📊 estadística

A deep learning method for solving American double Heston model

Este artículo propone un marco de aprendizaje profundo que utiliza el ensamblaje multiplicativo de redes neuronales (MLA-MoS-1 y MLA-MoS-2) para resolver simultáneamente el modelo de doble Heston americano bajo tasas de interés tanto constantes como estocásticas, prediciendo eficazmente la frontera de ejercicio temprano, los valores de las opciones y las griegas.

Autores originales: Chinonso Nwankwo, Weizhong Dai

Publicado 2026-10-16

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Chinonso Nwankwo, Weizhong Dai

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, predecir el precio futuro de una acción es una apuesta de alto riesgo. Los inversores confían en modelos matemáticos para determinar el valor justo de las opciones, que son contratos que otorgan al titular el derecho, pero no la obligación, de comprar o vender un activo a un precio específico en una fecha determinada. A diferencia de las opciones estándar que solo pueden ejercerse al final de su vida, las opciones de estilo americano pueden comprarse o venderse en cualquier momento antes de su vencimiento. Esta flexibilidad introduce un rompecabezas complejo: ¿en qué momento exacto y a qué precio de la acción debe un inversor elegir ejercer la opción para maximizar sus beneficios? Este punto de decisión se conoce como la frontera de ejercicio anticipado. Para resolver esto, los matemáticos utilizan ecuaciones que describen cómo evolucionan los precios de los activos y su volatilidad —la medida de qué tan erráticamente fluctúan los precios— a lo largo del tiempo. Cuando estos modelos se vuelven lo suficientemente sofisticados como para dar cuenta de dos fuentes diferentes de volatilidad e incluso de tipos de interés fluctuantes, las ecuaciones se vuelven increíblemente difíciles de resolver, requiriendo a menudo una potencia de cálculo masiva y recurriendo a supuestos simplificadores que pueden reducir la precisión.

Un equipo de investigadores de la Universidad de Calgary y la Universidad Tecnológica de Luisiana ha desarrollado un nuevo enfoque para abordar este desafío específico utilizando una forma de aprendizaje profundo conocida como aprendizaje profundo (deep learning). Se centraron en un modelo financiero complejo llamado modelo de Heston doble americano, que intenta capturar la realidad de que los precios de los activos están influenciados por dos fuentes separadas e interactivas de volatilidad y, en algunos casos, por tipos de interés que cambian con el tiempo. En lugar de intentar resolver las difíciles ecuaciones directamente con métodos tradicionales basados en rejillas, que pueden ser rígidos y propensos a errores al tratar con cambios bruscos, los investigadores entrenaron una red neuronal. Esta es una clase de programa informático inspirado en el cerebro humano, capaz de aprender patrones a partir de datos. Su objetivo era enseñar a esta red a predecir simultáneamente tres cosas críticas: el valor de la opción, el momento y el precio precisos en los que debe ejercerse, y las "Griegas", que son medidas sensibles de cómo reaccionará el precio de la opción ante pequeños cambios en el mercado.

Los investigadores diseñaron una arquitectura única para su red neuronal, que llaman una "mezcla de soluciones". En lugar de depender de un único programa monolítico, construyeron un sistema compuesto por tres redes más pequeñas y especializadas que trabajan juntas. Una parte del sistema se centra en el paso del tiempo, otra en el estado actual del activo y su volatilidad, y una tercera en la interacción entre los diferentes factores de volatilidad. Estos componentes se combinan de una manera específica que permite a la red manejar los cambios bruscos y repentinos que ocurren en el momento en que se ejerce una opción. Una innovación clave en su método es cómo manejan los límites del problema. Los métodos tradicionales suelen forzar la solución a ajustarse a reglas estrictas en los bordes del cálculo, lo que puede introducir errores. En cambio, este nuevo método permite que la red aprenda el comportamiento en estos límites distantes directamente de las reglas matemáticas subyacentes durante el proceso de entrenamiento. Esta flexibilidad elimina la necesidad de restricciones artificiales y permite que el modelo descubra por sí mismo el comportamiento más preciso.

Para asegurar que la red pudiera aprender de manera efectiva, los investigadores emplearon una estrategia llamada estiramiento de rejilla (grid stretching). Imagine intentar mapear una línea costera donde los detalles son increíblemente finos en algunas áreas y amplios en otras; un mapa estándar podría perderse las pequeñas calas. Del mismo modo, el valor de una opción cambia muy rápidamente cerca del punto donde se ejerce, pero más lentamente en otros lugares. Los investigadores ajustaron su muestreo de datos para centrarse más intensamente en estas áreas críticas y de cambio rápido, cubriendo al mismo tiempo el rango más amplio de posibilidades. Probaron su método en una computadora estándar con un procesador moderno, utilizando un conjunto de datos que es sorprendentemente pequeño en comparación con lo que típicamente se requiere para tales problemas complejos. Los resultados mostraron que su red neuronal podía predecir el valor de la opción y la frontera de ejercicio anticipado con alta precisión, igualando o incluso mejorando ligeramente los resultados de los métodos establecidos utilizados por otros expertos en el campo.

El estudio también exploró un escenario más complicado donde los tipos de interés no son fijos sino que fluctúan aleatoriamente, añadiendo una cuarta dimensión al problema. En esta versión extendida, los investigadores probaron el modelo bajo dos condiciones diferentes: una donde los diversos factores del mercado eran en gran medida independientes entre sí, y otra donde estaban fuertemente vinculados. La red funcionó bien en ambos casos, prediciendo con éxito el valor y la estrategia de ejercicio óptima incluso cuando las relaciones entre las variables eran complejas y distintas de cero. Los investigadores encontraron que, si bien el modelo seguía siendo robusto, la precisión era ligeramente mayor cuando los factores del mercado estaban menos interconectados, lo que sugiere que la complejidad de las relaciones sí impacta en la precisión de la predicción. Sin embargo, la capacidad de la red para manejar estos escenarios densos e interconectados sin colapsar es un paso significativo hacia adelante.

Lo que hace que este trabajo sea particularmente notable no es solo la precisión de los números, sino la forma en que se presenta la solución. La red neuronal no solo genera un precio único; genera una superficie completa que muestra cómo el valor de la opción y el punto de ejercicio óptimo cambian a través del tiempo, el precio del activo y la volatilidad. Esto proporciona una visión integral del panorama financiero que es difícil de obtener con los métodos más antiguos. Los investigadores también demostraron que su enfoque podía calcular las Griegas, las medidas de sensibilidad que los operadores utilizan para gestionar el riesgo, con el mismo nivel de precisión. Al evitar la discretización rígida del espacio y el tiempo que afecta a los métodos numéricos tradicionales, y al utilizar la diferenciación automática para calcular las tasas de cambio directamente, el método ofrece una forma más suave y fiable de navegar las complejidades de los derivados financieros modernos.

Las implicaciones de esta investigación se extienden más allá de un solo modelo financiero. Demuestra que el aprendizaje profundo puede aplicarse eficazmente a los problemas de frontera libre, una clase de desafíos matemáticos donde la propia frontera es parte de la solución a encontrar. Este es un problema común en la física y la ingeniería, pero ha sido un obstáculo persistente en las finanzas. El éxito de este marco de mezcla de soluciones sugiere que enfoques similares podrían adaptarse para otros modelos de precios complejos que involucren múltiples fuentes de incertidumbre. Los investigadores reconocen que su trabajo es una prueba de concepto basada en simulaciones, y planean expandir sus investigaciones futuras para incluir un rango completo de parámetros y estructuras de correlación. Por ahora, han proporcionado una herramienta clara, flexible y precisa para comprender el modelo de Heston doble americano, ofreciendo un nuevo camino para resolver algunas de las ecuaciones más intrincadas de las finanzas cuantitativas.

Resumen Técnico: Un Método de Aprendizaje Profundo para Resolver el Modelo de Doble Heston Americano

Planteamiento del Problema
El artículo aborda el desafío computacional de resolver el modelo de doble Heston americano, un problema complejo de valoración de derivados financieros caracterizado como un problema de frontera libre. El modelo incorpora dos factores de varianza estocástica y, en su forma extendida, una tasa de interés estocástica (modelada mediante el proceso de Cox-Ingersoll-Ross). La dificultad principal radica en determinar simultáneamente la función de valor, la frontera de ejercicio temprano (una superficie de frontera libre) y las griegas (sensibilidades) a través de un espacio de estados de alta dimensión. Los métodos numéricos tradicionales, como los métodos de diferencias finitas o de elementos finitos, a menudo luchan contra la "maldición de la dimensionalidad" y la discretización de los términos de derivadas mixtas, lo que puede provocar inestabilidad u oscilaciones. Además, los enfoques analíticos o semi-analíticos existentes (por ejemplo, expansiones asintóticas) suelen depender de supuestos o aproximaciones específicas que pueden limitar su precisión o aplicabilidad.

Metodología
Los autores proponen un marco de aprendizaje profundo basado en una estrategia de "Mezcla de Soluciones" (MoS, por sus siglas en inglés), utilizando el ensamblado multiplicativo de subredes. La metodología se divide en dos configuraciones principales:

Formulación y Transformación del Modelo:
- El problema se formula primero como un sistema de Ecuaciones Diferenciales Estocásticas (SDE) acopladas y una correspondiente ecuación diferencial parcial (PDE) tridimensional (tasa de interés constante) o tetradimensional (tasa de interés estocástica).
- Para manejar la frontera libre, los autores emplean una transformación logarítmica ( $x = \ln(S/\hat{s}_f)$ ) para convertir el problema de frontera móvil en un problema de frontera fija-libre.
- La función de valor se normaliza por el precio de ejercicio $K$ , y el dominio temporal se normaliza a $[0, 1]$ .
- Crucialmente, los autores no imponen condiciones de frontera de campo lejano explícitas (por ejemplo, en $S \to \infty$ o $\upsilon \to 0$ ). En su lugar, estos comportamientos de frontera se aprenden implícitamente a través del residuo de la PDE en la función de pérdida.
Arquitectura de la Red Neuronal (MLA-MoS):
La arquitectura propuesta, denominada MLA-MoS (Aproximante de Aprendizaje Modular con Mezcla de Soluciones), consta de tres subredes que interactúan combinadas mediante ensamblado multiplicativo:
- Subred 1 ( $T$ ): Una red dependiente del tiempo que toma $\tau$ como entrada, diseñada para imponer condiciones terminales.
- Subred 2 ( $R$ ): Una red espacial que toma las variables de estado (tiempo, log-precio, varianzas, tasa de interés) como entrada.
- Subred 3 ( $Q$ ): Una red interactiva que toma los términos de varianza ( $\upsilon_1, \upsilon_2, \upsilon_1\upsilon_2$ ) como entrada para modelar la interacción entre los factores de volatilidad.
- Ensamblado: La salida final es una suma ponderada de las salidas de las subredes, modulada por un término exponencial que involucra a la tercera subred. Esta estructura garantiza la no negatividad y permite que la red satisfaga condiciones de frontera específicas (ajuste de valor y pegado suave) mediante un término de Robin en la función de pérdida.
- Función de Pérdida: La función de pérdida comprende el residuo de la PDE (que impone la ecuación gobernante) y un término de frontera que acopla las condiciones de ajuste de valor y pegado suave en la frontera de ejercicio temprano.
Muestreo y Optimización:
- Para abordar la singularidad en Gamma y Delta cerca del tiempo terminal y la frontera de ejercicio temprano, los autores emplean una estrategia de estiramiento de rejilla basada en la función seno hiperbólico ( $\sinh$ ). Esto concentra los puntos de muestreo cerca de regiones críticas (por ejemplo, $t=0$ , $S=K$ ).
- Los modelos se entrenan utilizando el optimizador Adam con un decaimiento de la tasa de aprendizaje exponencial. Se utiliza la diferenciación automática para calcular las derivadas parciales requeridas para la pérdida de la PDE, evitando la necesidad de esquemas de discretización numérica.

Contribuciones Clave
El artículo destaca las siguientes contribiones específicas:

Marco Explicable: La introducción de un marco de aprendizaje profundo modular e interactivo (MLA-MoS) diseñado específicamente para el modelo de doble Heston americano como un problema de frontera libre.
Predicción Simultánea: La capacidad de las redes entrenadas (MLA-MoS-1 para tasas constantes, MLA-MoS-2 para tasas estocásticas) para predecir simultáneamente la superficie de la frontera de ejercicio temprano, la función de valor y las griegas (Delta, Gamma, Vega).
Manejo Adaptativo de Fronteras: La implementación de un término exponencial adaptativo que actúa como una "mezcla de expertos" para controlar el comportamiento del valor de la opción cerca de las fronteras artificiales de la derecha, eliminando la necesidad de condiciones de frontera de campo lejano codificadas manualmente.
Integración de la Frontera de Robin: La incorporación explícita de las condiciones de pegado suave y ajuste de valor en la función de pérdida como un término de frontera de Robin, asegurando la consistencia física en la frontera de ejercicio.
Derivadas No Discretizadas: La dependencia de la diferenciación automática para las derivadas parciales, evitando así las inexactitudes numéricas asociadas con la discretización de los términos de derivadas mixtas y convectivas comunes en los métodos basados en mallas.

Resultados Experimentales
Los autores validan su método mediante experimentos numéricos comparando las predicciones de aprendizaje profundo contra métodos existentes:

Tasa de Interés Constante (MLA-MoS-1): Los resultados se compararon con el método de expansión asintótica (Zhang y Feng [37]) y el Método de Mínimos Cuadrados (LSM). Las predicciones de MLA-MoS-1 para la función de valor y la frontera de ejercicio temprano mostraron una alta consistencia con estos puntos de referencia, incluso cuando se entrenaron con conjuntos de datos estirados relativamente pequeños (por ejemplo, $14 \times 14 \times 14 \times 14$ puntos).
Tasa de Interés Estocástica (MLA-MoS-2): El método fue probado en un modelo de cuatro factores con matrices de correlación tanto dispersas como densas.
- En el caso de la correlación dispersa, los resultados se compararon contra el algoritmo AECV (Zhang y Zhang [38]), el método SWIFT (Shoude y Guo [30]) y LSM. Los resultados de MLA-MoS-2 resultaron ser razonables y consistentes con estos métodos establecidos.
- En el caso de la correlación densa (donde todos los factores de correlación son no nulos), el modelo produjo predicciones razonables, aunque los autores señalaron que la estructura densa introdujo más variación en comparación con el caso disperso, lo que sugiere que la estructura de correlación impacta significativamente la precisión de la solución.
Análisis Cualitativo: Las visualizaciones de la función de valor, las griegas y las fronteras de ejercicio temprano confirmaron que las superficies se comportan según lo esperado teóricamente (por ejemplo, Delta en $[-1, 0]$ , Gamma y Vega positivos). El estudio también demostró que la estrategia de estiramiento de la rejilla es crítica; sin ella, el rendimiento predictivo se degradaba significativamente.

Significancia y Reivindicaciones
El artículo posiciona su importancia en el contexto de la resolución de problemas de frontera libre de alta dimensión en finanzas. Los autores afirman que su enfoque ofrece una alternativa flexible a los métodos numéricos tradicionales al:

Simplificar el Diseño de la Red: Al aprender los valores de la frontera lejana a partir de la pérdida de la PDE en lugar de imponerlos, el método reduce la complejidad del manejo de las condiciones de frontera.
Mejorar la Precisión: El uso de la diferenciación automática y el estiramiento de la rejilla mitiga los problemas relacionados con la discretización de derivadas mixtas y las singularidades en la frontera de ejercicio.
Escalabilidad: El método demuestra la capacidad de manejar tanto escenarios de tasa de interés constante como estocástica dentro de un marco de aprendizaje profundo unificado.

Los autores concluyen con modestia, señalando que, si bien los resultados actuales son prometedores, el trabajo futuro se centrará en extender el marco para manejar la parametrización completa de las variables y parámetros (incluyendo los factores de correlación) para permitir la inferencia sobre un rango más amplio de condiciones de mercado, reconociendo que esto aumentará la complejidad de la red.

Más como este