Resumen Técnico: PIVOT – Uniendo la Volatilidad Implícita de Black-Scholes y los Objetivos de Precio mediante el Operador Diferenciable de Jäckel

1. Planteamiento del Problema

Los sistemas modernos de aprendizaje automático para la valoración de opciones operan en dos espacios de coordenadas distintos: el espacio de precios, donde existen las cotizaciones de mercado y se imponen naturalmente las restricciones de no arbitraje, y el espacio de volatilidad implícita (IV), donde las superficies de volatilidad se suavizan, se regularizan y se evalúan. Existe un cuello de botella crítico en la interfaz entre estos espacios. Si bien el resolvedor "Let's Be Rational" (LBR) de Jäckel proporciona un método altamente eficiente y de precisión de máquina para invertir los precios de Black-Scholes en IV, las implementaciones existentes son escalares, están limitadas por la CPU y carecen de diferenciabilidad.

Esto crea un desajuste para el entrenamiento de redes neuronales:

1. No diferenciabilidad: Los resolvedores estándar (por ejemplo, py_vollop) no admiten diferenciación automática (autograd), lo que impide que los gradientes fluyan a través del paso de inversión de IV.
2. Singularidad: El mapa inverso de precio a IV es singular en el régimen de baja vega (donde $\partial P / \partial \sigma \to 0$), lo que causa que la derivada $\partial \sigma / \partial P = 1/V$ diverja. Los flujos de trabajo existentes suelen manejar esto filtrando manualmente las filas de baja vega, descartando datos valiosos que podrían ser supervisados mediante pérdidas en el espacio de precios.
3. Escalabilidad: El entrenamiento en millones de contratos requiere operaciones por lotes (batched) y aceleradas por GPU, algo que los resolvedores escalares de CPU no pueden proporcionar.

El artículo argumenta que la solución no es reemplazar el solver numérico de confianza por una aproximación aprendida, sino crear un puente diferenciable que preserve el paso directo (forward pass) exacto de LBR mientras suministra gradientes analíticamente correctos para el paso de retropropagación (backward pass).

2. Metodología

El sistema propuesto, PIVOT (Price–Implied-Volatility Objective Translator), descompone la tarea de inversión de IV en un paso directo y un paso inverso, tratando al resolvedor como un primitivo opaco dentro de un marco nativo de autograd.

2.1 Paso Directo: Resolvedor de Jäckel Vectorizado

El paso directo delega la inversión a una implementación vectorizada del algoritmo LBR de Jäckel.

• Normalización: Los parámetros de mercado $(S, K, \tau, r, q)$ se convierten a coordenadas adimensionales: el logaritmo del moneyness respecto al forward $k = \log(K/F)$ y la volatilidad total $\sigma_\tau = \sigma\sqrt{\tau}$.
• Resolvedor: El algoritmo resuelve $b(k, \sigma_\tau) = \beta$ (donde $b$ es la función Black normalizada y $\beta$ es el precio normalizado) utilizando semillas racionales e iteraciones de Householder para lograr precisión de máquina.
• Vectorización: El resolvedor se implementa como un primitivo por lotes en GPU (usando núcleos fusionados de NumPy, PyTorch, JAX y Triton), manejando cadenas de opciones heterogéneas simultáneamente.
• Enmascaramiento de Validez: Los inputs inválidos (por ejemplo, precios por debajo del valor intrínseco, violaciones de arbitraje, $\tau \le 0$) se enmascaran explícitamente como NaN en lugar de fallar silenciosamente.

2.2 Paso Inverso: Diferenciación Implícita

En lugar de retropropagar a través de la lógica de ramificación, las aproximaciones racionales o las iteraciones de Householder del solver, PIVOT aplica el Teorema de la Función Implícita.

• La Identidad: Dado que el paso directo resuelve $P(\xi, \sigma) = P^*$, la derivada del mapa inverso está dada por:
  $$\frac{\partial \sigma_{imp}}{\partial P^*} = \frac{1}{V}, \quad \frac{\partial \sigma_{imp}}{\partial \xi} = -\frac{\partial P / \partial \xi}{V}$$
  donde $V = \partial P / \partial \sigma$ es la Vega.
• Implementación: El paso inverso trata la $\sigma_{imp}$ recuperada como la inversa local exacta del mapa de precio Black-Scholes/Black-76 suave. Calcula el gradiente evaluando la función de precio suave y sus derivadas en $\sigma_{imp}$, evitando por completo las ramificaciones internas del solver. Esto asegura que el costo del gradiente sea independiente del número de iteraciones del solver.

2.3 Mecanismo de Puerta de Baja Vega (Low-Vega Gating)

Para abordar la singularidad donde $V \to 0$ (causando $1/V \to \infty$), PIVOT introduce un mecanismo de puerta sensible a la condición:

• Conjunto Bien Condicionado ($G_\tau$): Para las filas donde $|V| > \tau$, se aplica el gradiente exacto $1/V$.
• Cola Singular: Para las filas donde $|V| \le \tau$, el sistema no se limita a regularizar silenciosamente. En su lugar, aplica una puerta suave $w_\tau(V) = V^2 / (V^2 + \tau^2)$ al término de pérdida del espacio de IV o devuelve NaN si la pérdida solicita explícitamente un gradiente mal condicionado.
• Respaldo en el Espacio de Precios: Las filas en la cola singular permanecen en el lote y contribuyen al objetivo de entrenamiento a través de pérdidas en el espacio de precios (que están bien condicionadas), mientras que su canal de IV se atenúa. Esto permite que el modelo aprenda de los datos de baja vega sin corromper al optimizador con gradientes infinitos.

3. Contribuciones Clave

El artículo realiza tres contribuciones específicas:

1. (C1) Jäckel como Primitivo de GPU por Lotes: Una implementación vectorizada y residente en GPU del solver LBR que opera sobre cadenas de opciones heterogéneas, reemplazando los wrappers escalares de CPU con un backend de alto rendimiento.
2. (C2) Retroceso Implícito Nativo de Autograd: Un operador que proporciona derivadas exactas de la función inversa mediante diferenciación implícita, desacoplando el cálculo del gradiente de la complejidad interna del solver y evitando la retropropagación a través de la lógica de ramificación.
3. (C3) Puerta Sensible al Condicionamiento: Un mecanismo que gestiona explícitamente la singularidad de baja vega, permitiendo que las filas de baja vega contribuyan a través de residuales en el espacio de precios mientras se suprimen sus gradientes inestables en el espacio de IV, eliminando la necesidad de pre-filtrado manual.

4. Resultados Empíricos

Los experimentos se realizaron en una única GPU NVIDIA H100 utilizando datos sintéticos y datos reales de OptionMetrics (SPX, RUT, VIX, NDX).

4.1 Rendimiento y Precisión

• Rendimiento (Throughput): El kernel fusionado de Triton logra 1.79 mil millones de inversiones de IV por segundo con un error relativo máximo de $9.3 \times 10^{-14}$ contra el solver de referencia en C.
• Generación de Etiquetas: El sistema genera 48.9 millones de etiquetas de IV sintéticas/s y 16.6 millones de etiquetas de SPX reales/s.
• Autoconsistencia: Los residuales de ida y vuelta (Precio $\to$ IV $\to$ Precio) muestran un error en el percentil 99 $\le 1.8 \times 10^{-7}$ en unidades de precio.

4.2 Impacto en el Aprendizaje de Superficies (Reproducción HyperIV)

Los autores integraron PIVOT en un suavizador de superficies de volatilidad de estilo HyperIV.

• Dominancia de Pareto: Los objetivos aumentados con PIVOT (combinando MSE de precio y pérdidas de ida y vuelta de IV con puerta) dominan en Pareto al baseline simple.
• Resultados de SPX: La mejor configuración con puerta redujo simultáneamente el MAE de Precio en un 38.8% y el MAE de IV en un 21.3%.
• Multi-activo: Se observaron mejoras direccionales similares en RUT (reducción del 40.1% en MAE de Precio), VIX (24.2%) y NDX (16.7%).
• Necesidad de la Puerta (Gating): Un control diagnóstico "sin puerta" (omitiendo la puerta de baja vega) colapsó hacia una superficie degenerada cercana a cero, con un aumento del MAE de Precio de hasta un 2949% (NDX) y miles de pasos de gradiente NaN, confirmando que la puerta es un requisito de corrección, no un parámetro de ajuste.

5. Significado y Reivindicaciones

El artículo posiciona a PIVOT no como una nueva estrategia de trading o un reemplazo para los solvers numéricos, sino como una interfaz metodológica para pipelines de aprendizaje automático.

• Puente de Coordenadas: Permite un entrenamiento diferenciable de extremo a extremo que optimiza simultáneamente la consistencia de precio (donde el mercado cotiza) y la suavidad de la volatilidad (donde se reportan las superficies), una capacidad previamente obstaculizada por la naturaleza no diferenciable de la inversión de IV.
• Contrato de Corrección: El trabajo afirma que la singularidad de baja vega es una propiedad fundamental del mapa de precio-a-IV que debe manejarse explícitamente. El mecanismo de puerta se presenta como un "contrato de corrección" que evita el envenenamiento numérico del optimizador, permitiendo que los modelos utilicen el conjunto de datos completo sin pre-filtrado manual.
• Gobernanza y Reproducibilidad: Al hacer explícito el límite precio-IV (las filas inválidas devuelven NaN, las de baja vega son filtradas por la puerta), el marco soporta un reporte más claro de la validez de los datos y el condicionamiento en el aprendizaje de superficies de volatilidad.

Los autores declaran explícitamente que no pretenden generar superficies libres de arbitraje (una propiedad heredada del modelo base HyperIV) ni pretenden resolver la singularidad de baja vega cambiando el objetivo; más bien, proporcionan el puente diferenciable exacto que permite componer correctamente los objetivos existentes en presencia de estas singularidades.