Tabla de Contenidos
1. Introducción
Este artículo presenta un marco de Dinámica Entrópica para modelizar los tipos de cambio de divisas (Forex o FX) y valorar opciones europeas. El objetivo central es proporcionar una base alternativa, de teoría de la información, para la dinámica financiera, yendo más allá del cálculo estocástico tradicional. Los autores, Mohammad Abedi y Daniel Bartolomeo, aprovechan los principios de la inferencia entrópica—un método para razonar bajo información incompleta—para derivar modelos financieros conocidos desde primeros principios.
El trabajo conecta los conceptos abstractos de entropía máxima y geometría de la información con las finanzas prácticas, culminando en la derivación del Movimiento Browniano Geométrico (MBG) para los tipos de cambio y del modelo Garman-Kohlhagen para las opciones sobre divisas. Este enfoque destaca la simetría de invariancia de escala inherente a los pares de divisas, lo que conduce a la elección natural de modelizar el logaritmo del tipo de cambio.
2. Marco Teórico
2.1. Inferencia Entrópica y Entropía Máxima
La inferencia entrópica es un marco inductivo para situaciones con información incompleta. Su primera herramienta es la teoría de la probabilidad para representar estados de creencia. La segunda es la entropía relativa (o divergencia de Kullback-Leibler), utilizada para actualizar las creencias cuando llega nueva información, guiada por el Principio de Actualización Mínima. Maximizar la entropía relativa produce la distribución posterior menos sesgada que incorpora toda la información disponible.
La tercera herramienta es la geometría de la información, que proporciona una métrica en el espacio de distribuciones de probabilidad. Aunque no se explora en profundidad aquí, los autores señalan su potencial importancia para la gestión de carteras y la dinámica de múltiples activos.
2.2. Dinámica Entrópica y Tiempo
La Dinámica Entrópica aplica la inferencia entrópica para modelar cómo cambian los sistemas. Una innovación clave es la introducción de un parámetro de tiempo entrópico, que es emergente y está adaptado al sistema específico en lugar de ser un reloj universal. Este concepto se ha aplicado con éxito en varios contextos de la física y aquí se adapta a las finanzas.
2.3. Invariancia de Escala en Divisas
Una simetría fundamental en los mercados de divisas es la invariancia de escala: la dinámica no debe depender de si cotizamos el tipo de cambio como USD/EUR o en su forma recíproca. Esta simetría dicta que el modelo debe formularse en términos del logaritmo del tipo de cambio, $x = \ln S$, donde $S$ es el tipo de cambio al contado. Transformaciones como $S \to \lambda S$ (un simple escalado) dejan la dinámica invariante cuando se expresa en términos de $x$.
3. Derivación del Modelo
3.1. De los Principios Entrópicos al MBG
Partiendo de la información previa sobre un tipo de cambio—específicamente, su valor inicial y su volatilidad—los autores utilizan el marco de dinámica entrópica para derivar su evolución temporal. Al imponer restricciones consistentes con las observaciones del mercado (como una varianza finita) y maximizar la entropía, se demuestra que la distribución de probabilidad resultante para el logaritmo futuro del tipo de cambio $x$ sigue un proceso de deriva-difusión.
Transformando de nuevo al tipo de cambio al contado $S = e^x$, este proceso se convierte en el conocido Movimiento Browniano Geométrico (MBG): $$ dS_t = \mu S_t dt + \sigma S_t dW_t $$ donde $\mu$ es la deriva, $\sigma$ es la volatilidad y $W_t$ es un proceso de Wiener. La derivación respeta manifiestamente la invariancia de escala.
3.2. Medida Neutral al Riesgo y Valoración de Opciones
Para valorar derivados, se invoca el principio de no arbitraje. Los autores demuestran cómo derivar una medida neutral al riesgo $\mathbb{Q}$ dentro del marco entrópico. Esto implica ajustar la deriva del proceso MBG al diferencial de tasas libres de riesgo entre las dos divisas, $(r_d - r_f)$.
Bajo $\mathbb{Q}$, la dinámica se convierte en: $$ dS_t = (r_d - r_f) S_t dt + \sigma S_t dW_t^{\mathbb{Q}} $$ Valorar una opción de compra europea sobre el tipo de cambio con esta dinámica conduce directamente a la fórmula de Garman-Kohlhagen, el análogo en divisas de la fórmula de Black-Scholes.
4. Resultados y Discusión
4.1. El Modelo Garman-Kohlhagen
El resultado final de la derivación entrópica es el modelo Garman-Kohlhagen para el precio de una opción de compra europea: $$ C = S_0 e^{-r_f T} \Phi(d_1) - K e^{-r_d T} \Phi(d_2) $$ donde $$ d_1 = \frac{\ln(S_0/K) + (r_d - r_f + \sigma^2/2)T}{\sigma\sqrt{T}}, \quad d_2 = d_1 - \sigma\sqrt{T} $$ $S_0$ es el tipo de cambio al contado, $K$ es el precio de ejercicio, $T$ es el tiempo hasta el vencimiento, $r_d$ y $r_f$ son las tasas libres de riesgo doméstica y extranjera, $\sigma$ es la volatilidad y $\Phi$ es la función de distribución acumulada normal estándar.
4.2. Comparación con Métodos Tradicionales
La contribución principal del artículo es metodológica. Recupera modelos establecidos (MBG, Garman-Kohlhagen) no a través del cálculo estocástico y argumentos de cobertura, sino mediante un enfoque de teoría de la información y primeros principios basado en la maximización de la entropía y la simetría. Esto proporciona una justificación más profunda y fundamental para estos modelos y abre la puerta a generalizarlos incorporando restricciones de información diferentes o más complejas.
5. Perspectiva Central y del Analista
Perspectiva Central: Este artículo no trata sobre una nueva fórmula de valoración mejor; es un juego de poder filosófico. Argumenta que todo el edificio de las finanzas en tiempo continuo, desde Bachelier hasta Black-Scholes, puede reconstruirse desde cero utilizando la teoría de la información y el principio de entropía máxima. Los autores esencialmente dicen: "Olvida por un momento el lema de Itô; el comportamiento del mercado es simplemente lo menos sorprendente que podría hacer, dada la información que tenemos". Este es un cambio profundo de modelizar precios a modelizar el conocimiento sobre los precios.
Flujo Lógico: El argumento es elegante y parsimonioso. 1) Tenemos información incompleta (una distribución previa). 2) Tenemos simetría (invariancia de escala). 3) Actualizamos nuestras creencias utilizando la herramienta que menos las cambia (entropía relativa máxima). 4) Esta actualización, interpretada como dinámica, nos da el MBG. 5) El no arbitraje fija la deriva, dándonos la medida neutral al riesgo para la valoración. Es una derivación limpia, impulsada por axiomas, que hace que el argumento tradicional de EDP/cobertura parezca casi torpe en comparación.
Fortalezas y Debilidades: La fortaleza es la elegancia fundacional y el potencial de generalización. Como se ha visto en física con el trabajo de E.T. Jaynes y posteriormente de Caticha, los métodos entrópicos sobresalen en derivar resultados canónicos a partir de principios simples. La debilidad, como ocurre con muchas teorías elegantes, es la brecha con la realidad desordenada. El marco deriva elegantemente el MBG, pero el MBG en sí mismo es un modelo imperfecto para las divisas (subestima el riesgo de cola, ignora la agrupación de la volatilidad). El artículo menciona brevemente trabajos futuros sobre saltos y geometría de la información, que es donde reside la verdadera prueba. ¿Puede este marco incorporar naturalmente los hechos estilizados de los mercados (por ejemplo, colas pesadas) simplemente añadiendo las restricciones correctas, o requerirá ajustes ad hoc que diluyan su pureza?
Perspectivas Accionables: Para cuantitativos y validadores de modelos, este artículo es de lectura obligatoria. Proporciona una nueva lente para la evaluación del riesgo de modelo. En lugar de solo probar el ajuste de un modelo, pregúntese: "¿Qué información está asumiendo este modelo? ¿Es ese conjunto de información completo o apropiado?" Para los innovadores, la hoja de ruta es clara. El siguiente paso es utilizar este marco para construir modelos nuevos. Restringir la maximización de la entropía con información sobre las sonrisas de volatilidad observadas o las frecuencias de salto, como sugieren las referencias de los autores a los modelos de Bates y Heston. El premio es una teoría coherente y unificada de la valoración de derivados que no remienda modelos incompatibles. El trabajo de Peters y Gell-Mann (2016) sobre economía ergódica muestra que una reestructuración fundacional similar está ganando terreno. Este artículo es un paso sólido en esa dirección, pero el mercado será el juez definitivo de su utilidad más allá del atractivo filosófico.
6. Detalles Técnicos
El núcleo matemático implica maximizar la entropía relativa $\mathcal{S}[P|Q]$ de una distribución posterior $P(x'|x)$ respecto a una previa $Q(x'|x)$, sujeto a restricciones. Una restricción clave es el desplazamiento cuadrático esperado, que introduce la volatilidad $\sigma$: $$ \langle (\Delta x)^2 \rangle = \kappa dt $$ donde $\kappa$ está relacionado con la volatilidad $\sigma$. La maximización produce una probabilidad de transición gaussiana: $$ P(x'|x) \propto \exp\left(-\frac{(x' - x - \alpha dt)^2}{2\kappa dt}\right) $$ que en el límite continuo conduce a la EDE de deriva-difusión para $x_t$. La conexión con la EDP de Black-Scholes-Merton se establece a través del argumento estándar de valoración neutral al riesgo aplicado al proceso MBG derivado.
7. Ejemplo del Marco de Análisis
Caso: Incorporación de Información de la Sonrisa de Volatilidad. El marco entrópico permite la integración de datos de mercado adicionales. Supongamos que, más allá del precio al contado y la volatilidad histórica, también tenemos información del mercado de opciones que implica que la distribución neutral al riesgo de los rendimientos logarítmicos no es gaussiana, sino que tiene asimetría negativa y exceso de curtosis (una sonrisa de volatilidad).
Paso 1: Definir Restricciones. Además de la restricción de varianza $\langle (\Delta x)^2 \rangle = \sigma^2 dt$, añadimos restricciones de momentos a partir de la superficie de volatilidad implícita observada: $$ \langle (\Delta x)^3 \rangle = \tilde{S} dt, \quad \langle (\Delta x)^4 \rangle - 3\langle (\Delta x)^2 \rangle^2 = \tilde{K} dt $$ donde $\tilde{S}$ y $\tilde{K}$ capturan la asimetría y la curtosis por unidad de tiempo.
Paso 2: Maximizar la Entropía. Maximizar la entropía relativa con estas cuatro restricciones (media, varianza, asimetría, curtosis) conduce a una probabilidad de transición $P(x'|x)$ descrita por una serie de Gram-Charlier o una distribución de familia exponencial más general, no una simple gaussiana.
Paso 3: Derivar la Dinámica. El límite de tiempo continuo resultante sería un proceso de difusión con deriva y volatilidad dependientes del estado, o potencialmente un proceso de salto-difusión, derivando efectivamente un modelo como los de Bates o Heston desde primeros principios informativos en lugar de prespecificar un proceso de volatilidad estocástica.
Este ejemplo demuestra el poder del marco para generalizar sistemáticamente los modelos incorporando explícitamente información de mercado más granular como restricciones.
8. Aplicaciones y Direcciones Futuras
El marco de dinámica entrópica abre varias vías prometedoras para futuras investigaciones en finanzas cuantitativas:
- Carteras de Múltiples Activos y Geometría de la Información: Los autores mencionan aplicar la geometría de la información a la selección de carteras. Esto podría conducir a nuevas estrategias de asignación de activos basadas en la "distancia" entre la distribución actual del mercado y una distribución óptima objetivo, yendo más allá de la optimización media-varianza.
- Modelización de Hechos Estilizados: El marco es naturalmente adecuado para incorporar características empíricas bien conocidas como las colas pesadas, la agrupación de la volatilidad y los efectos de apalancamiento añadiendo restricciones dinámicas apropiadas o haciendo que las propias restricciones dependan del tiempo en función de información pasada.
- Mercados No Estacionarios y de Cambio de Régimen: La distribución previa $Q$ en la entropía relativa puede actualizarse dinámicamente para reflejar cambios en los regímenes del mercado, ofreciendo potencialmente una forma fundamentada de construir modelos adaptativos que respondan a rupturas estructurales.
- Integración con las Finanzas Conductuales: Las restricciones de "información" podrían ampliarse para incluir métricas de sentimiento o atención de los inversores, cerrando la brecha entre las finanzas cuantitativas tradicionales y los modelos conductuales.
- Sinergia con el Aprendizaje Automático: El principio de entropía máxima es una piedra angular de muchos métodos de aprendizaje automático. Este marco podría proporcionar una base rigurosa de teoría de la información para modelos híbridos de aprendizaje automático y finanzas, explicando por qué ciertas arquitecturas de redes neuronales o técnicas de regularización funcionan bien para series temporales financieras.
El objetivo final es una teoría unificada y basada en axiomas de la dinámica del mercado que sea tanto teóricamente sólida como empíricamente precisa, reduciendo la necesidad de los parches de modelo ad hoc comunes en la ingeniería financiera actual.
9. Referencias
- Jaynes, E. T. (1957). Information Theory and Statistical Mechanics. Physical Review, 106(4), 620–630.
- Caticha, A. (2012). Entropic Inference and the Foundations of Physics. En Proceedings of the MaxEnt 2012 conference.
- Garman, M. B., & Kohlhagen, S. W. (1983). Foreign currency option values. Journal of International Money and Finance, 2(3), 231–237.
- Black, F., & Scholes, M. (1973). The pricing of options and corporate liabilities. Journal of Political Economy, 81(3), 637–654.
- Peters, O., & Gell-Mann, M. (2016). Evaluating gambles using dynamics. Chaos: An Interdisciplinary Journal of Nonlinear Science, 26(2), 023103. https://doi.org/10.1063/1.4940236
- Amari, S. I. (2016). Information Geometry and Its Applications. Springer.
- Bachelier, L. (1900). Théorie de la spéculation. Annales scientifiques de l'École Normale Supérieure, 3(17), 21–86.