Differential Machine Learning for 0DTE Options with Stochastic Volatility and Jumps

Dit artikel presenteert een differentieel machine learning-methode voor 0DTE-opties onder een stochastische volatiliteits-jump-diffusiemodel die prijzen en Grieken in één evaluatie berekent, gebruikmakend van een Black-Scholes-representatie met een variatiecorrectie en een meervoudig trainingsproces om nauwkeurige en snelle resultaten te behalen.

De kern

Stel je voor dat je een super-snelle voorspeller bouwt voor de prijs van een heel speciaal type optie: de 0DTE-optie.

Wat is dat? Het zijn opties die vandaag nog verlopen. Ze zijn als een vlinder die slechts één dag leeft. Omdat ze zo kort leven, veranderen hun prijzen razendsnel, vooral als de onderliggende beurskoers een beetje schokt.

Deze paper van Takayuki Sakuma beschrijft hoe hij een kunstmatige intelligentie (AI) heeft getraind om deze opties niet alleen te prijzen, maar ook om te begrijpen hoe ze reageren op risico's (de zogenaamde "Greeks"), en dat alles in een fractie van een seconde.

Hier is de uitleg, vertaald naar alledaagse taal met een paar creatieve vergelijkingen:

1. Het Probleem: De "Vlinder" die niet stilzit

Normaal gesproken gebruiken banken ingewikkelde wiskundige formules om opties te prijzen. Maar bij 0DTE-opties is de tijd zo kort, en de kans op plotselinge schokken (zoals een nieuwsbericht dat de markt laat stuiteren) zo groot, dat de oude formules te traag zijn of te onnauwkeurig worden.

Het is alsof je probeert de vlucht van een kolibrie te voorspellen terwijl je door een storm loopt. Je hebt iets nodig dat niet alleen de vlucht ziet, maar ook de windstoten en de trillingen in de lucht.

2. De Oplossing: Twee AI's die samenwerken

De auteur gebruikt een slimme methode genaamd Differential Machine Learning. In plaats van één grote, slome computer die alles uitrekent, bouwt hij een systeem met twee specifieke onderdelen die als een goed getraind duo werken:

• De "Prijs-voorspeller" (De Variatie-Mechanicus):
  Deze AI leert niet direct de prijs voorspellen. Dat is te moeilijk. In plaats daarvan leert hij een correctie op een standaardformule (de beroemde Black-Scholes formule).

  • De Analogie: Stel je voor dat de standaardformule een auto is die perfect rijdt op een rechte weg. De AI is de monteur die een kleine, slimme veer onder de auto plaatst. Deze veer past zich aan als de weg hobbelig wordt (door volatiliteit) of als er een plotselinge sprong komt (jumps). Hoe dichter de optie bij het einde van zijn leven is (vandaag), hoe meer deze veer moet werken, maar hij verdwijnt netjes als de tijd op is, zodat de auto weer perfect landt op de juiste prijs.

• De "Schok-detecteur" (De Jump-Operator):
  Dit is het genie van de paper. Bij 0DTE-opties kunnen plotselinge schokken (jumps) de prijs enorm beïnvloeden. Als je alleen kijkt naar de totale fout in de berekening, kan de computer een trucje uithalen: hij kan de fouten van de "normale beweging" en de "schokken" tegen elkaar wegstrepen. Het resultaat lijkt perfect, maar de AI heeft de schokken eigenlijk niet begrepen.

  • De Analogie: Het is alsof je een weegschaal hebt. Als je links een zware steen legt en rechts een even zware steen, staat de weegschaal in evenwicht. Maar als je wilt weten hoeveel de steen links weegt, moet je de steen rechts eerst apart wegen.
  • De auteur lost dit op door een tweede AI te bouwen die alleen de schokken moet voorspellen. Deze AI wordt apart getraind om de "schokkracht" te meten, zodat de eerste AI zich kan focussen op de rest.

3. De Drie-Fase Opleiding (Het Trainingsplan)

De AI's worden niet zomaar losgelaten. Ze doorlopen een streng trainingsprogramma in drie stappen:

1. Fase 1: De Basis. De prijs-AI leert de basisprijzen en hoe de prijs reageert op kleine veranderingen (Delta, Gamma, Vega).
2. Fase 2: De Schok-training. De prijs-AI wordt vastgezet. De tweede AI (de schok-detecteur) krijgt nu les. Hij krijgt een "antwoordboekje" (een nauwkeurige wiskundige berekening) om te leren hoe echte schokken eruitzien.
3. Fase 3: Het Duo. Beide AI's werken samen. Ze controleren elkaar en zorgen dat de totale berekening klopt, zonder dat ze elkaar "oplichten" door fouten tegen elkaar weg te strepen.

4. Waarom is dit zo cool? (De Resultaten)

• Snelheid: De oude methoden (Fourier-transformatie) zijn als het oplossen van een Sudoku met de hand: nauwkeurig, maar traag. De nieuwe AI is als een supercomputer die de Sudoku in een flits invult. Het is tot 47 keer sneller dan de traditionele methoden.
• Nauwkeurigheid: De AI leert niet alleen de prijs, maar ook de risico's (Greeks). Zelfs in de meest chaotische situaties (stressed parameters) blijft de AI stabiel.
• Hedging (Risicobeperking): De auteurs testten of hun AI goed genoeg was om echte geldverliezen te voorkomen. Ze lieten een virtuele handelaar de opties "hedge" (risico afdekken). Het resultaat? De AI deed het bijna even goed als de "perfecte" theorie, zelfs als de markt schokte.

Samenvattend

Deze paper introduceert een slimme manier om de razendsnelle, onvoorspelbare wereld van 0DTE-opties te temmen. Door de prijsberekening op te splitsen in een "standaard" deel en een "schok" deel, en deze te trainen in drie fasen, krijgen we een systeem dat snel, accuraat en betrouwbaar is.

Het is alsof je van een trage, nauwkeurige landmeter overschakelt naar een drone die met een camera en een stabilisator razendsnel over het terrein vliegt, maar toch elke steen en elke boom exact in kaart brengt. Voor de financiële wereld betekent dit dat ze sneller en slimmer kunnen handelen in deze extreem korte optiemarkt.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "Differential Machine Learning for 0DTE Options with Stochastic Volatility and Jumps" van Takayuki Sakuma, geschreven in het Nederlands.

1. Probleemstelling

De paper adresseert de uitdagingen bij het prijzen en berekenen van de Grieken (risicomaatstaven) voor 0DTE-opties (opties met nul dagen tot vervaldatum) onder een stochastische volatiliteit met jumps (SVJD) model, specifiek het Bates-model.

De kernproblemen zijn:

• Ultra-korte looptijden: Bij 0DTE-opties worden de Grieken (vooral Gamma) extreem groot en lokaal rond het 'at-the-money' (ATM) punt, wat numerieke instabiliteit veroorzaakt.
• Jump-dynamiek: Empirisch onderzoek toont verhoogde intraday-jump-activiteit. Modellen moeten jumps bevatten, maar dit maakt de partiële integro-differentiaalvergelijkingen (PIDE's) complexer dan standaard PDE's.
• Berekeningskosten: Frequent herbalanceren van portefeuilles vereist zeer snelle berekeningen van prijzen en Grieken. Traditionele methoden (zoals Fourier-transformatie) zijn nauwkeurig maar te traag voor real-time hedging in deze regime.
• Identificeerbaarheid: Bij het trainen van een netwerk om een PIDE-residu te minimaliseren, kan het optimizer de fouten in het diffusiegedeelte compenseren met het jump-gedeelte. Hierdoor kan het residu klein zijn zonder dat het geleerde jump-model de werkelijke jump-integraal correct weergeeft.

2. Methodologie

De auteur introduceert een Differentieel Machine Learning (DML) framework dat prijzen en Grieken in één enkele netwerk-evaluatie berekent. De architectuur en het trainingsproces bestaan uit de volgende componenten:

A. Netwerkarchitectuur (Twee-netwerken)

In plaats van de prijs direct te voorspellen, gebruikt het systeem twee verbonden neurale netwerken:

1. Variance-Correction Network ($\phi$):
   • Dit netwerk voorspelt geen prijs, maar een variatiecorrectie ($\Delta V_\phi$) voor een Black-Scholes formule.
   • De effectieve volatiliteit wordt berekend als $V_{eff} = \max(V + g(\tau)\Delta V_\phi, \epsilon)$, waarbij $g(\tau)$ een functie is die naar nul gaat naarmate de looptijd $\tau \to 0$. Dit garandeert dat de uitgang de juiste uitbetaling (payoff) benadert bij vervaldatum en stabiliseert het trainen in het singuliere regime.
   • De uiteindelijke prijs $u_\phi$ is de Black-Scholes prijs met deze effectieve volatiliteit.
   • De Grieken (Delta, Gamma, Vega) worden berekend via automatische differentiatie van dit netwerk.
2. Jump-Operator Network ($\psi$):
   • Een apart netwerk dat de gecompenseerde jump-operator $J_\psi$ benadert.
   • Dit is noodzakelijk omdat de jump-term niet eenduidig kan worden geïdentificeerd alleen door het PIDE-residu te straffen (zie punt C).

B. Drie-staps trainingsprocedure

Om het probleem van de niet-identificeerbare jump-term op te lossen, wordt een drie-staps trainingschema gebruikt:

1. Fase 1 (Prijs en Grieken): Train het prijsnetwerk ($\phi$) op geprefabriceerde prijzen en Grieken (via DML), terwijl het jump-netwerk ($\psi$) bevroren is. Er wordt gebruikgemaakt van een PDE-residu straf (zonder jump-term).
2. Fase 2 (Jump-referentie): Bevries het prijsnetwerk en train het jump-netwerk ($\psi$) om een numerieke proxy van de jump-term te matchen. Deze proxy wordt berekend met een Fourier-pricer (referentie) via een Gauss-Hermite kwadratuur.
3. Fase 3 (Gemeenschappelijke verfijning): Train beide netwerken gezamenlijk. Er wordt een zelfconsistentie-straf toegevoegd die de afwijking tussen het geleerde jump-netwerk en de numerieke proxy minimaliseert, naast het totale PIDE-residu.

C. Verliesfunctie en Regularisatie

De totale verliesfunctie omvat:

• Prijsfout: Gewogen kwadratische fout.
• Grieken-fout: Straf op Delta, Gamma en Vega (berekend via automatische differentiatie).
• PIDE-residu: Straf op de vergelijking $L_{diff}u + \lambda J_\psi \approx 0$.
• No-Arbitrage constraints: Straffen voor schendingen van convexiteit en monotonie (bijv. Delta tussen 0 en 1, Vega $\ge$ 0).
• Robuuste verliesfuncties: Gebruik van Huber-loss voor Gamma en jump-term om uitbijters door numerieke ruis te verminderen.

3. Belangrijkste Bijdragen

• Single-Pass Berekening: Het model levert prijzen en alle relevante Grieken in één forward pass, wat essentieel is voor snelle hedging.
• Oplossing voor Jump-Identificeerbaarheid: De introductie van een apart jump-netwerk en de drie-staps trainingsprocedure lost het fundamentele probleem op dat een klein PIDE-residu niet garandeert dat de jump-component correct is geleerd.
• Stabilisatie voor 0DTE: Door de prijs te modelleren als een Black-Scholes formule met een looptijd-gedreven variatiecorrectie, wordt het netwerk beschermd tegen de numerieke instabiliteit die optreedt bij zeer korte looptijden en jumps.
• Hybride Supervisie: De combinatie van DML (supervisie op afgeleiden) en PIDE-residu straffen, gecombineerd met expliciete supervisie op de jump-operator.

4. Resultaten

De methodologie is getest op gesimuleerde data uit het Bates-model en vergeleken met een Fourier-transformatie benchmark.

• Nauwkeurigheid:
  • Het DML-model (zonder residual) verbetert de nauwkeurigheid van Delta en Vega aanzienlijk ten opzichte van een model dat alleen op prijzen is getraind.
  • De drie-staps methode (Model D) levert de beste algehele nauwkeurigheid voor Delta en Vega en verbetert de staartfouten voor Gamma in vergelijking met eerdere baselines.
  • Hoewel de prijsfouten vergelijkbaar blijven met andere geavanceerde methoden, is de nauwkeurigheid van de Grieken (vooral Gamma in het ATM-regime) cruciaal voor hedging.
• Jump-term Analyse:
  • Een model dat alleen op het PIDE-residu wordt getraind (zonder jump-supervisie) heeft een klein residu, maar leert een jump-operator die sterk afwijkt van de werkelijke jump-integraal (hoge RMSE op de jump-term zelf).
  • De drie-staps methode reduceert de fout in de jump-term aanzienlijk, wat aantoont dat de jump-component correct is geïdentificeerd.
• Snelheid:
  • Het DML-model is substantieel sneller dan de Fourier-benchmark. Bij een batchgrootte van 50.000 opties is het ongeveer 47 keer sneller, terwijl de prijsfouten laag blijven ($\sim 2.2 \times 10^{-4}$).
• Hedging Prestaties:
  • In simulaties van één-dag Delta-hedging onder stressvolle parameters (met jumps) presteert het DML-model vergelijkbaar met de "ware" Fourier-basis.
  • De verdeling van de P&L (Profit and Loss) is bijna identiek, wat aantoont dat de door het netwerk berekende Delta's betrouwbaar zijn voor hedging, zelfs in extreme marktomstandigheden.

5. Betekenis en Conclusie

De paper demonstreert dat Differentieel Machine Learning een krachtig instrument is voor het prijzen van complexe derivaten met ultra-korte looptijden, mits de specifieke numerieke uitdagingen (zoals jumps en singulariteiten) correct worden aangepakt.

• Praktische Toepassing: De snelheid en nauwkeurigheid maken het model geschikt voor real-time trading en hedging van 0DTE-opties, een marktsegment dat snel groeit maar moeilijk te modelleren is.
• Methodologische Vooruitgang: De paper biedt een blauwdruk voor het trainen van PIDE-oplossers waarbij de niet-lokale jump-term niet verloren gaat in de optimalisatie, door middel van gescheiden netwerken en gefaseerde supervisie.
• Toekomstperspectief: Hoewel de resultaten op gesimuleerde data veelbelovend zijn, wordt erop gewezen dat de overgang naar marktdata uitdagingen met zich meebrengt zoals microstructuurruis, bid-ask spreads en transactiekosten, die in toekomstig werk moeten worden opgelost.

Kortom, de auteur presenteert een robuust, snel en nauwkeurig framework dat de kloof tussen theoretische stochastische modellen met jumps en de praktische eisen van 0DTE-handel overbrugt.