Neural SDE / Deep Hedging
Todos los modelos de este sitio -- SABR, SVI, Heston -- comienzan eligiendo una fórmula y luego ajustan sus parámetros a los datos. Una Neural SDE invierte este enfoque: utiliza una red neuronal para aprender la fórmula en sí directamente a partir de los datos de 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 un resultado del modelo aprendido, no una forma asumida de antemano.
Véalo en acción
Compare cómo los enfoques clásico, paramétrico y neuronal tratan los mismos datos de mercado bajo distintas 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 tiene este aspecto: 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 por redes neuronales entrenadas con datos históricos. La red aprende desde cero tanto el comportamiento promedio (drift) como la aleatoriedad (difusión). 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, se entrena una red para que entregue directamente la posición de cobertura óptima en cada paso temporal. La red aprende conjuntamente las exposiciones de delta y vega. El objetivo de entrenamiento: minimizar la varianza del P&L de la cobertura bajo condiciones de mercado reales -- incluidos 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 entrenada la Neural SDE, se 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 cualquier patrón presente en los datos, incluidos aquellos que SVI o SABR no podrían capturar por su estructura. Las regiones ATM y OTM se ajustan simultáneamente.
Captura dinámicas que los modelos paramétricos no ven
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. Requiere muchos datos y es costoso computacionalmente, pero es hacia donde se dirigen las finanzas cuantitativas.
Fortalezas y limitaciones
Relevancia para cripto
Los mercados cripto encajan de forma natural con 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 distinto. Una Neural SDE esquiva este debate aprendiendo cualquier dinámica que contengan los datos -- incluidos 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 renta variable o tasas.
Modelos aprendidos, coberturas aprendidas
Las Neural SDE reemplazan los modelos de volatilidad elegidos a mano por modelos aprendidos. Deep Hedging reemplaza los ratios de cobertura teóricos por otros que tienen en cuenta las fricciones. La contrapartida: interpretabilidad, requisitos de datos y costo computacional. Por ahora, son 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.
Construir intuición matemática
Aprenda Neural SDE desde ceroLección interactiva · sin requisitos previosEsta lección explica en lenguaje sencillo la idea de "aprender la ecuación" y luego recorre cómo la red aprende las funciones de drift y difusión y dónde encaja el deep hedging en el panorama.
Vea también:
- Modelo SABR -- Modelo clásico de volatilidad estocástica con parámetros interpretables
- Modelo de Heston -- Volatilidad estocástica con reversión a la media y valoración en 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 utiliza el historial de la trayectoria del precio
- Rough Bergomi -- Modelo de volatilidad fraccional que las Neural SDE podrían llegar a reemplazar