Según arXiv q-fin, investigadores han explorado el uso de redes neuronales para calibrar modelos de volatilidad estocástica, como el modelo de Heston y el de Heston rugoso. Este enfoque supera los métodos tradicionales de optimización al ofrecer una velocidad y flexibilidad mayores. Sin embargo, la mayoría de estudios se han centrado en la precisión predicciva, ignorando el análisis estructural de cómo las redes aprenden las relaciones inversas entre parámetros y el mercado. En esta investigación, se evalúan tres arquitecturas: redes multilayer perceptricas, redes highway y versiones con parametrización softmax. Para entender la relevancia de cada variable, se aplican métodos basados en Shapley, específicamente SHAP y νSHAP. Mientras que SHAP mide la sensibilidad de cada característica, νSHAP evalúa si un subconjunto de variables es suficiente para predecir el resultado. Los resultados muestran que, independientemente del tipo de red, los períodos cortos y las zonas extremas de la superficie de volatilidad implícita dominan el proceso de inferencia de parámetros. Esta estructura principal se mantiene estable, aunque las arquitecturas presenten diferencias en precisión y número de parámetros. Las diferencias entre SHAP y νSHAP revelan que ciertas regiones de la superficie de volatilidad contribuyen más al aprendizaje, mientras que otras presentan redundancia notable. A partir de esta redundancia, se demuestra que las explicaciones de νSHAP permiten reducir significativamente la cantidad de datos de entrada necesarios para el modelo de Heston rugoso, sin perder precisión en la calibración. Así, los métodos basados en Shapley no solo aportan una comprensión más profunda del proceso de calibración, sino que también ofrecen una estrategia práctica para seleccionar las variables más relevantes en estos modelos.
Para inversionistas y gestores de portafolios en el Perú, este hallazgo es de particular interés. En un contexto donde los mercados locales presentan volatilidad significativa y datos limitados, entender qué componentes de la información son clave para la predicción de precios puede optimizar decisiones. La identificación de variables redundantes permite diseñar modelos más sencillos, rápidos y menos propensos a sobreajustarse, especialmente cuando los datos históricos son escasos o no representativos. Además, al reducir la dependencia de grandes volúmenes de información, se fortalece la viabilidad de aplicar modelos avanzados en entornos de bajo acceso a datos. En el escenario peruano, donde los mercados están en desarrollo y la disponibilidad de información puede ser fragmentada, este tipo de análisis permite construir estrategias más robustas, basadas en la selección inteligente de variables clave, sin sacrificar la precisión financiera.