Crisis-Aware Variational Autoencoders for Stress Testing Volatility Surfaces

Resumo Técnico: VAEs Sensíveis a Crises para Testes de Estresse de Superfícies de Volatilidade

Definição do Problema
O teste de estresse de superfícies de volatilidade para derivativos exóticos apresenta um desafio fundamental na gestão de riscos. As metodologias tradicionais sofrem de limitações críticas quando aplicadas a instrumentos cujos valores dependem de toda a estrutura da superfície (ex: opções de barreira, variance swaps, TARFs) em vez de pontos isolados.

• Simulação Histórica é limitada pelos estados de mercado observados e não consegue gerar novos cenários de crise.
• Abordagens Paramétricas (Delta-Gamma) aplicam choques uniformes (deslocamentos paralelos) que destroem a consistência interna da superfície (dinâmica do sorriso, estrutura temporal) e frequentemente falham catastroficamente para payoffs dependentes de trajetória devido a erros de reversão de sinal em expansões de Taylor.
• Métodos baseados em GARCH capturam o agrupamento de volatilidade, mas modelam apenas um escalar de nível, falhando em representar as complexas deformações de forma de uma superfície durante o estresse.
• Cenários desenhados por especialistas fornecem estimativas de ponto único sem as medidas de risco distributivas (VaR, Expected Shortfall) exigidas para o capital regulatório (ex: FRTB).

A dificuldade central reside em gerar superfícies estressadas que sejam novas, plausíveis e internamente consistentes, preservando as condições livres de arbitragem (sem arbitragem de calendário ou de borboleta), enquanto capturam as dinâmicas não lineares específicas de derivativos exóticos.

Metodologia: O VAE Sensível a Crises (Crisis-Aware VAE)
Os autores propõem um Variational Autoencoder Sensível a Crises (Crisis VAE) projetado para gerar superfícies de volatilidade livres de arbitragem condicionadas à severidade explícita da crise. O framework é treinado em 20.000 superfícies sintéticas geradas pelo modelo de volatilidade estocástica de Heston (com verificações de robustez em superfícies de difusão de saltos de Bates), abrangendo regimes normais, estressados e de crise.

Inovações arquiteturais chave incluem:

1. Condicionamento de Crise via Gargalo de Informação: Um vetor indicador de crise de cinco dimensões $c$ (codificando análogo ao VIX, vol-of-vol, retorno de mercado, skew e inclinação da estrutura temporal) é passado por uma camada de gargalo ($5 \to 2$ dimensões). Este vetor comprimido $\tilde{c}$ é concatenado com o código latente $z$ e alimentado no decoder. Este design força uma separação de responsabilidades: $\tilde{c}$ controla a severidade e o regime da crise, enquanto o código latente $z$ codifica a forma específica e os detalhes residuais da superfície.
2. Prior de Student-t de Caudas Pesadas: Diferente dos VAEs padrão que usam uma prior Gaussiana (que tende a suavizar excessivamente e sub-representar extremos), o Crisis VAE utiliza uma prior Student-t multivariada com $\nu=4$ graus de liberdade no espaço latente. Isso incentiva a geração de cenários de caudas pesadas que se alinham com o comportamento empírico de crises. Os parâmetros da prior $\mu(c)$ e $\sigma(c)$ são aprendidos via uma "PriorNet" condicionada a $c$.
3. Restrições Livres de Arbitragem: O objetivo de treinamento inclui penalidades suaves e diferenciáveis para violações de spread de calendário (variância total não decrescente) e violações de spread de borboleta (densidade de risco neutro não negativa). Adicionalmente, uma penalidade refinada opera diretamente nos preços de call (via inversão de Black-Scholes) para melhor aproximar a condição de Breeden-Litzenberger. Pós-geração, as superfícies passam por um ajuste SVI (Stochastic Volatility Inspired) livre de arbitragem para garantir conformidade estrita para instrumentos contínuos como variance swaps.
4. Objetivo de Treinamento: O modelo maximiza um ELBO (Evidence Lower Bound) condicionado à crise, incorporando perda de reconstrução, divergência KL entre o encoder Gaussiano e a prior Student-t, penalidades de arbitragem e um termo de "z-forcing" para evitar que o decoder ignore o código latente.

Resultos Principais
O framework foi avaliado contra quatro benchmarks (Simulação Histórica, Delta-Gamma Paramétrico, GARCH(1,1) com teto de variância e deslocamentos regulatórios de especialistas) precificando um portfólio de instrumentos exóticos (Down-and-In Barrier Put, TARF, Variance Swap) através de 500 cenários de estresse.

• Precisão e Controlabilidade: O Crisis VAE produziu as estimativas de estresse mais estreitas e controláveis. Para o Down-and-In Barrier Put, o desvio padrão do P&L foi de $0,37 (regime severo), significativamente menor que a Simulação Histórica ($1,50) e o GARCH ($1,43). O ganho mínimo do detentor de 95% (VaR) foi de $6,67, superando o Histórico ($4,92) e o GARCH ($4,94).
• Falha das Aproximações Paramétricas: A aproximação Delta-Gamma falhou estruturalmente para a opção de barreira, prevendo um P&L negativo (perda de valor) sob estresse de volatilidade (VaR95 = -$0,38). Esta "reversão de sinal" contradiz a garantia teórica de que maior volatilidade aumenta estritamente o valor de um knock-in put, demonstrando a inadequação de aproximações quadráticas para exóticos dependentes de trajetória.
• Conformidade de Arbitragem: As superfícies geradas satisfizeram restrições de spread de calendário com violações próximas de zero (<0,8%) e convexidade de borboleta (>97%) no grid discreto. O pós-processamento com SVI reduziu as violações a zero.
• Robustez: O ranking do método permaneceu consistente quando a distribuição de treinamento foi alterada de modelos Heston para modelos de difusão de saltos de Bates, indicando que os achados são impulsionados pela arquitetura e propriedades do instrumento, não pelo modelo de volatilidade específico.
• Validação com Dados Reais: Um teste fora da amostra em uma superfície de mercado real do SPY (fevereiro de 2024) confirmou a capacidade do modelo de reconstruir superfícies de regime normal e mapeá-las para as coordenadas de crise corretas, embora os dados de treinamento sintéticos subestimem a inclinação do skew de ações do mundo real (uma limitação conhecida do modelo Heston).

Significância e Alegações
O artigo afirma estabelecer um framework principiado para testes de estresse que preenche a lacuna entre modelagem generativa e requisitos regulatórios. Suas principais contribuições são:

1. Geração de Estresse Controlável: A capacidade de gerar medidas de risco distributivas (VaR, ES) em níveis de confiança arbitrários com controle explícito sobre a severidade da crise via vetor indicador $c$, satisfazendo os requisitos do FRTB para cenários prospectivos e plausíveis.
2. Consistência de Superfície: Ao contrário dos métodos de deslocamento paralelo, o Crisis VAE gera superfícies com deformações não lineares aprendidas (acentuação de skew, inversão de estrutura temporal) que são economicamente consistentes e livres de arbitragem.
3. Identificação de Risco de Modelo: O estudo fornece evidência empírica de que abordagens paramétricas delta-gamma são fundamentalmente falhas para derivativos exóticos dependentes de trajetória devido a falhas de reversão de sinal, defendendo métodos de re-precificação de superfície completa.
4. Inovação Arquitetural: A introdução de um gargalo de condicionamento de crise e priors de caudas pesadas especificamente adaptados para testes de estresse financeiro, distinguindo a abordagem de modelos generativos padrão.

Limitações e Escopo
Os autores declaram explicitamente que o ranking do método e os resultados numéricos são validados em dados sintéticos (Heston/Bates). Embora o framework opere corretamente em dados de mercado reais em regimes normais, a distribuição de treinamento sintética não captura totalmente os prêmios de seguro de crash do mundo real ou efeitos de microestrutura (ex: o skew acentuado observado em opções de ações reais). Consequentemente, o artigo posiciona o Crisis VAE como uma metodologia validada em um benchmark controlado e um pipeline pronto para implantação, pendente de calibração formal em cadeias de opções de eras de crise históricas (ex: 2008, 2020), o que é identificado como uma prioridade para trabalhos futuros. Os resultados atuais devem ser vistos como o estabelecimento da validade estrutural da abordagem, e não como um modelo de risco final e aprovado por reguladores para mercados em tempo real.