Neural SDE / Deep Hedging
Cada modelo en este sitio -- SABR, SVI, Heston -- comienza eligiendo una fórmula y luego ajustando sus parámetros a los datos. Una Neural SDE invierte esto: usa una red neuronal para aprender la fórmula misma directamente de los datos del mercado. La red descubre las funciones de drift y difusión que mejor explican los precios observados, y la superficie de volatilidad surge como un subproducto.
La red aprende la ecuación
Los modelos clásicos dicen "la volatilidad sigue esta ecuación" y ajustan parámetros. Una Neural SDE dice "la volatilidad sigue alguna ecuación" y la red descubre cuál es. La superficie de volatilidad implícita es una salida del modelo aprendido, no una forma asumida de antemano.
Véalo en Acción
Compare cómo los enfoques clásico, paramétrico y neuronal manejan los mismos datos de mercado bajo diferentes condiciones.
SDE neuronal vs. modelos clásicos
Alterne los escenarios para ver cómo cada enfoque maneja distintas condiciones de mercado. En regímenes de estrés y datos escasos, el SDE neuronal se adapta donde los modelos paramétricos están limitados por su forma predefinida.
Cómo Funciona
1. Aprender la dinámica, no la forma
Una SDE estándar para el precio y la volatilidad se ve así: dS = ... dt + ... dW. Los modelos clásicos completan los "..." con fórmulas específicas (SABR usa CEV con vol-of-vol estocástica). Una Neural SDE reemplaza esas fórmulas con redes neuronales entrenadas con datos históricos. La red aprende tanto el comportamiento promedio (drift) como la aleatoriedad (difusión) desde cero. Puede descubrir patrones de skew y formas de estructura temporal que los modelos paramétricos no pueden anticipar.
2. Deep Hedging: aprender la cobertura, no solo el precio
Deep Hedging (Buehler, Gonon, Teichmann & Wood, 2019) extiende esta idea. En lugar de valorar una opción y luego calcular un ratio de cobertura a partir de un modelo, usted entrena una red para producir directamente la posición óptima de cobertura en cada paso temporal. La red aprende las exposiciones de delta y vega de forma conjunta. El objetivo de entrenamiento: minimizar la varianza del P&L de cobertura bajo condiciones de mercado reales -- incluyendo costos de transacción, spreads bid-ask, rebalanceo discreto y restricciones de liquidez. No se necesitan supuestos de mercado sin fricciones.
3. La superficie de volatilidad emerge
Una vez que la Neural SDE está entrenada, usted puede generar la superficie de volatilidad implícita valorando opciones vanilla a través del modelo aprendido. La superficie resultante no está restringida a ninguna forma paramétrica -- captura cualesquiera patrones que existan en los datos, incluyendo aquellos que SVI o SABR omitirían estructuralmente. Tanto las regiones ATM como OTM se ajustan simultáneamente.
Captura dinámicas que los modelos paramétricos omiten
Las Neural SDE capturan dinámicas de volatilidad que los modelos paramétricos no pueden: cambios de régimen, efectos dependientes de la trayectoria y contagios entre activos. Deep Hedging tiene en cuenta costos que la cobertura delta clásica ignora. Requieren muchos datos y son computacionalmente costosas, pero hacia aquí es donde se dirige el quant finance.
Fortalezas y Limitaciones
Relevancia para Cripto
Los mercados cripto son un ajuste natural para las Neural SDE porque la dinámica de la volatilidad se comprende poco y cambia rápidamente. No hay consenso sobre si la volatilidad de BTC se modela mejor con SABR, Heston, rough vol, o algo completamente diferente. Una Neural SDE evita este debate aprendiendo cualquier dinámica que los datos contengan -- incluyendo patrones que violan Black-Scholes como los cambios de régimen. El principal obstáculo son los datos: los mercados de opciones cripto son jóvenes y el conjunto de entrenamiento es pequeño en comparación con el de acciones o tipos de interés.
Modelos aprendidos, coberturas aprendidas
Las Neural SDE reemplazan modelos de volatilidad seleccionados manualmente por otros aprendidos. Deep Hedging reemplaza ratios de cobertura teóricos por otros conscientes de las fricciones. La contrapartida: interpretabilidad, requisitos de datos y costo de cómputo. Por ahora, herramientas de investigación -- pero definen la frontera.
Explorador de Ecuaciones
Convierta entre volatilidad implícita, varianza total, log-moneyness y precios de opciones.
Explorador de ecuaciones
💡 Consejo: Intenta responder cada pregunta por tu cuenta antes de revelar la respuesta.
Construyendo intuición matemática
Aprenda las Neural SDE desde ceroLección interactiva · sin requisitos previosEsta lección explica la idea de "aprender la ecuación" en lenguaje sencillo, y luego recorre cómo la red aprende las funciones de drift y difusión y dónde encaja el deep hedging en el panorama.
Véase también:
- Modelo SABR -- Modelo clásico de volatilidad estocástica con parámetros interpretables
- Modelo Heston -- Volatilidad estocástica con reversión a la media y valoración de forma cerrada
- SANOS (Superficies No Paramétricas) -- Ajuste no paramétrico con ausencia de arbitraje garantizada
- Volatilidad Dependiente de la Trayectoria -- Otro enfoque basado en datos que usa el historial de la trayectoria de precios
- Rough Bergomi -- Modelo de volatilidad fraccional que las Neural SDE podrían potencialmente reemplazar