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

Sintesi Tecnica: Un Protocollo Diagnostico Per-Componente per Solver HJB-PIDE Neurali

Enunciato del Problema
I solver neurali addestrati su perdite residue (residual losses) sono sempre più applicati alle equazioni differenziali integro-parziali Hamilton-Jacobi-Bellman (HJB-PIDE) derivanti dall'ottimizzazione di portafoglio sotto dinamiche di salti di Lévy dipendenti dal controllo. Un modo di guasto persistente in questo dominio è che un solver appreso può soddisfare i diagnostici scalari principali (ad esempio, corrispondere al rapporto di Merton basato solo sulla diffusione o minimizzare la perdita globale) pur computando sistematicamente in modo errato l'operatore integrale non locale all'interno della perdita di addestramento. I diagnostici standard — come un addestramento più lungo, il raffinamento della griglia o gli sweep di troncamento — spesso non riescono a rilevare tali errori a livello di operatore, in particolare quando l'errore si manifesta come un fattore di scala costante nella densità di proposta dell'importanza utilizzata per l'integrazione Monte Carlo.

Metodologia
Il documento propone un protocollo diagnostico in cinque fasi per componente (Protocollo 1) progettato per isolare tali guasti scomponendo l'Hamiltoniana e confrontando i solver con riferimenti indipendenti prima di valutare la politica di controllo finale. Il protocollo consiste in:

1. Standardizzazione dell'Equazione: Garantire che tutti i solver confrontati utilizzino esattamente la stessa HJB-PIDE, lo stesso insieme ammissibile e gli stessi limiti di troncamento di Lévy.
2. Riferimento Indipendente: Costruire almeno un'implementazione di riferimento "da zero" con scelte numeriche disgiunte (ad esempio, diversa discretizzazione, quadratura o routine argmax).
3. Decomposizione Per-Componente: Tabulare separatamente il drift, la diffusione, il compensatore e i termini integrali non locali dell'Hamiltoniana su una griglia di controlli candidati ($u$). Un rapporto costante $\neq 1$ in un singolo componente è identificato come la firma di un errore di scala della densità di proposta.
4. Confronto della Superficie: Confrontare la funzione valore ($V$) e le sue derivate di ordine inferiore ($\partial_x V, \partial_{xx} V$) su una griglia $(t, x)$ prima di confrontare i controlli argmax.
5. Fiducia Differita: Fidarsi del match del controllo principale solo dopo che i controlli di componente e di superficie sono stati superati.

Configurazione Sperimentale e Scoperta del Bug
Il protocollo è stato applicato a un problema standard di ottimizzazione di portafoglio con avversione al rischio relativa costante (CRRA) e salti di tipo Variance Gamma (VG). Poiché l'omogeneità CRRA permette al problema di collassare in una massimizzazione scalare (fornendo una base semi-analitica), il solver neurale è stato testato contro due solver indipendenti a differenze finite (FD) e questa base scalare.

Utilizzando il diagnostico per componente, gli autori hanno identificato un bug critico di implementazione nel proprio solver neurale:

• Il Sintomo: I termini integrali non locali e del compensatore del solver neurale erano esattamente la metà dei valori calcolati dai riferimenti FD per tutti i controlli candidati, mentre i termini di drift e diffusione corrispondevano.
• La Causa Radice: La densità di proposta di campionamento per l'importanza dei salti di Lévy era costruita come una miscela 50/50 di due esponenziali traslati unidirezionali. L'implementazione calcolava i pesi di importanza utilizzando la densità condizionale di una singola coda ($q_{\pm}$) ma ometteva il fattore di miscela $1/2$ richiesto per la densità incondizionale ($q = \frac{1}{2}q_{\pm}$). Ciò ha comportato che l'estimatore Monte Carlo scalasse l'integrale esattamente di $1/2$.
• Invisibilità: Questo errore era invisibile ai diagnostici standard (addestramento più lungo, raffinamento della griglia, curve di perdita) perché il fattore di scala costante non impediva alla rete di convergere a un minimo locale che soddisfaceva la perdita residua rispetto al proprio operatore distorto.

Risultati Chiave
Dopo aver corretto la densità di proposta:

1. Convergenza: Quattro riferimenti indipendenti (due solver FD, il solver neurale corretto e la base scalare semi-analitica) concordavano sul controllo ottimale ($u^*$) entro circa il $2\%$ ($u^*_{VG} \approx 0,344$ rispetto alla base scalare $0,352$).
2. Sensibilità Economica: Il solver corretto dimostrava i comportamenti economici attesi: una riduzione del $\sim 54\%$ nell'allocazione di asset rischiosi rispetto al rapporto di Merton basato solo sulla diffusione a causa del rischio di salto con skewness negativa, e diminuzioni monotone dell'allocazione con l'aumentare dell'intensità dei salti e della skewness negativa.
3. Limitazioni dell'Accuratezza della Superficie: Anche dopo la correzione, l'accuratezza della superficie del solver neurale sul benchmark a coefficienti costanti era materialmente inferiore a quella dei solver FD. Mentre la funzione valore corrispondeva al riferimento con lo $0,6\%$, la derivata seconda ($\partial_{xx} V$) mostrava un errore del $\sim 26\%$, e il campo di policy variava fino al $15\%$ attraverso la griglia, nonostante il vero controllo ottimale fosse costante.

Significato e Rivendicazioni
Il documento apporta un contributo metodologico piuttosto che la rivendicazione di un nuovo solver ad alta dimensionalità o di una prova di convergenza.

• Il Protocollo: Il contributo primario è il protocollo diagnostico stesso, che è progettato per essere applicabile a contesti non omogenei e ad alta dimensionalità dove i solver HJB-PIDE neurali sono realmente necessari (ad esempio, consumo con utilità, costi di transazione, cambio di regime).
• Modalità di Fallimento della Verifica: Il lavoro evidenzia un modo di fallimento più ampio nella machine learning scientifica: l'accordo puntuale di un valore o di un controllo appreso può coesistere con un operatore non locale sistematicamente errato.
• Modestia dell'Ambito: Gli autori dichiarano esplicitamente che il benchmark CRRA-Merton-VG utilizzato non è una classe di problemi in cui i solver neurali sono il metodo più efficiente (a causa della riduzione per omogeneità). Il benchmark serve esclusivamente come oggetto di test per dimostrare la capacità del protocollo di cogliere un bug reale, specifico dell'implementazione. Il documento non rivendica di aver risolto la teoria generale delle HJB ad alta dimensionalità, fornito una prova di convergenza della soluzione viscosa o dimostrato il protocollo su problemi non omogenei, sebbene ipotizzi che questo sia il passo successivo naturale.

Riproducibilità
Gli autori forniscono il rilascio completo del codice, inclusi il solver neurale corretto, due solver di riferimento FD, la base semi-analitica e gli script diagnostici, consentendo la rigenerazione di tutte le affermazioni numeriche.