A market resilient data-driven approach to option pricing

Este artigo apresenta uma abordagem de ensemble baseada em dados para a previsão de preços de opções, fundamentada na teoria de não arbitragem para criar um espaço de representação comum que permite adaptação de domínio e demonstrou eficácia em dados reais.

O essencial

Imagine que você é um vendedor de guarda-chuvas. O seu trabalho é prever o preço justo de um guarda-chuva para amanhã.

Se você vive em uma cidade onde chove todos os dias (o mercado está "normal"), você pode usar uma fórmula simples baseada no histórico de chuvas passadas para definir o preço. Isso funciona bem. Mas, e se amanhã for um dia de furacão, algo que nunca aconteceu antes? Sua fórmula antiga vai falhar miseravelmente, porque ela foi treinada apenas para dias de chuva leve.

É exatamente esse o problema que os autores deste artigo tentam resolver no mundo das opções financeiras (que são, basicamente, "garantias" ou "seguros" sobre ações).

Aqui está a explicação simplificada do que eles fizeram, usando analogias do dia a dia:

1. O Problema: O "Choque" do Mercado

Os pesquisadores olharam para o mercado de ações da Índia. Eles notaram que, durante a pandemia (o período de lockdown em 2020), o mercado mudou drasticamente. O que funcionava antes (prever preços baseados no passado) parou de funcionar.

• A abordagem antiga (AHH): Era como tentar prever o preço de um guarda-chuva em uma tempestade usando dados de dias de garoa. Funciona bem quando o clima é estável, mas falha quando o mundo muda.
• O desafio: Como criar um modelo que funcione tanto nos dias normais quanto nos dias de "furacão" (crises)?

2. A Solução: A "Língua Universal" (Espaço de Representação Comum)

Os autores criaram uma ideia genial. Em vez de tentar ensinar o computador a lembrar de cada tipo de clima, eles decidiram traduzir todos os dados para uma "língua universal".

• A Analogia: Imagine que você tem dois amigos: um que fala português e outro que fala japonês. Se você quiser que eles entendam a mesma coisa, você não tenta ensinar português ao japonês de um jeito difícil. Você usa um tradutor para transformar tudo em uma "língua neutra" (digamos, um código de cores).
• Na prática: Eles criaram uma fórmula matemática (chamada de escalar de volatilidade) que pega os dados de um ativo (como o índice NIFTY 50) e os "traduz" para essa língua universal. Depois, pegam os dados de outro ativo (como o NIFTY Bank) e também os traduzem para a mesma língua.
• O resultado: Agora, o computador vê os dois mercados não como coisas diferentes e assustadoras, mas como variações da mesma coisa. Isso permite que o modelo aprenda com um mercado e aplique esse conhecimento no outro, mesmo que eles sejam muito diferentes.

3. Os Três "Mestres" (Modelos)

Para testar essa ideia, eles criaram três tipos de "mestres" (modelos de inteligência artificial) e viraram quem era o melhor em qual situação:

1. O Mestre Tradicional (AHH): Especialista em dias normais. Ele é ótimo quando o mercado está calmo, mas entra em pânico quando há uma crise.
2. O Mestre Adaptável (ADS): O novo método do artigo. Ele usa a "língua universal". Ele é um pouco menos preciso nos dias normais, mas é um campeão quando o mercado fica louco (como na pandemia). Ele sabe se adaptar a mudanças bruscas.
3. O Maestro (Modelo de Ensemble): Este é o herói da história. O Maestro não escolhe apenas um dos mestres. Ele tem um "medidor de caos" (chamado Domain Shift Quotient).
   • Se o dia está normal, o Maestro ouve mais o Mestre Tradicional.
   • Se o dia está caótico (furacão), ele ouve mais o Mestre Adaptável.
   • Resultado: O Maestro sempre dá a melhor previsão, combinando o melhor dos dois mundos.

4. O Teste Final: A Prova de Fogo

Eles treinaram esses modelos com dados de 2015 a 2019 (anos normais) e os testaram em dois cenários:

• Cenário Normal (2019 final): O modelo tradicional foi muito bom.
• Cenário de Crise (Pandemia de 2020): O modelo tradicional falhou feio. O modelo adaptável (ADS) e o Maestro (Ensemble) se saíram muito melhor, mantendo a precisão mesmo quando o mercado desabou.

Eles também testaram com dados "falsos" (simulados) onde mudaram a volatilidade artificialmente para ver até onde o modelo aguentava. O resultado foi o mesmo: o novo método aguentou muito mais pressão do que os antigos.

Resumo em uma frase

Os autores criaram um sistema inteligente que, em vez de decorar regras rígidas, aprende a "traduzir" diferentes tipos de mercados para uma linguagem comum, permitindo que ele preveja preços de ações com precisão tanto em dias de sol quanto em dias de tempestade, usando um "Maestro" que decide qual estratégia usar a cada momento.

Por que isso importa?
Isso significa que, no futuro, os investidores poderão ter ferramentas mais seguras para proteger seu dinheiro, mesmo quando o mercado global entrar em colapso inesperado, algo que os métodos antigos não conseguiam fazer.

Resumo técnico

1. O Problema

A precificação justa de opções é um desafio central na matemática financeira. Embora existam modelos teóricos robustos (como Black-Scholes-Merton) baseados em equações diferenciais e cálculo estocástico, a abordagem puramente orientada por dados (data-driven) enfrenta dificuldades significativas quando aplicada a cenários de mercado não vistos durante o treinamento.

O problema principal identificado pelos autores é a falta de resiliência a mudanças de domínio (domain shift). Modelos de aprendizado de máquina treinados em dados históricos de um ativo (ou em condições de mercado normais) tendem a falhar quando aplicados a:

1. Ativos diferentes (ex: treinar em NIFTY 50 e testar em BANKNIFTY).
2. Condições de mercado atípicas ou extremas (ex: o crash financeiro durante o lockdown da COVID-19 na Índia), onde a distribuição dos retornos do ativo muda drasticamente em relação ao período de treinamento.

Abordagens anteriores baseadas apenas no "Dica de Homogeneidade" (Homogeneity Hint) falham nesses cenários porque assumem que as distribuições de retornos logarítmicos são idênticas entre os ativos, uma restrição muito forte na prática.

2. Metodologia

Os autores propõem uma abordagem híbrida que combina teoria de precificação sem arbitragem com técnicas modernas de ciência de dados (aprendizado de máquina e adaptação de domínio). A metodologia é dividida em três pilares principais:

A. Fundamentação Teórica: Espaço de Representação Comum

• Dica de Homogeneidade (AHH): Baseia-se no Teorema 2.2, que estabelece que, sob certas condições (distribuições de retornos idênticas sob medidas de risco neutro), a razão entre o preço da opção e o preço do ativo é invariante. Isso permite treinar em um ativo e aplicar em outro se as distribuições forem similares.
• Abordagem de Deslocamento de Domínio (ADS): Para superar a limitação da AHH, os autores introduzem o conceito de Escalar de Volatilidade ($\rho$).
  • Eles definem um processo escalonado ($\rho$-scaling) que normaliza a volatilidade dos ativos.
  • Utilizam uma aproximação da volatilidade implícita (baseada em fórmulas de inversão de Black-Scholes) para criar um Espaço de Representação Comum.
  • Neste espaço, a volatilidade implícita normalizada pelo escalar $\rho$ torna-se uma variável alvo invariante, permitindo que o modelo aprenda propriedades fundamentais da precificação que são válidas mesmo quando as distribuições de retornos dos ativos de treinamento e teste são diferentes.

B. Modelo de Ensemble (AE)

Para lidar com a incerteza sobre a magnitude do deslocamento de domínio em tempo real, os autores propõem um modelo de ensemble (conjunto):

• Domain Shift Quotient (DSQ): Uma métrica que mede a diferença entre a volatilidade histórica do conjunto de treinamento e a volatilidade atual do dado de teste.
• Mecanismo de Pesos: O modelo final combina as previsões da abordagem AHH (melhor para dados "típicos") e da abordagem ADS (melhor para dados "atípicos").
  • Se o DSQ for baixo (mercado estável), o peso é dado ao AHH.
  • Se o DSQ for alto (mercado volátil/atípico), o peso é transferido para o ADS.
  • A fórmula de ponderação é uma função de potência do DSQ.

C. Implementação Prática

• Algoritmo: Utilização de XGBoost (Gradient Boosting) para regressão.
• Características (Features):
  • Estatísticas de ordem de retornos logarítmicos centralizados (19 dias).
  • Parâmetros do contrato (Moneyness, Tempo para Vencimento).
  • Taxa de juros livre de risco.
  • Preço anterior da opção normalizado.
• Dados: Opções de compra europeias (Call) dos índices indianos NIFTY 50 e BANKNIFTY (NSE), cobrindo o período de 2015 a 2020, incluindo o período de crise da COVID-19.

3. Contribuições Principais

1. Teoria de Adaptação de Domínio em Opções: É a primeira pesquisa a formalizar teoricamente e empiricamente a aplicação de adaptação de domínio na precificação de opções, criando uma ponte entre distribuições de retornos de risco neutro distintas.
2. Novo Escalar de Volatilidade ($\rho$): Introdução de uma variável teórica que permite a normalização de processos de preços diferentes, facilitando a transferência de aprendizado entre ativos.
3. Modelo Híbrido Resiliente: Desenvolvimento de um modelo de ensemble que se adapta dinamicamente às condições de mercado, superando a dicotomia entre modelos puramente teóricos e puramente empíricos.
4. Validação em Cenários Extremos: Demonstração de que o modelo mantém alta precisão durante o crash de 2020, um cenário onde modelos tradicionais e abordagens puramente baseadas em homogeneidade falham.

4. Resultados

Os experimentos foram conduzidos com dados reais (NSE Índia) e dados sintéticos (simulados via Black-Scholes-Merton).

• Desempenho em Dados Reais (Teste Atípico - COVID):

  • Na fase de teste "atípica" (crise de 2020), a abordagem ADS superou consistentemente a abordagem AHH, reduzindo o Erro Quadrático Médio (RMSE) em mais de 50% em comparação com o benchmark Black-Scholes-Merton.
  • O modelo de Ensemble (AE) obteve o melhor desempenho geral, combinando a precisão do AHH em mercados normais e a robustez do ADS em crises.
  • Em dados de teste atípicos do BANKNIFTY, o modelo treinado em NIFTY 50 (via espaço comum) performou melhor do que o modelo treinado no próprio BANKNIFTY, provando a eficácia da adaptação de domínio.

• Treinamento Multi-Fonte:

  • Modelos treinados com dados combinados de NIFTY 50 e BANKNIFTY mostraram maior robustez e menor viés, conseguindo generalizar bem mesmo para ativos com poucos dados históricos.

• Dados Sintéticos:

  • Em simulações com volatilidade variável, a abordagem AHH viu seu erro aumentar drasticamente conforme a volatilidade do teste se afastava da média de treinamento.
  • A abordagem ADS manteve um crescimento de erro mais lento e oscilatório, demonstrando menor sensibilidade às discrepâncias nas distribuições de retorno.

5. Significado e Conclusão

O artigo estabelece um novo paradigma na precificação de opções orientada por dados. A principal conclusão é que a interpretabilidade e a teoria de precificação sem arbitragem não precisam ser abandonadas ao usar aprendizado de máquina.

• Resiliência de Mercado: O modelo proposto é capaz de lidar com "mudanças de regime" (regime shifts) sem necessidade de recalibração constante de parâmetros teóricos complexos.
• Generalização: A capacidade de treinar em um ativo e aplicar com sucesso em outro (ou em condições de mercado radicalmente diferentes) resolve um dos maiores obstáculos das abordagens puramente baseadas em dados: a escassez de dados históricos para novos ativos ou eventos raros.
• Interpretabilidade: Ao não utilizar variáveis macroeconômicas e focar em características intrínsecas do contrato e do ativo (como retornos e volatilidade), o modelo mantém a interpretabilidade, respondendo a críticas comuns sobre "caixas pretas" em finanças.

Em suma, a pesquisa demonstra que a fusão de restrições teóricas (como a homogeneidade e a invariância de medidas de risco neutro) com técnicas de adaptação de domínio de aprendizado de máquina resulta em modelos de precificação superiores, especialmente em momentos de alta volatilidade e incerteza de mercado.