Indice
1. Introduzione
Questo articolo presenta un quadro di Dinamica Entropica per modellare i tassi di cambio (Forex) e prezzare le opzioni europee. L'obiettivo principale è fornire una fondazione alternativa, di natura teoria dell'informazione, per la dinamica finanziaria, andando oltre il tradizionale calcolo stocastico. Gli autori, Mohammad Abedi e Daniel Bartolomeo, sfruttano i principi dell'inferenza entropica—un metodo per ragionare in condizioni di informazione incompleta—per derivare noti modelli finanziari dai principi primi.
Il lavoro collega i concetti astratti di massima entropia e geometria dell'informazione alla finanza pratica, culminando nella derivazione del Moto Browniano Geometrico (MBG) per i tassi di cambio e del modello Garman-Kohlhagen per le opzioni Forex. Questo approccio evidenzia la simmetria di invarianza di scala intrinseca nelle coppie di valute, che porta naturalmente a scegliere di modellare il logaritmo del tasso di cambio.
2. Quadro Teorico
2.1. Inferenza Entropica e Massima Entropia
L'inferenza entropica è un quadro induttivo per situazioni con informazione incompleta. Il suo primo strumento è la teoria della probabilità per rappresentare stati di credenza. Il secondo è l'entropia relativa (o divergenza di Kullback-Leibler), utilizzata per aggiornare le credenze quando arriva nuova informazione, guidata dal Principio di Aggiornamento Minimo. Massimizzare l'entropia relativa produce la distribuzione a posteriori meno distorta che incorpora tutta l'informazione disponibile.
Il terzo strumento è la geometria dell'informazione, che fornisce una metrica sullo spazio delle distribuzioni di probabilità. Sebbene non esplorata in profondità qui, gli autori ne notano il potenziale significato per la gestione del portafoglio e la dinamica multi-asset.
2.2. Dinamica Entropica e Tempo
La Dinamica Entropica applica l'inferenza entropica per modellare come i sistemi cambiano. Un'innovazione chiave è l'introduzione di un parametro di tempo entropico, che è emergente e adattato al sistema specifico piuttosto che essere un orologio universale. Questo concetto è stato applicato con successo in vari contesti fisici e qui viene adattato alla finanza.
2.3. Invarianza di Scala nel Forex
Una simmetria fondamentale nei mercati Forex è l'invarianza di scala: la dinamica non dovrebbe dipendere dal fatto che si quoti il tasso di cambio come USD/EUR o nella sua forma reciproca. Questa simmetria impone che il modello debba essere formulato in termini del logaritmo del tasso di cambio, $x = \ln S$, dove $S$ è il tasso di cambio a pronti. Trasformazioni come $S \to \lambda S$ (una semplice scalatura) lasciano la dinamica invariata quando espressa in termini di $x$.
3. Derivazione del Modello
3.1. Dai Principi Entropici al MBG
Partendo dall'informazione a priori su un tasso di cambio—specificamente, il suo valore iniziale e la sua volatilità—gli autori utilizzano il quadro della dinamica entropica per derivarne l'evoluzione temporale. Imponendo vincoli coerenti con le osservazioni di mercato (come varianza finita) e massimizzando l'entropia, si dimostra che la distribuzione di probabilità risultante per il futuro log-tasso di cambio $x$ segue un processo di drift-diffusione.
Ritrasformando nel tasso a pronti $S = e^x$, questo processo diventa il familiare Moto Browniano Geometrico (MBG): $$ dS_t = \mu S_t dt + \sigma S_t dW_t $$ dove $\mu$ è il drift, $\sigma$ è la volatilità e $W_t$ è un processo di Wiener. La derivazione rispetta manifestamente l'invarianza di scala.
3.2. Misura Neutrale al Rischio e Prezzatura delle Opzioni
Per prezzare i derivati, si invoca il principio di non-arbitraggio. Gli autori dimostrano come derivare una misura neutrale al rischio $\mathbb{Q}$ all'interno del quadro entropico. Ciò comporta l'aggiustamento del drift del processo MBG al differenziale dei tassi privi di rischio tra le due valute, $(r_d - r_f)$.
Sotto $\mathbb{Q}$, la dinamica diventa: $$ dS_t = (r_d - r_f) S_t dt + \sigma S_t dW_t^{\mathbb{Q}} $$ Prezzare un'opzione call europea sul tasso di cambio con questa dinamica porta direttamente alla formula di Garman-Kohlhagen, l'analogo Forex della formula di Black-Scholes.
4. Risultati e Discussione
4.1. Il Modello Garman-Kohlhagen
Il risultato finale della derivazione entropica è il modello Garman-Kohlhagen per il prezzo di un'opzione call europea: $$ C = S_0 e^{-r_f T} \Phi(d_1) - K e^{-r_d T} \Phi(d_2) $$ dove $$ d_1 = \frac{\ln(S_0/K) + (r_d - r_f + \sigma^2/2)T}{\sigma\sqrt{T}}, \quad d_2 = d_1 - \sigma\sqrt{T} $$ $S_0$ è il tasso a pronti, $K$ è lo strike, $T$ è il tempo alla scadenza, $r_d$ e $r_f$ sono i tassi privi di rischio domestico ed estero, $\sigma$ è la volatilità e $\Phi$ è la CDF normale standard.
4.2. Confronto con i Metodi Tradizionali
Il contributo principale dell'articolo è metodologico. Recupera modelli consolidati (MBG, Garman-Kohlhagen) non attraverso il calcolo stocastico e argomenti di copertura, ma attraverso un approccio teoria-dell'informazione, dai principi primi, basato sulla massimizzazione dell'entropia e sulla simmetria. Ciò fornisce una giustificazione più profonda e fondazionale per questi modelli e apre la porta alla loro generalizzazione incorporando vincoli informativi diversi o più complessi.
5. Insight Fondamentale & Prospettiva dell'Analista
Insight Fondamentale: Questo articolo non riguarda una nuova formula di prezzatura migliore; è una mossa di potere filosofica. Sostiene che l'intero edificio della finanza in tempo continuo, da Bachelier a Black-Scholes, può essere ricostruito dalle fondamenta utilizzando la teoria dell'informazione e il principio di massima entropia. Gli autori stanno essenzialmente dicendo: "Mettiamo da parte per un attimo il lemma di Ito; il comportamento del mercato è semplicemente la cosa meno sorprendente che potrebbe fare, date le nostre conoscenze." Questo è un profondo spostamento dal modellare i prezzi al modellare la conoscenza sui prezzi.
Flusso Logico: L'argomentazione è elegante e parsimoniosa. 1) Abbiamo informazione incompleta (una distribuzione a priori). 2) Abbiamo simmetria (invarianza di scala). 3) Aggiorniamo le nostre credenze usando lo strumento che le cambia meno (massima entropia relativa). 4) Questo aggiornamento, interpretato come dinamica, ci dà il MBG. 5) Il non-arbitraggio fissa il drift, dandoci la misura neutrale al rischio per il prezzamento. È una derivazione pulita, guidata da assiomi, che fa sembrare quasi goffo in confronto il tradizionale argomento PDE/copertura.
Punti di Forza & Debolezze: Il punto di forza è l'eleganza fondazionale e il potenziale di generalizzazione. Come visto in fisica con il lavoro di E.T. Jaynes e successivamente di Caticha, i metodi entropici eccellono nel derivare risultati canonici da principi semplici. La debolezza, come per molte teorie eleganti, è il divario con la realtà disordinata. Il quadro deriva elegantemente il MBG, ma il MBG stesso è un modello imperfetto per il Forex (sottostima il rischio di coda, ignora il clustering della volatilità). L'articolo accenna brevemente a lavori futuri sui salti e la geometria dell'informazione, ed è qui che risiede la vera prova. Questo quadro può incorporare naturalmente i fatti stilizzati dei mercati (es. code grasse) semplicemente aggiungendo i vincoli giusti, o richiederà aggiustamenti ad-hoc che ne diluiscono la purezza?
Insight Azionabili: Per i quant e i validatori di modelli, questo articolo è una lettura obbligatoria. Fornisce una nuova lente per la valutazione del rischio di modello. Invece di testare solo l'adattamento di un modello, chiedersi: "Quale informazione sta assumendo questo modello? Questo insieme di informazioni è completo o appropriato?" Per gli innovatori, la roadmap è chiara. Il passo successivo è usare questo quadro per costruire modelli nuovi. Vincolare la massimizzazione dell'entropia con informazioni sui sorrisi di volatilità osservati o sulle frequenze di salto, come accennato dal riferimento degli autori ai modelli di Bates e Heston. Il premio è una teoria coerente e unificata del prezzamento dei derivati che non cuce insieme modelli incompatibili. Il lavoro di Peters e Gell-Mann (2016) sull'economia dell'ergodicità mostra che un ripensamento fondazionale simile sta guadagnando terreno. Questo articolo è un passo solido in quella direzione, ma il mercato sarà il giudice finale della sua utilità oltre l'appello filosofico.
6. Dettagli Tecnici
Il nucleo matematico coinvolge la massimizzazione dell'entropia relativa $\mathcal{S}[P|Q]$ di una distribuzione a posteriori $P(x'|x)$ rispetto a un prior $Q(x'|x)$, soggetta a vincoli. Un vincolo chiave è lo spostamento quadratico atteso, che introduce la volatilità $\sigma$: $$ \langle (\Delta x)^2 \rangle = \kappa dt $$ dove $\kappa$ è legato alla volatilità $\sigma$. La massimizzazione produce una probabilità di transizione gaussiana: $$ P(x'|x) \propto \exp\left(-\frac{(x' - x - \alpha dt)^2}{2\kappa dt}\right) $$ che nel limite continuo porta all'SDE di drift-diffusione per $x_t$. La connessione con la PDE di Black-Scholes-Merton è stabilita attraverso il consueto argomento di valutazione neutrale al rischio applicato al processo MBG derivato.
7. Esempio di Quadro di Analisi
Caso: Incorporare Informazioni dal Sorriso di Volatilità. Il quadro entropico consente l'integrazione di dati di mercato aggiuntivi. Supponiamo, oltre al prezzo a pronti e alla volatilità storica, di avere anche informazioni dal mercato delle opzioni che implicano che la distribuzione neutrale al rischio dei log-rendimenti non sia gaussiana ma abbia skewness negativa e curtosi in eccesso (un sorriso di volatilità).
Passo 1: Definire i Vincoli. Oltre al vincolo di varianza $\langle (\Delta x)^2 \rangle = \sigma^2 dt$, aggiungiamo vincoli sui momenti dalla superficie di volatilità implicita osservata: $$ \langle (\Delta x)^3 \rangle = \tilde{S} dt, \quad \langle (\Delta x)^4 \rangle - 3\langle (\Delta x)^2 \rangle^2 = \tilde{K} dt $$ dove $\tilde{S}$ e $\tilde{K}$ catturano skewness e curtosi per unità di tempo.
Passo 2: Massimizzare l'Entropia. Massimizzare l'entropia relativa con questi quattro vincoli (media, varianza, skewness, curtosi) porta a una probabilità di transizione $P(x'|x)$ descritta da una serie di Gram-Charlier o da una distribuzione della famiglia esponenziale più generale, non una semplice gaussiana.
Passo 3: Derivare la Dinamica. Il limite in tempo continuo risultante sarebbe un processo di diffusione con drift e volatilità dipendenti dallo stato, o potenzialmente un processo di salto-diffusione, derivando efficacemente un modello come quelli di Bates o Heston da principi primi informativi piuttosto che pre-specificando un processo di volatilità stocastica.
Questo esempio dimostra il potere del quadro di generalizzare sistematicamente i modelli incorporando esplicitamente informazioni di mercato più granulari come vincoli.
8. Applicazioni Future & Direzioni
Il quadro della dinamica entropica apre diverse promettenti strade per la ricerca futura nella finanza quantitativa:
- Portafogli Multi-Asset & Geometria dell'Informazione: Gli autori menzionano l'applicazione della geometria dell'informazione alla selezione del portafoglio. Ciò potrebbe portare a nuove strategie di asset allocation basate sulla "distanza" tra la distribuzione di mercato corrente e una distribuzione ottimale target, andando oltre l'ottimizzazione media-varianza.
- Modellare i Fatti Stilizzati: Il quadro è naturalmente adatto a incorporare caratteristiche empiriche ben note come le code grasse, il clustering della volatilità e gli effetti leva aggiungendo appropriati vincoli dinamici o rendendo i vincoli stessi dipendenti dal tempo basandosi su informazioni passate.
- Mercati Non Stazionari e a Cambio di Regime: La distribuzione a priori $Q$ nell'entropia relativa può essere aggiornata dinamicamente per riflettere i cambiamenti di regime di mercato, offrendo potenzialmente un modo fondato per costruire modelli adattivi che rispondono a rotture strutturali.
- Integrazione con la Finanza Comportamentale: I vincoli "informativi" potrebbero essere estesi per includere metriche del sentiment o dell'attenzione degli investitori, colmando il divario tra la finanza quantitativa tradizionale e i modelli comportamentali.
- Sinergia con il Machine Learning: Il principio di massima entropia è una pietra angolare di molti metodi di machine learning. Questo quadro potrebbe fornire una solida fondazione teoria-dell'informazione per modelli ibridi ML-finanza, spiegando perché certe architetture di reti neurali o tecniche di regolarizzazione funzionano bene per le serie temporali finanziarie.
L'obiettivo finale è una teoria unificata, basata su assiomi, della dinamica di mercato che sia sia teoricamente solida che empiricamente accurata, riducendo la necessità delle rattoppature ad-hoc comuni nell'ingegneria finanziaria odierna.
9. Riferimenti
- 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. In 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.