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

Résumé Technique : Un Protocole de Diagnostic par Composante pour les Solveurs HJB-PIDE Neuronaux

Énoncé du Problème
Les solveurs neuronaux entraînés sur des pertes résiduelles sont de plus en plus appliqués aux équations aux dérivées partielles intégro-différentielles de Hamilton-Jacobi-Bellman (HJB-PIDE) issues de l'optimisation de portefeuille sous dynamique de sauts de Lévy dépendante du contrôle. Un mode d'échec persistant dans ce domaine est qu'une solution apprise peut satisfaire les diagnostics scalaires globaux (par exemple, correspondre au ratio de Merton de diffusion seule ou minimiser la perte globale) tout en calculant systématiquement de manière erronée l'opérateur intégral non local au sein de la perte d'entraînement. Les diagnostics standards — tels qu'un entraînement prolongé, le raffinement de la grille ou les balayages de troncature — échouent souvent à détecter ces erreurs au niveau de l'opérateur, particulièrement lorsque l'erreur se manifeste comme un facteur d'échelle constant dans la densité de proposition d'importance utilisée pour l'intégration de Monte Carlo.

Méthodologie
L'article propose un protocole de diagnostic en cinq étapes par composante (Protocole 1) conçu pour isoler de tels échecs en décomposant le hamiltonien et en comparant les solveurs à des références indépendantes avant d'évaluer la politique de contrôle finale. Le protocole se compose de :

1. Standardisation de l'Équation : Garantir que tous les solveurs comparés utilisent exactement la même HJB-PIDE, le même ensemble admissible et les mêmes bornes de troncature de Lévy.
2. Référence Indépendante : Construire au moins une implémentation de référence « à partir de zéro » avec des choix numériques disjoints (par exemple, une discrétisation, une quadrature ou des routines d'argmax différents).
3. Décomposition par Composante : Tabuler séparément les termes de dérive, de diffusion, de compensateur et l'intégrale non locale du hamiltonien à travers une grille de contrôles candidats ($u$). Un ratio constant $\neq 1$ dans n'importe quelle composante est identifié comme la signature d'une erreur d'échelle de la densité de proposition.
4. Comparaison de Surface : Comparer la fonction de valeur ($V$) et ses dérivées d'ordre inférieur ($\partial_x V, \partial_{xx} V$) sur une grille $(t, x)$ avant de comparer les contrôles argmax.
5. Confiance Différée : Ne faire confiance à la correspondance du contrôle principal qu'après le passage des vérifications de composante et de surface.

Configuration Expérimentale et Découverte de Bug
Le protocole a été appliqué à un problème standard d'optimisation de portefeuille CRRA (Aversion Relative au Risque Constante) avec des sauts de type Variance Gamma (VG). Bien que l'homogénéité du CRRA permette de réduire le problème à une maximisation scalaire (fournissant une base semi-analytique), le solveur neuronal a été testé contre deux solveurs de différences finies (FD) indépendants et cette base scalaire.

En utilisant le diagnostic par composante, les auteurs ont identifié un bug d'implémentation critique dans leur propre solveur neuronal :

• Le Symptôme : Les termes d'intégrale non locale et de compensateur du solveur neuronal étaient exactement de la moitié des valeurs calculées par les références FD pour tous les contrôles candidats, tandis que les termes de dérive et de diffusion concordaient.
• La Cause Racine : La densité de proposition d'échantillonnage d'importance pour les sauts de Lévy était construite comme un mélange 50/50 de deux exponentielles décalées unidirectionnelles. L'implémentation calculait les poids d'importance en utilisant la densité conditionnelle d'une seule queue ($q_{\pm}$) mais omettait le facteur de mélange $1/2$ requis pour la densité inconditionnelle ($q = \frac{1}{2}q_{\pm}$). Cela a entraîné une mise à l'échelle de l'intégrale par Monte Carlo par un facteur de $1/2$.
• Invisibilité : Cette erreur était invisible pour les diagnostics standards (entraînement prolongé, raffinement de grille, courbes de perte) car le facteur d'échelle constant n'empêchait pas le réseau de converger vers un minimum local qui satisfaisait la perte résiduelle par rapport à son propre opérateur biaisé.

Résultats Clés
Après correction de la densité de proposition :

1. Convergence : Quatre références indépendantes (deux solveurs FD, le solveur neuronal corrigé, et la base scalaire semi-analytique) concordent sur le contrôle optimal ($u^*$) à environ $2\%$ ($u^*_{VG} \approx 0,344$ contre la base scalaire de $0,352$).
2. Sensibilité Économique : Le solveur corrigé a démontré les comportements économiques attendus : une réduction de $\sim 54\%$ de l'allocation d'actifs risqués par rapport au ratio de Merton de diffusion seule en raison du risque de saut à asymétrie négative, et des diminutions monotones de l'allocation avec l'augmentation de l'intensité des sauts et de l'asymétrie négative.
3. Limitations de la Précision de Surface : Même après la correction, la précision de surface du solveur neuronal sur le benchmark à coefficients constants était matériellement inférieure à celle des solveurs FD. Alors que la fonction de valeur correspondait à la référence à $0,6\%$, la dérivée seconde ($\partial_{xx} V$) présentait une erreur de $\sim 26\%$, et le champ de politique variait jusqu'à $15\%$ à travers la grille, malgré le fait que le véritable contrôle optimal soit constant.

Signification et Revendications
L'article apporte une contribution méthodologique plutôt qu'une revendication d'un nouveau solveur de haute dimension ou d'une preuve de convergence.

• Le Protocole : La principale contribution est le protocole de diagnostic lui-même, qui est conçu pour être applicable à des contextes non homogènes et de plus haute dimension où les solveurs HJB-PIDE neuronaux sont réellement nécessaires (par exemple, consommation avec utilité, coûts de transaction, changement de régime).
• Mode de Défaillance de Vérification : Ce travail met en lumière un mode de défaillance plus large dans l'apprentissage automatique scientifique : l'accord ponctuel d'une valeur ou d'un contrôle appris peut coexister avec un opérateur non local systématiquement erroné.
• Modestie de la Portée : Les auteurs déclarent explicitement que le benchmark CRRA-Merton-VG utilisé n'est pas une classe de problèmes où les solveurs neuronaux sont la méthode la plus efficace (en raison de la réduction par homogénéité). Le benchmark sert uniquement de test pour démontrer la capacité du protocole à détecter un bug réel et spécifique à l'implémentation. L'article ne prétend pas avoir résolu la théorie générale des HJB de haute dimension, fourni une preuve de convergence de la solution de viscosité, ou démontré le protocole sur des problèmes non homogènes, bien qu'il pose cela comme la prochaine étape naturelle.

Reproductibilité
Les auteurs fournissent une version complète du code incluant le solveur neuronal corrigé, deux solveurs de référence FD, la base semi-analytique, ainsi que les scripts de diagnostic, permettant de régénérer tous les résultats numériques.