Polinomio quíntico desde cero
1/5Ajuste la sonrisa con un polinomio
Olvídese de elegir una SDE o un modelo de volatilidad estocástica. Tome la curva de varianza total w(k) y ajústela directamente con un polinomio en log-moneyness. Seis coeficientes por slice. Listo.
La idea es casi ofensivamente simple. La varianza total w(k) =σ²·T es una función del log-moneyness k = ln(K/F). Simplemente ajústela con un polinomio:
Compare esto con SVI, que tiene cinco parámetros con significados geométricos específicos (nivel, pendiente, curvatura, centro, inclinación). El quíntico tiene seis parámetros sin significado inherente -- son solo coeficientes polinómicos. Lo que pierde en interpretación, lo gana en flexibilidad.
Cada coeficiente controla un aspecto diferente de la forma del smile: a₀ establece el nivel ATM. a₁ controla el skew lineal. a₂ controla la curvatura. Los términos de orden superior manejan la asimetría y la estructura fina que la forma fija de SVI no puede capturar.
SVI es un molde con forma: solo puede hacer sonrisas de cierta familia. El quíntico es arcilla blanda: puede formar más figuras, pero la arcilla no sabe cómo debe verse una sonrisa. Necesita disciplina externa (restricciones) para evitar que produzca formas sin sentido.
¿Por qué quíntico?
El grado 5 es el punto óptimo. El cúbico es demasiado rígido para sonrisas realistas. El cuártico ayuda pero aún no puede manejar la asimetría entre las alas put y call. El séptico (grado 7) oscila. El quíntico da en el clavo.
Cúbico (grado 3): 4 coeficientes. Puede capturar una sonrisa inclinada pero no la curvatura independiente de cada ala. Si el ala izquierda es empinada y el ala derecha es plana, el cúbico no puede ajustar ambas sin distorsionar el centro.
Cuártico (grado 4): 5 coeficientes. Mejor -- puede manejar la curvatura simétrica -- pero aún le falta un término de potencia impar lo suficientemente alto para diferenciar las alas limpiamente.
Quíntico (grado 5): 6 coeficientes. El término adicional de quinto grado da control independiente sobre la asimetría de las alas en el rango de moneyness adecuado. Las sonrisas reales son asimétricas (ala put más empinada que ala call en acciones y cripto), y el quíntico captura esto sin sobreajuste.
Séptico (grado 7) y superiores: Demasiados grados de libertad. El polinomio empieza a oscilar entre los puntos de datos, creando protuberancias y ondulaciones espurias que no están en los datos de mercado. Este es el clásico compromiso sesgo-varianza: más flexibilidad significa más riesgo de sobreajuste.
Observe la comparación de arriba. Recorra cada grado. El cúbico falla en las alas. El cuártico está cerca pero es rígido. El quíntico coincide. El séptico empieza a ondular. Esa imagen es todo el argumento a favor del grado 5.
Restricciones de arbitraje sobre polinomios
Aquí está el problema fundamental con los modelos polinómicos de sonrisa: crecen demasiado rápido en las alas. La fórmula de momentos de Roger Lee dice que la varianza total debe crecer como máximo linealmente en |k| cuando |k| tiende a infinito. Un polinomio de grado 5 crece como k⁵. Eso es un problema.
La fórmula de momentos de Lee (2004) establece el comportamiento asintótico de la volatilidad implícita:
El gráfico de arriba muestra la diferencia de forma contundente. Las alas de SVI están acotadas: se aproximan a una pendiente lineal. Las alas del quíntico explotan. En las alas lejanas, el polinomio cotiza volatilidades implícitas que implican butterfly spreads negativos -- dinero gratis.
La solución: use el quíntico solo en el interior de la sonrisa (digamos, |k| < 0.5) y mezcle con un modelo de alas (lineal o tipo SVI) para la extrapolación. Este es el enfoque estándar de producción: interior polinómico, alas controladas.
Alternativamente, puede añadir restricciones explícitas durante el ajuste:
1. w(k) ≥ 0 para todo k (la varianza debe ser positiva).
2. w(k) is convex en el interior (sin arbitraje de butterfly -- esta es la condición de Durrleman).
3. w(k)/|k| ≤ 2 en los extremos del rango de ajuste.
Estas restricciones son todas lineales o cuadráticas en los coeficientes, así que pueden imponerse resolviendo un problema de mínimos cuadrados con restricciones (programa cuadrático) en lugar de mínimos cuadrados sin restricciones.
La calibración es solo regresión lineal
A diferencia de la optimización no lineal de SVI (que requiere inicialización, itera y puede quedar atrapada en mínimos locales), ajustar un polinomio es un problema de mínimos cuadrados lineal. Arme una matriz, resuelva un sistema lineal, listo.
Dados N puntos de datos observados (kᵢ, wᵢ), el problema es:
Arrastre los puntos de datos de arriba. El ajuste se actualiza al instante porque es solo una resolución matricial -- sin iteraciones, sin problemas de convergencia, sin sensibilidad a la inicialización. Compare esto con la calibración de SVI, donde el optimizador puede tomar decenas de iteraciones y podría encontrar una respuesta distinta según dónde empiece.
Añadir restricciones: Si añade las restricciones de arbitraje de la sección anterior (positividad, convexidad, cotas de las alas), el problema se convierte en un programa cuadrático (QP) en lugar de mínimos cuadrados sin restricciones. Los QP siguen siendo rápidos y bien estudiados -- los solvers los manejan en milisegundos. El punto clave: el quíntico con restricciones sigue siendo drásticamente más rápido de calibrar que SVI.
Estabilidad numérica: La matriz de Vandermonde puede estar mal condicionada cuando el rango de moneyness es amplio. Remedios estándar: (1) escalar k a [-1, 1] antes de ajustar, (2) usar polinomios ortogonales (Chebyshev, Legendre) en lugar de potencias crudas. Estas son técnicas rutinarias de análisis numérico.
Quíntico vs SVI
Ninguno gana en todos lados. El quíntico es más rápido de ajustar y más flexible en el interior. SVI tiene alas acotadas y parámetros interpretables. Sepa a cuál recurrir.
El quíntico gana cuando:
1. Necesita calibración rápida (miles de slices por segundo para una superficie en tiempo real). La resolución lineal es imbatible en velocidad.
2. La sonrisa observada tiene características que la forma fija de SVI no puede igualar -- protuberancias locales, curvatura inusual, alas asimétricas. El quíntico es más flexible en el interior.
3. Está trabajando en el interior de la sonrisa (|k| < 0.3) donde el comportamiento de las alas no importa y desea el ajuste más ceñido posible a los datos observados.
SVI gana cuando:
1. Necesita una extrapolación de alas confiable. La linealidad asintótica de SVI en las alas es correcta por construcción. El quíntico debe recortarse o mezclarse.
2. Desea parámetros interpretables para la gestión de riesgos. Los de SVI a (nivel), b (ángulo), ρ (inclinación), m (centro), σ (suavizado de alas) se mapean directamente a características observables de la sonrisa.
3. Está construyendo una superficie a través de vencimientos. SSVI extiende SVI a la superficie completa con garantías de ausencia de arbitraje. No existe un "quíntico de superficie" estándar con las mismas garantías.
El compromiso de producción: Muchas mesas usan ambos. Quíntico para interpolación interior rápida y cotización en tiempo real. SVI o SSVI para la superficie oficial, extrapolación de alas e informes de riesgo. El quíntico maneja el centro denso en datos; SVI maneja las alas dispersas.
El polinomio quíntico no es un modelo del mercado. Es una herramienta de ajuste de curvas. No dice nada sobre dinámica, cobertura o por qué la sonrisa tiene la forma que tiene. SVI también es una herramienta de ajuste de curvas, pero con suficiente estructura para extenderse a una superficie. Para la dinámica real, necesita SABR, Heston o un modelo de volatilidad local estocástica. El quíntico vive en el espacio entre los datos crudos y un modelo real -- es la forma más rápida de obtener una sonrisa suave e interpolada a partir de observaciones ruidosas.
A dónde ir después:
Parametrización SVI -- el modelo estándar de sonrisa con alas acotadas
Superficie SSVI -- SVI extendido a la superficie completa con garantías de ausencia de arbitraje
Métodos de interpolación -- todos los métodos de ajuste comparados