Duality and DeepMartingale for High-Dimensional Optimal Switching: Computable Upper Bounds and Approximation-Expressivity Guarantees

1. Il Problema: Switching Ottimale in Alta Dimensione

Il lavoro affronta il problema dello switching ottimo (optimal switching) su un orizzonte temporale finito, caratterizzato da:

• Interventi discreti: Le decisioni di cambio di regime avvengono in date predefinite su una griglia temporale, ma il sistema è osservato in tempo continuo tra queste date.
• Filtrazione generale: Il modello non è limitato al caso markoviano puro, sebbene le applicazioni numeriche si concentrino su processi di diffusione di Itô.
• Costi di commutazione: Ogni cambio di regime comporta un costo, e il problema richiede di ottimizzare sia i tempi di intervento che i regimi successivi.
• La sfida dimensionale: In dimensioni elevate ($d$), i metodi classici basati su griglie (PDE, QVI, PIDE) o regressione dinamica falliscono a causa della "maledizione della dimensionalità". I metodi esistenti basati sul Deep Learning tendono a fornire solo stime inferiori (lower bounds) o approssimazioni di funzioni valore senza garantire upper bounds computabili.

2. Metodologia: Il Framework Dual-DeepMartingale

Gli autori sviluppano un approccio ibrido che combina la dualità stocastica con le reti neurali profonde.

A. Riformulazione e Dualità

1. Riformulazione in termini di decisioni di regime: Il problema originale di controllo è trasformato in una sequenza di decisioni di regime su intervalli discreti.
2. Penalità di Martingala: Viene introdotta una famiglia di penalità basate su martingale. L'idea centrale è che il valore ottimo può essere rappresentato come l'infimo essenziale di un funzionale di upper bound su tutte le possibili martingale.
3. Dualità Forte e Computabilità:
   • Viene dimostrata una rappresentazione duale forte.
   • A differenza di lavori precedenti (es. Lin e Ludkovski), dove l'upper bound dipendeva da funzioni valore sconosciute, questo lavoro identifica le martingale di Doob dei valori di continuazione come le penalità minime.
   • Questo porta a un upper bound genuino e completamente computabile, poiché le martingale di Doob possono essere approssimate senza conoscere a priori la soluzione del problema.

B. DeepMartingale Solver

Il metodo estende il framework "DeepMartingale" (precedentemente sviluppato per l'arresto ottimo) allo switching ottimo:

• Parametrizzazione: Le martingale di Doob sono approssimate utilizzando reti neurali feedforward (DeepMartingales) che mappano lo stato del sistema e il rumore browniano.
• Ottimizzazione: Il solver risolve un problema di minimizzazione a ritroso (backward induction). Si minimizza una funzione di perdita (loss function) per trovare i parametri della rete che approssimano la martingala ottima.
  • Loss Upper Bound (D1): Minimizza direttamente il valore atteso dell'upper bound.
  • Loss Surrogate L2 (D2): Minimizza la distanza quadratica tra l'upper bound e un limite inferiore noto (o un'ipotesi), risultando più stabile numericamente.
• Lower Bound: Per validazione empirica, viene implementato un approccio basato su politiche (policy-based) per generare limiti inferiori ammissibili, permettendo di calcolare il "gap" duale (duality gap).

3. Contributi Chiave

1. Teoria della Dualità per lo Switching: Derivazione di una rappresentazione duale per lo switching ottimo con date di intervento discrete, provando la dualità forte e identificando le martingale di Doob come penalità ottimali.
2. Estensione di DeepMartingale: Adattamento e generalizzazione del metodo DeepMartingale dall'arresto ottimo allo switching ottimo, gestendo la complessità aggiuntiva dei valori di continuazione accoppiati tra regimi.
3. Garanzie di Espressività (No Curse of Dimensionality):
   • Viene stabilita un'analisi teorica rigorosa sull'espressività delle reti neurali.
   • Sotto specifiche assunzioni strutturali (es. coefficienti di diffusione affini o con crescita controllata), si dimostra che per una data accuratezza $\epsilon$, esistono reti neurali di dimensione al massimo $c d^q \epsilon^{-r}$ (dove $c, q, r$ sono indipendenti da $d$).
   • Risultato fondamentale: Il solver duale evita la maledizione della dimensionalità, garantendo che l'errore di approssimazione non esploda all'aumentare della dimensione $d$.
4. Interpretazione di Copertura (Delta Hedging): Viene mostrato che l'integrando della martingala appresa corrisponde al rapporto di copertura delta ($\Delta$-hedging), fornendo una strategia di copertura pratica derivata direttamente dalla soluzione duale.

4. Risultati Numerici

Gli esperimenti sono stati condotti su modelli Browniani e Browniani-Poisson in dimensioni fino a $d=100$.

• Confronto con DeepOSJ: Il metodo proposto (DeepPD) è stato confrontato con un approccio basato su BSDE riflesse (DeepOSJ).
  • Stabilità: DeepPD mantiene gap duale (duality gap) piccoli e stabili (circa 0.1) anche per $d=100$, mentre DeepOSJ fallisce per $d \ge 20$ per mancanza di memoria.
  • Gestione del Rischio: DeepPD mostra prestazioni superiori nella gestione del rischio di coda (CVaR) e distribuzioni di errore di copertura più leggere.
  • Geometria di Switching: Le regioni di switch apprese dal metodo duale sono più coerenti e stabili rispetto a quelle ottenute con metodi puramente primali o altri approcci deep learning.
• Filtri Browniani-Poisson: Il metodo è stato esteso con successo a filtraggi che includono salti (processi di Poisson), dimostrando la robustezza della teoria duale anche in presenza di discontinuità.

5. Significato e Impatto

Questo lavoro rappresenta un avanzamento significativo nell'ottimizzazione stocastica ad alta dimensione:

• Riempie un vuoto teorico: Fornisce la prima teoria duale martingala completamente computabile per lo switching ottimo finito.
• Garanzie Matematiche: Offre le prime garanzie di approssimazione che dimostrano l'indipendenza dalla dimensionalità per problemi di switching, un risultato raro nel campo del Deep Learning applicato alle equazioni differenziali stocastiche.
• Applicabilità Pratica: La capacità di fornire sia upper bounds rigorosi che strategie di copertura (delta) rende il metodo altamente rilevante per applicazioni finanziarie reali come la gestione di risorse naturali, l'ingresso/uscita di mercato delle imprese e la gestione di portafogli energetici complessi.

In sintesi, Ye e Wong dimostrano che l'approccio duale basato su Deep Learning non solo scala bene dimensionalmente, ma offre anche una certezza teorica e numerica superiore rispetto ai metodi basati esclusivamente sulla stima del valore o sulle politiche.