáticas, la red neuronal se desempeñó con una precisión notable. No solo predijo el precio, sino que también calculó las "Griegas", que son mediciones sensibles de cómo reaccionará el precio ante pequeños cambios en el mercado. En estos casos, las respuestas de la red fueron casi idénticas al método tradicional, pero las entregó en una fracción de segundo.

La diferencia de velocidad es abrumadora. En pruebas que involucraron veinte mil escenarios diferentes, el método tradicional tardó más de un minuto en valorar opciones europeas y casi dos minutos para opciones americanas de venta (puts). La red neuronal, sin embargo, completó la misma tarea en aproximadamente un segundo y medio. Para las opciones asiáticas más complejas, donde el método tradicional tuvo dificultades con la memoria y tardó más de diecisiete minutos, la red terminó en poco más de un segundo. Esta eficiencia sugiere que, una vez entrenado, tal sistema podría ser invaluable para el trading en tiempo real y la gestión de riesgos, permitiendo a los operadores ver precios y riesgos instantáneamente sin esperar a cálculos pesados.

Sin embargo, el estudio también reveló los límites de esta tecnología. Cuando los investigadores aplicaron la red a las opciones de barrera, los resultados fueron menos fiables. Estas opciones tienen una cualidad de "borde de precipicio"; si el precio del activo toca una barrera específica, el valor del contrato puede caer a cero instantáneamente. La red neuronal, que sobresale al aprender patrones suaves y continuos, tuvo dificultades con estos cambios bruscos y repentinos. Los errores en la valoración y en las mediciones de sensibilidad fueron notablemente mayores para estos contratos en comparación con los demás. Este hallazgo es crucial porque demuestra que, si bien el método es poderoso, no es una solución universal para todo tipo de instrumento financiero. La red funciona mejor cuando la matemática subyacente es suave, pero flaquea cuando las reglas del juego implican cambios abruptos y discontinuos.

Más allá de la valoración, los investigadores demostraron que este enfoque también puede mapear la "superficie de volatilidad", un mapa tridimensional complejo que las instituciones financieras utilizan para comprender cómo las expectativas del mercado sobre el riesgo cambian a través de diferentes precios y tiempos. Utilizando datos reales de mercado de importantes empresas indias, demostraron que la red neuronal podía reconstruir estas superficies mucho más rápido que los modelos tradicionales. El método tradicional, que requiere construir un nuevo árbol de posibilidades para cada cálculo individual, tardó decenas de segundos en procesar los datos. La red neuronal realizó el mismo trabajo en menos de una décima de segundo. Esta capacidad sugiere que, en el futuro, las firmas financieras podrían utilizar estas redes entrenadas para actualizar sus modelos de riesgo y estrategias de precios en tiempo real, reaccionando a los cambios del mercado a medida que ocurren, en lugar de después de que hayan pasado.

El trabajo no pretende reemplazar los modelos antiguos por completo, sino servir como una herramienta altamente eficiente que se sitúa junto a ellos. La red neuronal no es un oráculo mágico; es un estudiante que ha memorizado las lecciones del modelo tradicional y ha aprendido a recitar las respuestas instantáneamente. Hereda la lógica del marco original, pero elimina la carga computacional. Para la gran mayoría de las opciones comunes, el estudio confirma que este enfoque basado en datos es lo suficientemente preciso como para ser confiable, ofreciendo una forma de navegar las complejidades de las finanzas modernas con una velocidad que antes era imposible. La única salvedad sigue siendo el terreno accidentado de las opciones de barrera, donde el aprendizaje suave de la red se encuentra con los bordes afilados de la realidad.