Este sitio utiliza cookies propias y de terceros para analizar el tráfico y mejorar la experiencia de navegación. Puedes aceptar todas las cookies, rechazar las no esenciales o consultar nuestra política de cookies para más información.
Volatilidad implícita rugosa y la superficie de opciones: qué cambia cuando el modelo tiene memoria y qué no cambia aunque quisieras que lo hiciera
Derivados y riesgo
28 de septiembre de 2026
by Equipo editorial
El camino desde la observación empírica de la superficie de volatilidad hasta la adopción de un modelo rugoso no es lineal. Cada etapa plantea preguntas que la siguiente solo responde parcialmente, y eso es exactamente lo que hace el campo interesante para quien no busca respuestas fáciles.
Punto 1
La superficie de volatilidad implícita como problema mal planteado desde el inicio
Black-Scholes asume volatilidad constante. El mercado nunca lo creyó del todo. Desde que las opciones sobre índices empezaron a cotizar con un sesgo sistemático entre strikes, la superficie de volatilidad implícita se convirtió en el mapa de todo lo que el modelo clásico no podía explicar. El sesgo no es un defecto del mercado: es información sobre la distribución real de los retornos que los modelos de volatilidad constante no pueden codificar. El primer paso para entender los modelos rugosos es aceptar que la superficie implícita no es ruido. Es la señal.
Punto 2
Modelos de volatilidad local: una solución que crea problemas nuevos
El modelo de volatilidad local de Dupire resolvió el problema de calibración estática de forma elegante: dada cualquier superficie de volatilidad implícita sin arbitraje, existe una función de volatilidad local que la reproduce exactamente. El problema es que la dinámica implícita del sesgo bajo volatilidad local es empíricamente incorrecta: el sesgo se aplana a medida que el subyacente se mueve, mientras que en el mercado real el sesgo tiende a desplazarse con el precio. Esta inconsistencia dinámica no es un detalle menor para quien gestiona posiciones en derivados con sensibilidades vega y vanna relevantes.
Punto 3
Volatilidad estocástica clásica: mejor dinámica, peor sesgo a corto plazo
Los modelos de volatilidad estocástica, desde Heston hasta SABR, mejoran la dinámica del sesgo porque la volatilidad es ella misma aleatoria y correlacionada con el subyacente. Pero su comportamiento cerca del vencimiento sigue siendo insuficiente: el sesgo implícito que generan a vencimientos muy cortos crece demasiado lento comparado con lo que se observa en el mercado. Esto no es un problema de calibración: es un problema estructural que viene de asumir que la volatilidad sigue una semimartingala con variación cuadrática positiva. Cambiar los parámetros no lo resuelve. Hay que cambiar el modelo.
Punto 4
La firma del proceso rugoso en la superficie implícita a vencimientos cortos
Uno de los resultados más limpios de la teoría de volatilidad rugosa es la relación entre el exponente de Hurst H y la tasa de explosión del sesgo implícito hacia el vencimiento. Bajo un modelo rugoso con exponente H, el sesgo explota como T elevado a H menos 0,5 cuando T tiende a cero. Para H cercano a 0,1, eso produce una explosión mucho más pronunciada que la de los modelos clásicos, y consistente con la evidencia empírica documentada en índices como el S&P 500. Esta relación no es solo matemáticamente elegante: es una predicción verificable y verificada contra datos reales de mercado.
Punto 5
Qué parte de la superficie pueden reproducir los modelos rugosos y qué no
Los modelos rugosos como el Rough Bergomi reproducen con precisión el comportamiento del sesgo a vencimientos cortos y la dinámica temporal del sesgo cuando el subyacente se mueve. Pero tienen más dificultades en los vencimientos largos, donde la estructura de Volterra pierde influencia y el modelo tiende a subestimar la volatilidad implícita. Algunos modelos extendidos, como el Rough Heston, mejoran este comportamiento a largo plazo, pero a costa de mayor complejidad computacional. No existe, a día de hoy, un modelo rugoso que domine a todos los demás en toda la superficie simultáneamente. Eso debería invitar a la humildad metodológica.
Punto 6
Calibración de la superficie completa y sus implicaciones para el riesgo de modelo
Calibrar un modelo rugoso a toda la superficie implícita, incluyendo vencimientos cortos y largos y distintos niveles de moneyness, es un problema de optimización en alta dimensión con múltiples mínimos locales. La elección del método de calibración, el peso que se da a distintas regiones de la superficie y el esquema numérico usado para simular trayectorias afectan al resultado de forma no despreciable. Dos calibraciones del mismo modelo a los mismos datos de mercado pueden producir parámetros distintos si el procedimiento difiere. Eso no invalida el modelo, pero sí subraya que el riesgo de modelo no desaparece con la sofisticación del marco teórico adoptado.
Punto 7
Sensibilidades de precio bajo modelos rugosos: vega, vanna y la cobertura en la práctica
Las sensibilidades de precio de opciones, como vega y vanna, tienen expresiones analíticas bajo los modelos clásicos que los profesionales usan a diario para gestionar sus posiciones. Bajo modelos rugosos, estas sensibilidades no tienen forma cerrada en general y deben estimarse mediante diferencias finitas o diferenciación automática sobre las trayectorias simuladas. Esto introduce un error numérico adicional que se suma al error de calibración. Para carteras grandes con muchas opciones, el coste computacional de estimar sensibilidades de forma precisa bajo un modelo rugoso puede ser prohibitivo sin infraestructura específica diseñada para ello.
Punto 8
Qué preguntar antes de adoptar un modelo rugoso en un entorno de producción
¿El volumen y la resolución de la superficie de volatilidad disponible justifican la complejidad de un modelo rugoso? ¿La infraestructura computacional puede soportar la calibración y el cálculo de sensibilidades en los tiempos requeridos? ¿El equipo tiene la formación técnica para interpretar los resultados del modelo y detectar señales de sobreajuste o inestabilidad de parámetros? ¿Se ha validado el modelo fuera de muestra en condiciones de mercado diversas, incluyendo periodos de estrés? Estas preguntas no tienen una respuesta universal. Pero hacerlas antes de implementar es la diferencia entre usar un modelo y ser usado por él.