Crisis-Aware Variational Autoencoders for Stress Testing Volatility Surfaces

Sintesi Tecnica: Variational Autoencoders Sensibili alle Crisi per lo Stress Test delle Superfici di Volatilità

Problema
Lo stress test delle superfici di volatilità per i derivati esotici presenta una sfida fondamentale nella gestione del rischio. Le metodologie tradizionali soffrono di limitazioni critiche quando applicate a strumenti il cui valore dipende dall'intera struttura della superficie (es. opzioni barrier, variance swap, TARF) piuttosto che da singoli punti.

• La Simulazione Storica è limitata dagli stati di mercato osservati e non può generare scenari di crisi inediti.
• Gli approcci parametrici (Delta-Gamma) applicano shock uniformi (spostamenti paralleli) che distruggono la coerenza interna della superficie (dinamiche dello smile, struttura temporale) e spesso falliscono catastroficamente per payoff path-dependent a causa di errori di inversione del segno nelle espansioni di Taylor.
• I metodi basati su GARCH catturano il clustering della volatilità ma modellano solo un livello scalare, fallendo nel rappresentare le complesse deformazioni della forma di una superficie durante uno stress.
• Gli scenari progettati da esperti forniscono stime puntuali senza le misure di rischio distribuzionali (VaR, Expected Shortfall) richieste per il capitale regolamentare (es. FRTB).

La difficoltà principale risiede nel generare superfici di volatilità inedite, plausibili e internamente coerenti (che preservino le condizioni di assenza di arbitraggio, come l'assenza di arbitraggio di calendario o di farfalla) pur catturando le specifiche dinamiche non lineari dei derivati esotici.

Metodologia: Il Crisis-Aware VAE
Gli autori propongono un Variational Autoencoder Sensibile alle Crisi (Crisis VAE) progettato per generare superfici di volatilità prive di arbitraggio condizionate a un'esplicita severità della crisi. Il framework è addestrato su 20.000 superfici sintetiche generate dal modello di volatilità stocastica di Heston (con controlli di robustezza su superfici Bates jump-diffusion), che spaziano regimi normali, di stress e di crisi.

Le innovazioni architettoniche chiave includono:

1. Condizionamento della Crisi tramite Information Bottleneck: Un vettore indicatore di crisi a cinque dimensioni $c$ (che codifica l'analogo del VIX, vol-of-vol, rendimento di mercato, skew e pendenza della struttura temporale) viene passato attraverso uno strato di bottleneck ($5 \to 2$ dimensioni). Questo vettore compresso $\tilde{c}$ viene concatenato con il codice latente $z$ e inviato al decoder. Questo design impone una separazione delle responsabilità: $\tilde{c}$ controlla la severità e il regime della crisi, mentre il codice latente $z$ codifica la forma specifica e i dettagli residui della superficie.
2. Prior Student-t a Code Pesanti: A differenza dei VAE standard che utilizzano una prior Gaussiana (che tende a eccessivamente smussare e sottorappresentare gli estremi), il Crisis VAE impiega una prior Student-t multivariata con $\nu=4$ gradi di libertà nello spazio latente. Ciò incoraggia la generazione di scenari a code pesanti che si allineano con il comportamento empirico delle crisi. I parametri della prior $\mu(c)$ e $\sigma(c)$ sono appresi tramite una "PriorNet" condizionata su $c$.
3. Vincoli di Assenza di Arbitraggio: L'obiettivo di addestramento include penalità differenziabili e "soft" per le violazioni dello spread di calendario (varianza totale non decrescente) e dello spread di farfalla (densità risk-neutral non negativa). Inoltre, una penalità raffinata opera direttamente sui prezzi delle call (tramite inversione di Black-Scholes) per approssimare meglio la condizione di Breeden-Litzenberger. Post-generazione, le superfici subiscono un fit SVI (Stochastic Volatility Inspired) privo di arbitraggio per garantire la stretta conformità per strumenti continui come i variance swap.
4. Obiettivo di Addestramento: Il modello massimizza un Evidence Lower Bound (ELBO) condizionato alla crisi, che incorpora la perdita di ricostruzione, la divergenza KL tra l'encoder Gaussiano e la prior Student-t, le penalità di arbitraggio e un termine di "z-forcing" per impedire al decoder di ignorare il codice latente.

Risultati Chiave
Il framework è stato valutato rispetto a quattro benchmark (Simulazione Storica, Delta-Gamma Parametrico, GARCH(1,1) con limite di varianza e spostamenti regolamentari da esperti) prezzando un portafoglio di strumenti esotici (Down-and-In Barrier Put, TARF, Variance Swap) attraverso 500 scenari di stress.

• Precisione e Controllabilità: Il Crisis VAE ha prodotto le stime di stress più strette e controllabili. Per il Down-and-In Barrier Put, la deviazione standard del P&L era di $0,37 (regime severo), significativamente inferiore alla Simulazione Storica ($1,50) e al GARCH ($1,43). Il guadagno minimo del detentore al 95% (VaR) era di $6,67, superando l'Historical ($4,92) e il GARCH ($4,94).
• Fallimento delle Approssimazioni Parametriche: L'approssimazione Delta-Gamma ha fallito strutturalmente per l'opzione barrier, prevedendo un P&L negativo (perdita di valore) sotto stress di volatilità (VaR95 = -$0,38). Questa "inversione di segno" contraddice la garanzia teorica che una maggiore volatilità aumenti strettamente il valore di un knock-in put, dimostrando l'inadeguatezza delle approssimazioni quadratiche per gli esotici path-dependent.
• Conformità all'Arbitraggio: Le superfici generate hanno soddisfatto i vincoli di calendario con violazioni quasi nulle (<0,8%) e convessità di farfalla (>97%) sul reticolo discreto. Il post-processing con SVI ha ridotto le violazioni a zero.
• Robustezza: Il ranking del metodo è rimasto coerente quando la distribuzione di addestramento è stata sostituita dai modelli di salto-diffusione di Bates, indicando che i risultati sono guidati dall'architettura e dalle proprietà degli strumenti piuttosto che dal modello di volatilità specifico.
• Validazione su Dati Reali: Un test out-of-sample su una reale superficie di mercato SPY (febbraio 2024) ha confermato la capacità del modello di ricostruire superfici in regime normale e mappare esse stesse verso le coordinate di crisi corrette, sebbene i dati di addestramento sintetici sottostimino la pendenza dello skew reale delle azioni (un limite noto del modello Heston).

Significatività e Rivendicazioni
L'articolo sostiene di aver stabilito un framework rigoroso per lo stress test che colma il divario tra modellazione generativa e requisiti regolamentari. I suoi principali contributi sono:

1. Generazione di Stress Controllabile: La capacità di generare misure di rischio distribuzionali (VaR, ES) a livelli di confidenza arbitrari con controllo esplicito sulla severità della crisi tramite il vettore indicatore $c$, soddisfacendo i requisiti FRTB per scenari prospettici e plausibili.
2. Coerenza della Superficie: A differenza dei metodi di spostamento parallelo, il Crisis VAE genera superfici con deformazioni non lineari apprese (accentuazione dello skew, inversione della struttura temporale) che sono economicamente coerenti e prive di arbitraggio.
3. Identificazione del Rischio di Modello: Lo studio fornisce prove empiriche del fatto che gli approcci parametrici delta-gamma sono fondamentalmente difettosi per i derivati esotici path-dependent a causa dei fallimenti di inversione del segno, raccomandando metodi di re-pricing a superficie completa.
4. Novità Architetturale: L'introduzione di un bottleneck condizionato alla crisi e di prior a code pesanti specificamente progettati per lo stress test finanziario, distinguendo l'approccio dai modelli generativi standard.

Limitazioni e Ambito
Gli autori dichiarano esplicitamente che il ranking del metodo e i risultati numerici sono validati su dati sintetici (Heston/Bates). Sebbene il framework operi correttamente su dati di mercato reali in regimi normali, la distribuzione di addestramento sintetica non cattura completamente i premi assicurativi per i crash del mondo reale o gli effetti di microstruttura (es. lo skew accentuato osservato nelle reali opzioni azionarie). Di conseguenza, il paper posiziona il Crisis VAE come una metodologia validata su un benchmark controllato e una pipeline pronta per il deployment, in attesa di una calibrazione formale su catene di opzioni storiche di periodi di crisi (es. 2008, 2020), identificata come una priorità per il lavoro futuro. I risultati attuali devono essere visti come una validazione della validità strutturale dell'approccio piuttosto che come un modello di rischio finale approvato dai regolatori per i mercati reali.