Neural SDE desde cero
1/5Deje que la red aprenda la SDE
Todos los modelos que ha visto hasta ahora -- Black-Scholes, Heston, SABR -- parten de una ecuación elegida por humanos. Usted elige la SDE y luego ajusta unos pocos parámetros. Las SDE neuronales invierten el guion: deje que una red neuronal aprenda la ecuación misma a partir de los datos.
El flujo de trabajo clásico es: un humano escribe dS = f(S,t)·dW with a specific f (like σ·S, orσ·Sᵝ, o algo que involucra vol estocástica). Luego usted calibra 3-5 parámetros a los datos de mercado.
El flujo de trabajo de la SDE neuronal es: la deriva μ(S,t) y la difusión σ(S,t) son las salidas de una red neuronal. La red tiene miles de parámetros (pesos y sesgos). Se entrena minimizando el error entre los precios del modelo y los precios de opciones observados.
El modelado clásico es como elegir una receta y ajustar la temperatura del horno. El modelado con SDE neuronales es como enseñar a un chef a inventar la receta probando miles de platos (precios observados) y ajustando hasta que el resultado coincida con lo que sirve el mercado.
¿Para qué molestarse? Porque a veces ninguna familia de modelos estándar se ajusta lo suficientemente bien a los datos. La dinámica del mercado puede tener rasgos -- cambios de régimen, clustering asimétrico, comportamiento dependiente de la trayectoria -- que ningún modelo de cinco parámetros puede capturar. Una SDE neuronal puede, en principio, aproximar cualquier función continua de deriva y difusión. La pregunta es si usted tiene suficientes datos y disciplina para entrenarla de forma fiable.
Arquitectura
La red es una arquitectura feedforward estándar. Las entradas son el estado actual del mercado. Las salidas son los coeficientes de la SDE. La red ES el modelo.
Entradas: El precio spot S, el tiempo t y, opcionalmente, características del mercado como la volatilidad implícita actual, la pendiente del skew o la forma de la estructura temporal. Cuanto más rica sea la entrada, más contexto tiene la red para decidir qué valor debe tener σ en este punto.
Capas ocultas: Típicamente 2-4 capas con 32-128 neuronas cada una. Activaciones ReLU o softplus. Nada exótico. La magia no está en la arquitectura; está en lo que la red aprende a representar.
Salidas: La deriva μ(S,t) y la difusión σ(S,t). La salida de la difusión pasa por una softplus o una exponencial para garantizar que se mantenga positiva. Estos dos números, evaluados en el estado actual, definen lo que hace la SDE en este instante.
Entrenamiento: Genere trayectorias a partir de la SDE neuronal usando una discretización de Euler-Maruyama. Valore opciones a lo largo de esas trayectorias mediante Monte Carlo. Compare los precios del modelo con los precios de mercado observados. Retropropague el error de valoración a través de la simulación de trayectorias hasta los pesos de la red. Esto es programación diferenciable aplicada a procesos estocásticos.
La clave técnica: todo el pipeline -- desde los pesos de la red hasta los coeficientes de la SDE, las trayectorias simuladas y los precios de las opciones -- es diferenciable. Puede calcular gradientes de la pérdida de valoración respecto a cada peso de la red. Eso es lo que hace factible el entrenamiento.
Deep hedging
Una vez que tiene una SDE aprendida para la dinámica de precios, el paso natural siguiente es también aprender la cobertura. El deep hedging usa una segunda red que produce el ratio de cobertura en cada paso temporal, entrenada conjuntamente con el modelo de valoración.
La cobertura clásica calcula la delta del modelo de forma analítica: ∂C/∂S bajo BS, o una aproximación numérica en modelos más complejos. Esto ignora los costos de transacción, el impacto de mercado, el rebalanceo discreto y las restricciones de liquidez.
El deep hedging propone: entrenar una red que produzca el ratio de cobertura δ(S, t, portafolio) en cada paso temporal. El objetivo de entrenamiento no es minimizar el error de seguimiento frente a una delta teórica. Es minimizar la varianza real del P&L de cobertura (o el CVaR, o cualquier medida de riesgo) incluyendo los costos de transacción.
El resultado: una estrategia de cobertura consciente de las fricciones del mundo real que la delta clásica ignora. En backtests, las estrategias de deep hedging suelen mostrar un costo de cobertura realizado menor que la delta basada en modelo, especialmente para:
1. Regímenes de altos costos de transacción. La red aprende a cubrir con menos frecuencia cuando los costos son altos, eligiendo en la práctica una banda de no-operar más amplia.
2. Activos subyacentes ilíquidos. La red aprende a usar instrumentos líquidos correlacionados como coberturas proxy cuando la cobertura directa es cara.
3. Exóticos dependientes de la trayectoria. Donde no existe una fórmula simple de delta, la red aún puede aprender coberturas efectivas a partir de trayectorias simuladas.
La versión más potente entrena la SDE de valoración y la red de cobertura simultáneamente. La SDE aprende dinámicas consistentes con los precios observados, y la red de cobertura aprende a cubrir bajo esas dinámicas. Las dos redes se regularizan mutuamente: la SDE no puede aprender dinámicas irreales porque la red de cobertura rendiría mal, y viceversa.
Lo que descubre la red
Al inspeccionar la función aprendida σ(S,t), a menudo se parece a una volatilidad local con rasgos estocásticos. La red descubre por sí sola estructuras que los humanos tardaron décadas en diseñar.
Entrene una SDE neuronal con datos de opciones sobre acciones o cripto y luego grafique la función de difusión aprendida σ(S,t) como un mapa de calor. Hallazgos típicos:
Efecto apalancamiento. La red aprende que σ(S,t) es mayor cuando S es bajo y menor cuando S es alto. Este es exactamente el mecanismo que Heston captura con un valor negativo de ρ y que CEV captura con β < 1. La red no conoce estos modelos. Encuentra el patrón en los datos.
Reversión a la media en la vol. La σ aprendida tiende a estar elevada tras movimientos grandes recientes y revierte hacia un nivel base. La red ha descubierto por sí sola la reversión a la media tipo CIR que Heston incorpora de forma fija.
Clustering de volatilidad. La red aprende que los estados de alta vol persisten: σ(S,t) se mantiene elevada un tiempo después de un pico. Este es el clustering tipo GARCH que los profesionales conocen bien pero que los modelos simples de vol estocástica no logran capturar.
Alterne entre los tres patrones de arriba. Cada uno representa lo que una SDE neuronal entrenada en distintos regímenes de datos podría descubrir. El punto no es que la red sea más inteligente que Heston o SABR. El punto es que llega a estructuras similares sin que se le indique buscarlas. Esa es una fuerte evidencia de que esas estructuras son rasgos reales de los datos, no artefactos de la familia de modelos.
La otra cara: la red también puede descubrir patrones espurios si los datos son ruidosos o el entrenamiento no es disciplinado. Una red grande entrenada con datos escasos sobreajustará a la perfección: memorizará el ruido y lo llamará estructura.
Consideraciones prácticas
Las SDE neuronales son potentes pero exigentes. La brecha entre un artículo de investigación y un sistema en producción es amplia. Conozca los costos antes de comprometerse.
Haga clic en Entrenar arriba y observe cómo converge la pérdida. Note las tres fases: descenso inicial rápido (la red aprende la estructura general), refinamiento más lento (ajuste fino de las alas y las colas) y meseta (rendimientos decrecientes, riesgo potencial de sobreajuste).
Requisitos de datos de entrenamiento. Necesita suficientes datos de precios de opciones para restringir una función de alta dimensión. Para un solo activo subyacente, eso significa meses o años de capturas diarias del smile a lo largo de múltiples vencimientos. Los datos escasos (pocos strikes, pocos vencimientos) producen redes subdeterminadas que sobreajustan.
Riesgo de sobreajuste. Una red neuronal con 10,000 parámetros puede memorizar 10,000 puntos de datos a la perfección. Eso no significa que haya aprendido la dinámica. La regularización (dropout, weight decay, early stopping) es esencial. La validación con datos reservados es innegociable.
Interpretabilidad. Un modelo Heston de cinco parámetros le cuenta una historia: kappa dice esto, rho dice aquello. Una SDE neuronal es una caja negra con 10,000 parámetros. Puede inspeccionar la función aprendida (como en el mapa de calor de arriba), pero no puede señalar un solo número y decir "esa es la velocidad de reversión a la media". Para una mesa de trading que necesita explicar su modelo a los gestores de riesgo, esto es un inconveniente serio.
Costo computacional. El entrenamiento requiere miles de pasadas hacia adelante por la SDE (trayectorias de Monte Carlo), cada una con retropropagación a través de la red en cada paso temporal. Esto es órdenes de magnitud más caro que calibrar Heston o SABR. La inferencia (valorar una sola opción con el modelo entrenado) es rápida, pero la recalibración es lenta.
Adopción actual. Las SDE neuronales y el deep hedging se usan en investigación y por hedge funds cuantitativos con la infraestructura para soportarlos. Aún no son estándar en mesas de productos vanilla. La configuración típica en producción es: un modelo clásico (Heston, SABR, SLV) para la valoración diaria, con métodos neuronales para problemas específicos de alto valor donde los modelos clásicos fallan de manera consistente.
Use una SDE neuronal cuando: (1) tenga datos ricos y la familia de modelos clásicos siga fallando en los mismos patrones, (2) esté valorando instrumentos exóticos donde no existe una solución analítica limpia, o (3) necesite una estrategia de cobertura que tenga en cuenta las fricciones del mundo real. No la use cuando un modelo de cinco parámetros se ajusta lo suficientemente bien: estaría agregando complejidad sin agregar valor.
Adónde ir después:
Modelo de Heston -- el benchmark clásico de vol estocástica
Vol Local Estocástica -- calibración de nivel de producción con dinámicas
Rough Bergomi -- vol estocástica fraccionaria, la frontera antes de los métodos neuronales