Synthetic American Option Pricing via Jump-HMM-Driven Heston Implied Volatility

Riepilogo Tecnico: Prezzi delle Opzioni Americane Sintetiche tramite Volatilità Implicita Heston Guidata da Jump-HMM

1. Enunciato del Problema

La generazione di dati sintetici realistici sulle opzioni per l'apprendimento automatico e l'analisi del rischio è ostacolata da una dipendenza circolare: la valutazione delle opzioni americane richiede tipicamente la volatilità implicita (IV) come input, eppure l'IV è essa stessa una quantità empirica derivata dai prezzi osservati delle opzioni. Gli approcci esistenti non riescono a spezzare questo ciclo:

• Modelli parametrici (es. SABR, SVI) adattano le superfici di IV alle quotazioni di mercato ma non possono generare nuove dinamiche di IV per condizioni non osservate.
• Modelli di volatilità locale producono superfici statiche coerenti con una singola sezione trasversale ma mancano di fluttuazioni stocastiche.
• Modelli di volatilità stocastica (es. Heston) generano percorsi di varianza realistici ma richiedono IV osservata o prezzi delle opzioni per la calibrazione, reintroducendo la circolarità.

Di conseguenza, esiste un vuoto nella letteratura riguardante framework che generano superfici di IV auto-coerenti come risultato emergente di un modello strutturale dei rendimenti azionari, senza fare affidamento su dati osservati delle opzioni durante la simulazione.

2. Metodologia

Gli autori propongono una pipeline a tre stadi in cui l'IV è un output di un modello strutturale piuttosto che un input. Il framework accoppia un Modello Markoviano Nascosto con Salti (JumpHMM), un processo di varianza stocastica Heston modificato e un prezzatore a reticolo binomiale.

Stadio 1: Generazione dei Percorsi dei Prezzi (JumpHMM)
Un Modello Markoviano Nascosto con Salti genera percorsi di prezzi multi-asset che preservano tre fatti stilizzati dei rendimenti finanziari: code pesanti, autocorrelazione lineare trascurabile e persistente clustering della volatilità.

• Meccanismo: I tassi di crescita eccessiva continui sono discretizzati in $N$ stati tramite bin di quantili di una distribuzione di Laplace adattata.
• Dinamiche: Uno stato nascosto $S_t$ governa la posizione e la scala di una distribuzione Student-t per i rendimenti. Salti distribuiti secondo Poisson costringono la catena in stati di coda, creando regimi di volatilità estrema sostenuta.
• Dipendenza: La dipendenza tra asset è imposta tramite una copula Student-t, garantendo eventi di coda congiunti realistici.

Stadio 2: Generazione della Volatilità Implicita (Heston Modificato)
I percorsi dei prezzi sono convertiti in percorsi di IV utilizzando un processo di varianza stocastica Heston modificato.

• Ritorno alla Media Dipendente dallo Stato: L'obiettivo di varianza a lungo termine $\theta$ non è costante ma una funzione dello stato del regime JumpHMM, dei giorni alla scadenza (DTE), del moneyness e di un indicatore aggregato dell'umore di mercato.
• Inizializzazione di Equilibrio: Una scelta progettuale centrale è l'inizializzazione del processo di varianza al suo obiettivo di ritorno alla media ($v_0 = \theta$) per ogni coppia strike-scadenza. Ciò garantisce che il sorriso, l'asimmetria (skew) e la struttura temporale emergano automaticamente senza dati di calibrazione esterni.
• Umore di Mercato: Un segnale endogeno di umore di mercato ($M_t$) è definito come la frazione di ticker in stati di coda. Quando più asset occupano stati di coda, $M_t$ aumenta, elevando $\theta$ e l'IV su tutti i contratti, creando picchi di IV correlati durante lo stress.
• Funzione di Forma ($\psi$): L'adattamento specifico del contratto a $\theta$ è modellato tramite una funzione di forma $\psi$. Gli autori impiegano una gerarchia di rappresentazioni:
  1. Base Parametrica: Una forma log-polinomiale a cinque parametri.
  2. Surrogato Neurale Globale: Una singola rete neurale condivisa tra tutti i ticker.
  3. Surrogato Neurale Specifico per Settore: Reti separate per diversi settori (es. Tecnologia, Sanità) per catturare asimmetria e curvatura specifiche del settore.
  4. Estensione per Ticker: Per nomi ricchi di dati, il framework supporta reti per singolo ticker.
• Consapevolezza degli Eventi: La funzione di forma incorpora caratteristiche di eventi programmati: giorni firmati alla pubblicazione degli utili ($e$) e giorni minimi alla pubblicazione degli utili per i pari dello stesso settore ($e_{peer}$).

Stadio 3: Prezzatura delle Opzioni Americane (Reticolo Binomiale)
La superficie di IV risultante è utilizzata per prezzare le opzioni americane tramite un reticolo binomiale ricombinante.

• Prezzatura: Un albero Cox-Ross-Rubinstein (CRR) è utilizzato per la pipeline principale di calibrazione.
• Calcolo delle Greche: Per simulazioni forward che richiedono greche a differenze finite lisce, viene utilizzato un albero Leisen-Reimer (LR). La costruzione LR fissa lo strike su un nodo, eliminando l'"aliasing a gradini" osservato negli alberi CRR quando lo spot o gli shock di volatilità spostano lo strike attraverso i confini dei nodi.

3. Contributi Chiave

• Rottura della Circolarità: Il framework genera superfici di IV auto-coerenti come proprietà emergente delle dinamiche dei rendimenti azionari, eliminando la necessità di dati osservati delle opzioni come obiettivo di calibrazione durante la simulazione.
• Umore di Mercato Endogeno: Il modello introduce un segnale di umore di mercato endogeno derivato dalla distribuzione degli stati JumpHMM, consentendo picchi di IV correlati durante eventi di stress senza dati esterni (es. VIX).
• Calibrazione Gerarchica della Forma: Il documento dimostra una progressione dalle rappresentazioni parametriche a quelle neurali, mostrando che i surrogati neurali specifici per settore superano significativamente le forme parametriche globali nella cattura della geometria del sorriso trasversale.
• Generalizzazione Guidata dagli Eventi: Lo studio isola gli utili aziendali programmati come la fonte dominante di errore di generalizzazione temporale e dimostra che le caratteristiche derivate dal calendario (distanza dagli utili e accoppiamento con i pari) possono recuperare una parte di questo segnale.

4. Risultati

Performance di Calibrazione (Scala a 31 Ticker)

• Parametrico vs Neurale: Sostituendo la funzione di forma parametrica globale con un surrogato neurale globale, l'Errore Quadratico Medio (RMSE) è stato ridotto dal 12,48% al 11,47% di IV.
• Specificità Settoriale: Il passaggio a reti neurali specifiche per settore ha ulteriormente ridotto l'RMSE al 10,24% (un miglioramento cumulativo del 17,9% rispetto alla base parametrica).
• Guadagni per Ticker: Su un corpus raggruppato di 234.549 osservazioni, le reti neurali per singolo ticker hanno ridotto l'RMSE al 9,73%, con i maggiori guadagni osservati in settori con alta eterogeneità interna al settore (es. Tecnologia, Sanità).

Generalizzazione Temporale

• Impatto degli Utili: Un test di holdout temporale ha rivelato un divario di generalizzazione di +4,99% di IV. Quando le osservazioni entro ±3 giorni dagli utili sono state escluse, il divario è scomparso (−0,06%), confermando che gli eventi di utili programmati erano l'unica fonte dell'errore.
• Recupero delle Caratteristiche: L'aggiunta di caratteristiche di distanza dagli utili e accoppiamento con i pari alla rete di forma ha recuperato circa un quinto del divario di generalizzazione (riducendo l'RMSE di test dal 13,03% all'11,98%).
• Limitazione: L'indicatore basato sul calendario ha catturato l'espansione pre-evento dell'IV e i movimenti di simpatia, ma non è riuscito a prevedere i crolli post-evento dell'IV guidati da sorprese negli utili (es. la sorpresa sull'EPS del +2192% per INTC).

Scenari di Simulazione Forward

• Configurazione: Il framework è stato applicato per simulare 1.000 percorsi per le opzioni di Goldman Sachs (GS) e Eli Lilly (LLY) su un orizzonte di 31 giorni.
• Accuratezza di Prezzatura: Per GS, il valore equo iniziale del modello era all'interno dello spread bid-ask di mercato. Per LLY, il modello ha segnato leggermente sotto il mercato a causa di una specifica discrepanza del regime IV nel giorno di acquisizione, validando la sensibilità del modello ai livelli di IV.
• Dinamiche del Rischio: Le simulazioni hanno riprodotto un'asimmetria realistica del premio corto. Le call corte hanno mostrato perdite nella coda sinistra più pesanti rispetto alle put corte, nonostante ricevessero premi più piccoli, guidate dall'asimmetria negativa codificata nella funzione di forma per singolo ticker e dall'accoppiamento con la leva finanziaria.
• Greche: Il reticolo Leisen-Reimer ha fornito greche a differenze finite lisce (Delta, Gamma, Vega) essenziali per l'analisi del rischio, evitando le oscillazioni tipiche degli alberi CRR standard.

5. Significato e Affermazioni

Il documento afferma di fornire un framework robusto e open-source (implementato in Julia) per la generazione di dati sintetici sulle opzioni americane che è strutturalmente coerente con le dinamiche dei rendimenti azionari.

• Coerenza Strutturale: Inizializzando la varianza al suo obiettivo di ritorno alla media, il modello garantisce che la superficie di IV sia interamente determinata dai parametri strutturali, evitando il problema del "pollo e dell'uovo" di adattare l'IV ai prezzi.
• Scalabilità: L'approccio di calibrazione gerarchico (parametrico $\to$ NN globale $\to$ NN settoriale $\to$ NN per ticker) permette al modello di adattarsi a volumi di dati variabili e caratteristiche settoriali.
• Applicazione: Il framework è progettato per fungere da generatore di dati sintetici per applicazioni a valle, inclusi l'addestramento di modelli di apprendimento automatico per la prezzatura delle opzioni, l'apprendimento di politiche di copertura delta tramite apprendimento per rinforzo e la conduzione di analisi del rischio basata su scenari che richiedono prezzi delle opzioni coerenti tra strike e scadenze.
• Modestia: Gli autori riconoscono che, sebbene il framework catturi i rischi degli eventi programmati, non modella ancora i picchi di IV non programmati guidati da sorprese negli utili o altri shock idiosincratici. Si suggerisce un lavoro futuro per incorporare meccanismi di sensibilità alla coda per singolo ticker per affrontare questi segnali residui.