Qué es el exponente de Hurst y por qué cambia las reglas
Cuando Harold Edwin Hurst estudió los niveles del río Nilo en la década de 1950, no estaba pensando en derivados financieros. Pero el parámetro que lleva su nombre terminó cuestionando décadas de supuestos sobre cómo se comporta la volatilidad en los mercados. El exponente de Hurst, habitualmente denotado como H, mide el grado de memoria de un proceso estocástico. Un valor de H igual a 0,5 corresponde al movimiento browniano estándar: sin memoria, sin dependencia temporal. Un valor por debajo de 0,5 indica un proceso con antipersistencia, donde los incrementos tienden a revertir. Y ahí está el dato que cambia todo: la evidencia empírica sobre la volatilidad realizada de índices bursátiles apunta sistemáticamente a valores de H cercanos a 0,1, muy por debajo del umbral clásico. Eso no es ruido estadístico. Es una señal que los modelos convencionales no pueden ignorar.
El movimiento browniano fraccional como punto de partida
El movimiento browniano fraccional, o fBm por sus siglas en inglés, generaliza el movimiento browniano estándar permitiendo que el parámetro H tome valores distintos de 0,5. Cuando H es menor que 0,5, los incrementos del proceso exhiben correlación negativa a largo plazo, lo que se traduce en trayectorias más irregulares y menos suaves que las del browniano clásico. Esta propiedad, conocida como rugosidad, es precisamente la que los modelos de volatilidad rugosa intentan capturar de forma sistemática y matemáticamente coherente.
Estimación empírica: qué muestran los datos y qué no
Estimar H a partir de datos de mercado no es trivial. Los métodos clásicos, como el análisis de rango reescalado o los estimadores wavelet, producen resultados que dependen de la frecuencia de los datos y del horizonte temporal analizado. Gatheral, Jaisson y Rosenbaum demostraron en 2018 que, usando datos de volatilidad realizada de alta frecuencia para una amplia muestra de activos, los valores estimados de H se concentran consistentemente en torno a 0,1. Este resultado, replicado en estudios posteriores, es uno de los fundamentos empíricos más sólidos del campo de la volatilidad rugosa.
Por qué H bajo rompe los marcos de cobertura estándar
Un proceso con H cercano a 0,1 no es una semimartingala. Esa propiedad matemática tiene consecuencias directas para la cobertura dinámica de opciones, porque los resultados clásicos de no arbitraje y réplica perfecta dependen de que el proceso subyacente sea una semimartingala. Cuando la volatilidad sigue un proceso rugoso, las estrategias de cobertura delta-gamma estándar acumulan errores sistemáticos que no desaparecen con el incremento de la frecuencia de rebalanceo. Es un problema estructural, no un problema de calibración.
Implicaciones para la valoración de derivados y la gestión del riesgo
Una vez aceptado que la volatilidad puede ser rugosa, la pregunta práctica es qué hacer con eso. Los modelos de volatilidad estocástica clásica, como el modelo de Heston, asumen que la varianza sigue un proceso de Ornstein-Uhlenbeck, lo que implica H igual a 0,5. Eso es suficiente para calibrar una superficie de volatilidad implícita en un momento dado, pero no reproduce de forma coherente la dinámica observada del sesgo a corto plazo. Los modelos rugosos, y en particular el modelo de Rough Bergomi propuesto por Bayer, Friz y Gatheral, consiguen reproducir esa dinámica con un número de parámetros sorprendentemente reducido. El precio que se paga es computacional: la simulación de trayectorias bajo fBm con H bajo es significativamente más costosa que bajo el browniano estándar, lo que plantea retos reales para la calibración en tiempo real.
El sesgo de volatilidad a corto plazo como prueba de fuego
La forma de la superficie de volatilidad implícita cerca del vencimiento es uno de los fenómenos más difíciles de reproducir para los modelos clásicos. El sesgo, es decir, la pendiente de la sonrisa de volatilidad en función del strike, explota hacia el corto plazo de una forma que los modelos de volatilidad estocástica convencionales no pueden capturar sin introducir parámetros adicionales poco interpretables. Los modelos rugosos reproducen este comportamiento de forma natural, directamente desde la estructura del proceso de volatilidad, sin necesidad de ajustes ad hoc.
Riesgo de modelo y la trampa de la calibración perfecta
Un modelo que calibra bien la superficie de volatilidad en un día dado no es necesariamente un buen modelo de riesgo. La distinción entre ajuste estático y coherencia dinámica es fundamental para cualquier profesional que gestione posiciones en derivados. Los modelos rugosos ofrecen una mejor coherencia dinámica, pero eso no elimina el riesgo de modelo: simplifica unos supuestos mientras complica otros. Entender qué se gana y qué se asume al adoptar un marco rugoso es parte del trabajo analítico que no puede delegarse en un software de calibración.
Preguntas abiertas que la literatura aún no ha cerrado
¿Es la rugosidad observada un fenómeno estructural del mercado o un artefacto de la microestructura a alta frecuencia? ¿Cómo se comportan los modelos rugosos fuera de muestra, en periodos de estrés severo? ¿Existe una forma computacionalmente viable de calibrar el modelo de Rough Bergomi en tiempo real para carteras grandes? Estas preguntas no tienen respuesta definitiva en la literatura actual, y cualquier análisis honesto del campo debe reconocerlo sin rodeos.