Neural SDE / Deep Hedging
Todo modelo deste site -- SABR, SVI, Heston -- começa escolhendo uma fórmula e depois ajusta seus parâmetros aos dados. Uma Neural SDE inverte isso: ela usa uma rede neural para aprender a própria fórmula diretamente dos dados de mercado. A rede descobre as funções de drift e difusão que melhor explicam os preços observados, e a superfície de volatilidade surge como subproduto.
A rede aprende a equação
Modelos clássicos dizem "a vol segue esta equação" e ajustam os parâmetros. Uma Neural SDE diz "a vol segue alguma equação" e a rede descobre qual é. A superfície de volatilidade implícita é uma saída do modelo aprendido, não um formato assumido de antemão.
Veja na prática
Compare como as abordagens clássica, paramétrica e neural lidam com os mesmos dados de mercado sob condições diferentes.
SDE Neural vs. Modelos Clássicos
Alterne os cenários para ver como cada abordagem lida com diferentes condições de mercado. Em regimes de estresse e dados escassos, o SDE neural se adapta onde os modelos paramétricos ficam limitados pelo formato assumido.
Como funciona
1. Aprender a dinâmica, não o formato
Uma SDE padrão para preço e vol tem a forma: dS = ... dt + ... dW. Modelos clássicos preenchem o "..." com fórmulas específicas (o SABR usa CEV com vol-of-vol estocástica). Uma Neural SDE substitui essas fórmulas por redes neurais treinadas com dados históricos. A rede aprende do zero tanto o comportamento médio (drift) quanto a aleatoriedade (difusão). Ela pode descobrir padrões de skew e formatos de estrutura a termo que modelos paramétricos não conseguem antecipar.
2. Deep Hedging: aprender o hedge, não só o preço
O Deep Hedging (Buehler, Gonon, Teichmann & Wood, 2019) estende essa ideia. Em vez de precificar uma opção e depois calcular um hedge ratio a partir de um modelo, você treina uma rede para produzir diretamente a posição ótima de hedge em cada passo de tempo. A rede aprende as exposições de delta e vega em conjunto. O objetivo do treino: minimizar a variância do P&L do hedge sob condições reais de mercado -- incluindo custos de transação, spreads de bid-ask, rebalanceamento discreto e restrições de liquidez. Nenhuma hipótese de mercado sem fricção é necessária.
3. A superfície de volatilidade emerge
Depois que a Neural SDE está treinada, você pode gerar a superfície de volatilidade implícita precificando opções vanilla pelo modelo aprendido. A superfície resultante não fica presa a nenhum formato paramétrico -- ela captura os padrões que existirem nos dados, inclusive aqueles que o SVI ou o SABR estruturalmente deixariam escapar. As regiões ATM e OTM são ajustadas simultaneamente.
Captura dinâmicas que modelos paramétricos perdem
Neural SDEs capturam dinâmicas de vol que modelos paramétricos não conseguem: mudanças de regime, efeitos dependentes da trajetória e transbordamentos entre ativos. O Deep Hedging leva em conta custos que o hedge de delta clássico ignora. Exige muitos dados e é computacionalmente caro, mas é para onde as finanças quantitativas estão indo.
Pontos fortes e limitações
Relevância para cripto
Os mercados cripto se encaixam naturalmente em Neural SDEs porque a dinâmica da vol é pouco compreendida e muda rapidamente. Não há consenso sobre se a vol do BTC é melhor modelada por SABR, Heston, rough vol ou algo totalmente diferente. Uma Neural SDE contorna esse debate aprendendo a dinâmica que os dados contiverem -- incluindo padrões que violam o Black-Scholes, como mudanças de regime. O principal obstáculo são os dados: os mercados de opções cripto são jovens e o conjunto de treino é pequeno comparado a ações ou juros.
Modelos aprendidos, hedges aprendidos
Neural SDEs substituem modelos de vol escolhidos à mão por modelos aprendidos. O Deep Hedging substitui hedge ratios teóricos por outros conscientes das fricções. O custo: interpretabilidade, exigência de dados e custo computacional. Por enquanto, são ferramentas de pesquisa -- mas definem a fronteira.
Explorador de equações
Converta entre vol implícita, variância total, log-moneyness e preços de opções.
Explorador de equações
💡 Dica: Tente responder cada pergunta você mesmo antes de revelar a resposta.
Construindo intuição matemática
Aprenda Neural SDEs do zeroLição interativa · sem pré-requisitosEsta lição explica a ideia de "aprender a equação" em linguagem simples, depois mostra como a rede aprende as funções de drift e difusão e onde o deep hedging entra nessa história.
Veja também:
- Modelo SABR -- Modelo clássico de vol estocástica com parâmetros interpretáveis
- Modelo de Heston -- Vol estocástica com reversão à média e precificação em forma fechada
- SANOS (superfícies não paramétricas) -- Ajuste não paramétrico com ausência de arbitragem garantida
- Volatilidade dependente da trajetória -- Outra abordagem orientada a dados que usa o histórico da trajetória de preços
- Rough Bergomi -- Modelo de vol fracionária que as Neural SDEs podem potencialmente substituir