Generative Path-Law Jump-Diffusion: Sequential MMD-Gradient Flows and Generalisation Bounds in Marcus-Signature RKHS

Each language version is independently generated for its own context, not a direct translation.

Het Voorspellen van de Toekomst: Een Reis door de Chaos

Stel je voor dat je een weerman bent, maar dan niet voor de lucht, maar voor de financiële markten of complexe systemen. Je wilt niet alleen zeggen of het morgen regent of zonnig is; je wilt de hele route van de storm kunnen tekenen, inclusief plotselinge bliksemschichten en onverwachte windstoten.

Dit papier, getiteld "Generative Path-Law Jump-Diffusion", introduceert een slimme nieuwe manier om zulke complexe, onvoorspelbare paden te simuleren. De auteur, Daniel Bloch, noemt zijn uitvinding de ANJD (Anticipatory Neural Jump-Diffusion).

Laten we de ingewikkelde wiskunde vertalen naar een verhaal.

1. Het Probleem: De "Kaleidoscoop" van de Markt

Normale voorspellingsmodellen zijn vaak als een simpele lijn: "Als het nu stijgt, stijgt het morgen ook." Maar de echte wereld is niet zo rustig. Soms gebeuren er plotselinge dingen: een bank failliet, een oorlog, een virus. In de wiskunde noemen we dit sprongen (jumps) of discontinuïteiten.

Bestaande modellen kunnen deze sprongen vaak niet goed aan. Ze raken de draad kwijt en hun voorspellingen worden onrealistisch. Het is alsof je probeert een dans te beschrijven, maar je vergeet dat de danser soms ineens van dansvloer wisselt of een salto maakt.

2. De Oplossing: Een "Wiskundig GPS-systeem" voor Padjes

De auteur bedacht een systeem dat niet alleen kijkt naar waar we nu zijn, maar ook naar de geschiedenis van hoe we daar zijn gekomen.

De "Handtekening" (Signature): Stel je voor dat je een pad loopt door een bos. Je kunt niet alleen zeggen "ik ben bij de boom", maar je kunt ook een handtekening maken van je hele wandeling: "Ik liep eerst naar links, toen een sprong over een stroompje, en toen rechtdoor." Deze handtekening bevat alle informatie over de volgorde en de vorm van je pad. In dit paper gebruiken ze een speciale wiskundige handtekening (de Marcus-signature) die zelfs werkt als je pad ineens een sprong maakt.
De "Voorspeller" (Anticipatory): Het systeem is niet alleen slim, het is ook toekomstgericht. Het kijkt niet alleen naar het verleden, maar probeert te raden hoe de "handtekening" eruit zal zien in de toekomst, zelfs als er straks een storm opkomt.

3. Hoe werkt het? De Drie Magische Ingrediënten

Het papier beschrijft drie hoofdbegrippen die samenwerken als een superkrachtig team:

A. De "Wolkendans" (MMD-Gradient Flow)
Stel je voor dat je een groepje mensen (de gegenereerde paden) hebt die proberen een dansstijl na te bootsen die een beroemde choreograaf (de "doel-paden") voorschrijft.

De choreograaf verandert de dans continu.
Het systeem kijkt voortdurend naar de groep en zegt: "Jullie staan net iets te ver naar links, of jullie sprongen waren te groot."
Het systeem duwt de groep dan heel zachtjes in de juiste richting. Dit noemen ze een stijgkracht (gradient flow). Het is alsof je een bal rolt die altijd de kortste weg zoekt naar de perfecte dansstijl, zelfs als de vloer schuift.

B. De "Spectrale Wasmachine" (AVNSG)
Dit is misschien wel het coolste deel. Stel je voor dat je een wasmachine hebt die niet alleen vuil was, maar ook verkeerde kleuren verwijdert.

In de financiële wereld zijn er soms "ruis" en "extreme gebeurtenissen" (zwarte zwanen) die de voorspelling verstoren.
Het systeem gebruikt een AVNSG (een soort slimme filter). Deze filter "wast" de data schoon. Het maakt de ruis kleiner en zorgt dat de belangrijke patronen helder blijven. Zelfs als er een enorme schok komt (een "sprong"), zorgt deze filter ervoor dat het systeem niet in paniek raakt, maar de schok integreert als een normaal onderdeel van het patroon.

C. De "Hybride Motor" (Euler-Maruyama-Marcus)
Hoe bouwt het systeem nu eigenlijk de nieuwe paden?

Het gebruikt een hybride motor.
- De ene kant is een vlotte auto (diffusie) voor de rustige momenten.
- De andere kant is een springer (jump) voor de plotselinge schokken.
De motor is zo slim dat hij precies weet wanneer hij moet springen en hoe hoog, gebaseerd op de "handtekening" van het pad tot nu toe.

4. Waarom is dit belangrijk? (De "Waarom"-vraag)

Vroeger waren modellen ofwel te simpel (ze zagen de sprongen niet) ofwel te complex (ze waren te traag om te rekenen).

Dit nieuwe systeem is als een slimme, snelle voorspeller die:

Snel is: Het kan in real-time rekenen, zelfs als er duizenden paden tegelijk worden gesimuleerd.
Veilig is: Het houdt rekening met extreme risico's (zoals een crash), zodat je niet verrast wordt.
Realistisch is: Het maakt paden die eruitzien als echte, chaotische werkelijkheid, inclusief de rare sprongen en schokken.

Samenvattend: De Metafoor van de Reis

Stel je voor dat je een reisplanner bent voor een groep avonturiers die een berg beklimmen.

De oude modellen zeiden: "Loop gewoon rechtdoor." (En als er een aardschok was, vielen ze om).
Dit nieuwe model zegt: "Kijk naar de rotsen, de wind en de geschiedenis van de berg. Als er een storm komt, springen we over de rotsen. Als de grond trilt, passen we onze pas aan. En we doen dit allemaal terwijl we al weten wat de volgende bocht in de weg zal zijn."

Het papier bewijst wiskundig dat deze methode werkt, dat de voorspellingen betrouwbaar zijn (zelfs bij extreme situaties), en dat het allemaal snel genoeg is om in de praktijk te gebruiken. Het is een grote stap voorwaarts in het begrijpen van de chaotische wereld om ons heen.

Each language version is independently generated for its own context, not a direct translation.

Titel: Generatieve Pad-Wet Jump-Diffusie: Sequentiële MMD-Gradient Stromen en Generalisatiegrenzen in Marcus-Signature RKHS

Auteur: Daniel Bloch (Universiteit van Parijs 6 & VinUniversity)
Datum: 27 februari 2026 (Working Paper)

1. Probleemstelling

Het genereren van toekomstgerichte, stochastische trajecten (paden) die càdlàg zijn (rechtscontinu met linkslimieten) en die consistent zijn met tijdsevoluterende pad-wet-proxies, is een fundamentele uitdaging in de kwantitatieve financiën en fysica. Bestaande methoden (zoals TimeGAN, VAEs, of standaard Neural SDEs) hebben moeite om:

Discrete discontinuïteiten (sprongen/jumps) en structurele breuken correct te modelleren.
Hoog-orde afhankelijkheden en niet-commutatieve momenten (zoals volatiliteitsclusters en leverage-effecten) vast te houden tijdens regime-shifts.
De synthese te koppelen aan een rigoureuze, oneindig-dimensionale representatie van de conditionele pad-wet, vooral in aanwezigheid van zware staarten en aleatorische schokken.

Het doel is om een generatief raamwerk te creëren dat niet alleen continue diffusie, maar ook sprongen en regime-wisselingen kan simuleren, waarbij de gegenereerde paden statistisch consistent zijn met een voorspelde, zich ontwikkelende "pad-wet" (path-law).

2. Methodologie

De auteur introduceert een nieuw raamwerk dat Pad-Signatuurtheorie (Signature Theory) combineert met Generatieve Transport en Stochastische Analyse. De kerncomponenten zijn:

A. Anticipatory Neural Jump-Diffusion (ANJD)

Dit is een generatief mechanisme dat de tijd-uitgebreide Marcus-sensitiviteit (Marcus-sense signature) omkeert. In plaats van statische paden te genereren, wordt het probleem gezien als een sequentieel transportprobleem op beperkte Skorokhod-maandvelden ( $D_s$ ).

Het model gebruikt een Neural CDE (Controlled Differential Equation) om een latente toestand $Z_t$ te beheren.
De gegenereerde paden volgen een Jump-SDE met drie componenten die dynamisch worden gereguleerd door een voorspelde proxy $\hat{\Phi}_{s|t}$ $\hat{Φ}_{s ∣ t}$ :
1. Drift ( $f_\theta$ ): Voor continue evolutie.
2. Diffusie ( $g_\theta$ ): Voor continue ruis.
3. Jump-intensiteit en -grootte ( $\lambda_\theta, h_\theta$ ): Voor discrete schokken en regime-shifts.

B. Anticipatory Variance-Normalised Signature Geometry (AVNSG)

Om stabiliteit te garanderen tijdens hoge volatiliteit en zware staarten, wordt een tijdsevoluterende precisie-operator $Q_s$ geïntroduceerd.

Deze operator voert dynamische spectrale whitening uit op de signatuur-maandveld.
Het normaliseert de variatie van de pad-incrementen, waardoor de gradient-stroom contractief blijft, zelfs bij "black swan" gebeurtenissen.

C. Sequential MMD-Gradient Flows

Het generatieve proces wordt geformuleerd als het minimaliseren van de Maximum Mean Discrepancy (MMD) tussen de gegenereerde pad-wet en de doel-proxy.

De drift en jump-intensiteit worden bewezen als de infinitesimale steilste afstijgingsrichting (steepest descent direction) voor de MMD-functie in de Signature RKHS (Reproducing Kernel Hilbert Space).
Dit wordt gerealiseerd via een Schrödinger Bridge formulering, waarbij de entropie wordt geminimaliseerd onder de constraint dat de verwachte signatuur overeenkomt met de proxy.

D. Numerieke Implementatie

Nyström-compressie: Om de oneindig-dimensionale signatuurruimte hanteerbaar te maken, wordt een Nyström-benadering gebruikt.
Hybride Integratie: Een aangepast Euler-Maruyama-Marcus (EMM) schema wordt gebruikt om zowel de continue diffusie als de discrete sprongen (Marcus-integratie) correct te simuleren.
Efficiëntie: Door rank-1 Sherman-Morrison-updates voor de precisiematrix wordt de complexiteit beperkt tot $O(m^2)$ , wat real-time synthese mogelijk maakt.

3. Belangrijkste Bijdragen

ANJD Architectuur: Een nieuw generatief paradigma dat recursieve filtering koppelt aan pad-synthese, specifiek ontworpen voor càdlàg trajecten met voorspelde structurele breuken.
Theoretische Fundamenten: Een rigoureuze bewijst dat de generatieve drift en jump-intensiteit de infinitesimale steepest descent zijn voor de MMD-functie (Theorema 4.1).
AVNSG Geometrie: De introductie van een tijdsvariërende precisie-operator die stabiliteit garandeert onder zware staarten en heteroskedasticiteit door spectrale whitening.
Statistische Generalisatie: Afleiding van hoge-probabiliteit grenzen voor de generalisatiefout van de empirische verwachte signatuur binnen de Skorokhod-topologie (Theorema 5.1), inclusief analyse van de Rademacher-complexiteit.
Scalabiliteit: Een numeriek schema dat oneindig-dimensionale geometrie doorwerkt via Nyström-compressie en rank-1 updates, met een complexiteit van $O(m^2)$ .

4. Resultaten en Bewijzen

Convergentie: Het paper toont aan dat de empirische gemiddelde signatuur convergeert naar de doel-proxy met een snelheid van $O(1/\sqrt{n})$ , zelfs in aanwezigheid van zware staarten, dankzij de AVNSG-normalisatie.
Stabiliteit: Onder de aanname dat de spectrale radius van de precisie-operator begrensd is, blijft de stroom contractief. De AVNSG-mechanisme "knijpt" de snelheid van de stroom in wanneer de latentie-geometrie te volatiel wordt, wat explosieve paden voorkomt.
Expressiviteit: De Rademacher-complexiteit van de gemodelleerde functionele klasse wordt gereguleerd door de spectrale uitlijning met de precisie-operator $Q_s$ , wat de invloed van hoge-orde "black swan" termen beperkt zonder de expressiviteit voor normale patronen te verliezen.
Universele Benadering: Er wordt bewezen dat de tijd-uitgebreide signatuur een universele en injectieve representatie is voor càdlàg paden, waardoor het een voldoende statistiek is voor de wet van jump-diffusieprocessen.

5. Betekenis en Toekomstperspectief

Deze paper legt de basis voor een nieuwe klasse van structurele generatieve modellen die actief worden "gedwongen" om de verwachte niet-commutatieve momenten en stochastische textuur van complexe, discontinuë pad-wetten na te bootsen.

Toepassing: Het is direct toepasbaar in de kwantitatieve financiën voor risicomanagement onder extreme onzekerheid, het genereren van realistische stress-scenario's (met regime-shifts), en het modelleren van hoge-frequentie data met sprongen.
Innovatie: Het overbrugt de kloof tussen abstracte signatuurtheorie (die vaak statisch of continu wordt gezien) en praktische generatieve modellering van discontinuïteiten.
Toekomst: De auteurs wijzen op de uitbreiding naar multi-agent jump-diffusie dynamiek en integratie in grootschalige beslissingsystemen.

Kortom, dit werk biedt een wiskundig onderbouwde, computatie-efficiënte oplossing voor het genereren van realistische, toekomstgerichte financiële paden die zowel continue trends als abrupte schokken en regime-wisselingen correct weerspiegelen.