Crisis-Aware Variational Autoencoders for Stress Testing Volatility Surfaces

Resumen Técnico: Autoencoders Variacionales Sensibles a Crisisís para Pruebas de Estrés de Superficies de Volatilidad

Planteamiento del Problema
Las pruebas de estrés de las superficies de volatilidad para derivados exóticos presentan un desafío fundamental en la gestión de riesgos. Las metodologías tradicionales sufren limitaciones críticas cuando se aplican a instrumentos cuyo valor depende de la estructura completa de la superficie (por ejemplo, opciones de barrera, variance swaps, TARFs) en lugar de puntos individuales.

• La Simulación Histórica está limitada por los estados de mercado observados y no puede generar escenarios de crisis novedosos.
• Los enfoques paramétricos (Delta-Gamma) aplican choques uniformes (desplazamientos paralelos) que destruyen la consistencia interna de la superficie (dinámica del smile, estructura temporal) y a menudo fallan catastróficamente para pagos dependientes de la trayectoria debido a errores de reversión de signo en las expansiones de Taylor.
• Los métodos basados en GARCH capturan el agrupamiento de la volatilidad, pero modelan solo un nivel escalar, fallando en representar las complejas deformaciones de la forma de una superficie durante un estrés.
• Los escenarios diseñados por expertos proporcionan estimaciones de punto único sin las medidas de riesgo distribucionales (VaR, Expected Shortfall) requeridas para el capital regulatorio (por ejemplo, FRTB).

La dificultad central radica en generar superficies estresadas que sean novedosas, plausibles e internamente consistentes, preservando las condiciones libres de arbitraje (sin arbitraje de calendario o de mariposa), al tiempo que capturan las dinámicas no lineales específicas de los derivados exóticos.

Metodología: El VAE Sensible a Crisis
Los autores proponen un Autoencoder Variacional Sensible a Crisis (Crisis VAE) diseñado para generar superficies de volatilidad libres de arbitraje condicionadas a la severidad explícita de una crisis. El marco de trabajo es entrenado con 20,000 superficies sintéticas generadas a partir del modelo de volatilidad estocástica de Heston (con verificaciones de robustez en superficies de salto-difusión de Bates), que abarcan regímenes normales, estresados y de crisis.

Innovaciones arquitectónicas clave incluyen:

1. Condicionamiento de Crisis mediante Cuello de Botella de Información: Un vector indicador de crisis de cinco dimensiones $c$ (que codifica el análogo del VIX, vol-of-vol, retorno de mercado, skew y la pendiente de la estructura temporal) se pasa a través de una capa de cuello de botella ($5 \to 2$ dimensiones). Este vector comprimido $\tilde{c}$ se concatena con el código latente $z$ y se introduce en el decodificador. Este diseño fuerza una separación de funciones: $\tilde{c}$ controla la severidad y el régimen de la crisis, mientras que el código latente $z$ codifica la forma específica y los detalles residuales de la superficie.
2. Prior de Student-t de Colas Pesadas: A diferencia de los VAE estándar que utilizan un prior Gaussiano (que tiende a suavizar excesivamente y subrepresentar los extremos), el Crisis VAE emplea un prior Student-t multivariante con $\nu=4$ grados de libertad en el espacio latente. Esto fomenta la generación de escenarios de colas pesadas que se alinean con el comportamiento empírico de las crisis. Los parámetros del prior $\mu(c)$ y $\sigma(c)$ se aprenden mediante una "PriorNet" condicionada a $c$.
3. Restricciones Libres de Arbitraje: El objetivo de entrenamiento incluye penalizaciones suaves y diferenciables por violaciones de spreads de calendario (varianza total no decreciente) y violaciones de spreads de mariposa (densidad de riesgo neutral no negativa). Además, una penalización refinada opera directamente sobre los precios de las calls (vía inversión de Black-Scholes) para aproximar mejor la condición de Breeden-Litzenberger. Post-generación, las superficies se someten a un ajuste SVI (Stochastic Volatility Inspired) libre de arbitraje para asegurar el cumplimiento estricto para instrumentos continuos como los variance swaps.
4. Objetivo de Entrenamiento: El modelo maximiza un Límite Inferior de Evidencia (ELBO) condicionado a la crisis que incorpora la pérdida de reconstrucción, la divergencia KL entre el codificador Gaussiano y el prior Student-t, las penalizaciones de arbitraje y un término de "z-forcing" para evitar que el decodificador ignore el código latente.

Resultos Clave
El marco fue evaluado contra cuatro benchmarks (Simulación Histórica, Delta-Gamma Paramétrico, GARCH(1,1) con tope de varianza y desplazamientos regulatorios de experto) mediante el precio de una cartera de instrumentos exóticos (Down-and-In Barrier Put, TARF, Variance Swap) a través de 500 escenarios de estrés.

• Precisión y Controlabilidad: El Crisis VAE produjo las estimaciones de estrés más ajustadas y controlables. Para el Down-and-In Barrier Put, la desviación estándar del P&L fue de $0.37 (régimen severo), significativamente menor que la Simulación Histórica ($1.50) y GARCH ($1.43). La ganancia mínima del poseedor al 95% (VaR) fue de $6.67, superando a la Histórica ($4.92) y a GARCH ($4.94).
• Fallo de las Aproximaciones Paramétricas: La aproximación Delta-Gamma falló estructuralmente para la opción de barrera, prediciendo un P&L negativo (pérdida de valor) bajo estrés de volatilidad (VaR95 = -$0.38). Esta "reversión de signo" contradice la garantía teórica de que una mayor volatilidad aumenta estrictamente el valor de un knock-in put, demostrando la falta de idoneidad de las aproximaciones cuadráticas para exóticos dependientes de la trayectoria.
• Cumplimiento de Arbitraje: Las superficies generadas cumplieron con las restricciones de spread de calendario con violaciones cercanas a cero (<0.8%) y convexidad de mariposa (>97%) en la rejilla discreta. El post-procesamiento con SVI redujo las violaciones a cero.
• Robustez: El ranking del método se mantuvo consistente cuando la distribución de entrenamiento se cambió de modelos Heston a modelos de salto-difusión de Bates, indicando que los hallazgos son impulsados por la arquitectura y las propiedades del instrumento más que por el modelo de volatilidad específico.
• Validación con Datos Reales: Una prueba fuera de la muestra sobre una superficie de mercado real de SPY (febrero de 2024) confirmó la capacidad del modelo para reconstruir superficies de régimen normal y mapearlas a las coordenadas de crisis correctas, aunque los datos de entrenamiento sintéticos subestiman la inclinación (skew) del mercado de acciones real (una limitación conocida del modelo Heston).

Significancia y Reivindicaciones
El artículo afirma establecer un marco principista para las pruebas de estrés que cierra la brecha entre el modelado generativo y los requisitos regulatorios. Sus contribuciones principales son:

1. Generación de Estrés Controlable: La capacidad de generar medidas de riesgo distribucionales (VaR, ES) a niveles de confianza arbitrarios con control explícito sobre la severidad de la crisis mediante el vector indicador $c$, satisfaciendo los requisitos de FRTB para escenarios prospectivos y plausibles.
2. Consistencia de la Superficie: A diferencia de los métodos de desplazamiento paralelo, el Crisis VAE genera superficies con deformaciones no lineales aprendidas (agudización del skew, inversión de la estructura temporal) que son económicamente consistentes y libres de arbitraje.
3. Identificación del Riesgo de Modelo: El estudio proporciona evidencia empírica de que los enfoques paramétricos delta-gamma son fundamentalmente defectuosos para derivados exóticos dependientes de la trayectoria debido a los fallos de reversión de signo, abogando por métodos de re-precio de superficie completa.
4. Novedad Arquitectónica: La introducción de un cuello de botella de condicionamiento de crisis y priors de colas pesadas específicamente diseñados para las pruebas de estrés financiero, distinguiendo este enfoque de los modelos generativos estándar.

Limitaciones y Alcance
Los autores declaran explícitamente que el ranking del método y los resultados numéricos son validados con datos sintéticos (Heston/Bates). Si bien el marco opera correctamente en datos de mercado reales en regímenes normales, la distribución de entrenamiento sintética no captura plenamente las primas de seguro de crash del mundo real o los efectos de microestructura (por ejemplo, el skew pronunciado observado en las opciones de renta variable reales). En consecuencia, el artículo posiciona al Crisis VAE como una metodología validada en un benchmark controlado y un pipeline listo para despliegue, pendiente de una calibración formal sobre cadenas de opciones de épocas de crisis históricas (por ejemplo, 2008, 2020), lo cual se identifica como una prioridad para trabajos futuros. Los resultados actuales deben verse como el establecimiento de la validez estructural del enfoque más que como un modelo de riesgo final y aprobado por reguladores para mercados en vivo.