Differential Machine Learning for 0DTE Options with Stochastic Volatility and Jumps

Diese Arbeit stellt eine differentialle Machine-Learning-Methode für 0DTE-Optionen unter einem stochastischen Volatilitäts-Sprung-Diffusionsmodell vor, die durch eine spezielle Netzwerkarchitektur und ein mehrstufiges Trainingsverfahren gleichzeitig präzise Preise und Griechen berechnet und dabei Fourier-basierte Benchmarks in Geschwindigkeit und Hedging-Stabilität übertrifft.

Das Wesentliche

Stellen Sie sich vor, Sie sind ein Koch, der jeden Tag ein extrem kompliziertes Gericht für eine riesige Menschenmenge zubereiten muss. Dieses Gericht sind die 0DTE-Optionen (Optionen, die am selben Tag verfallen).

Das Problem ist: Diese Gerichte sind nicht nur kompliziert, sie ändern sich auch sekündlich. Wenn Sie versuchen, den Geschmack (den Preis) und die genaue Menge an Salz und Pfeffer (die sogenannten „Greeks", also Risiken wie Delta oder Gamma) zu berechnen, dauert es normalerweise ewig, bis Sie das Rezept perfektioniert haben. Und wenn Sie einen Fehler machen, kann das ganze Gericht verderben.

Hier kommt die Differential Machine Learning-Methode aus dem Papier ins Spiel. Der Autor, Takayuki Sakuma, hat einen neuen, genialen Kochplan entwickelt. Hier ist die Erklärung in einfachen Worten:

1. Das Problem: Der „Blitz-Koch" und der „Sprung"

Normalerweise nutzen Köche (Mathematiker) sehr langsame, aber genaue Methoden, um diese Gerichte zu berechnen (wie Fourier-Transformationen). Das ist wie ein Koch, der jeden einzelnen Reis einzeln zählt. Das ist zu langsam für den heutigen Markt, wo alles in Sekundenbruchteilen passiert.

Zusätzlich gibt es ein besonderes Problem: Der Markt macht manchmal plötzliche Sprünge (wie ein Hase, der unerwartet über den Tisch springt). In der Mathematik nennt man das „Jumps". Wenn man diese Sprünge nicht genau berechnet, wird das Gericht schal.

2. Die Lösung: Ein intelligenter Koch-Assistent (KI)

Der Autor baut einen KI-Koch-Assistenten (ein neuronales Netzwerk). Aber er macht es nicht so, wie es andere tun.

• Der Trick mit dem „Variance-Gate" (Die Reifung):
  Statt das Gericht komplett neu zu erfinden, nimmt der Assistent ein bekanntes, einfaches Grundrezept (die Black-Scholes-Formel) und fügt nur eine kleine Korrektur hinzu.

  • Analogie: Stellen Sie sich vor, Sie backen einen Kuchen. Wenn er noch ganz frisch ist (kurze Zeit bis zum Verfall), ist er sehr empfindlich. Der Assistent sagt: „Wir nehmen das Standardrezept, aber wir fügen eine spezielle Zutat hinzu, die sich automatisch anpasst, je näher der Kuchen am Backofen ist." Wenn die Zeit abläuft (der Kuchen fertig ist), verschwindet diese Zutat wieder, damit der Kuchen genau so schmeckt, wie er soll. Das macht die Berechnung viel stabiler.

• Der „Zwillings-Trainer" (Differential Machine Learning):
  Der Assistent lernt nicht nur, wie der Kuchen schmeckt (Preis), sondern auch, wie er sich anfühlt, wenn man ihn antippt (Greeks/Delta/Gamma).

  • Analogie: Ein normaler Koch schmeckt nur. Dieser Assistent schmeckt und fühlt gleichzeitig. Wenn er lernt, dass der Kuchen etwas flacher wird, weiß er sofort, wie viel mehr Mehl er braucht, ohne das Rezept neu zu schreiben. Das macht ihn extrem präzise und schnell.

3. Das größte Hindernis: Der „Geister-Sprung"

Das Schwierigste ist der plötzliche Sprung (der Hase auf dem Tisch). Wenn man dem Assistenten nur sagt: „Mach den Fehler klein", kann er einen Trick anwenden: Er lässt die Sprung-Korrektur einfach weg und macht dafür die anderen Zutaten etwas falsch, sodass das Endergebnis trotzdem stimmt.

• Das Problem: Der Assistent hat den Trick gelernt, aber nicht die Wahrheit über den Sprung verstanden. Wenn dann ein echter Sprung passiert, versagt er.

Die Lösung des Autors: Der Drei-Stufen-Plan
Um das zu verhindern, trainiert der Autor den Assistenten in drei Schritten:

1. Schritt 1: Der Assistent lernt erst mal nur den Geschmack und das Gefühl (Preis und Greeks), ohne sich um die Sprünge zu kümmern.
2. Schritt 2: Jetzt wird ein zweiter Assistent hinzugezogen, der sich nur um die Sprünge kümmert. Er bekommt eine genaue Anleitung (eine Referenz), wie ein echter Sprung aussieht, und muss diese nachahmen. Er darf den ersten Assistenten nicht mehr „aushebeln".
3. Schritt 3: Beide arbeiten jetzt zusammen und verfeinern das Rezept, wobei sie sicherstellen, dass beide Teile (Grundrezept und Sprung) korrekt sind.

4. Das Ergebnis: Warum ist das toll?

• Geschwindigkeit: Der neue Assistent ist viele Male schneller als die alten, langsamen Methoden. Er kann Tausende von Gerichten in der Zeit zubereiten, in der der alte Koch nur eines fertig bekommt.
• Genauigkeit: Obwohl er schnell ist, macht er fast keine Fehler beim Preis. Und beim „Gefühl" (den Risiken) ist er sogar besser als die alten Methoden.
• Sicherheit: Wenn man damit ein Risiko absichert (Hedging), funktioniert es auch unter Stress (wenn der Markt wild springt) sehr gut.

Zusammenfassung in einem Satz

Der Autor hat eine KI-Koch-Methode entwickelt, die Optionen mit extrem kurzer Lebensdauer berechnet, indem sie ein einfaches Grundrezept mit einer cleveren Korrektur kombiniert, einen spezialisierten Assistenten für plötzliche Marktsprünge einsetzt und in drei Trainingsphasen lernt, damit sie sowohl superschnell als auch hochpräzise ist.

Das ist wie ein Koch, der in Sekunden ein perfektes Gericht zaubert, selbst wenn der Hase gerade über den Tisch springt – und dabei noch Zeit hat, den Gästen ein Lächeln zu schenken.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „Differential Machine Learning for 0DTE Options with Stochastic Volatility and Jumps" von Takayuki Sakuma auf Deutsch.

1. Problemstellung

Der Fokus liegt auf der Bewertung und dem Risikomanagement von Zero-Days-to-Expiry (0DTE) Optionen (Optionen mit einer Laufzeit von weniger als einem Tag). Diese haben in den letzten Jahren einen enormen Anteil am Handelsvolumen gewonnen.

• Herausforderungen:
  • Dynamik: Die zugrunde liegenden Vermögenswerte zeigen in diesem ultra-kurzen Zeitraum häufig intraday-Sprungaktivitäten (Jumps) und große Gamma-Exposures im Bereich „at-the-money" (ATM). Ein reines Diffusionsmodell (wie Black-Scholes) reicht nicht aus; ein Modell mit stochastischer Volatilität und Sprüngen (SVJD) ist erforderlich.
  • Berechnungsgeschwindigkeit: Aufgrund der extrem kurzen Laufzeiten und der Notwendigkeit häufiger intraday-Rebalancings müssen Preise und Griechen (Delta, Gamma, Vega) extrem schnell berechnet werden.
  • Numerische Instabilität: In der Nähe des Geldes (ATM) und bei sehr kurzer Laufzeit werden die Griechen (insbesondere Gamma) sehr groß und die PDEs (Partial Differential Equations) numerisch instabil.
  • Identifizierbarkeit von Sprüngen: Bei herkömmlichen Machine-Learning-Ansätzen, die nur den PIDE-Residuum (Partial Integro-Differential Equation) bestrafen, kann das Optimierungsproblem degenerieren. Das Netzwerk kann Fehler im Diffusionsteil durch den Sprungterm kompensieren, ohne den tatsächlichen Sprungoperator korrekt zu lernen.

2. Methodik

Die Autoren entwickeln eine Differential Machine Learning (DML) Methode, die auf einem neuronalen Netzwerk basiert, um Preise und Griechen in einem einzigen Vorwärtsdurchlauf zu berechnen.

A. Modellierung und Architektur

• Basis-Modell: Bates-Modell (Heston-Volatilität + Merton-Sprünge).
• Netzwerk-Architektur (Twin-Network-Ansatz):
  • Statt den Preis direkt vorherzusagen, lernt das Netzwerk eine Varianzkorrektur $\Delta V_\phi(x)$ zu einer Black-Scholes-Formel.
  • Die effektive Volatilität wird als $\sigma_{eff} = \sqrt{V + g(\tau)\Delta V_\phi(x)}$ definiert, wobei $g(\tau)$ eine Funktion ist, die gegen Null geht, wenn die Laufzeit $\tau \to 0$. Dies sichert das korrekte Auszahlungsverhalten am Verfalltag und stabilisiert das Training.
  • Ein zweites, separates Netzwerk approximiert den kompensierten Sprungoperator $J_\psi(x)$.
• Griechen: Delta, Gamma und Vega werden durch automatische Differentiation (Automatic Differentiation) des Preisnetzwerks berechnet und direkt in den Trainingsverlust einbezogen.

B. Drei-Stufen-Trainingsverfahren

Um das Problem der Nicht-Identifizierbarkeit des Sprungterms zu lösen, wird ein spezielles Trainings-Schema eingeführt:

1. Stufe 1 (Preis & Griechen): Training des Preisnetzwerks ($\phi$) unter Verwendung von Preis- und Griechen-Verlusten sowie Arbitrage-Strafen. Der Sprungnetzwerk-Parameter ($\psi$) ist eingefroren.
2. Stufe 2 (Sprung-Referenz): Das Preisnetzwerk wird eingefroren. Das Sprungnetzwerk wird trainiert, um eine numerische Referenz für den Sprungterm zu approximieren, die aus einem Fourier-basierten Preiskalkulator berechnet wird. Dies verhindert, dass das Sprungnetzwerk nur als „Fehler-Korrektur" für den Diffusionsteil dient.
3. Stufe 3 (Gemeinsame Verfeinerung): Beide Netzwerke werden gemeinsam feinabgestimmt. Zusätzlich wird eine Selbstkonsistenz-Strafe hinzugefügt, die sicherstellt, dass der gelernte Sprungterm mit einer numerischen Approximation des Operators übereinstimmt.

C. Verlustfunktion

Der Gesamtverlust kombiniert mehrere Komponenten:

• Gewichtete quadratische Fehler für Preise und Griechen (mit höherer Gewichtung für ATM und kurze Laufzeiten).
• Robuste Verlustfunktionen (Huber-Loss) für Gamma, um Ausreißer durch numerische Quadraturfehler zu reduzieren.
• PIDE-Residuum-Strafe (wird in Stufe 3 hinzugefügt).
• Arbitrage-Strafen (z. B. Delta-Bounds $0 \le \Delta \le 1$, Konvexität, Monotonie des Vegas).

3. Wichtige Beiträge

1. Einheitliche Berechnung: Die Methode berechnet Preise und alle relevanten Griechen (Delta, Gamma, Vega) in einem einzigen Netzwerkdurchlauf, was die Rechenzeit im Vergleich zu Finite-Differenzen-Methoden drastisch reduziert.
2. Lösung des Identifizierbarkeitsproblems: Durch die Einführung eines separaten Sprungnetzwerks und das Drei-Stufen-Training wird sichergestellt, dass der gelernte Sprungterm physikalisch sinnvoll ist und nicht nur numerische Fehler des Diffusionsteils ausgleicht.
3. Stabilität im 0DTE-Bereich: Die Darstellung des Preises als Black-Scholes-Preis mit einer durch die Laufzeit gesteuerten Varianzkorrektur ($g(\tau)$) löst das Problem der Singularität bei $\tau \to 0$ und gewährleistet die korrekte Grenzwertbildung.
4. Robustheit: Die Verwendung von robusten Verlustfunktionen und Selbstkonsistenz-Strafen macht das Training auch bei den extremen Bedingungen von 0DTE-Optionen stabil.

4. Ergebnisse

Die Methode wurde an simulierten Daten des Bates-Modells getestet und mit einem Fourier-basierten Referenzpreiskalkulator verglichen.

• Genauigkeit:
  • Das Drei-Stufen-Modell (Modell D) liefert die besten Ergebnisse für Delta und Vega unter den griechenüberwachten Modellen.
  • Die Preisfehler sind vergleichbar mit einfacheren Modellen, aber die Genauigkeit der Griechen (insbesondere im Tail-Bereich) ist signifikant verbessert.
  • Ein Modell, das nur den PIDE-Residuum bestraft (ohne separate Sprungüberwachung), führt zu einem kleinen Residuum, aber einem falschen Sprungterm (hoher Fehler im Vergleich zur Referenz). Dies bestätigt die Notwendigkeit des Drei-Stufen-Ansatzes.
• Geschwindigkeit:
  • Der DML-Preiskalkulator ist substantiell schneller als der Fourier-basierte Benchmark.
  • Bei einer Batch-Größe von $N=50.000$ Optionen beträgt die Beschleunigungsfaktor ca. 47,4-fach bei vergleichbarer Preisgenauigkeit.
• Hedging-Tests:
  • In Simulationen eines ein-tägigen Delta-Hedgings unter stressigen Parametern (hohe Sprungintensität) zeigen die von DML berechneten Hedging-Strategien eine sehr ähnliche P&L-Verteilung wie die mit dem wahren Delta (Fourier-Preiser).
  • Auch bei zweiten Ordnung (Gamma-Hedging) bleiben die Ergebnisse stabil, obwohl Gamma im ultra-kurzen ATM-Bereich die schwierigste Größe bleibt.

5. Bedeutung und Ausblick

• Praktische Relevanz: Die Methode adressiert direkt die Bedürfnisse des modernen Optionshandels, wo 0DTE-Optionen dominieren und Geschwindigkeit sowie Genauigkeit der Griechen für das Risikomanagement entscheidend sind.
• Theoretischer Fortschritt: Sie demonstriert, wie Differential Machine Learning erfolgreich auf komplexe PIDEs (mit Sprüngen) angewendet werden kann, wenn herkömmliche Residuum-basierte Ansätze an Identifizierbarkeitsproblemen scheitern.
• Zukunft: Der nächste Schritt besteht darin, die Methode auf echte Marktdaten anzuwenden, wobei Mikrostruktur-Rauschen, Bid-Ask-Spreads und Transaktionskosten berücksichtigt werden müssen.

Zusammenfassend stellt das Paper einen robusten und effizienten Ansatz vor, der die Lücke zwischen der theoretischen Komplexität von Sprungmodellen und den praktischen Anforderungen an Echtzeit-Bewertung und Hedging von 0DTE-Optionen schließt.