De dónde viene el modelo y qué problema resuelve
Si alguna vez has intentado calibrar el modelo de Heston a una superficie de volatilidad
con vencimientos muy cortos, ya sabes el problema: el sesgo explota hacia el corto plazo
y el modelo no puede seguirle el ritmo sin forzar parámetros a valores que no tienen
interpretación económica clara. El modelo de Rough Bergomi, propuesto por Bayer, Friz y
Gatheral en 2016, parte de una observación empírica simple pero incómoda: la volatilidad
realizada se comporta como un proceso con memoria, y esa memoria es corta en el sentido
de H bajo, no larga. En lugar de modelar la varianza como un proceso de reversión a la
media al estilo Ornstein-Uhlenbeck, el modelo de Rough Bergomi conduce la varianza
instantánea a través de un proceso de Volterra basado en el movimiento browniano
fraccional con exponente de Hurst H cercano a 0,1. El resultado es un modelo con pocos
parámetros que reproduce la dinámica del sesgo de forma estructuralmente coherente, sin
parches añadidos a posteriori.
La estructura de Volterra y por qué importa matemáticamente
El núcleo del modelo de Rough Bergomi es una integral de Volterra que pondera el
historial del proceso browniano con un kernel de potencia del tipo t elevado a H
menos 0,5. Este kernel no es un detalle técnico menor: es lo que introduce la
dependencia de largo alcance en la volatilidad y lo que hace que el proceso
resultante no sea una semimartingala. La elección del kernel afecta directamente
a la forma de la superficie de volatilidad implícita, especialmente en la región
de vencimientos cortos donde los modelos clásicos fallan de forma más visible y
documentada.
Parámetros del modelo: pocos, pero no arbitrarios
El modelo de Rough Bergomi en su formulación original tiene tres parámetros
principales: el exponente de Hurst H, el parámetro de escala xi que controla el
nivel de la varianza inicial, y el parámetro de correlación entre el proceso de
volatilidad y el movimiento del subyacente. La parsimonia es una virtud real
aquí: con tres parámetros el modelo reproduce fenómenos que otros marcos
necesitan cinco o seis para aproximar. Sin embargo, esa parsimonia también
significa que el modelo tiene menos grados de libertad para ajustar
simultáneamente toda la superficie, especialmente en los vencimientos largos
donde su comportamiento es menos preciso.
Calibración estática frente a coherencia dinámica
Calibrar un modelo a una superficie de volatilidad en un instante dado es un
ejercicio diferente a verificar que ese modelo reproduce la evolución de la
superficie a lo largo del tiempo. El modelo de Rough Bergomi destaca en el
segundo aspecto: su dinámica del sesgo es cualitativamente correcta de forma
robusta. Pero la calibración estática plantea retos computacionales serios
porque la simulación de trayectorias bajo movimiento browniano fraccional con H
bajo requiere esquemas numéricos específicos, como el método de Cholesky
truncado o las aproximaciones de Alfonsi y Kebaier, que son más costosos que los
métodos estándar de Euler-Maruyama.
Qué hace bien el modelo y dónde encuentra sus límites
Reconocer los límites de un modelo no es señal de debilidad analítica. Es la condición
mínima para usarlo de forma responsable. El modelo de Rough Bergomi es, hoy por hoy, uno
de los marcos más coherentes empíricamente para capturar la dinámica de la volatilidad
implícita a corto plazo. Pero tiene limitaciones documentadas que cualquier profesional
debería conocer antes de integrarlo en un entorno de producción. La más inmediata es
computacional: la generación de trayectorias es lenta comparada con los modelos basados
en procesos de difusión estándar, lo que complica su uso en aplicaciones que requieren
calibración frecuente o valoración de carteras grandes en tiempo real. La segunda
limitación es estructural: el modelo no tiene una forma cerrada para los precios de
opciones, lo que obliga a depender de simulación de Monte Carlo o de aproximaciones
analíticas que introducen su propio error. Y la tercera, quizá la más relevante para la
gestión del riesgo, es que el modelo no es una semimartingala, lo que invalida los
resultados clásicos de cobertura perfecta.
El coste computacional como barrera práctica real
La simulación exacta del movimiento browniano fraccional con H cercano a 0,1
requiere trabajar con una matriz de covarianza de alta dimensión cuya
factorización de Cholesky escala de forma cuadrática con el número de pasos
temporales. En la práctica, esto hace que la calibración diaria del modelo a
toda una superficie de volatilidad sea viable en entornos con capacidad
computacional suficiente, pero no trivial. Diversas aproximaciones, como el
esquema de Bayer, Friz y Gassiat o los métodos basados en sumas de procesos
exponenciales, intentan reducir este coste a cambio de introducir un error de
aproximación que debe cuantificarse con cuidado en cada aplicación concreta.
Cobertura bajo procesos no semimartingala
La teoría clásica de cobertura en tiempo continuo, desde Black-Scholes hasta los
modelos de volatilidad local, descansa sobre la propiedad de semimartingala del
proceso de precios o de volatilidad. Cuando la volatilidad sigue un proceso
rugoso con H menor que 0,5, esa propiedad desaparece y con ella la garantía
teórica de que una estrategia de cobertura dinámica puede replicar el payoff de
una opción sin error sistemático. En la práctica, esto se traduce en errores de
cobertura que no convergen a cero al aumentar la frecuencia de rebalanceo, algo
que los estudios empíricos de Fukasawa y colaboradores han comenzado a
cuantificar en datos reales de mercado.
Extensiones del modelo: variantes y su justificación
Desde la propuesta original de 2016, el modelo de Rough Bergomi ha generado
varias extensiones que intentan abordar sus limitaciones. El modelo de Rough
Heston, desarrollado por El Euch y Rosenbaum, combina la estructura de reversión
a la media del modelo de Heston con la rugosidad del fBm y tiene la ventaja
adicional de admitir una formulación basada en ecuaciones de Riccati
fraccionarias que permite una calibración más eficiente. Otras extensiones
incorporan saltos en el proceso de volatilidad o generalizan el kernel de
Volterra para capturar mejor el comportamiento a vencimientos largos. Ninguna es
universalmente superior: la elección depende del contexto de aplicación y del
equilibrio entre fidelidad empírica y coste computacional que cada entorno puede
asumir.
Cómo leer los resultados de calibración sin engañarse
Un modelo que calibra perfectamente una superficie de volatilidad en un día dado puede
estar sobreajustando el ruido de mercado. Y un modelo que calibra con un error residual
pequeño pero no nulo puede estar capturando la señal real de forma más robusta. Esta
distinción, entre ajuste y aprendizaje en el sentido estadístico del término, es
fundamental cuando se trabaja con modelos de volatilidad rugosa. El modelo de Rough
Bergomi tiene un número reducido de parámetros, lo que lo hace relativamente resistente
al sobreajuste, pero eso no elimina la necesidad de validar la calibración fuera de
muestra, especialmente en periodos de alta turbulencia donde las condiciones de mercado
difieren de las que se usaron para ajustar el modelo.
Validación fuera de muestra: la prueba que muchos omiten
Calibrar un modelo a datos históricos y evaluar su ajuste sobre los mismos datos
no es una prueba de su capacidad predictiva. La validación fuera de muestra, es
decir, calibrar en un subconjunto de datos y evaluar en el resto, es el estándar
mínimo para cualquier modelo cuantitativo que aspire a ser usado en entornos
reales. Para el modelo de Rough Bergomi, los estudios disponibles muestran un
buen comportamiento fuera de muestra en condiciones de mercado normales, pero la
evidencia en periodos de estrés severo, como episodios de volatilidad extrema,
es más limitada y debe interpretarse con cautela.
Estabilidad de parámetros a lo largo del tiempo
Un parámetro que cambia radicalmente de un día de calibración al siguiente es
una señal de que el modelo está absorbiendo ruido en lugar de señal. La
estabilidad temporal de los parámetros calibrados es un criterio de calidad tan
importante como el error de ajuste. Para el modelo de Rough Bergomi, el
exponente H tiende a ser relativamente estable entre calibraciones sucesivas, lo
que es consistente con la interpretación de que la rugosidad es una propiedad
estructural del proceso de volatilidad y no un artefacto de las condiciones de
mercado de un día concreto.
Cuándo un modelo más simple es la respuesta correcta
La complejidad computacional del modelo de Rough Bergomi tiene un coste de
oportunidad real. En aplicaciones donde la velocidad de calibración es crítica,
o donde la superficie de volatilidad disponible no tiene suficiente resolución
en los vencimientos cortos para distinguir entre modelos rugosos y clásicos, un
modelo más simple puede ser preferible desde un punto de vista práctico. La
elección del modelo no debería ser ideológica. Debería depender de si la
complejidad adicional del marco rugoso aporta una mejora cuantificable y
relevante para el problema específico que se intenta resolver.
