Según arXiv q-fin, un equipo de investigadores ha propuesto un enfoque innovador para generar precios sintéticos de opciones, superando un problema estructural que ha obstaculizado el uso de datos simulados en finanzas. Este dilema surge porque la volatilidad implícita —clave para modelar opciones— se extrae de precios observados de opciones, creando una dependencia circular que dificulta la generación de datos válidos para aplicaciones de inteligencia artificial y análisis de riesgo. La solución radica en un sistema que transforma la volatilidad implícita en un resultado, no en una entrada. El modelo combina un proceso de precios de activos multiasociados basado en un modelo de Markov con saltos, que reproduce patrones reales de mercado y dependencias en extremos entre activos. Luego, un proceso modificado de varianza de Heston, cuyo punto de retorno se ajusta según el estado del mercado, el número de días hasta la vencimiento, el grado de moneyness y un indicador de estado de mercado, genera trayectorias de volatilidad. Finalmente, una estructura binomial recombinate permite calcular precios de opciones americanas a partir de esta superficie. La forma de la función de calibración se define en tres niveles: una base paramétrica, un modelo neuronal global compartido y uno sectorizado, entrenado sobre escalones de opciones múltiples. Los resultados muestran que los errores de generalización en pruebas de varios días se deben principalmente a eventos corporativos previstos, y que características derivadas del calendario y del comportamiento de pares dentro del mismo sector recuperan eficazmente esa señal anticipatoria. El sistema ha sido validado aplicando simulaciones en contratos reales de opciones de tipo put y call, cerca del dinero, y ha permitido recuperar volatilidad implícita condicional a trayectorias, derivados de tipo griego finito, y ganancias o pérdidas en el vencimiento. La coherencia del resultado se confirma al repetir el proceso con un activo diferente de sector y régimen volátil. El modelo está disponible como paquete abierto en Julia.
Para inversores y gestores peruanos, este avance tiene implicaciones prácticas. Aunque el modelo se aplica a mercados internacionales, su estructura permite simular escenarios de riesgo en activos locales, como acciones del sector financiero o energético. Al evitar la dependencia circular entre precios y volatilidad, se genera un entorno de simulación más robusto, útil para probar estrategias de inversión bajo condiciones extremas, sin necesidad de datos históricos completos. En un mercado como el peruano, donde las volatilidades pueden ser más sensibles a eventos macroeconómicos o políticos, esta herramienta puede ayudar a anticipar riesgos y evaluar estrategias de cobertura de opciones de forma más sistemática y confiable. Es un paso clave hacia la automatización de análisis de riesgo, especialmente en entornos donde los datos históricos son limitados o poco representativos.