📈 economia

Pricing Multi-Asset Options Using Physics-Informed Neural Networks

Questo studio propone un framework di reti neurali informate dalla fisica (PINN) meshfree che risolve l'alto dimensionale problema dell'ostacolo di Black–Scholes per determinare simultaneamente il prezzo di opzioni americane su più asset e identificare i loro confini di esercizio ottimali come ipersuperfici endogene senza parametrizzazione esplicita.

Autori originali: Marjan Uddin, Muhammad Usman

Pubblicato 2026-10-22

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Marjan Uddin, Muhammad Usman

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Nel mondo della finanza, gli investitori spesso acquistano contratti che conferiscono loro il diritto di vendere un asset a un prezzo specifico prima di una scadenza. Questi sono chiamati opzioni americane. A differenza di contratti più semplici che possono essere utilizzati solo in un unico giorno, le opzioni americane offrono un vantaggio cruciale: il titolare può scegliere l'istante esatto per incassare, a patto che sia prima della data di scadenza. Questa flessibilità le rende incredibilmente preziose, ma le rende anche notoriamente difficili da prezzare. La sfida risiede nel determinare il momento perfetto per esercitare l'opzione. Se il prezzo di mercato dell'asset scende troppo, potrebbe essere saggio vendere immediatamente. Se il prezzo rimane alto, è meglio aspettare. La linea che separa la zona del "vendi ora" dalla zona del "aspetta" non è una posizione fissa e nota; è un confine mobile che si sposta con il passare del tempo e con il variare dei prezzi degli asset sottostanti. Per un singolo asset, questo confine è una semplice curva. Ma quando l'opzione dipende da un paniere di più asset, come un mix di diversi titoli azionari, il confine diventa una superficie multidimensionale complessa, estremamente difficile da mappare utilizzando strumenti matematici tradizionali.

I ricercatori Marjan Uddin e Muhammad Usman hanno affrontato questo problema applicando una moderna tecnica computazionale nota come rete neurale informata dalla fisica (physics-informed neural network). Invece di affidarsi al metodo vecchio stile di suddividere lo spazio di mercato in una griglia rigida di punti, che diventa impossibile da gestire quando si trattano molti asset, hanno addestrato un programma per computer affinché apprendesse direttamente le regole del mercato. Hanno insegnato alla rete le leggi fondamentali che governano il comportamento dei prezzi delle opzioni, specificamente un insieme di equazioni che descrivono come il valore cambi nel tempo e con le fluttuazioni dei prezzi. Alla rete è stato anche ordinato di rispettare la regola secondo cui un'opzione non può mai valere meno del denaro che si otterrebbe vendendola immediatamente. Alimentando la rete con migliaia di scenari casuali anziché con una griglia fissa, i ricercatori hanno permesso a essa di scoprire la forma del confine invisibile dove diventa ottimale esercitare l'opzione. Questo approccio evita la "maledizione della dimensionalità", un problema in cui la complessità dei calcoli esplode man mano che vengono aggiunti più asset, permettendo alla rete di campionare liberamente lo spazio di mercato.

Il team ha testato il proprio metodo su un'opzione su paniere che coinvolge due asset correlati. Nei loro tenti iniziali, il computer faticava a trovare la risposta corretta, producendo spesso prezzi molto troppo elevati. I ricercatori hanno scoperto che il problema non risiedeva nell'architettura della rete, ma nel modo in cui la stavano istruendo. Avevano utilizzato un sistema di penalità troppo rozzo; puniva la rete per errori che non corrispondevano alle reali regole finanziarie. Nello specifico, la rete veniva costretta a soddisfare condizioni nella regione di "esercizio" che dovrebbero applicarsi solo nella regione di "attesa", creando un conflitto che portava a risultati inaccurati. Attraverso una serie di esperimenti accurati, hanno perfezionato il loro approccio. Hanno normalizzato i dati per rendere i numeri più facili da gestire, hanno regolato il modo in cui campionavano gli scenari di mercato per concentrarsi maggiormente sulle aree critiche vicino al confine decisionale e, soprattutto, hanno riprogettato la funzione di penalità per rispettare la natura unidirezionale del problema. Si sono resi conto che nella regione in cui è meglio detenere l'opzione, il prezzo deve seguire le leggi del mercato, ma nella regione in cui è meglio vendere, il prezzo è semplicemente uguale al payout e le leggi del mercato non devono applicarsi nello stesso modo.

Dopo aver corretto questi malintesi matematici, la rete ha prodotto un risultato finale di circa $7,87. Questo risultato rappresentava una sovrastima di circa il 14% rispetto al prezzo benchmark di $6,90 calcolato tramite la tecnica Monte Carlo di Longstaff–Schwartz. Sebbene questa fosse la configurazione che più si avvicinava durante l'intera indagine e rientrasse nell'intervallo tipico dell'errore di discretizzazione numerica piuttosto che indicare un fallimento strutturale, gli autori hanno osservato che l'approccio PINN è competitivo con i metodi classici Monte Carlo solo una volta che il suo funzionale di perdita codifica accuratamente la disuguaglianza variazionale sottostante. Lo studio ha dimostrato che, sebbene le reti neurali detengano una grande promessa per la determinazione del prezzo di questi complessi strumenti finanziari, il loro successo dipende interamente dall'incorporazione della corretta logica matematica nel processo di addestramento. I ricercatori hanno scoperto che non bastava semplicemente aggiungere più dati o più potenza di calcolo al problema; il modello doveva essere guidato da una precisa comprensione di dove cambiano le regole del gioco. Ottenendo la giusta comprensione della fisica sottostante del problema, hanno dimostrato che queste reti possono mappare efficacemente i confini invisibili che dettano il valore delle opzioni multi-asset, offrendo un potente nuovo strumento per navigare nei mercati finanziari ad alta dimensionalità.

Sintesi Tecnica: Pricing di Opzioni Multi-Asset tramite Reti Neurali Physics-Informed

Enunciato del Problema
Il documento affronta la valutazione di opzioni americane su più asset sottostanti ( $d > 1$ ), come le opzioni basket, spread o rainbow. A differenza delle opzioni europee, le opzioni americane permettono l'esercizio anticipato, trasformando il problema del pricing in un problema a frontiera libera. Il valore dell'opzione deve soddisfare l'equazione differenziale alle derivate parziali (PDE) di Black–Scholes in una "regione di continuazione" (dove detenere l'opzione è ottimale), pur rimanendo vincolato dal payoff intrinseco in una "regione di esercizio" (dove incassare immediatamente è ottimale). La frontiera che separa queste regioni è ignota a priori.

Mentre i problemi a singolo asset ( $d=1$ ) sono stati risolti efficacemente con metodi come le differenze finite, gli alberi binomiali e le funzioni di base radiale (RBF), l'estensione a dimensioni elevate presenta una "maledizione della dimensionalità". Nello specifico, gli schemi tradizionali basati su griglie o nodi di quasi-interpolazione (ad esempio, Hon e Schaback, 2002) soffrono di una crescita esponenziale della complessità ( $O(N^d)$ ) all'aumentare del numero di asset, rendendoli computazionalmente intrattabili per $d > 1$ .

Metodologia
Gli autori propongono un framework basato su Reti Neurali Physics-Informed (PINN) per approssimare il valore dell'opzione e la frontiera ottimale di esercizio senza la generazione esplicita di una mesh.

Formulazione Matematica:
- Il problema è formulato in coordinate di log-prezzo ( $x_i = \log S_i$ ) per simmetrizzare il termine di diffusione e convertire i coefficienti variabili in costanti.
- Il problema del pricing è espresso come una disuguaglianza variazionale o un problema di complementarità lineare:
  $\min\left( -\frac{\partial u}{\partial t} + \mathcal{L}u, \, u - g \right) = 0$
  dove $\mathcal{L}$ è l'operatore Black–Scholes multi-asset, $u$ è il valore dell'opzione e $g$ è il payoff. Ciò implica che o il residuo della PDE è zero (regione di continuazione) o il valore dell'opzione è uguale al payoff (regione di esercizio), con $u \geq g$ che deve sempre valere.
Architettura della Rete Neurale:
- Una rete feed-forward con funzioni di attivazione lisce (specificamente tanh) approssima il valore dell'opzione $u_\theta(S, t)$ .
- Viene utilizzata la differenziazione automatica per calcolare le necessarie derivate di primo e secondo ordine per l'operatore PDE, evitando la necessità di funzioni di base fisse.
Funzione di Perdita (Loss Function) e Addestramento:
- La rete viene addestrata minimizzando una somma pesata di quattro termini di residuo:
  1. Residuo PDE: Impone l'equazione di Black–Scholes nell'interno.
  2. Condizione Terminale: Ancoraggio la soluzione al payoff noto alla scadenza.
  3. Condizioni al Contorno: Impone il comportamento ai confini del prezzo dell'asset (es. zero o infinito).
  4. Condizione di Ostacolo/Esercizio Anticipato: Penalizza le violazioni dove $u < g$ .
- Campionamento: Inveve di una griglia fissa, i punti di collocazione sono campionati da sequenze a bassa discrepanza (Sobol o Latin Hypercube) sullo spazio-tempo. Ciò consente al numero di punti di scalare in modo più favorevole rispetto alla dimensione $d$ rispetto alle griglie prodotto tensore.
- Recupero della Frontiera di Esercizio: La frontiera ottimale di esercizio viene identificata a posteriori come l'insieme di livello zero dove il valore predetto è uguale al payoff intrinseco ( $u_\theta - g = 0$ ), formando un ipersuperficie di dimensione $(d-1)$ .

Risultati Sperimentali e Processo Diagnostico
Gli autori hanno condotto uno studio diagnostico esteso su un'opzione put basket americana a due asset utilizzando MATLAB. Il documento dettaglia una progressione di otto sessioni sperimentali, evidenziando che le scelte architettoniche da sole non erano sufficienti; la formulazione matematica della funzione di perdita era critica.

Fallimenti Iniziali (Run 1–3): Tentativi precoci utilizzando penalità squared-hinge standard per la condizione di ostacolo e input non normalizzati hanno portato alla divergenza o a una significativa sovrastima del prezzo dell'opzione (es. $12.58 rispetto a un riferimento Monte Carlo di $6.90). La rete tendeva a gonfiare i valori per soddisfare il vincolo "maggiore di" senza bilanciare correttamente il residuo della PDE.
Campionamento e Stabilità (Run 4–7): Regolazioni come il campionamento near-strike, il campionamento adattivo e la variazione del panorama della perdita (es. usando un singolo termine di disuguaglianza variazionale) non sono riuscite a risolvere la discrepanza. Di fatto, il campionamento adattivo basato sui residui correnti ha portato a prestazioni peggiori ($30.77), e le perdite di disuguaglianza variazionale hanno introdotto instabilità. La Run 6, che combinava ostacoli stabili basati su hinge con campionamento near-strike, ha fallito ugualmente, producendo un prezzo di $12.96 con greche piatte.
La Svolta (Run 8): La configurazione di successo si è basata sulla correzione di un malinteso teorico nella funzione di perdita:
1. Penalità PDE Unilaterale: Il residuo della PDE viene penalizzato solo quando è negativo (nella regione di continuazione), permettendogli di essere positivo nella regione di esercizio dove la PDE non detiene strettamente.
2. Complementarità di Fischer–Burmeister: Invece di una funzione min non liscia o di un semplice hinge, è stata utilizzata una funzione di Fischer–Burmeister liscia per imporre la condizione di complementarità ( $gap \ge 0, F \ge 0, gap \cdot F = 0$ ).
3. Normalizzazione: Gli input e gli output sono stati normalizzati rispetto allo strike $K$ .

Risultato Finale:
Con la funzione di perdita corretta (Run 8), la PINN ha ottenuto un prezzo di $7.87 per la put basket, rispetto al riferimento Monte Carlo Longstaff–Schwartz di $6.90. Questo rappresenta una sovrastima di circa il 14%. Gli autori osservano che, sebbene sia un miglioramento significativo rispetto alle sessioni precedenti, il confronto iniziale ha rivelato un "chiaro disaccordo" tra gli approcci, e il risultato finale rimane una sovrastima che richiede correzioni teoriche specifiche per avvicinarsi al valore di riferimento. Anche le greche (deltas) si sono allineate più strettamente al riferimento.

Significatività e Claim
Il documento sostiene che il framework PINN offre una metodologia mesh-free capace di gestire il pricing di opzioni americane ad alta dimensione dove i metodi tradizionali basati su griglia falliscono a causa della maledizione della dimensionalità.

Il contributo primario non è semplicemente l'applicazione delle reti neurali, ma la rigorosa identificazione della struttura matematica richiesta per la funzione di perdita. Gli autori dimostrano che per i problemi a frontiera libera, la funzione di perdita deve codificare accuratamente la disuguaglianza variazionale, rispettando specificamente che il residuo della PDE e la condizione di ostacolo non devono necessariamente annullarsi simultaneamente ovunque. Lo studio conclude che l'approccio PINN è competitivo con i metodi classici Monte Carlo solo una volta che la sua funzione di perdita codifica accuratamente la sottostante disuguaglianza variazionale, e non prima. Ciò sottolinea che l'approccio generale richiede correzioni teoriche specifiche alla struttura della perdita per ottenere accuratezza, piuttosto che essere intrinsecamente competitivo nella sua formulazione standard.

Sintesi Tecnica: Pricing di Opzioni Multi-Asset tramite Reti Neurali Physics-Informed

Articoli simili