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

Technische Samenvatting: Een Per-Component Diagnostisch Protocol voor Neurale HJB-PIDE Solvers

Probleemstelling
Neurale solvers die getraind zijn op residu-verliezen (residual losses) worden steeds vaker toegepast op Hamilton-Jacobi-Bellman partiële integraal differentiaalvergelijkingen (HJB-PIDEs) die voortkomen uit portfolio-optimalisatie onder controle-afhankelijke Lévy-sprongdynamiek. Een hardnekkige foutmodus in dit domein is dat een geleerde oplossing weliswaar de globale headline scalaire diagnostieken kan evenaren (bijv. het matchen van de diffusie-alleen Merton-ratio of het minimaliseren van de globale loss), maar systematisch de niet-lokale integraaloperator binnen de trainingsloss verkeerd berekent. Standaard diagnostieken—zoals langere training, roosterverfijning of truncatie-sweeps—falen vaak om dergelijke fouten op operatorniveau te detecteren, met name wanneer de fout zich manifesteert als een constante schaleringsfactor in de belangstelling-propositiedichtheid (importance proposal density) die gebruikt wordt voor Monte Carlo-integratie.

Methodologie
Het artikel stelt een vijfstaps per-component diagnostisch protocol (Protocol 1) voor, ontworpen om dergelijke fouten te isoleren door de Hamiltonian te deconstrueren en de solvers te vergelijken met onafhankelijke referenties voordat de uiteindelijke controlepolitiek wordt geëvalueerd. Het protocol bestaat uit:

1. Vergelijking-standaardisatie: Ervoor zorgen dat alle vergeleken solvers exact dezelfde HJB-PIDE, toegestane verzameling (admissible set) en Lévy-truncatiegrenzen gebruiken.
2. Onafhankelijke Referentie: Het construeren van ten minste één "vanaf nul" referentie-implementatie met disjuncte numerieke keuzes (bijv. verschillende discretisatie-, kwadratuur- of argmax-routines).
3. Per-Component Decompositie: Het apart tabelleren van de drift, diffusie, compensator en niet-lokale integraaltermen van de Hamiltonian over een rooster van kandidaat-controles ($u$). Een constante ratio $\neq 1$ in een enkele component wordt geïdentificeerd als een handtekening van een fout in de schaling van de propositiedichtheid.
4. Oppervlaktevergelijking: Het vergelijken van de waardefunctie ($V$) en de lage-orde afgeleiden ($\partial_x V, \partial_{xx} V$) over een $(t, x)$-rooster voordat de argmax-controles worden vergeleken.
5. Vertraagde Vertrouwen (Delayed Trust): Alleen vertrouwen op de overeenkomst van de headline control nadat de component- en oppervlaktecontroles zijn geslaagd.

Experimentele Opstelling en Bug-ontdekking
Het protocol werd toegepast op een standaard Constant Relative Risk Aversion (CRRA) portfolio-optimalisatieprobleem met Variance Gamma (VG) sprongen. Hoewel de CRRA-homogeniteit toestaat dat het probleem reduceert tot een scalaire maximalisatie (wat een semi-analytische baseline biedt), werd de neurale solver getest tegen twee onafhankelijke eindige-verschil (FD) solvers en deze scalaire baseline.

Met behulp van de per-component diagnostiek identificeerden de auteurs een kritieke implementatiefout in hun eigen neurale solver:

• De Symptoom: De niet-lokale integraal- en compensatortermen van de neurale solver waren exact de helft van de waarden berekend door de FD-referenties over alle kandidaat-controles, terwijl de drift- en diffusietermen wel overeenkwamen.
• De Oorzaak: De importance sampling proposal density voor de Lévy-sprongen werd geconstrueerd als een 50/50 mengeling van twee eenzijdige verschoven exponentiële verdelingen. De implementatie berekende de importance weights met behulp van de conditionele dichtheid van een enkele staart ($q_{\pm}$), maar vergat de $1/2$ mengfactor die vereist is voor de onconditionele dichtheid ($q = \frac{1}{2}q_{\pm}$). Dit resulteerde erin dat de Monte Carlo-schatter de integraal met exact $1/2$ schaalde.
• Onzichtbaarheid: Deze fout was onzichtbaar voor standaard diagnostieken (langere training, roosterverfijning, loss-curves) omdat de constante schaleringsfactor de netwerktraining niet verhinderde om te convergeren naar een lokaal minimum dat de residual loss relatief aan zijn eigen bevooroordeelde operator bevredigde.

Belangrijkste Resultaten
Na correctie van de propositiedichtheid:

1. Convergentie: Vier onafhankelijke referenties (twee FD-solvers, de gecorrigeerde neurale solver en de semi-analytische scalaire baseline) kwamen overeen op de optimale controle ($u^*$) tot binnen $\sim 2\%$ ($u^*_{VG} \approx 0,344$ versus de scalaire baseline van $0,352$).
2. Economische Sensitiviteit: De gecorrigeerde solver vertoonde de verwachte economische gedragingen: een $\sim 54\%$ reductie in de allocatie van risicovolle activa vergeleken met de diffusie-alleen Merton-ratio vanwege de negatieve scheefheid (skewness) van de sprongrisico's, en een monotone afname van de allocatie bij toenemende sprongintensiteit en negatieve scheefheid.
3. Nauwkeurigheid van het Oppervlak: Zelfs na de fix was de oppervlaktenauwkeurigheid van de neurale solver op de constant-coëfficiënt benchmark materieel lager dan die van de FD-solvers. Terwijl de waardefunctie overeenkwam met de referentie tot $0,6\%$, vertoonde de tweede afgeleide ($\partial_{xx} V$) een fout van $\sim 26\%$, en varieerde het beleidsveld (policy field) met tot wel $15\%$ over het rooster, ondanks het feit dat de ware optimale controle constant is.

Betekenis en Claims
Het artikel levert een methodologische bijdrage in plaats van een claim over een nieuwe hoog-dimensionale solver of een convergentiebewijs.

• Het Protocol: De primaire bijdrage is het diagnostische protocol zelf, dat ontworpen is om toepasbaar te zijn op niet-homogene en hogere-dimensionale settings waar neurale HJB-PIDE solvers werkelijk noodzakelijk zijn (bijv. consumptie met nut, transactiekosten, regime-switching).
• Verificatie Foutmodus: Het werk belicht een bredere foutmodus in scientific machine learning: puntgewijze overeenstemming van een geleerde waarde of controle kan samengaan met een systematisch foutieve niet-lokale operator.
• Bescheidenheid van Omvang: De auteurs geven expliciet aan dat de gebruikte CRRA-Merton-VG benchmark geen probleemklasse is waarvoor neurale solvers de meest efficiënte methode zijn (vanwege de homogeniteitsreductie). De benchmark dient enkel als testobject om het vermogen van het protocol te demonstreren om een echte, implementatie-specifieke bug te vangen. Het artikel claimt niet de algemene hoog-dimensionale HJB-theorie te hebben opgelost, een bewijs voor convergentie van de viscositeitsoplossing te hebben geleverd, of het protocol op niet-homogene problemen te hebben gedemonstreerd, hoewel zij stellen dat dit de natuurlijke volgende stap is.

Reproduceerbaarheid
De auteurs leveren een volledige code-release inclusief de gecorrigeerde neurale solver, twee FD-referentie-solvers, de semi-analytische baseline en de diagnostische scripts, waardoor alle numerieke claims gereproduceerd kunnen worden.