Segun arXiv q-fin, el proceso de mitigar posiciones derivadas bajo costos de transacción y fricciones de mercado exige reglas de trading que evolucionen con el entorno. Un enfoque moderno emplea modelos neuronales para entrenar políticas de ejecución, pero su implementación no garantiza que las operaciones sean financieramente viables para una operación real. En este marco, se propone una capa de ajuste de valuación robusta (HVA) que evalúa el riesgo de seguimiento mediante el CVaR, integrando además cargos explícitos por financiamiento y margen. Ambos componentes comparten un mismo conjunto de incertidumbre basado en el KL, lo que permite una evaluación coherente. Para cada política, un único ajuste bajo estrés proporciona una estimación conjunta de HVA, financiamiento y margen, ofreciendo al departamento operativo una reserva internamente consistente, en lugar de tres valores separados. Este enfoque se valida en tres escenarios de mercado con distintos niveles de liquidez. No existe una estrategia que sea óptima en todos los contextos. En mercados de alta y media liquidez, se seleccionan bandas clásicas amplias en base al riesgo gamma. En mercados de baja liquidez, las políticas aprendidas con ejecución esparsa resultan más efectivas. Cuando el presupuesto de validación es más flexible, las bandas clásicas se amplían en general.
Para inversores y gestores en el Perú, este hallazgo implica una necesidad crítica de adaptar estrategias de cobertura a la realidad local. El mercado peruano, especialmente en sectores como el de bienes raíces o activos de infraestructura, presenta variabilidad significativa en la liquidez. En entornos donde los precios se mueven con lentitud y los niveles de flujo de capital son bajos, como en momentos de inestabilidad económica, una estrategia basada en ejecuciones escasas y precisas podría ser más adecuada. Por el contrario, en mercados más dinámicos, como el de valores en bolsa durante periodos de crecimiento, las bandas tradicionales amplias ofrecen mayor protección frente a fluctuaciones. El hecho de que no exista una solución universal subraya la importancia de evaluar el contexto operativo: desde el tamaño del portafolio hasta la disponibilidad de liquidez en el mercado. La aplicación de modelos de inteligencia artificial debe ir acompañada de análisis de viabilidad financiera, para evitar que las estrategias teóricas se conviertan en cargas operativas. En un entorno como el peruano, donde las condiciones cambian rápidamente por factores macroeconómicos, una gestión flexible, basada en datos reales y con revisión constante, es clave. El inversor debe entender que la eficiencia no se mide solo en el rendimiento, sino en la capacidad de mantener operaciones sostenibles bajo incertidumbre.