📈 economics

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

Este estudo demonstra que, embora as redes neurais conscientes de arbitragem melhorem a precisão da precificação de opções em amostras (in-sample), elas falham em generalizar para mercados de fronteira com escassez de dados sem ajuste fino, onde modelos paramétricos recalibrados como o Heston permanecem mais robustos e eficientes.

Autores originais: Tosin Bello, Adeniyi Adefioye

Publicado 2026-09-16

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Tosin Bello, Adeniyi Adefioye

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No mundo das finanças, as opções são contratos que dão a alguém o direito de comprar ou vender um ativo a um preço específico até uma determinada data. Para precificar esses contratos de forma justa, os negociadores dependem de um conceito chamado "volatilidade implícita", que é essencialmente uma medida de quanto o mercado espera que o preço de um ativo oscile para cima ou para baixo no futuro. Se você imaginar o preço de uma ação como um barco no oceano, a volatilidade implícita é a previsão de quão agitadas serão as ondas. Durante décadas, matemáticos usaram fórmulas fixas para prever essas ondas, mas os mercados reais são desordenados e mudam constantemente. Nos últimos anos, cientistas tentaram usar inteligência artificial, especificamente o aprendizado profundo (deep learning), para aprender esses padrões diretamente dos dados, esperando construir um sistema que fosse mais flexível e preciso do que as antigas fórmulas. No entanto, uma grande preocupação persistiu: se um computador aprender a prever preços muito bem, ele pode acidentalmente inventar uma estrutura de preços que permita o "dinheiro grátis", uma situação conhecida como arbitragem, que não pode existir em um mercado estável. Além disso, permanece incerto se um computador treinado nos mercados movimentados e líquidos de nações desenvolvidas pode fazer sentido nos mercados tênues e silenciosos encontrados em economias emergentes.

Uma equipe de pesquisadores da Universidade de Ibadan, na Nigéria, partiu para testar essas ideias ao construir um novo tipo de rede neural, um tipo de programa de computador projetado para reconhecer padrões. O objetivo deles era criar um sistema que não apenas aprendesse a prever preços de opções com precisão, mas que também obedecesse estritamente às regras que impedem o dinheiro grátis. Eles treinaram esse sistema em uma enorme quantidade de dados simulados representando um mercado saudável e líquido, semelhante aos encontrados nos Estados-se Unidos ou na Europa. Para garantir que o computador não violasse restrições, eles adicionaram uma penalidade especial ao seu processo de aprendizado. Se as previsões do computador criassem uma curva de preços que permitisse um lucro livre de risco, a penalidade aumentaria, forçando o sistema a ajustar sua lógica interna até que a curva se tornasse suave e lógica novamente. Essa abordagem foi desenhada para ver se ensinar o computador a respeitar essas regras financeiras o tornaria um preditor melhor.

Os pesquisadores então submeteram sua criação a um teste rigoroso. Primeiro, verificaram o quão bem ela se saía nos mesmos tipos de dados de mercado líquido em que fora treinada. Os resultados foram promissores. O computador que foi ensinado a respeitar as regras de não arbitragem cometeu menos erros do que uma versão que não foi ensinada essas regras. Ele previu a volatilidade do mercado com maior precisão e produziu menos cenários de preços impossíveis. De fato, quando comparado a uma fórmula padrão de não IA, o computador penalizado foi significativamente mais preciso. No entanto, a história mudou dramaticamente quando os pesquisadores tentaram usar esse mesmo computador em um ambiente completamente diferente. Eles simularam um "mercado de fronteira", um cenário com pouquíssimas negociações, altas taxas de juros e saltos de preços súbitos e agudos, modelado conforme as condições da Bolsa de Valores da Nigéria.

Quando o computador, que nunca tinha visto esse tipo de mercado, foi solicitado a fazer previsões, ele falhou espetacularmente. A versão que havia sido fortemente treinada para respeitar as regras do mercado líquido teve o pior desempenho de todos, cometendo erros que eram muito maiores do que mesmo um palpite simples e básico. As regras que o ajudaram a ter sucesso no mercado movimentado tornaram-se, na verdade, um obstáculo no mercado calmo e volátil. O computador aprendeu tão bem a forma específica do mercado líquido que não conseguiu se adaptar à forma estranha e irregular do mercado de fronteira. Os pesquisadores descobriram que a única maneira de corrigir isso era mostrar ao computador uma pequena quantidade de novos dados do mercado de fronteira — apenas oitenta e seis exemplos — e deixá-lo ajustar seu aprendizado ligeiramente. Uma vez fornecida essa pequena parte de nova informação, o desempenho do computador melhorou drasticamente, fechando a lacuna com os modelos mais tradicionais.

O estudo também comparou esses modelos de inteligência artificial contra uma abordagem matemática clássica conhecida como modelo de Heston, que utiliza um conjunto de cinco números ajustáveis para descrever o comportamento do mercado. Surpreendentemente, o modelo clássico permaneceu como a ferramenta mais precisa em quase todos os cenários. Como o modelo clássico é simples, ele pode ser rapidamente recalibrado todos os dias usando apenas um punhado de novas cotações de mercado, permitindo que se adapte instantaneamente às mudanças de condições. A inteligência artificial, por outro vez, precisava ser retreinada ou ajustada com novos dados para acompanhar o ritmo. Os pesquisadores concluíram que, embora adicionar regras para evitar o dinheiro grátis torne um modelo de IA melhor dentro do ambiente em que foi treinado, isso não torna o modelo um especialista universal. Um sistema projetado para um oceano calmo e líquido não pode simplesmente ser jogado em um mar raso e tempestuoso e esperar que navegue sem antes aprender as correntes locais.

Em última análise, o trabalho sugere que, para mercados financeiros em nações em desenvolvimento ou para produtos novos e pouco negociados, confiar apenas em uma inteligência artificial pré-treinada é arriscado. O computador precisa ser ensinado as regras específicas do novo ambiente, mesmo que isso signifique mostrar a ele apenas um pequeno número de exemplos. Até que tais dados estejam disponíveis, os modelos matemáticos mais antigos e simples, que podem ser rapidamente ajustados às condições diárias do mercado, permanecem a escolha mais segura e confiável. O estudo destaca uma lição crucial para o futuro das finanças: a inteligência em um contexto não garante sabedoria em outro, e a ferramenta mais poderosa é frequentemente aquela que consegue aprender e se adaptar mais rapidamente.

Resumo Técnico: Aprendizado Profundo para Precificação de Opções e Superfícies de Volatilidade Implícita

Definição do Problema
Embora redes neurais sejam cada vez mais propostas como alternativas não paramétricas e flexíveis aos modelos clássicos (Black-Scholes, Heston) para ajustar superfícies de volatilidade implícita (VI), sua capacidade de generalização para além dos mercados líquidos nos quais foram treinadas permanece não comprovada. Especificamente, há uma falta de evidência empírica sobre se as restrições de "não-arbitragem" — projetadas para prevenir violações de arbitragem estática, como spreads de calendário e de borboleta — atuam como vieses indutivos benéficos para a generalização ou como restrições específicas do domínio que dificultam a transferência para mercados estruturalmente diferentes. Além disso, o desempenho de métodos de aprendizado profundo em mercados de fronteira, caracterizados por dados esparsos, baixa liquidez e regimes macroeconômicos distintos (ex: altas taxas de juros), não foi rigorosamente testado.

Metodologia
O estudo emprega um protocolo de dados semi-sintéticos para simular dois ambientes de mercado distintos, uma vez que dados históricos reais de opções para a Bolsa de Valores do Nigéria (NGX) não existem:

Painel de Mercado Líquido: Gerado via um modelo de volatilidade estocástica de Heston (1993) simulando 13.418 cotações ao longo de um período estilizado de 2019–2024, apresentando baixas taxas de juros e volatilidade moderada.
Painel de Mercado de Fronteira: Gerado via um modelo Bates (difusão de salto) calibrado à Taxa de Política Monetária do Banco Central da Nigéria (26,5% em julho de 2026). Este painel simula um ambiente de negociação escassa com riscos de salto, alta volatilidade e dados esparsos (298 cotações ao longo de 21 datas).

Arquitetura do Modelo e Treinamento
Os autores implementaram um perceptron multicamadas (MLP) feed-forward do zero em NumPy para garantir controle analítico sobre os gradientes. A rede mapeia o moneyness, tempo para o vencimento, volatilidade realizada e a taxa livre de risco para a variância implícita total ( $w = \sigma^2 T$ ).

Função de Perda: Uma função de perda composta combina o Erro Quadrático Médio (MSE) na variância alvo com penalidades de "não-arbitragem suaves". Essas penalidades impõem monotonicidade de spread de calendário e convexidade de borboleta (baseadas em Fengler, 2009) usando diferenças finitas.
Validação: Os gradientes foram derivados analiticamente e verificados contra diferenças finitas numéricas com precisão de máquina. Hiperparâmetros e pesos de penalidade foram ajustados em um conjunto de validação estritamente ordenado cronologicamente.
Benchmarks: As redes neurais foram comparadas contra um modelo Black-Scholes plano, um modelo Heston estático (parâmetros congelados) e um modelo Heston recalibrado diariamente.

Principais Contribuições

Implementação e Verificação: Uma implementação completa de uma rede neural penalizada por não-arbitragem com verificação de gradiente, incluindo uma análise de sensibilidade dos pesos de penalidade.
Divisão de Séries Temporais Rigorosa: Adesão à divisão cronológica estrita de dados para evitar viés de antecipação (look-ahead bias), contrastando com muitos estudos anteriores que utilizam divisões aleatórias.
Teste de Transferibilidade para Mercados de Fronteira: Um experimento de transferência "zero-shot" inovador avaliando quão bem um modelo treinado em dados de baixa taxa e alta liquidez performa em um mercado de fronteira esparso, de alta taxa e afetado por saltos, juntamente com um experimento de ajuste fino (fine-tuning) para quantificar os requisitos de dados para adaptação.

Resultos

Desempenho In-Domain (Mercado Líquido):
- O modelo Heston recalibrado alcançou a maior precisão (RMSE de VI: 0,0199), superando todas as especificações neurais.
- Entre as redes neurais, a rede penalizada por arbitragem (RMSE: 0,0314) superou significativamente a rede não penalizada (RMSE: 0,0407) e reduziu as violações de arbitragem de borboleta de 9,0% para 5,0%.
- O modelo Heston estático teve um desempenho ruim (RMSE: 0,0676) devido à instabilidade de parâmetros quando não recalibrado.
Transferência Zero-Shot (Mercado de Fronteira):
- Ambas as redes neurais falharam em generalizar sem retreinamento. O RMSE da rede não penalizada subiu para 0,0981, enquanto a rede penalizada por arbitragem degradou catastroficamente para um RMSE de 0,3043, subperformando até mesmo uma linha de base Black-Scholes de volatilidade constante.
- O modelo Heston recalibrado, quando ajustado diretamente aos dados esparsos da fronteira, manteve alta precisão (RMSE: 0,0398).
Ajuste Fino (Fine-Tuning):
- O ajuste fino das redes pré-treinadas utilizando apenas 86 cotações (6 datas) do mercado de fronteira recuperou a maior parte da lacuna de desempenho, reduzindo o RMSE da rede penalizada para 0,0867. No entanto, isso ainda não igualou o modelo Heston recalibrado.
Custo Computacional:
- A inferência da rede neural foi quase instantânea (0,00065 ms/cotação), enquanto a calibração de Heston exigiu ~2,79 segundos por data.

Significância e Alegações
O artigo conclui que, embora a regularização de não-arbitragem melhore a precisão in-domain e reduza as violações de arbitragem, ela atua como um viés indutivo específico do domínio que pode dificultar severamente a generalização para mercados com diferentes regimes de volatilidade e taxas de juros. A "penalidade" que restringe a curvatura da distribuição de treinamento impede que a rede se adapte ao extremo deslocamento de covariáveis do mercado de fronteira.

Os autores afirmam que, para precificação em tempo real em mercados de fronteira ilíquidos e com escassez de dados, modelos paramétricos (como o Heston) mantêm uma vantagem prática sobre o aprendizado profundo, a menos que haja uma quantidade mínima de dados do domínio alvo para ajuste fino. O estudo argumenta que uma rede validada em mercados líquidos não deve ser assumida como um padrão seguro para novos mercados; em vez disso, a adaptação de domínio (via ajuste fino) ou o uso de modelos paramétricos frequentemente recalibrados é necessário. O artigo observa explicitamente que seus achados são baseados em dados semi-sintéticos e servem como evidência do comportamento do método sob deslocamentos de distribuição estilizados, em vez de uma previsão definitiva para futuros mercados de opções da NGX.

Mais como este