Crisis-Aware Variational Autoencoders for Stress Testing Volatility Surfaces

Résumé Technique : Autoencodeurs Variationnels Sensibles aux Crises pour les Tests de Résistance des Surfaces de Volatilité

Énoncé du Problème
Le test de résistance (stress testing) des surfaces de volatilité pour les dérivés exotiques présente un défi fondamental en gestion des risques. Les méthodologies traditionnelles souffrent de limitations critiques lorsqu'elles sont appliquées à des instruments dont la valeur dépend de la structure entière de la surface (ex. : options barrières, variance swaps, TARF) plutôt que de points isolés.

• La Simulation Historique est limitée par les états de marché observés et ne peut pas générer de nouveaux scénarios de crise.
• Les approches paramétriques (Delta-Gamma) appliquent des chocs uniformes (décalages parallèles) qui détruisent la cohérence interne de la surface (dynamique du sourire, structure temporelle) et échouent souvent de manière catastrophique pour les payoffs dépendants du sentier en raison d'erreurs d'inversion de signe dans les développements de Taylor.
• Les méthodes basées sur le GARCH capturent le regroupement de la volatilité (clustering), mais ne modélisent qu'un niveau scalaire, échouant à représenter les déformations complexes de la forme d'une surface lors d'un stress.
• Les scénarios conçus par des experts fournissent des estimations ponctuelles sans les mesures de risque distributionnelles (VaR, Expected Shortfall) requises pour le capital réglementaire (ex. : FRTB).

La difficulté centrale réside dans la génération de surfaces stressées nouvelles, plausibles et cohérentes en interne (respectant les conditions d'absence d'arbitrage : absence d'arbitrage de calendrier ou de papillon) tout en capturant les dynamiques non linéaires spécifiques des dérivés exotiques.

Méthodologie : Le VAE Sensible aux Crises (Crisis-Aware VAE)
Les auteurs proposent un Autoencodeur Variationnel Sensible aux Crises (Crisis VAE) conçu pour générer des surfaces de volatilité sans arbitrage, conditionnées par une sévérité de crise explicite. Le cadre est entraîné sur 20 000 surfaces synthétiques générées à partir du modèle de volatilité stochastique de Heston (avec des vérifications de robustesse sur des surfaces de diffusion à sauts de Bates), couvrant les régimes normaux, stressés et de crise.

Innovations architecturales clés :

1. Conditionnement de Crise via le Goulot d'Étranglement de l'Information : Un vecteur indicateur de crise à cinq dimensions $c$ (codant l'analogue du VIX, la vol-of-vol, le rendement du marché, le skew et la pente de la structure temporelle) passe par une couche de goulot d'étranglement ($5 \to 2$ dimensions). Ce vecteur compressé $\tilde{c}$ est concaténé avec le code latent $z$ et injecté dans le décodeur. Cette conception force une séparation des préoccupations : $\tilde{c}$ contrôle la sévérité et le régime de la crise, tandis que le code latent $z$ encode la forme spécifique et les détails résiduels de la surface.
2. Prior de Student-t à Queues Lourdes : Contra à les VAE standards qui utilisent un prior Gaussien (qui tend à trop lisser et sous-représenter les extrêmes), le Crisis VAE emploie un prior Student-t multivarié avec $\nu=4$ degrés de liberté dans l'espace latent. Cela encourage la génération de scénarios à queues épaisses qui s'alignent sur le comportement empirique des crises. Les paramètres du prior $\mu(c)$ et $\sigma(c)$ sont appris via un « PriorNet » conditionné par $c$.
3. Contraintes d'Absence d'Arbitrage : L'objectif d'entraînement inclut des pénalités différentiables douces pour les violations de l'arbitrage de calendrier (variance totale non décroissante) et les violations de l'arbitrage de papillon (densité de risque neutre non négative). De plus, une pénalité raffinée opère directement sur les prix des calls (via l'inversion de Black-Scholes) pour mieux approximer la condition de Breeden-Litzenberger. Après génération, les surfaces subissent un ajustement SVI (Stochastic Volatility Inspired) sans arbitrage pour assurer une conformité stricte pour les instruments continus comme les variance swaps.
4. Objectif d'Entraînement : Le modèle maximise une borne inférieure de l'évidence (ELBO) conditionnée par la crise, incorporant la perte de reconstruction, la divergence KL entre l'encodeur Gaussien et le prior Student-t, les pénalités d'arbitrage, ainsi qu'un terme de « z-forcing » pour empêcher le décodeur d'ignorer le code latent.

Résultats Clés
Le cadre a été évalué par rapport à quatre références (Simulation Historique, Delta-Gamma Paramétrique, GARCH(1,1) avec plafond de variance, et décalages réglementaires d'experts) en valorisant un portefeuille d'instruments exotiques (Put Barrière Down-and-In, TARF, Variance Swap) à travers 500 scénarios de stress.

• Précision et Contrôlabilité : Le Crisis VAE a produit les estimations de stress les plus serrées et les plus contrôlables. Pour le Put Barrière Down-and-In, l'écart-type du P&L était de 0,37 $ (régime sévère), nettement inférieur à la Simulation Historique (1,50 $) et au GARCH (1,43 $). Le gain minimum du détenteur à 95 % (VaR) était de 6,67 $, surpassant l'Historique (4,92 $) et le GARCH (4,94 $).
• Échec des Approximations Paramétriques : L'approximation Delta-Gamma a échoué structurellement pour l'option barrière, prédisant un P&L négatif (perte de valeur) sous un stress de volatilité (VaR95 = -0,38 $). Cet « inversion de signe » contredit la garantie théorique selon laquelle une volatilité plus élevée augmente strictement la valeur d'un put knock-in, démontant l'inadaptation des approximations quadratiques pour les exotiques dépendants du sentier.
• Conformité d'Arbitrage : Les surfaces générées respectent les contraintes de calendrier avec des violations quasi nulles (< 0,8 %) et une convexité de papillon (> 97 %) sur la grille discrète. Le post-traitement avec SVI réduit les violations à zéro.
• Robustesse : Le classement de la méthode est resté cohérent lorsque la distribution d'entraînement a été remplacée par des modèles de diffusion à sauts de Bates, indiquant que les conclusions sont portées par l'architecture et les propriétés des instruments plutôt que par le modèle de volatilité spécifique.
• Validation sur Données Réelles : Un test hors échantillon sur une surface de marché SPY réelle (février 2024) a confirmé la capacité du modèle à reconstruire des surfaces en régime normal et à les mapper vers les coordonnées de crise correctes, bien que les données d'entraînement synthétiques sous-estiment la pente du skew réel des actions (une limitation connue du modèle Heston).

Signification et Revendications
L'article affirme établir un cadre rigoureux pour les tests de résistance qui comble le fossé entre la modélisation générative et les exigences réglementaires. Ses principales contributions sont :

1. Génération de Stress Contrôlable : La capacité de générer des mesures de risque distributionnelles (VaR, ES) à des niveaux de confiance arbitraires avec un contrôle explicite sur la sévérité de la crise via le vecteur indicateur $c$, satisfaisant les exigences de la FRTB pour des scénarios prospectifs et plausibles.
2. Cohérence de la Surface : Contrairement aux méthodes de décalage parallèle, le Crisis VAE génère des surfaces avec des déformations non linéaires apprises (accentuation du skew, inversion de la structure temporelle) qui sont économiquement cohérentes et sans arbitrage.
3. Identification du Risque de Modèle : L'étude fournit une preuve empirique que les approches paramétriques delta-gamma sont fondamentalement défaillantes pour les dérivés exotiques dépendants du sentier en raison des échecs d'inversion de signe, préconisant des méthodes de re-valorisation de pleine surface.
4. Nouveauté Architecturale : L'introduction d'un goulot d'étranglement conditionné par la crise et de priors à queues lourdes spécifiquement adaptés au test de résistance financière, se distinguant des modèles génératifs standards.

Limites et Portée
Les auteurs précisent explicitement que la méthode et les résultats numériques sont validés sur des données synthétiques (Heston/Bates). Bien que le cadre fonctionne correctement sur des données de marché réelles en régime normal, la distribution d'entraînement synthétique ne capture pas pleinement les primes d'assurance de crash du monde réel ou les effets de microstructure (ex. : le skew très accentué observé dans les options sur actions). Par conséquent, l'article positionne le Crisis VAE comme une méthodologie validée sur un benchmark contrôlé et un pipeline prêt pour le déploiement, sous réserve d'un calibrage formel sur des chaînes d'options historiques de périodes de crise (ex. : 2008, 2020), identifié comme une priorité pour les travaux futurs. Les résultats actuels doivent être considérés comme établissant la validité structurelle de l'approche plutôt que comme un modèle de risque final approuvé par les régulateurs pour les marchés en direct.