Crisis-Aware Variational Autoencoders for Stress Testing Volatility Surfaces

Technische Samenvatting: Crisis-Aware Variational Autoencoders voor Stress-testen van Volatiliteitsoppervlakken

Probleemstelling
Het stress-testen van volatiliteitsoppervlakken voor exotische derivaten vormt een fundamentele uitdaging voor risicobeheer. Traditionele methodologieën kampen met kritieke beperkingen wanneer ze worden toegepast op instrumenten waarvan de waarde afhangt van de gehele structuur van het oppervlak (bijv. barrière-opties, variance swaps, TARFs), in plaats van enkel van individuele punten.

• Historische Simulatie is begrensd door geobserveerde marktstaten en kan geen nieuwe crisisscenario's genereren.
• Parametrische (Delta-Gamma) benaderingen passen uniforme schokken toe (parallelle verschuivingen) die de interne consistentie van het oppervlak vernietigen (smile-dynamiek, termijnstructuur) en vaak catastrofaal falen voor padafhankelijke payoffs door tekenomkeerfouten in Taylor-expansies.
• GARCH-gebaseerde methoden vangen volatiliteitsclustering op, maar modelleren slechts een scalaire waarde, waardoor ze niet in staat zijn de complexe vormdeformaties van een oppervlak tijdens een crisis te representeren.
• Door experts ontworkte scenario's bieden enkel puntramingen zonder de distributionele risicomaatstaven (VaR, Expected Shortfall) die vereist zijn voor regulatoire kapitaalvereisten (bijv. FRTB).

De kern van de moeilijkheid ligt in het genereren van nieuwe, plausibele en intern consistente gestreste oppervlakken die arbitragevrije condities (geen kalender-spread arbitrage of butterfly-arbitrage) behouden, terwijl ze de specifieke niet-lineaire dynamiek van exotische derivaten vastleggen.

Methodologie: De Crisis-Aware VAE
De auteurs stellen een Crisis-Aware Variational Autoencoder (Crisis VAE) voor, ontworpen om arbitragevrije volatiliteitsoppervlakken te genereren die geconditioneerd zijn op expliciete crisisintensiteit. Het framework wordt getraind op 20.000 synthetische oppervlakken gegenereerd vanuit het Heston stochastisch volatiliteitsmodel (met robuustheidscontroles op Bates jump-diffusion oppervlakken), variërend van normale, gestreste tot crisisregimes.

Belangrijke architecturale innovaties zijn:

1. Crisis-Conditionering via Information Bottleneck: Een vijfdimensionale crisis-indicatorvector $c$ (die VIX-analogen, vol-of-vol, marktrendement, skew en de helling van de termijnstructuur codeert) wordt door een bottleneck-laag ($5 \to 2$ dimensies) geleid. Deze gecomprimeerde vector $\tilde{c}$ wordt geconcateneerd met de latente code $z$ en gevoed aan de decoder. Dit ontwerp dwingt een scheiding van verantwoordelijkheden af: $\tilde{c}$ controleert de intensiteit en het regime van de crisis, terwijl de latente code $z$ de specifieke vorm en de residuele details van het oppervlak codeert.
2. Heavy-Tailed Student-t Prior: In tegenstelling tot standaard VAE's die een Gaussische prior gebruiken (wat de neiging heeft om extremen te overmatige te middelen en onder te representeren), gebruikt de Crisis VAE een multivariate Student-t prior met $\nu=4$ vrijheidsgraden in de latente ruimte. Dit stimuleert het genereren van fat-tailed scenario's die overeenkomen met empirisch crisisgedrag. De prior-parameters $\mu(c)$ en $\sigma(c)$ worden geleerd via een aparte "PriorNet" die geconditioneerd is op $c$.
3. Arbitragevrije Constraints: Het trainingsdoel bevat zachte, differentieerbare straffen voor kalender-spread schendingen (niet-afnemende totale variantie) en butterfly-spread schendingen (niet-negatieve risiconeutrale dichtheid). Daarnaast werkt een verfijnde straf direct op call-prijzen (via Black-Scholes inversie) om de Breeden-Litzenberger conditie beter te benaderen. Na generatie ondergaan de oppervlakken een arbitragevrije SVI (Stochastic Volatility Inspired) fit om strikte naleving te garanderen voor continue instrumenten zoals variance swaps.
4. Trainingsdoel: Het model maximaliseert een crisis-geconditioneerde Evidence Lower Bound (ELBO) die reconstructieverlies, KL-divergentie tussen de Gaussische encoder en de Student-t prior, arbitrage-straffen en een "z-forcing" term bevat om te voorkomen dat de decoder de latente code negeert.

Belangrijkste Resultaten
Het framework werd geëvalueerd tegen vier benchmarks (Historische Simulatie, Parametrische Delta-Gamma, GARCH(1,1) met een variantie-cap en Expert Regulatory shifts) door een portfolio van exotische instrumenten (Down-and-In Barrier Put, TARF, Variance Swap) te prijzen over 500 stressscenario's.

• Precisie en Controleerbaarheid: De Crisis VAE produceerde de meest nauwkeurige en controleerbare stress-schattingen. Voor de Down-and-In Barrier Put was de standaarddeviatie van de P&L $0,37 (ernstig regime), aanzienlijk lager dan Historische Simulatie ($1,50) en GARCH ($1,43). De 95% minimum holder gain (VaR) was $6,67, wat beter presteerde dan Historisch ($4,92) en GARCH ($4,94).
• Falen van Parametrische Benaderingen: De Delta-Gamma benadering faalde structureel voor de barrière-optie, waarbij een negatieve P&L (verlies van waarde) werd voorspeld onder volatiliteitsstress (VaR95 = -$0,38). Deze "tekenomkeer" spreekt de theoretische garantie tegen dat hogere volatiliteit de waarde van een knock-in put strikt verhoogt, wat de ongeschiktheid van kwadratische benaderingen voor padafhankelijke exoten aantoont.
• Arbitrage Naleving: De gegenereerde oppervlakken voldeden aan de kalender-spread constraints met bijna nul schendingen (<0,8%) en butterfly-convexiteit (>97%) op het discrete rooster. Post-processing met SVI reduceerde de schendingen tot nul.
• Robuustheid: De rangorde van de methode bleef consistent toen de trainingsdistributie werd gewisseld van Heston naar Bates jump-diffusion modellen, wat aangeeft dat de bevindingen worden gedreven door de architectuur en instrumenteigenschappen in plaats van het specifieke volatiliteitsmodel.
• Validatie met Real-World Data: Een out-of-sample test op een echt SPY-marktoppervlak (februari 2024) bevestigde het vermogen van het model om oppervlakken in het normale regime te reconstrueren en deze naar de juiste crisis-coördinaten te mappen, hoewel de synthetische trainingsdata de steilheid van de echte equity skew onderschat (een bekende beperking van het Heston-model).

Significantie en Claims
Het artikel beweert een fundamenteel kader te hebben gevestigd voor stress-testen dat de kloof overbrugt tussen generatieve modellering en regulatoire vereisten. De belangrijkste bijdragen zijn:

1. Controleerbare Stressgeneratie: Het vermogen om distributionele risicomaatstaven (VaR, ES) te genereren op willekeurige betrouwbaarheidsniveaus met expliciete controle over de crisisintensiteit via de indicatorvector $c$, wat voldoet aan de FRTB-vereisten voor vooruitblikkende, plausibele scenario's.
2. Oppervlak-Consistentie: In tegen tegenover parallelle verschuivingsmethoden genereert de Crisis VAE oppervlakken met geleerde, niet-lineaire deformaties (steiler wordende skew, termijnstructuur inversie) die economisch consistent en arbitragevrij zijn.
3. Identificatie van Modelrisico: De studie levert empirisch bewijs dat parametrische delta-gamma benaderingen fundamenteel gebrekkig zijn voor padafhankelijke exotische derivaten vanwege tekenomkeer-fouten, en pleit voor full-surface re-pricing methoden.
4. Architecturale Vernieuwing: De introductie van een crisis-geconditioneerde bottleneck en heavy-tailed priors die specifiek zijn afgestemd op financiële stress-testen, wat het onderscheidt van standaard generatieve modellen.

Beperkingen en Reikwijdte
De auteurs geven expliciet aan dat de methode-rangorde en numerieke resultaten zijn gevalideerd op synthetische data (Heston/Bates). Hoewel het framework correct functioneert op echte marktdata in normale regimes, legt de synthetische trainingsdistributie de werkelijke crash-verzekeringspremies of microstructuur-effecten (zoals de steile skew bij echte equity opties) niet volledig vast. Bijgevolg positioneert het artikel de Crisis VAE als een gevalideerde methodologie op een gecontroleerde benchmark en een deployment-ready pipeline, in afwachting van formele kalibratie op historische crisis-tijdperken (bijv. 2008, 2020), wat als prioriteit voor toekomstig werk is geïdentificeerd. De huidige resultaten moeten worden beschouwd als het vaststellen van de structurele validiteit van de aanpak, in plaats van een definitief, door toezichthouders goedgekeurd risicomodel voor live markten.