📈 economia

Pricing Multi-Asset Options Using Physics-Informed Neural Networks

Este estudo propõe uma estrutura de Redes Neurais Informadas pela Física (PINN) livre de malha que resolve o problema de obstáculo de Black–Scholes de alta dimensão para precificar simultaneamente opções americanas em múltiplos ativos e identificar suas fronteiras de exercício ideais como hipersuperfícies endógenas sem parametrização explícita.

Autores originais: Marjan Uddin, Muhammad Usman

Publicado 2026-10-22

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Marjan Uddin, Muhammad Usman

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, os investidores frequentemente compram contratos que lhes conferem o direito de vender um ativo a um preço específico antes de um prazo determinado. Estes são chamados de opções americanas. Ao contrário de contratos mais simples que só podem ser utilizados num único dia, as opções americanas oferecem uma vantagem crucial: o detentor pode escolher o momento exato para liquidar a posição, desde que seja antes da data de validade. Esta flexibilidade torna-as incrivelmente valiosas, mas também as torna notoriamente difíceis de precificar. O desafio reside em determinar o momento perfeito para exercer a opção. Se o preço de mercado do ativo cair demasiado, pode ser prudente vender imediatamente. Se o preço se mantiver alto, é melhor esperar. A linha que separa a zona de "vender agora" da zona de "esperar" não é um local fixo e conhecido; é uma fronteira móvel que se desloca à medida que o tempo passa e à medida que os preços dos ativos subjacentes mudam. Para um único ativo, esta fronteira é uma curva simples. Mas quando a opção depende de um cesto de múltiplos ativos, como uma mistura de diferentes ações, a fronteira torna-se uma superfície multidimensional complexa que é incrivelmente difícil de mapear utilizando ferramentas matemáticas tradicionais.

Os investigadores Marjan Uddin e Muhammad Usman abordaram este problema aplicando uma técnica computacional moderna conhecida como rede neuronal informada pela física. Em vez de dependerem do método antiquado de dividir o espaço de mercado numa grelha rígida de pontos, que se torna impossível de gerir quando se lida com muitos ativos, eles treinaram um programa de computador para aprender as regras do mercado diretamente. Eles ensinaram à rede as leis fundamentais que regem o comportamento dos preços das opções, especificamente um conjunto de equações que descrevem como o valor muda ao longo do tempo e com as flutuações de preço. A rede também foi instruída a respeitar a regra de que uma opção nunca pode valer menos do que o dinheiro que se obteria ao vendê-la imediatamente. Ao alimentar a rede com milhares de cenários aleatórios em vez de uma grelha fixa, os investigadores permitiram que ela descobrisse a forma da fronteira invisível onde se torna ótimo exercer a opção. Esta abordagem evita a "maldição da dimensionalidade", um problema onde a complexidade dos cálculos explode à medida que mais ativos são adicionados, ao permitir que a rede amostre o espaço de mercado livremente.

A equipa testou o seu método num cesto de opções envolvendo dois ativos correlacionados. Nas suas tentativas iniciais, o computador teve dificuldades em encontrar a resposta correta, produzindo frequentemente preços muito elevados. Os investigadores descobriram que o problema não estava na arquitetura da rede, mas sim na forma como a estavam a ensinar. Eles tinham estado a utilizar um sistema de penalização demasiado bruto; puniam a rede por errar de formas que não correspondiam às regras financeiras reais. Especificamente, a rede estava a ser forçada a satisfazer condições na região de "exercício" que deveriam aplicar-se apenas na região de "espera", criando um conflito que levava a resultados imprecisos. Através de uma série de experiências cuidadosas, eles refinaram a sua abordagem. Eles normalizaram os dados para tornar os números mais fáceis de manipular, ajustaram a forma como amostravam os cenários de mercado para se focarem mais nas áreas críticas perto da fronteira de decisão e, mais importante, redesenharam a função de penalização para respeitar a natureza unilateral do problema. Eles perceberam que, na região onde é melhor manter a opção, o preço deve seguir as leis do mercado, mas na região onde é melhor vender, o preço é simplesmente o pagamento, e as leis do mercado não precisam de se aplicar da mesma forma.

Após corrigirem estes mal-entendidos matemáticos, a rede produziu um resultado final de aproximadamente $7,87. Este resultado representou uma sobrestimação de cerca de 14% em relação ao preço de referência de $6,90 calculado utilizando a técnica de Monte Carlo de Longstaff–Schwartz. Embora esta tenha sido a configuração que mais se aproximou durante toda a investigação e tenha caído dentro da gama do erro típico de discretização numérica, em vez de apontar para uma falha estrutural, os autores observaram que a abordagem PINN só é competitiva com os métodos clássicos de Monte Carlo uma vez que o seu funcional de perda codifique com precisão a desigualdade variacional subjacente. O estudo demonstrou que, embora as redes neuronais tenham grande promessa na precificação destes instrumentos financeiros complexos, o seu sucesso depende inteiramente da codificação da lógica matemática correta no processo de treino. Os investigadores descobriram que simplesmente lançar mais dados ou mais poder computacional ao problema não era suficiente; o modelo tinha de ser guiado por uma compreensão precisa de onde as regras do jogo mudam. Ao acertarem na física subjacente do problema, mostraram que estas redes podem mapear eficazmente as fronteiras invisíveis que ditam o valor das opções de múltiplos ativos, oferecendo uma ferramenta poderosa para navegar em mercados financeiros de alta dimensão.

Resumo Técnico: Precificação de Opções Multiativos Usando Redes Neurais Informadas pela Física

Enunciado do Problema
O artigo aborda a valoração de opções americanas sobre múltiplos ativos subjacentes ( $d > 1$ ), como opções de cesta (basket), de diferença (spread) ou rainbow. Diferente das opções europeias, as opções americanas permitem o exercício antecipado, transformando o problema de precificação em um problema de fronteira livre. O valor da opção deve satisfazer a equação diferencial parcial (EDP) de Black–Scholes em uma "região de continuidade" (onde manter a posição é o ideal), enquanto permanece restrito ao seu payoff intrínseco em uma "região de exercício" (onde o resgate imediato é o ideal). A fronteira que separa essas regiões é desconhecida a priori.

Embora problemas de ativo único ( $d=1$ ) tenham sido resolvidos de forma eficaz usando métodos como diferenças finitas, árvores binomiais e funções de base radial (RBF), a extensão para altas dimensões apresenta a "maldição da dimensionalidade". Especificamente, esquemas tradicionais de interpolação quase-RBF baseados em grades ou nós (ex: Hon e Schaback, 2002) sofrem com o crescimento exponencial da complexidade ( $O(N^d)$ ) conforme o número de ativos aumenta, tornando-os computacionalmente intratáveis para $d > 1$ .

Metodologia
Os autores propõem uma estrutura de Rede Neural Informada pela Física (PINN) para aproximar o valor da opção e a fronteira de exercício ideal sem a necessidade de geração explícita de malha.

Formulação Matemática:
- O problema é formulado em coordenadas de log-preço ( $x_i = \log S_i$ ) para simetrizar o termo de difusão e converter coeficientes variáveis em constantes.
- O problema de precificação é expresso como uma desigualdade variacional ou um problema de complementaridade linear:
  $\min\left( -\frac{\partial u}{\partial t} + \mathcal{L}u, \, u - g \right) = 0$
  onde $\mathcal{L}$ é o operador Black–Scholes multiativo, $u$ é o valor da opção e $g$ é o payoff. Isso implica que ou o resíduo da EDP é zero (região de continuidade) ou o valor da opção é igual ao payoff (região de exercício), sendo que $u \geq g$ sempre deve ser mantido.
Arquitetura da Rede Neural:
- Uma rede feed-forward com funções de ativação suaves (especificamente tanh) aproxima o valor da opção $u_\theta(S, t)$ .
- A diferenciação automática é utilizada para calcular as necessárias derivadas de primeira e segunda ordem para o operador da EDP, evitando a necessidade de funções de base fixas.
Função de Perda e Treinamento:
- A rede é treinada minimizando uma soma ponderada de quatro termos de resíduo:
  1. Resíduo da EDP: Impõe a equação de Black–Scholes no interior.
  2. Condição Terminal: Ancoragem da solução ao payoff conhecido no vencimento.
  3. Condições de Contorno: Impõe o comportamento nos limites de preço do ativo (ex: zero ou infinito).
  4. Condição de Obstáculo/Exercício Antecipado: Penaliza violações onde $u < g$ .
- Amostragem: Em vez de uma grade fixa, os pontos de colocação são amostrados de sequências de baixa discrepância (Sobol ou Latin Hypercube) sobre o domínio espaço-temporal. Isso permite que o número de pontos escale de forma mais favorável com a dimensão $d$ em comparação com grades de produto tensorial.
- Recuperação da Fronteira de Exercício: A fronteira de exercício ideal é identificada a posteriori como o conjunto de nível zero onde o valor previsto é igual ao payoff intrínseco ( $u_\theta - g = 0$ ), formando uma hipersuperfície de $(d-1)$ dimensões.

Resultados Experimentais e Processo de Diagnóstico
Os autores conduziram um estudo diagnóstico extensivo em uma opção put de cesta americana de dois ativos usando MATLAB. O artigo detalha uma progressão de oito execuções experimentais, destacando que escolhas arquiteturais sozinhas foram insuficientes; a formulação matemática da função de perda foi crítica.

Falhas Iniciais (Execuções 1–3): Tentativas iniciais usando penalidades de hinge quadráticas padrão para a condição de obstáculo e entradas não normalizadas resultaram em divergência ou superestimação significativa do preço da opção (ex: $12,58 vs. uma referência de Monte Carlo de $6,90). A rede tendia a inflar os valores para satisfazer a restrição de "maior que" sem equilibrar adequadamente o resíduo da EDP.
Amostragem e Estabilidade (Execuções 4–7): Ajustes como amostragem próxima ao strike, reamostragem adaptativa e variação do cenário de perda (ex: usando um único termo de desigualdade variacional) falharam em resolver a discrepância. De fato, a reamostragem adaptativa baseada nos resíduos atuais levou a um desempenho pior ($30,77), e as perdas de desigualdade variacional introduziram instabilidade. A Execução 6, que combinou obstáculos estáveis baseados em hinge com amostragem próxima ao strike, também falhou, produzindo um preço de $12,96 com Gregas planas.
O Avanço (Execução 8): A configuração bem-sucedida dependeu da correção de um equívoco teórico na função de perda:
1. Penalidade de EDP Unilateral: O resíduo da EDP só é penalizado quando negativo (na região de continuidade), permitindo que seja positivo na região de exercício, onde a EDP não se sustenta estritamente.
2. Complementaridade de Fischer–Burmeister: Em vez de uma função min não suave ou um simples hinge, utilizou-se uma função de Fischer–Burmeister suave para impor a condição de complementaridade ( $gap \ge 0, F \ge 0, gap \cdot F = 0$ ).
3. Normalização: As entradas e saídas foram normalizadas pelo preço de exercício (strike) $K$ .

Resultado Final:
Com a função de perda corrigida (Execução 8), a PINN alcançou um preço de $7,87 para a put de cesta, comparado à referência de Monte Carlo de Longstaff–Schwartz de $6,90. Isso representa uma superestimação de aproximadamente 14%. Os autores observam que, embora este seja um avanço significativo em relação às execuções anteriores, a comparação inicial revelou um "desacordo claro" entre as abordagens, e o resultado final permanece uma superestimação que requer correções teóricas específicas para se aproximar do valor de referência. As Gregas (deltas) também alinharam-se mais proximamente à referência.

Significância e Alegações
O artigo alega que a estrutura PINN oferece uma metodologia livre de malha (mesh-free) capaz de lidar com a precificação de opções americanas de alta dimensão, onde os métodos tradicionais baseados em grade falham devido à maldição da dimensionalidade.

A principal contribuição não é meramente a aplicação de redes neurais, mas a identificação rigorosa da estrutura matemática necessária para a função de perda. Os autores demonstram que, para problemas de fronteira livre, a função de perda deve codificar precisamente a desigualdade variacional, respeitando especificamente que o resíduo da EDP e a condição de obstáculo não precisam desaparecer simultaneamente em todos os pontos. O estudo conclui que a abordagem PINN é competitiva com os métodos clássicos de Monte Carlo apenas quando sua função de perda codifica adequadamente a desigualdade variacional subjacente, e não antes. Isso enfatiza que o método geral requer correções teóricas específicas à estrutura de perda para alcançar precisão, e não é inerentemente competitivo em sua formulação padrão.

Resumo Técnico: Precificação de Opções Multiativos Usando Redes Neurais Informadas pela Física

Mais como este