A Per-Component Diagnostic Protocol for Neural HJB-PIDE Solvers under Control-Dependent Lévy Jumps

Resumen Técnico: Un Protocolo de Diagnóstico por Componentes para Solucionadores de HJB-PIDE Neuronales

Planteamiento del Problema
Los solucionadores neuronales entrenados mediante pérdidas residuales se aplican cada vez más a ecuaciones diferenciales integro-parcial de Hamilton-Jacobi-Bellman (HJB-PIDE) que surgen en la optimización de carteras bajo dinámicas de saltos dependientes del control. Un modo de fallo persistente en este dominio es que un solucionador aprendido puede satisfacer los diagnósticos escalares principales (por ejemplo, igualar el ratio de Merton de solo difusión o minimizar la pérdida global) mientras computa sistemáticamente de forma errónea el operador integral no local dentro de la pérdida de entrenamiento. Los diagnósticos estándar (como un entrenamiento más prolongado, el refinamiento de la malla o barridos de truncamiento) a menudo no logran detectar tales errores a nivel de operador, particularmente cuando el error se manifiesta como un factor de escala constante en la densidad de propuesta de importancia utilizada para la integración de Monte Carlo.

Metodología
El artículo propone un protocolo de diagnóstico de cinco pasos por componente (Protocolo 1) diseñado para aislar tales fallos mediante la descomposición del Hamiltoniano y la comparación de los solucionadores contra referencias independientes antes de evaluar la política de control final. El protocolo consiste en:

1. Estandarización de la Ecuación: Asegurar que todos los solucionadores comparados utilicen exactamente la misma HJB-PIDE, el conjunto admisible y los límites de truncamiento de Lévy.
2. Referencia Independiente: Construir al menos una implementación de referencia "desde cero" con elecciones numéricas disjuntas (por ejemplo, diferente discretización, cuadratura o rutinas de argmax).
3. Descomposición por Componentes: Tabular los términos de deriva (drift), difusión, compensador e integral no local del Hamiltoniano de forma separada a través de una malla de controles candidatos ($u$). Un ratio constante $\neq 1$ en cualquier componente individual se identifica como la firma de un error de escala en la densidad de propuesta.
4. Comparación de Superficies: Comparar la función de valor ($V$) y sus derivadas de bajo orden ($\partial_x V, \partial_{xx} V$) sobre una malla de $(t, x)$ antes de comparar los controles de argmax.
5. Confianza Diferida: Solo confiar en la coincidencia del control principal después de que los controles de componente y de superficie hayan pasado las pruebas.

Configuración Experimental y Descubrimiento de Errores
El protocolo se aplicó a un problema estándar de optimización de carteras de Aversión Relativa al Riesgo Constante (CRRA) con saltos de Variancia Gamma (VG). Dado que la homogeneidad de CRRA permite que el problema colapse en una maximización escalar (proporcionando una base semi-analítica), el solucionador neuronal fue probado contra dos solucionadores independientes de diferencias finitas (FD) y esta base escalar.

Utilizando el diagnóstico por componentes, los autores identificaron un error crítico de implementación en su propio solucionador neuronal:

• El Síntoma: Los términos de la integral no local y del compensador del solucionador neuronal eran exactamente la mitad de los valores computados por las referencias FD a través de todos los controles candidatos, mientras que los términos de deriva y difusión coincidían.
• La Causa Raíz: La densidad de propuesta de muestreo de importancia para los saltos de Lévy se construyó como una mezcla 50/50 de dos exponenciales desplazadas de un solo lado. La implementación calculó los pesos de importancia utilizando la densidad condicional de una sola cola ($q_{\pm}$) pero omitió el factor de mezcla de $1/2$ requerido para la densidad incondicional ($q = \frac{1}{2}q_{\pm}$). Esto resultó en que el estimador de Monte Carlo escalara la integral exactamente por $1/2$.
• Invisibilidad: Este error era invisible para los diagnósticos estándar (entrenamiento más largo, refinamiento de malla, curvas de pérdida) porque el factor de escala constante no impidió que la red convergiera a un mínimo local que satisfacía la pérdida residual respecto a su propio operador sesgado.

Resultados Clave
Tras corregir la densidad de propuesta:

1. Convergencia: Cuatro referencias independientes (dos solucionadores FD, el solucionador neuronal corregido y la base escalar semi-analítica) coincidieron en el control óptimo ($u^*$) con un margen de $\sim 2\%$ ($u^*_{VG} \approx 0.344$ frente a la base escalar $0.352$).
2. Sensibilidad Económica: El solucionador corregido demostró los comportamientos económicos esperados: una reducción de $\sim 54\%$ en la asignación de activos de riesgo en comparación con el ratio de Merton de solo difusión debido al riesgo de salto de asimetría negativa, y disminuciones monotónicas en la asignación con el aumento de la intensidad de salto y la asimetría negativa.
3. Limitaciones de la Precisión de la Superficie: Incluso tras la corrección, la precisión de la superficie del solucionador neuronal en el benchmark de coeficientes constantes fue materialmente inferior a la de los solucionadores FD. Mientras que la función de valor coincidió con la referencia al $0.6\%$, la segunda derivada ($\partial_{xx} V$) mostró un error del $\sim 26\%$, y el campo de la política varió hasta un $15\%$ a través de la malla, a pesar de que el verdadero control óptimo es constante.

Significancia y Reivindicaciones
El artículo realiza una contribución metodológica en lugar de una reivindicación de un nuevo solucionador de alta dimensión o una prueba de convergencia.

• El Protocolo: La contribución principal es el protocolo de diagnóstico en sí, que está diseñado para ser aplicable a entornos no homogéneos y de mayor dimensión donde los solucionadores de HJB-PIDE neuronales son genuinamente necesarios (por ejemplo, consumo con utilidad, costes de transacción, cambio de régimen).
• Modo de Fallo de Verificación: El trabajo destaca un modo de fallo más amplio en el aprendizaje automático científico: la concordancia puntual de un valor o control aprendido puede coexistir con un operador no local sistemáticamente erróneo.
• Alcance Modesto: Los autores declaran explícitamente que el benchmark CRRA-Merton-VG utilizado no es una clase de problema donde los solucionadores neuronales sean el método más eficiente (debido a la reducción por homogeneidad). El benchmark sirve únicamente como un objeto de prueba para demostrar la capacidad del protocolo para detectar un error de implementación real. El artículo no pretende haber resuelto la teoría general de HJB en alta dimensión, ni haber proporcionado una prueba de convergencia de la solución viscosa, aunque postula esto como el siguiente paso natural.

Reproducibilidad
Los autores proporcionan la liberación completa del código, incluyendo el solucionador neuronal corregido, dos solucionadores de referencia FD, la base semi-analítica y los scripts de diagnóstico, lo que permite la regeneración de todas las afirmaciones numéricas.