Deep Learning for Option Pricing and Implied Volatility Surfaces: A No-Arbitrage Neural Network Approach with a Frontier-Market Transferability Test
Este estudio demuestra que, si bien las redes neuronales conscientes del arbitraje mejoran la precisión de la valoración de opciones in-sample, no logran generalizarse a mercados frontera con escasez de datos sin un ajuste fino, donde los modelos paramétricos recalibrados como el de Heston siguen siendo más robustos y eficientes.
Artículo original bajo licencia CC BY 4.0 (https://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, las opciones son contratos que otorgan a alguien el derecho a comprar o vender un activo a un precio específico en una fecha determinada. Para valorar estos contratos de manera justa, los operadores se basan en un concepto llamado "volatilidad implícita", que es esencialmente una medida de cuánto espera el mercado que el precio de un activo oscile al alza o a la baja en el futuro. Si imaginas el precio de una acción como un bote en el océano, la volatilidad implícita es el pronóstico de qué tan agitadas serán las olas. Durante décadas, los matemáticos han utilizado fórmulas fijas para predecir estas olas, pero los mercados reales son desordenados y cambian constantemente. En años recientes, los científicos han intentado utilizar la inteligencia artificial, específicamente el aprendizaje profundo, para aprender estos patrones directamente de los datos, con la esperanza de construir un sistema que sea más flexible y preciso que las viejas fórmulas. Sin embargo, una gran preocupación ha persistido: si una computadora aprende a predecir los precios demasiado bien, podría inventar accidentalmente una estructura de precios que permita el "dinero gratis", una situación conocida como arbitraje, la cual no puede existir en un mercado estable. Además, sigue sin estar claro si una computadora entrenada en los mercados dinámicos y líquidos de las naciones desarrolladas puede dar sentido a los mercados delgados y silenciosos que se encuentran en las economías emergentes.
Un equipo de investigadores de la Universidad de Ibadan en Nigeria se propuso probar estas ideas construyendo un nuevo tipo de red neuronal, un tipo de programa informático diseñado para reconocer patrones. Su objetivo era crear un sistema que no solo aprendiera a predecir los precios de las opciones con precisión, sino que también obedeciera estrictamente las reglas que previenen el dinero gratis. Entrenaron este sistema con una enorme cantidad de datos simulados que representaban un mercado sano y líquido, similar a los que se encuentran en Estados Unidos o Europa. Para asegurar que la computadora no violara las restricciones, añadieron una penalización especial a su proceso de aprendizaje. Si las predicciones de la computadora creaban una curva de precios que permitiera un beneficio sin riesgo, la penalización aumentaba, obligando al sistema a ajustar su lógica interna hasta que la curva volviera a ser suave y lógica. Este enfoque fue diseñado para ver si enseñar a la computadora a respetar estas reglas financieras la convertiría en un mejor predictor.
Los investigadores sometieron entonces su creación a una prueba rigurosa. Primero, comprobaron qué tan bien funcionaba con el mismo tipo de datos de mercado líquido con el que había sido entrenada. Los resultados fueron prometedores. La computadora que fue enseñada a respetar las reglas de no arbitraje cometió menos errores que una versión que no fue enseñada estas reglas. Predijo la volatilidad del mercado con mayor precisión y produjo menos escenarios de precios imposibles. De hecho, en comparación con una fórmula estándar que no es de IA, la computadora penalizada fue significamente más precisa. Sin embargo, la historia cambió drásticamente cuando los investigadores intentaron usar esta misma computadora en un entorno completamente diferente. Simularon un "mercado frontera", un entorno con muy pocas operaciones, altas tasas de interés y saltos de precios repentinos y bruscos, modelado según las condiciones de la Bolsa de Nigeria.
Cuando se le pidió a la computadora, que nunca había visto este tipo de mercado, que hiciera predicciones, falló estrepitosamente. La versión que había sido fuertemente entrenada para respetar las reglas del mercado líquido tuvo el peor desempeño de todos, cometiendo errores que eran mucho mayores que incluso una suposición básica y simple. Las reglas que le ayudaron a tener éxito en el mercado dinámico se convirtieron en realidad en un obstáculo en el mercado tranquilo y volátil. La computadora había aprendido tan bien la forma específica del mercado líquido que no pudo adaptarse a la forma extraña y dentada del mercado frontera. Los investigadores descubrieron que la única forma de solucionar esto era mostrarle a la computadora una pequeña cantidad de datos nuevos del mercado frontera —solo ochenta y seis ejemplos— y dejar que ajustara su aprendizaje ligeramente. Una vez que recibió esta mínima información nueva, el desempeño de la computadora mejoró drásticamente, cerrando la brecha con los modelos más tradicionales.
El estudio también comparó estos modelos de inteligencia artificial contra un enfoque matemático clásico conocido como el modelo de Heston, el cual utiliza un conjunto de cinco números ajustables para describir el comportamiento del mercado. Sorprendentemente, el modelo clásico siguió siendo la herramienta más precisa en casi todos los escenarios. Debido a que el modelo clásico es simple, podía recalibrarse rápidamente cada día utilizando solo un puñado de nuevas cotizaciones de mercado, lo que le permitía adaptarse instantáneamente a las condiciones cambiantes. La inteligencia artificial, por el contrario, necesitaba ser reentrenada o ajustada con nuevos datos para mantenerse al día. Los investigadores concluyeron que, si bien añadir reglas para prevenir el dinero gratis hace que un modelo de IA sea mejor dentro del entorno en el que fue entrenado, no lo convierte en un experto universal. Un sistema diseñado para un océano tranquilo y líquido no puede simplemente ser soltado en un mar poco profundo y tormentoso y esperar navegarlo sin antes aprender las corrientes locales.
En última instancia, el trabajo sugiere que para los mercados financieros en naciones en desarrollo o para productos nuevos de poco intercambio, confiar únicamente en una inteligencia artificial preentrenada es arriesgado. La computadora necesita que se le enseñen las reglas específicas del nuevo entorno, incluso si eso significa mostrarle solo un pequeño número de ejemplos. Hasta que dicha información esté disponible, los modelos matemáticos más antiguos y simples, que pueden ajustarse rápidamente a las condiciones diarias del mercado, siguen siendo la opción más segura y confiable. El estudio destaca una lección crucial para el futuro de las finanzas: la inteligencia en un contexto no garantiza la sabiduría en otro, y la herramienta más poderosa es a menudo la que puede aprender y adaptarse más rápido.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.