Pricing Multi-Asset Options Using Physics-Informed Neural Networks

Resumen Técnico: Valoración de Opciones Multi-Activo mediante Redes Neuronales Informadas por la Física

Planteamiento del Problema
El artículo aborda la valoración de opciones americanas sobre múltiples activos subyacentes ($d > 1$), tales como opciones de cesta (basket), de diferencial (spread) o rainbow. A diferencia de las opciones europeas, las opciones americanas permiten el ejercicio anticipado, lo que transforma el problema de valoración en un problema de frontera libre. El valor de la opción debe satisfacer la ecuación diferencial parcial (EDP) de Black–Scholes en una "región de continuación" (donde mantener la posición es óptimo), mientras que permanece restringido por el beneficio intrínseco en una "región de ejercicio" (donde liquidar inmediatamente es óptimo). La frontera que separa estas regiones es desconocida a priori.

Si bien los problemas de un solo activo ($d=1$) se han resuelto eficazmente mediante métodos como diferencias finitas, árboles binomiales y funciones de base radial (RBF), la extensión a dimensiones elevadas presenta una "maldición de la dimensionalidad". Específicamente, los esquemas tradicionales de interpolación cuasi basada en mallas o nudos (por ejemplo, Hon y Schaback, 2002) sufren un crecimiento exponencial de la complejidad ($O(N^d)$) a medida que aumenta el número de activos, lo que los hace computacionalmente intratables para $d > 1$.

Metodología
Los autores proponen un marco de Redes Neuronales Informadas por la Física (PINN) para aproximar el valor de la opción y la frontera de ejercicio óptimo sin necesidad de generar una malla explícita.

1. Formulación Matemática:

   • El problema se formula en coordenadas de log-precio ($x_i = \log S_i$) para simetrizar el término de difusión y convertir los coeficientes variables en constantes.
   • El problema de valoración se expresa como una desigualdad variacional o un problema de complementariedad lineal:
     $$\min\left( -\frac{\partial u}{\\partial t} + \mathcal{L}u, \, u - g \right) = 0$$
     donde $\mathcal{L}$ es el operador Black–Schola multi-activo, $u$ es el valor de la opción y $g$ es el beneficio (payoff). Esto implica que o bien el residuo de la EDP es cero (región de continuación), o bien el valor de la opción es igual al beneficio (regcción de ejercicio), manteniéndose siempre $u \geq g$.

2. Arquitectura de la Red Neuronal:

   • Una red de alimentación hacia adelante (feed-forward) con funciones de activación suaves (específicamente tanh) aproxima el valor de la opción $u_\theta(S, t)$.
   • Se utiliza la diferenciación automática para calcular las derivadas de primer y segundo orden necesarias para el operador de la EDP, evitando la necesidad de funciones de base fijas.

3. Función de Pérdida y Entrenamiento:

   • La red se entrena minimizando una suma ponderada de cuatro términos de residuo:
     1. Residuo de la EDP: Impone la ecuación de Black–Scholes en el interior.
     2. Condición Terminal: Ancla la solución al beneficio conocido en el vencimiento.
     3. Condiciones de Contorno: Impone el comportamiento en los límites de los precios de los activos (por ejemplo, cero o infinito).
     4. Condición de Obstáculo/Ejercicio Anticipado: Penaliza las violaciones donde $u < g$.
   • Muestreo: En lugar de una malla fija, los puntos de colocación se muestrean de secuencias de baja discrepancia (Sobol o Hipercubo Latino) sobre el dominio espacio-temporal. Esto permite que el número de puntos escale de forma más favorable con la dimensión $d$ en comparación con las mallas de producto tensorial.
   • Recuperación de la Frontera de Ejercicio: La frontera de ejercicio óptimo se identifica a posteriori como el conjunto de nivel cero donde el valor predicho es igual al beneficio intrínseco ($u_\theta - g = 0$), formando una hipersuperficie de $(d-1)$ dimensiones.

Resultados Experimentales y Proceso de Diagnóstico
Los autores realizaron un extenso estudio de diagnóstico sobre una opción put de cesta americana de dos activos utilizando MATLAB. El artículo detalla una progresión de ocho ejecuciones experimentales, destacando que las elecciones arquitectónicas por sí solas no fueron suficientes; la formulación matemática de la función de pérdida fue crítica.

• Fallos Iniciales (Ejecuciones 1–3): Los intentos iniciales utilizando penalizaciones de hinge cuadrático estándar para la condición de obstáculo e inputs no normalizados resultaron en divergencia o una sobreestimación significativa del precio de la opción (por ejemplo, $12.58 frente a una referencia de Monte Carlo de $6.90). La red tendía a inflar los valores para satisfacer la restricción de "mayor que" sin equilibrar adecuadamente el residuo de la EDP.
• Muestreo y Estabilidad (Ejecuciones 4–7): Ajustes como el muestreo cerca del precio de ejercicio (near-strike sampling), el re-muestreo adaptativo y la variación del paisaje de pérdida (por ejemplo, usando un único término de desigualdad variacional) fallaron en resolver la discrepancia. De hecho, el re-muestreo adaptativo basado en los residuos actuales empeoró el rendimiento ($30.77), y las pérdidas de desigualdad variacional introdujeron inestabilidad. La Ejecución 6, que combinaba obstáculos de hinge estables con muestreo near-strike, también falló, produciendo un precio de $12.96 con las griegas planas.
• El Avance Decisivo (Ejecución 8): La configuración exitosa dependió de corregir un malentendido teórico en la función de pérdida:
  1. Penalización de la EDP Unilateral: El residuo de la EDP solo se penaliza cuando es negativo (en la región de continuación), permitiendo que sea positivo en la región de ejercicio donde la EDP no se cumple estrictamente.
  2. Complementariedad de Fischer–Burmeister: En lugar de una función min no suave o un simple hinge, se utilizó una función de Fischer–Burmeister suave para imponer la condición de complementariedad ($gap \ge 0, F \ge 0, gap \cdot F = 0$).
  3. Normalización: Los inputs y outputs se normalizaron por el precio de ejercicio $K$.

Resultado Final:
Con la función de pérdida corregida (Ejecución 8), la PINN alcanzó un precio de $7.87 para la put de cesta, comparado con la referencia de Monte Carlo de Longstaff–Schwartz de $6.90. Esto representa una sobreestimación de aproximadamente un 14%. Los autores señalan que, si bien esto es una mejora significativa respecto a ejecuciones anteriores, la comparación inicial reveló un "claro desacuerdo" entre los enfoques, y el resultado final sigue siendo una sobreestimación que requiere correcciones teóricas específicas para acercarse al valor de referencia. Las griegas (deltas) también se alinearon más estrechamente con la referencia.

Significancia y Reivindicaciones
El artículo sostiene que el marco PINN ofrece una metodología libre de malla capaz de manejar la valoración de opciones americanas de alta dimensión donde los métodos tradicionales basados en mallas fallan debido a la maldición de la dimensionalidad.

La contribución principal no es meramente la aplicación de redes neuronales, sino la identificación rigurosa de la estructura matemática requerida para la función de pérdida. Los autores demuestran que, para problemas de frontera libre, la función de pérdida debe codificar con precisión la desigualdad variacional, específicamente respetando que el residuo de la EDP y la condición de obstáculo no necesitan anularse simultáneamente en todas partes. El estudio concluye que el enfoque PINN es competitivo con los métodos clásicos de Monte Carlo solo una vez que su funcional de pérdida codifica con precisión la desigualdad variacional subyacente, y no antes. Esto subraya que el enfoque general requiere correcciones teóricas específicas a la estructura de la pérdida para lograr precisión, más que ser inherentemente competitivo en su formulación estándar.