Es preferible que te mantengas alejado de esto como estudiante para un proyecto, incluso si eres un estudiante de doctorado. Si quieres abordar esto como estudiante de doctorado, entonces me encantaría consumir completamente cada momento de tu tiempo trabajando en esto porque tengo un problema que quiero reducir a tiempo polinomial determinista. Créeme, no querrás hablar conmigo porque nunca se acabarán tus dolores de cabeza.
El modelo de valoración de opciones Black-Scholes nunca ha tenido un estudio de validación exitoso. De hecho, hay 3800 artículos sobre una sola anomalía que he mirado. Parte de un artículo que estoy presentando para su publicación contiene un argumento de que si los supuestos de Black-Scholes fueran estrictamente ciertos, entonces no puede existir un estimador que pueda converger al parámetro poblacional, incluso con un conjunto de datos infinitamente grande. En realidad, nadie examinó nunca formalmente las propiedades de Black-Scholes como estimador. Todo el mundo se limitó a suponer que la fórmula, si era válida bajo los supuestos, sería también un estimador válido del parámetro. Resulta que no es así, de ahí todas las anomalías.
Si quiere seguir en las finanzas computacionales, vaya a la estimación de la quiebra. Es un área amplia y rica con un conjunto de herramientas casi infinito. El conjunto de herramientas es excesivamente amplio debido a las presiones combinadas de publicar o perecer y a la necesidad de demostrar que "soy inteligente, contrátame, puedo hacer una locura de lujo".
Probé 78 modelos de quiebra durante un periodo de casi 90 años. Utilizando métodos bayesianos, un modelo tenía aproximadamente un 46% de posibilidades de ser el modelo verdadero, otro modelo tenía aproximadamente un 54% de posibilidades de ser el modelo verdadero y los 76 modelos restantes tenían una probabilidad posterior combinada de que uno de ellos fuera verdadero de 1/10000 de uno por ciento. Todos eran estadísticamente significativos. De los dos, afortunadamente, ninguno compartía las mismas variables, así que pude hacer una media ponderada y eso fue mucho mejor que cualquiera de ellos por separado.
Es fácil verificar las cualidades de un modelo, después de que se construya y se ejecute a través de los datos. Se trata de un problema lineal. Comprobar varios modelos es un problema combinatorio. Más aún si no se conoce la forma de la función, como "aunque se violen los supuestos, ¿se puede utilizar la regresión logística?". Encontrará bosques aleatorios, regresión logística, redes de Hopfield y casi cualquier técnica que pueda clasificar o estimar el fracaso. Es tan difícil porque las empresas de los distintos sectores no son iguales y la naturaleza de esos sectores cambia a medida que cambian la tecnología y las preferencias. Ningún modelo puede ser estrictamente estacionario.
Es necesario retroceder al menos hasta los años 60, ya que los caminos empezaron a divergir entonces y el material más reciente no es realmente mejor que la obra fundacional. Gran parte de la obra fundacional tampoco es tan buena.
Si piensa en la quiebra como algo parecido a la muerte, se equivoca, a menos que lea los libros infantiles "Animorphs". Berkshire Hathaway fue, durante la mayor parte de su historia, una empresa textil. Ahora vende helados a través de su filial Dairy Queen, seguros a través de su filial Geico y docenas de otras cosas, desde alfombras hasta zapatos. Las empresas pasan de ser tortugas a vacas, a medias osas, a cuartos de perro y a cuartos de pez. Sobreviven convirtiéndose en otra cosa. Si estás escribiendo software y asumiendo estabilidad, entonces estás resolviendo el problema equivocado. Eso es complicado y eso es complejo. Fíjate en la quiebra.
