Segun arXiv q-fin, un estudio reciente analiza cómo los algoritmos de inteligencia artificial, específicamente modelos basados en el TD3, pueden mejorar la gestión de riesgos en opciones del S&P 500, aplicando un enfoque de hedging dirigido hacia pérdidas adversas. La investigación compara estos modelos con la estrategia clásica de hedging mediante delta del modelo de Black-Scholes, evaluada día a día. Los resultados, obtenidos en pruebas de avance secuencial entre 2015 y 2023, muestran que los agentes de aprendizaje automático suelen adoptar un ajuste sistemático en el delta, reduciéndolo respecto al valor teórico del modelo clásico. Este ajuste se explica por la correlación entre la volatilidad implícita y el precio del activo en el mercado, y en muchos casos mejora tanto el rendimiento acumulado como la variabilidad de pérdidas en condiciones normales. Sin embargo, el comportamiento de estos modelos revela una sensibilidad marcada a las condiciones del mercado: en 2022, se registran pérdidas significativas durante estados diarios adversos, mientras que en 2023, bajo escenarios donde las ganancias del contrato dependen directamente del precio del activo y la canal de volatilidad es débil, el ajuste del hedging genera una elevación en la variabilidad general de los resultados.
Este hallazgo plantea una limitación crítica: aunque los modelos aprendidos generan ventajas en rendimiento y control de pérdidas bajo condiciones estables, su efectividad se desvía drásticamente en entornos volátiles o poco predecibles. Lo que se logra en escenarios favorables no puede garantizarse en contextos de incertidumbre elevada, lo cual implica que los algoritmos no solo no son infalibles, sino que pueden convertirse en fuentes de riesgo si no se supervisan con rigor. Además, el trabajo emplea regresión simbólica para extraer fórmulas matemáticas simples que capturan el comportamiento de los modelos neuronales. Estas fórmulas permiten replicar el rendimiento, la reducción de pérdidas extremas y el beneficio en el valor en el riesgo (CVaR), manteniendo gran parte de la ventaja sobre el modelo Black-Scholes. En algunos casos, incluso optimizan el desempeño, pero heredan la misma fragilidad en condiciones adversas.
Para los inversores peruanos, este análisis ofrece una advertencia clave. Aunque los modelos de inteligencia artificial prometen eficiencia y precisión, su rendimiento depende de condiciones de mercado que no siempre se pueden prever. En mercados emergentes como el peruano, donde la volatilidad puede aumentar bruscamente por factores macroeconómicos o políticos, una estrategia basada en algoritmos sin supervisión puede generar pérdidas mayores de lo esperado. Es fundamental que los inversores evalúen no solo el historial de rendimiento, sino también la estabilidad de los modelos en situaciones extremas. La combinación de estrategias tradicionales con supervisión humana, y el uso de herramientas de auditoría en tiempo real, podría ser una mejor protección frente a los riesgos inherentes a los sistemas de aprendizaje automático.