Gestión del riesgo de derivados bajo volatilidad rugosa: lo que cambia cuando el modelo no es una semimartingala y nadie te lo había explicado así
Gestionar el riesgo de una cartera de derivados bajo un modelo rugoso no es lo mismo que hacerlo bajo Heston o Black-Scholes con volatilidad local. Las reglas cambian, las sensibilidades se calculan diferente y los errores de cobertura no convergen a cero aunque rebalancees más. Este artículo examina qué implica en la práctica adoptar un marco rugoso para la gestión del riesgo, sin simplificar lo que no debería simplificarse.
Cuando el modelo de volatilidad no es una semimartingala, los manuales de gestión del riesgo que conoces dejan de ser suficientes. Aquí explicamos exactamente por qué.
Por qué la propiedad de semimartingala importa en gestión del riesgo
La mayor parte de la teoría clásica de cobertura en tiempo continuo, desde Black-Scholes hasta los modelos de volatilidad estocástica de Heston o SABR, descansa sobre una propiedad matemática que rara vez se menciona en los manuales de riesgo: el proceso de volatilidad es una semimartingala. Esta propiedad garantiza que la integral estocástica asociada a la estrategia de cobertura está bien definida y que el error de replicación converge a cero cuando la frecuencia de rebalanceo aumenta. Cuando la volatilidad sigue un proceso rugoso con exponente de Hurst H menor que 0,5, esa propiedad desaparece. Y con ella, la base teórica sobre la que se construyen muchos de los argumentos de cobertura perfecta que se usan en la práctica diaria.
Errores de cobertura que no desaparecen al rebalancear más
Bajo los modelos clásicos, el error de cobertura de una opción replicada mediante delta hedging dinámico decrece cuando se aumenta la frecuencia de rebalanceo. En el límite continuo, el error es cero. Esta propiedad justifica en la práctica el uso de coberturas discretas con frecuencia diaria o semanal como aproximación razonable. Bajo un modelo rugoso con H cercano a 0,1, el resultado es diferente: el error de cobertura tiene una cota inferior positiva que no desaparece aunque el rebalanceo sea continuo. Fukasawa y colaboradores han cuantificado este fenómeno en datos empíricos, mostrando que la rugosidad introduce un error estructural de cobertura que no puede eliminarse mediante mayor frecuencia de negociación. Para un gestor de riesgo, esto significa que la cobertura perfecta es una ficción más costosa de mantener bajo un marco rugoso, y que el presupuesto de error de cobertura debe revisarse explícitamente.
Sensibilidades de precio y cómo estimarlas sin forma cerrada
Las letras griegas, delta, vega, vanna, volga, son el lenguaje diario de cualquier mesa de derivados. Bajo modelos con soluciones semianalíticas como Heston, estas sensibilidades pueden calcularse de forma eficiente mediante diferenciación de las fórmulas de valoración. Bajo el modelo de Rough Bergomi, no existe solución analítica para el precio de una opción: la valoración se realiza mediante simulación de Monte Carlo, y las sensibilidades deben estimarse mediante diferencias finitas sobre las trayectorias simuladas o mediante técnicas de diferenciación automática. Ambos enfoques introducen varianza adicional en la estimación de las sensibilidades, que se suma al error de Monte Carlo del precio. Para carteras grandes, el coste de estimar sensibilidades con precisión suficiente puede ser significativo y requiere una infraestructura computacional específicamente diseñada para ello, no adaptada desde un sistema pensado para modelos clásicos.
Riesgo de modelo bajo marcos rugosos: lo que no desaparece
Adoptar un modelo de volatilidad rugosa no elimina el riesgo de modelo: lo redistribuye. Los modelos clásicos tienen riesgo de modelo porque sus supuestos son incorrectos empíricamente. Los modelos rugosos tienen riesgo de modelo porque sus supuestos, aunque más consistentes con los datos, son más difíciles de calibrar con estabilidad, más costosos de implementar y más difíciles de comunicar a las partes de la organización que no tienen formación cuantitativa avanzada. Además, la elección del kernel de Volterra, del esquema de simulación y del método de calibración introduce decisiones que afectan al resultado de valoración de forma no despreciable. Un marco de gestión del riesgo de modelo robusto debe documentar estas decisiones, cuantificar su impacto mediante análisis de sensibilidad paramétrica y revisarlas periódicamente cuando las condiciones de mercado cambian de forma significativa.
Preguntas prácticas antes de integrar un modelo rugoso en producción
¿Tu sistema de gestión del riesgo puede incorporar precios y sensibilidades generados por simulación de Monte Carlo con la frecuencia y la latencia que requiere tu proceso de reporte? ¿Los límites de riesgo y las métricas de VaR y Expected Shortfall de tu organización están definidos en términos que siguen siendo interpretables bajo un modelo que no es una semimartingala? ¿El equipo que gestiona las posiciones entiende las diferencias entre el error de cobertura bajo el modelo rugoso y el error bajo el modelo clásico, y puede explicarlas a la función de control de riesgos? Estas preguntas no tienen una respuesta técnica: tienen una respuesta organizacional. Y esa respuesta debe estar clara antes de que el modelo llegue a producción, no después.
