Según arXiv q-fin, un nuevo enfoque matemático aborda la resolución de la ecuación de Black-Scholes bajo volatilidad que depende del estado del activo. En lugar de calcular el valor de una opción desde el futuro hacia el presente, como se hace tradicionalmente, este modelo parte del precio actual y busca reconstruir su perfil en la fecha de vencimiento. Este enfoque presenta una dificultad fundamental: la ecuación evoluciona en una dirección inestable, lo que implica que pequeñas perturbaciones iniciales pueden amplificarse drásticamente, generando soluciones poco confiables. Para superar esta inestabilidad, se aplica una reducción dimensional mediante polinomios de Legendre desplazados. El modelo original se proyecta sobre una base finita de polinomios en la variable de precio del activo, transformando la ecuación parabólica en un sistema de ecuaciones diferenciales ordinarias en el tiempo. Esta técnica no solo actúa como un filtro espectral, sino que también alivia el problema de degeneración que surge cuando el precio del activo se acerca a cero. El método principal para reconstruir el perfil final es un algoritmo de Legendre-Tikhonov, que garantiza la existencia, unicidad y estabilidad del resultado para cada nivel de truncamiento. Además, se incorpora un solver basado en redes neuronales reducidas como validación secundaria. Los experimentos numéricos, utilizando payoffs suaves, de tipo "butterfly" y de opciones de tipo europeo, demuestran que el método de Legendre-Tikhonov logra recuperar con precisión el perfil final a pesar de datos iniciales ruidosos. El solver reducido de PINN ofrece un punto de referencia útil, aunque no supera en estabilidad al enfoque propuesto. Los resultados contrastan favorablemente con el método tradicional de cuasi-reversibilidad en el espacio físico, mostrando claramente que la reducción mediante Legendre proporciona una mayor estabilidad en la solución.
Para inversores peruanos, este avance es especialmente relevante en un contexto donde las volatilidades de activos como el dólar, el oro o los mercados de valores locales pueden presentar comportamientos no lineales y volátiles. Al comprender cómo se puede estabilizar la predicción de precios a partir de datos iniciales imprecisos, los inversores pueden confiar más en modelos que no dependan únicamente de datos perfectos. Aunque esta formulación se aplica en el ámbito de derivados teóricos, su lógica puede extenderse a decisiones de inversión en mercados emergentes, donde la información inicial es a menudo incompleta o ruidosa. La capacidad de recuperar valores futuros a partir de datos parciales, como los que se obtienen en el mercado secundario de bonos o acciones, permite diseñar estrategias más robustas frente a shocks económicos. En un entorno donde la incertidumbre es constante, métodos que reducen la sensibilidad a ruido en los datos ofrecen una ventaja clave, tanto para profesionales como para inversores particulares.