Data Driven Options Pricing using ANN: Evidence from the CRR Model

Nel mondo della finanza, un contratto noto come opzione conferisce al suo proprietario il diritto, ma non l'obbligo, di acquistare o vendere un asset a un prezzo specifico entro una certa data. Questi strumenti sono vitali per gestire il rischio e scommettere sui movimenti del mercato, ma determinare il loro valore equo è notoriamente difficile. Il prezzo dipende da un groviglio mutevole di fattori: il costo attuale dell'asset, il prezzo di esercizio concordato, quanto tempo rimane, i tassi di interesse nell'economia e una misura di quanto il prezzo dell'asset possa oscillare selvaggiamente, nota come volatilità. Per decenni, il modo standard per calcolare questi valori si è basato su complessi modelli matematici che simulano migliaia di possibili percorsi futuri dell'asset. Sebbene accurati, questi calcoli sono lenti e computazionalmente pesanti, richiedendo spesso computer potenti per elaborare i numeri solo per ottenere un singolo prezzo. Quando i mercati si muovono velocemente, aspettare che un calcolo finisca può essere un limite.

Un team di ricercatori dell'Indian Institute of Technology Ropar ha esplorato una strada diversa, utilizzando un tipo di programma per computer chiamato rete neurale artificiale per risolvere questo problema. Invece di costruire una nuova simulazione da zero ogni volta che è necessario un prezzo, hanno addestrato un cervello digitale a riconoscere i pattern nascosti all'interno dei risultati dei modelli tradizionali, più lenti. I ricercatori hanno fornito alla rete milioni di esempi di prezzi di opzioni generati da un metodo ben consolidato chiamato modello di Cox-Ross-Rubinstein, che suddivide il tempo in piccoli passi per prevedere come un asset potrebbe muoversi. Una volta che la rete ha appreso la relazione tra i fattori di input e il prezzo finale, è diventata un sostituto fulmineo. Lo studio dimostra che questa rete addestrata può prevedere il valore di varie tipologie di opzioni quasi istantaneamente, con un livello di accuratezza che si avvicina molto ai calcoli tradizionali, molto più lenti.

I ricercatori hanno testato questo approccio su diversi tipi di contratti finanziari. Sono partiti dalle standard opzioni europee, che possono essere esercitate solo alla fine della loro vita, e dalle opzioni americane, che possono essere esercitate in qualsiasi momento. Hanno anche affrontato strumenti più complessi, come le opzioni asiatiche, in cui il payout finale dipende dal prezzo medio dell'asset durante un periodo piuttosto che solo dal prezzo alla fine, e le opzioni barriera, che esistono o pagano solo se il prezzo dell'asset attraversa una specifica soglia durante la loro vita. Per le opzioni standard e quelle asiatiche, la rete neurale ha performato con una precisione notevole. Non solo ha previsto il prezzo, ma ha anche calcolato le "Greche", ovvero misurazioni sensibili di come il prezzo reagirà a piccole variazioni del mercato. In questi casi, le risposte della rete erano quasi identiche al metodo tradizionale, pur fornendole in una frazione di secondo.

La differenza di velocità è netta. In test che coinvolgevano ventimila diversi scenari, il metodo tradizionale ha impiegato oltre un minuto per prezzare le opzioni europee e quasi due minuti per le put americane. La rete neurale, tuttavia, ha completato lo stesso compito in circa un secondo e mezzo. Per le più complesse opzioni asiatiche, dove il metodo tradizionale ha faticato con la memoria e ha impiegato oltre diciassette minuti, la rete ha terminato in poco più di un secondo. Questa efficienza suggerisce che, una volta addestrato, un tale sistema potrebbe essere prezioso per il trading in tempo reale e la gestione del rischio, permettendo ai trader di vedere prezzi e rischi istantaneamente senza attendere pesanti calcoli.

Tuttavia, lo studio ha anche rivelato i limiti di questa tecnologia. Quando i ricercatori hanno applicato la rete alle opzioni barriera, i risultati sono stati meno affidabili. Queste opzioni hanno una qualità a "bordo del precipizio"; se il prezzo dell'asset tocca una specifica barriera, il valore del contratto può scendere istantaneamente a zero. La rete neurale, che eccelle nell'apprendere pattern fluidi e continui, ha faticato con questi cambiamenti bruschi e improvvisi. Gli errori nella determinazione del prezzo e nelle misurazioni di sensibilità erano sensibilmente più alti per questi contratti rispetto agli altri. Questo risultato è crucialo perché mostra che, sebbene il metodo sia potente, non è una soluzione universale per ogni tipo di strumento finanziario. La rete funziona meglio quando la matematica sottostante è fluida, ma vacilla quando le regole del gioco comportano cambiamenti bruschi e discontinui.

Oltre al pricing, i ricercatori hanno dimostrato che questo approccio può anche mappare la "superficie di volatilità", una complessa mappa tridimensionale che le istituzioni finanziarie utilizzano per comprendere come le aspettative del mercato sul rischio cambino attraverso diversi prezzi e tempi. Utilizzando dati reali di mercato da importanti aziende indiane, hanno dimostrato che la rete neurale può ricostruire queste superfici molto più velocemente dei modelli tradizionali. Il metodo tradizionale, che richiede la costruzione di un nuovo albero di possibilità per ogni singolo calcolo, ha impiegato decine di secondi per elaborare i dati. La rete neurale ha svolto lo stesso lavoro in meno di un decimo di secondo. Questa capacità suggerisce che, in futuro, le società finanziarie potrebbero usare queste reti addestrate per aggiornare i propri modelli di rischio e le strategie di pricing in tempo reale, reagendo ai cambiamenti del mercato mentre accadono, piuttosto che dopo il fatto.

Il lavoro non pretende di sostituire interamente i vecchi modelli, quanto piuttosto di servire come uno strumento altamente efficiente che si affianca ad essi. La rete neurale non è un oracolo magico; è uno studente che ha memorizzato le lezioni del modello tradizionale e ha imparato a recitare le risposte istantaneamente. Eredita la logica del framework originale, ma rimuove l'onere computazionale. Per la stragrande maggioranza delle opzioni comuni, lo studio conferma che questo approccio basato sui dati è abbastanza accurato da essere affidabile, offrendo un modo per navigare le complessità della finanza moderna con una velocità precedentemente impossibile. L'unica avvertenza rimane il terreno accidentato delle opzioni barriera, dove l'apprendimento fluido della rete incontra i bordi affilati della realtà.