Segun arXiv q-fin, un estudio reciente examina el desempeño de métodos tradicionales y de inteligencia artificial para proteger inversiones frente a fluctuaciones de precios en el mercado de opciones de criptomonedas. El análisis se basa en datos reales de contratos sobre Bitcoin extraídos de Deribit, entre 2020 y 2024, y se centra en cinco años de operaciones reales, no simuladas. Se comparan tres técnicas clásicas —la fórmula de Black-Scholes, una corrección de costos de Leland y un rango de no-activación de Whalley-Wilmott— frente a tres modelos de redes neuronales: una red LSTM y una red feedforward, entrenadas con una función de pérdida de valor en el valor en el peor caso (CVaR) y, en algunos casos, con una penalización por frecuencia de operaciones. Todos los escenarios enfrentan una carga de transacción fija de cinco puntos básicos. En un periodo de prueba de 11.546 episodios, desde septiembre de 2023 hasta diciembre de 2024, el método de Whalley-Wilmott logra reducir significativamente los costos operativos, alcanzando ahorros de $1,79 por episodio en comparación con el modelo de Black-Scholes (intervalo de confianza del 95%: [-2,21; -1,39], p < 0,0001), al reducir el número de operaciones en aproximadamente un ocho por ciento. Los resultados muestran una mejora en la rentabilidad y en el riesgo extremo, aunque esta diferencia no alcanza significación estadística en el tamaño de muestra actual. Ninguna de las redes neuronales evaluadas supera a los métodos tradicionales en cualquier indicador, y todos mantienen operaciones casi horarias, sin que la penalización por frecuencia de transacciones modifique sustancialmente el comportamiento. En un periodo más tranquilo, la ventaja de rentabilidad del modelo de Whalley-Wilmott se reduce o desaparece, mientras que su eficiencia en costos persiste, lo que indica que el resultado depende fuertemente del estado del mercado. Los autores señalan que dos factores clave limitan el rendimiento: una muestra de entrenamiento pequeña y la ausencia de mecanismos internos que permitan mantenerse en reposo. El hallazgo no es espectacular, pero sí auténtico: una verificación empírica de una afirmación que hasta ahora se basaba principalmente en simulaciones.
Para inversores peruanos, este análisis ofrece una advertencia clave: no todos los modelos de inteligencia artificial son superiores en mercados reales. Aunque los algoritmos neuronales prometen eficiencia, su comportamiento bajo condiciones reales puede ser más conservador que lo esperado. En un contexto donde las operaciones de opciones son aún limitadas y los costos de transacción elevan el riesgo, el enfoque tradicional puede ser más práctico. Los peruanos que gestionan activos en entornos no regulados o de alta volatilidad deben evaluar cuidadosamente si los beneficios potenciales de nuevas tecnologías justifican los riesgos y la complejidad. La experiencia de este estudio sugiere que la sencillez y la estabilidad de los métodos clásicos podrían ser una ventaja en mercados aún en desarrollo.