Autoencoders Variacionales para Completar las Superficies de Volatilidad
Autores: Feugang Nteumagné, Bienvenue; Azemtsa Donfack, Hermann; Wafo Soh, Celestin
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Autoencoders Variacionales para Completar las Superficies de Volatilidad
Categoría
Gestión y administración
Subcategoría
Gestión de recursos
Palabras clave
Autoencoders variacionales
Modelado de superficies de volatilidad
Capacidades de gestión de riesgos
Escenarios sintéticos de volatilidad implícita
Escasez de datos
Análisis de riesgo de mercado
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 28
Citaciones: Sin citaciones
Los autoencoders variacionales (VAEs) han surgido como una herramienta prometedora para modelar superficies de volatilidad, con una importancia particular para generar escenarios sintéticos de volatilidad implícita que mejoran las capacidades de gestión de riesgos. Este estudio evalúa el rendimiento de los VAE utilizando superficies de volatilidad sintéticas, elegidas específicamente por sus propiedades libres de arbitraje y características de datos limpios. A través de una comparación exhaustiva con métodos tradicionales, incluyendo la interpolación de spline de placa delgada, modelos paramétricos (SABR y SVI) y autoencoders deterministas, demostramos que nuestro enfoque de VAE con optimización del espacio latente supera consistentemente a los métodos existentes, particularmente en escenarios con escasez extrema de datos. Nuestros hallazgos muestran que la reconstrucción precisa de superficies libres de arbitraje es alcanzable utilizando solo el 5% de los puntos de datos originales, con errores de 7 a 12 veces menores que los enfoques competidores en escenarios de alta escasez. Validamos rigurosamente la preservación de condiciones críticas de no-arbitraje a través del análisis de distribución de probabilidad y pruebas de no intersección de varianza total. El marco que desarrollamos supera las barreras tradicionales de datos de mercado limitados al generar más de 13,500 superficies sintéticas para entrenamiento, en comparación con la disponibilidad típica del mercado de menos de 100. Estas capacidades tienen importantes implicaciones para el análisis de riesgo de mercado, la fijación de precios de derivados y el desarrollo de marcos de gestión de riesgos más robustos, particularmente en mercados emergentes o para derivados recién introducidos donde los datos históricos son escasos. Nuestra integración del aprendizaje automático con las restricciones de la teoría financiera representa un avance significativo en el modelado de superficies de volatilidad que equilibra la precisión estadística con la relevancia financiera.
Descripción
Los autoencoders variacionales (VAEs) han surgido como una herramienta prometedora para modelar superficies de volatilidad, con una importancia particular para generar escenarios sintéticos de volatilidad implícita que mejoran las capacidades de gestión de riesgos. Este estudio evalúa el rendimiento de los VAE utilizando superficies de volatilidad sintéticas, elegidas específicamente por sus propiedades libres de arbitraje y características de datos limpios. A través de una comparación exhaustiva con métodos tradicionales, incluyendo la interpolación de spline de placa delgada, modelos paramétricos (SABR y SVI) y autoencoders deterministas, demostramos que nuestro enfoque de VAE con optimización del espacio latente supera consistentemente a los métodos existentes, particularmente en escenarios con escasez extrema de datos. Nuestros hallazgos muestran que la reconstrucción precisa de superficies libres de arbitraje es alcanzable utilizando solo el 5% de los puntos de datos originales, con errores de 7 a 12 veces menores que los enfoques competidores en escenarios de alta escasez. Validamos rigurosamente la preservación de condiciones críticas de no-arbitraje a través del análisis de distribución de probabilidad y pruebas de no intersección de varianza total. El marco que desarrollamos supera las barreras tradicionales de datos de mercado limitados al generar más de 13,500 superficies sintéticas para entrenamiento, en comparación con la disponibilidad típica del mercado de menos de 100. Estas capacidades tienen importantes implicaciones para el análisis de riesgo de mercado, la fijación de precios de derivados y el desarrollo de marcos de gestión de riesgos más robustos, particularmente en mercados emergentes o para derivados recién introducidos donde los datos históricos son escasos. Nuestra integración del aprendizaje automático con las restricciones de la teoría financiera representa un avance significativo en el modelado de superficies de volatilidad que equilibra la precisión estadística con la relevancia financiera.