Deep Learning for Option Pricing and Implied Volatility Surfaces: A No-Arbitrage Neural Network Approach with a Frontier-Market Transferability Test

Nel mondo della finanza, le opzioni sono contratti che conferiscono il diritto di acquistare o vendere un asset a un prezzo specifico entro una certa data. Per prezzare questi contratti in modo equo, i trader si affidano a un concetto chiamato "volatilità implicita", che è essenzialmente una misura di quanto il mercato si aspetti che il prezzo di un asset oscilli verso l'alto o verso il basso in futuro. Se immaginate il prezzo di un'azione come una barca sull'oceano, la volatilità implicita è la previsione di quanto saranno agitate le onde. Per decenni, i matematici hanno usato formule fisse per prevedere queste onde, ma i mercati reali sono disordinati e cambiano costantemente. Negli ultimi anni, gli scienziati hanno cercato di utilizzare l'intelligenza artificiale, specificamente il deep learning, per apprendere questi schemi direttamente dai dati, sperando di costruire un sistema che sia più flessibile e accurato delle vecchie formule. Tuttavia, una preoccupazione principale è persistita: se un computer impara a prevedere i prezzi troppo bene, potrebbe accidentalmente inventare una struttura di prezzatura che permetta di ottenere "soldi gratis", una situazione nota come arbitraggio, che non può esistere in un mercato stabile. Inoltre, rimane incerto se un computer addestrato sui mercati frenetici e liquidi delle nazioni sviluppate possa dare un senso ai mercati sottili e silenziosi tipici delle economie emergenti.

Un team di ricercatori dell'Università di Ibadan in Nigeria ha intrapreso l'obiettivo di testare queste idee costruendo un nuovo tipo di rete neurale, un tipo di programma informatico progettato per riconoscere schemi. Il loro obiettivo era creare un sistema che non solo imparasse a prevedere i prezzi delle opzioni con precisione, ma che rispettasse rigorosamente le regole che prevengono il guadagno senza rischio. Hanno addestrato questo sistema su una vasta quantità di dati simulati che rappresentavano un mercato sano e liquido, simile a quelli degli Stati Uniti o dell'Europa. Per garantire che il computer non violasse i vincoli, hanno aggiunto una speciale penalità al suo processo di apprendimento. Se le previsioni del computer creavano una curva di prezzatura che permetteva un profitto privo di rischio, la penalità aumentava, costringendo il sistema ad aggiustare la propria logica interna finché la curva non diventasse di nuovo fluida e logica. Questo approccio è stato progettato per vedere se insegnare al computer a rispettare queste regole finanziarie lo avrebbe reso un miglior predittore.

I ricercatori hanno poi sottoposto la loro creazione a un test rigoroso. Prima, hanno controllato quanto bene performasse sui dati dello stesso tipo di mercato liquido su cui era stato addestrato. I risultati sono stati promettenti. Il computer che era stato istruito a rispettare le regole dell'assenza di arbitraggio commetteva meno errori rispetto a una versione che non era stata istruita con tali regole. Prevedeva la volatilità del mercato con maggiore precisione e produceva meno scenari di prezzatura impossibili. Infatti, confrontato con una formula standard non basata su IA, il computer penalizzato era significativamente più accurato. Tuttavia, la storia è cambiata drasticamente quando i ricercatori hanno provato a usare questo stesso computer in un ambiente completamente diverso. Hanno simulato un "mercato di frontiera", un contesto con pochissime transazioni, tassi di interesse elevati e improvvisi e bruschi salti di prezzo, modellato sulle condizioni della Borsa nigeriana.

Quando al computer, che non aveva mai visto questo tipo di mercato, è stato chiesto di fare previsioni, è fallito clamorosamente. La versione che era stata pesantemente addestrata a rispettare le regole del mercato liquido è stata quella che ha performato peggio di tutte, commettendo errori molto più grandi anche di un semplice e basilare tentativo di indovinare. Le regole che l'avevano aiutato a avere successo nel mercato frenetico sono diventate, in realtà, un ostacolo in quello tranquillo e volatile. Il computer aveva appreso così bene la forma specifica del mercato liquido da non riuscire ad adattarsi alla forma strana e irregolare del mercato di frontiera. I ricercatori hanno scoperto che l'unico modo per risolvere il problema era mostrare al computer una piccola quantità di nuovi dati provenienti dal mercato di frontiera, appena ottantasei esempi, e lasciarlo regolare leggermente il suo apprendimento. Una volta ricevuta questa minuscola quantità di nuova informazione, le prestazioni del computer sono migliorate drasticamente, colmando il divario con i modelli più tradizionali.

Lo studio ha anche confrontato questi modelli di intelligenza artificiale con un approccio matematico classico noto come modello di Heston, che utilizza un insieme di cinque numeri regolabili per descrivere il comportamento del mercato. Sorprendentemente, il modello classico rimaneva lo strumento più accurato in quasi tutti gli scenari. Poiché il modello classico è semplice, poteva essere ricalibrato rapidamente ogni singolo giorno utilizzando solo una manciata di nuove quotazioni di mercato, permettendogli di adattarsi istantaneamente alle condizioni mutevoli. L'intelligenza artificiale, al contrario, aveva bisogno di essere riaddestrata o perfezionata con nuovi dati per tenere il passo. I ricercatori hanno concluso che, sebbene l'aggiunta di regole per prevenire l'arbitaggio renda un modello di IA migliore all'interno dell'ambiente in cui è stato addestrato, non rende il modello un esperto universale. Un sistema progettato per un oceano calmo e liquido non può essere semplicemente abbandonato in un mare tempestoso e poco profondo e aspettarsi di navigarlo senza aver prima imparato le correnti locali.

In definitiva, il lavoro suggerisce che, per i mercati finanziari delle nazioni in via di sviluppo o per i nuovi prodotti con scarsa liquidità, affidarsi esclusivamente a un'intelligenza artificiale pre-addestrata è rischioso. Il computer deve essere istruito sulle regole specifiche del nuovo ambiente, anche se ciò significa mostrargli solo un piccolo numero di esempi. Finché tali dati non saranno disponibili, i modelli matematici più vecchi e semplici, che possono essere rapidamente regolati in base alle condizioni quotidiane del mercato, rimangono la scelta più sicura e affidabile. Lo studio evidenzia una lezione cruciale per il futuro della finanza: l'intelligenza in un contesto non garantisce la saggezza in un altro, e lo strumento più potente è spesso quello che può imparare e adattarsi più velocemente.