📊 estatística

A deep learning method for solving American double Heston model

Este artigo propõe um framework de aprendizagem profunda utilizando o ensemble multiplicativo de redes neurais (MLA-MoS-1 e MLA-MoS-2) para resolver simultaneamente o modelo americano double Heston sob taxas de juros constantes e estocásticas, prevendo eficazmente a fronteira de exercício antecipado, os valores das opções e os Gregos.

Autores originais: Chinonso Nwankwo, Weizhong Dai

Publicado 2026-10-16

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Chinonso Nwankwo, Weizhong Dai

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, prever o preço futuro de uma ação é uma aposta de alto risco. Os investidores dependem de modelos matemáticos para determinar o valor justo de opções, que são contratos que conferem ao detentor o direito, mas não a obrigação, de comprar ou vender um ativo a um preço específico até uma determinada data. Ao contrário das opções padrão que só podem ser exercidas ao final de sua vida, as opções de estilo americano podem ser compradas ou vendidas a qualquer momento antes de expirarem. Essa flexibilidade introduz um quebra-cabeça complexo: em que momento exato e a qual preço de ação um investidor deve escolher exercer a opção para maximizar o lucro? Esse ponto de decisão é conhecido como a fronteira de exercício antecipado. Para resolver isso, matemáticos utilizam equações que descrevem como os preços dos ativos e sua volatilidade — a medida de quão drasticamente os preços oscilam — evoluem ao longo do tempo. Quando esses modelos se tornam sofisticados o suficiente para considerar duas fontes diferentes de volatilidade e até mesmo taxas de juros flutuantes, as equações tornam-se incrivelmente difíceis de resolver, muitas vezes exigindo um poder computacional massivo e fazendo suposições simplificadoras que podem reduzir a precisão.

Uma equipe de pesquisadores da Universidade de Calgary e da Louisiana Tech University desenvolveu uma nova abordagem para enfrentar esse desafio específico usando uma forma de inteligência artificial conhecida como aprendizado profundo (deep learning). Eles focaram em um modelo financeiro complexo chamado modelo de Heston duplo americano, que tenta capturar a realidade de que os preços dos ativos são influenciados por duas fontes separadas e interativas de volatilidade e, em alguns casos, por taxas de juros que mudam ao longo do tempo. Em vez de tentar resolver as equações difíceis diretamente com métodos tradicionais baseados em grades, que podem ser rígidos e propensos a erros ao lidar com mudanças bruscas, os pesquisadores treinaram uma rede neural. Esta é uma rede de computador inspirada no cérebro humano, capaz de aprender padrões a partir de dados. O objetivo deles era ensinar essa rede a prever simultaneamente três coisas críticas: o valor da opção, o momento e o preço precisos em que ela deve ser exercida e os "Greeks", que são medidas sensíveis de como o preço da opção reagirá a pequenas mudanças no mercado.

Os pesquisadores projetaram uma arquitetura única para sua rede neural, que eles chamam de "mistura de soluções". Em vez de depender de um único programa monolítico, eles construíram um sistema composto por três redes menores e especializadas trabalhando juntas. Uma parte do sistema foca na passagem do tempo, outra no estado atual do ativo e sua volatilidade, e uma terceira na interação entre os diferentes fatores de volatilidade. Esses componentes são combinados de uma forma específica que permite à rede lidar com as mudanças bruscas e repentinas que ocorrem no momento em que uma opção é exercida. Uma inovação fundamental em seu método é como eles lidam com as fronteiras do problema. Os métodos tradicionais frequentemente forçam a solução a se ajustar a regras estritas nas extremidades do cálculo, o que pode introduzir erros. Em vez disso, este novo método permite que a rede aprenda o comportamento nessas fronteiras distantes diretamente das regras matemáticas subjacentes durante o processo de treinamento. Essa flexibilidade remove a necessidade de restrições artificiais e permite que o modelo descubra o comportamento mais preciso por conta própria.

Para garantir que a rede pudesse aprender de forma eficaz, os pesquisadores empregaram uma estratégia chamada "alongamento de grade" (grid stretching). Imagine tentar mapear uma linha costeira onde os detalhes são extremamente finos em algumas áreas e amplos em outras; um mapa padrão poderia perder as pequenas enseadas. Da mesma forma, o valor de uma opção muda muito rapidamente perto do ponto onde ela é exercida, mas mais lentamente em outros lugares. Os pesquisadores ajustaram sua amostragem de dados para focar mais intensamente nessas áreas críticas e de mudança rápida, enquanto ainda cobriam a gama mais ampla de possibilidades. Eles testaram seu método em um computador padrão com um processador moderno, utilizando um conjunto de dados surpreendentemente pequeno em comparação com o que é tipicamente exigido para problemas tão complexos. Os resultados mostraram que sua rede neural poderia prever o valor da opção e a fronteira de exercício antecipado com alta precisão, igualando ou até mesmo superando ligeiramente os resultados de métodos estabelecidos usados por outros especialistas na área.

O estudo também explorou um cenário mais complicado onde as taxas de juros não são fixas, mas flutuam aleatoriamente, adicionando uma quarta dimensão ao problema. Nesta versão estendida, os pesquisadores testaram o modelo sob duas condições diferentes: uma onde os vários fatores de mercado eram amplamente independentes entre si e outra onde estavam fortemente ligados. A rede teve um bom desempenho em ambos os casos, prevendo com sucesso o valor e a estratégia de exercício ideal, mesmo quando as relações entre as variáveis eram complexas e não nulas. Os pesquisadores descobriram que, embora o modelo permanecesse robusto, a precisão era ligeiramente maior quando os fatores de mercado eram menos interconectados, sugerindo que a complexidade das relações de fato impacta a precisão da previsão. No entanto, a capacidade da rede de lidar com esses cenários densos e interconectados sem falhar é um passo significativo à frente.

O que torna este trabalho particularmente notável não é apenas a precisão dos números, mas a maneira como a solução é apresentada. A rede neural não apenas gera um preço único; ela gera uma superfície completa que mostra como o valor da opção e o ponto de exercício ideal mudam através do tempo, do preço do ativo e da volatilidade. Isso fornece uma visão abrangente do cenário financeiro que é difícil de obter com métodos mais antigos. Os pesquisam também demonstraram que sua abordagem poderia calcular os "Greeks", as medidas de sensibilidade que os operadores usam para gerenciar riscos, com o mesmo nível de precisão. Ao evitar a discretização rígida do espaço e do tempo que assola os métodos numéricos tradicionais, e ao usar diferenciação automática para calcular as taxas de variação diretamente, o método oferece uma maneira mais suave e confiável de navegar pelas complexidades dos derivativos financeiros modernos.

As implicações desta pesquisa estendem-se além de um único modelo financeiro. Ela demonstra que o aprendizado profundo pode ser aplicado efetivamente a problemas de fronteira livre, uma classe de desafios matemáticos onde a própria fronteira faz parte da solução a ser encontrada. Este é um problema comum na física e na engenharia, mas tem sido um obstáculo persistente nas finanças. O sucesso desta estrutura de mistura de soluções sugere que abordagens semelhantes poderiam ser adaptadas para outros modelos de precificação complexos que envolvem múltiplas fontes de incerteza. Os pesquisadores reconhecem que seu trabalho é uma prova de conceito baseada em simulação, e planejam expandir suas investigações futuras para incluir uma gama total de parâmetros e estruturas de correlação. Por enquanto, eles forneceram uma ferramenta clara, flexível e precisa para compreender o modelo de Heston duplo americano, oferecendo um novo caminho para resolver algumas das equações mais intrincadas das finanças quantitativas.

Resumo Técnico: Um Método de Aprendizado Profundo para Resolver o Modelo Americano de Double Heston

Enunciado do Problema
O artigo aborda o desafio computacional de resolver o modelo americano de double Heston, um problema de precificação de derivativos financeiros complexo caracterizado como um problema de fronteira livre. O modelo incorpora dois fatores de variância estocástica e, em sua forma estendida, uma taxa de juros estocástica (modelada via processo de Cox-Ingersoll-Ross). A dificuldade principal reside em determinar simultaneamente a função valor, a fronteira de exercício antecipado (uma superfície de fronteira livre) e os Gregos (sensibilidades) através de um espaço de estados de alta dimensão. Métodos numéricos tradicionais, como métodos de diferenças finitas ou elementos finitos, frequentemente lutam contra a "maldição da dimensionalidade" e a discretização de termos de derivadas mistas, o que pode levar à instabilidade ou oscilações. Além disso, abordagens analíticas ou semi-analíticas existentes (por exemplo, expansões assintóticas) frequentemente dependem de suposições ou aproximações específicas que podem limitar sua precisão ou aplicabilidade.

Metodologia
Os autores propõem um framework de aprendizado profundo baseado em uma estratégia de "Mistura de Soluções" (Mixture of Solutions - MoS), utilizando o ensembling multiplicativo de sub-redes. A metodologia é dividida em duas configurações principais:

Formulação e Transformação do Modelo:
- O problema é primeiro formulado como um sistema de Equações Diferenciais Estocásticas (SDEs) acopladas e uma correspondente Equação Diferencial Parcial (PDE) tridimensional (taxa de juros constante) ou quadridimensional (taxa de juros estocástica).
- Para lidar com a fronteira livre, os autores empregam uma transformação logarítmica ( $x = \ln(S/\hat{s}_f)$ ) para converter o problema de fronteira móvel em um problema de fronteira fixa-livre.
- A função valor é normalizada pelo preço de exercício $K$ , e o domínio temporal é normalizado para $[0, 1]$ .
- Crucialmente, os autores não impõem condições de contorno de campo distante explícitas (por exemplo, em $S \to \infty$ ou $\upsilon \to 0$ ). Em vez disso, esses comportamentos de fronteira são aprendidos implicitamente através do resíduo da PDE na função de perda.
Arquitetura de Rede Neural (MLA-MoS):
A arquitetura proposta, denominada MLA-MoS (Modular Learning Approximant with Mixture of Solutions), consiste em três sub-redes que interagem via ensembling multiplicativo:
- Sub-rede 1 ( $T$ ): Uma rede dependente do tempo que recebe $\tau$ como entrada, projetada para impor condições terminais.
- Sub-rede 2 ( $R$ ): Uma rede espacial que recebe as variáveis de estado (tempo, log-preço, variâncias, taxa de juros, etc.) como entrada.
- Sub-rede 3 ( $Q$ ): Uma rede interativa que recebe termos de variância ( $\upsilon_1, \upsilon_2, \upsilon_1\upsilon_2$ ) como entrada para modelar a interação entre os fatores de volatilidade.
- Ensembling: A saída final é uma soma ponderada das saídas das sub-redes, modulada por um termo exponencial envolvendo a terceira sub-rede. Esta estrutura garante a não-negatividade e permite que a rede satisfaça condições de contorno específicas (Value Matching e Smooth Pasting) via um termo de contorno de Robin na função de perda.
- Função de Perda: A função de perda compreende o resíduo da PDE (impondo a equação governante) e um termo de contorno que acopla as condições de value matching e smooth pasting na fronteira de exercício antecipado.
Amostragem e Otimização:
- Para abordar a singularidade no Gamma e Delta próximo ao tempo terminal e à fronteira de exercício antecipado, os autores empregam uma estratégia de estiramento de grade (grid stretching) baseada na função seno hiperbólico ( $\sinh$ ). Isso concentra os pontos de amostragem em regiões críticas (por exemplo, $t=0$ , $S=K$ ).
- Os modelos são treinados usando o otimizador Adam com decaimento exponencial da taxa de aprendizado. A diferenciação automática é utilizada para calcular as derivadas parciais necessárias para a perda da PDE, evitando a necessidade de esquemas de discretização numérica.

Principais Contribuições
O artigo destaca as seguintes contribuições específicas:

Framework Explicável: A introdução de um framework de aprendizado profundo modular e interativo (MLA-MoS) projetado especificamente para o modelo americano de double Heston como um problema de fronteira livre.
Predição Simultânea: A capacidade das redes treinadas (MLA-MoS-1 para taxas constantes, MLA-MoS-2 para taxas estocásticas) de prever simultaneamente a superfície da fronteira de exercício antecipado, a função valor e os Gregos (Delta, Gamma, Vega).
Tratamento Adaptativo de Fronteira: A implementação de um termo exponencial adaptativo atuando como uma "mistura de especialistas" para controlar o comportamento do valor da opção próximo às fronteiras artificiais à direita, eliminando a necessidade de condições de contorno de campo distante codificadas rigidamente.
Integração de Contorno de Robin: A incorporação explícita das condições de smooth pasting e value matching na função de perda como um termo de contorno de Robin, garantindo consistência física na fronteira de exercício.
Derivadas Não-Discretizadas: A dependência de diferenciação automática para derivadas parciais, evitando assim as imprecisões numéricas associadas à discretização de termos de derivadas mistas e convectivas comuns em métodos baseados em malha.

Resultados Experimentais
Os autores validam o método através de experimentos numéricos comparando as previsões de aprendizado profundo com métodos existentes:

Taxa de Juros Constante (MLA-MoS-1): Os resultados foram comparados com o método de expansão assintótica (Zhang e Feng [37]) e o Método de Mínimos Quadrados (LSM). As previsões do MLA-MoS-1 para a função valor e a fronteira de exercício antecipado mostraram alta consistência com estes parâmetros de referência, mesmo quando treinadas em conjuntos de dados esticados relativamente pequenos (ex: $14 \times 14 \times 14 \times 14$ pontos).
Taxa de Juros Estocástica (MLA-MoS-2): O método foi testado em um modelo de quatro fatores com matrizes de correlação esparsas e densas.
- No caso de correlação esparsa, os resultados foram comparados com o algoritmo AECV (Zhang e Zhang [38]), o método SWIFT (Shoude e Guo [30]) e o LSM. Os resultados do MLA-MoS-2 foram considerados razoáveis e consistentes com estes métodos estabelecidos.
- No caso de correlação densa (onde todos os fatores de correlação são não-zero), o modelo produziu previsões razoáveis, embora os autores tenham observado que a estrutura densa introduziu mais variação em comparação ao caso esparso, sugerindo que a estrutura de correlação impacta significativamente a precisão da solução.
Análise Qualitativa: Visualizações da função valor, dos Gregos e das fronteiras de exercício antecipado confirmaram que as superfícies se comportam conforme o esperado teoricamente (ex: Delta em $[-1, 0]$ , Gamma e Vega positivos). O estudo também demonstrou que a estratégia de estiramento de grade é crítica; sem ela, o desempenho preditivo degradava significativamente.

Significância e Alegações
O artigo posiciona sua significância no contexto da resolução de problemas de fronteira livre de alta dimensão em finanças. Os autores alegam que sua abordagem oferece uma alternativa flexível aos métodos numéricos tradicionais ao:

Simplificar o Design da Rede: Ao aprender os valores da fronteira distante a partir da perda da PDE em vez de impô-los, o método reduz a complexidade do tratamento das condições de contorno.
Melhorar a Precisão: O uso de diferenciação automática e estiramento de grade mitiga problemas relacionados à discretização de derivadas mistas e singularidades na fronteira de exercício.
Escalabilidade: O método demonstra a capacidade de lidar tanto com cenários de taxa de juros constante quanto estocástica dentro de um framework unificado de aprendizado profundo.

Os autores concluem de forma modesta, observando que, embora os resultados atuais sejam promissores, trabalhos futuros focarão na extensão do framework para lidar com a parametrização total de variáveis e parâmetros (incluindo fatores de correlação) para permitir a inferência sobre uma gama mais ampla de condições de mercado, reconhecendo que isso aumentará a complexidade da rede.

Mais como este