Technische Samenvatting: PIVOT – Het overbruggen van Black-Scholes Implied-Volatility en Prijsdoelstellingen via een Differentiabele Jäckel-operator

1. Probleemstelling

Moderne machine learning-systemen voor optieprijsbepaling opereren in twee verschillende coördinatieruimten: de prijsruimte, waar marktprijzen bestaan en arbitragevrije beperkingen natuurlijk worden afgedwongen, en de implied-volatility (IV) ruimte, waar volatiliteitsoppervlakken worden gladgestreken, geregulariseerd en geëvalueerd. Er bestaat een kritieke bottleneck op de interface tussen deze ruimten. Hoewel de "Let's Be Rational" (LBR) solver van Jäckel een zeer efficiënte methode met machineprecisie biedt voor het inverteren van Black-Scholes prijzen naar IV, zijn bestaande implementaties scalair, CPU-gebonden en missen ze differentieerbaarheid.

Dit creëert een mismatch voor de training van neurale netwerken:

1. Niet-differentieerbaarheid: Standaard solvers (bijv. py_vollib) ondersteunen geen automatische differentiatie (autograd), wat voorkomt dat gradiënten door de IV-inversiestap kunnen stromen.
2. Singulariteit: De inverse kaart van prijs naar IV is singular in het regime met een lage vega (waar $\partial P / \partial \sigma \to 0$), waardoor de afgeleide $\partial \sigma / \partial P = 1/V$ divergeert. Bestaande workflows omzeilen dit vaak door handmatig rijen met een lage vega te filteren, waarbij waardevolle data wordt weggegooid die wel via prijsruimte-verliezen gesuperviseerd had kunnen worden.
3. Schaalbaarheid: Training op miljoenen contracten vereist gebatchte, GPU-versnelde operaties, wat scalaire CPU-solvers niet kunnen bieden.

Het artikel betoogt dat de oplossing niet ligt in het vervangen van de vertrouwde numerieke solver door een geleerde benadering, maar in het creëren van een differentiebare brug die de exacte LBR forward pass behoudt terwijl het analytisch correcte gradiënten levert voor de backward pass.

2. Methodologie

Het voorgestelde systeem, PIVOT (Price–Implied-Volatility Objective Translator), deelt de IV-inversetaak op in een forward pass en een backward pass, waarbij de solver wordt behandeld als een opaak primitief binnen een autograd-native framework.

2.1 Forward Pass: Gevectoriseerde Jäckel Solver

De forward pass delegeert de inversie aan een gevectoriseerde implementatie van Jäckels LBR-algoritme.

• Normalisatie: Marktparameters $(S, K, \tau, r, q)$ worden omgezet naar dimensieloze coördinaten: log-forward-moneyness $k = \log(K/F)$ en totale volatiliteit $\sigma_\tau = \sigma\sqrt{\tau}$.
• Solver: Het algoritme lost $b(k, \sigma_\tau) = \beta$ op (waarbij $b$ de genormaliseerde Black-functie is en $\beta$ de genormaliseerde prijs) met behulp van rationele zaden en Householder-iteraties om machineprecisie te bereiken.
• Vectorisatie: De solver is geïmplementeerd als een gebatched GPU-primitief (met gebruik van NumPy, PyTorch, JAX en Triton gefuseerde kernels), die heterogene optieketens simultaan verwerkt.
• Geldigheidsmaskering: Ongeldige inputs (bijv. prijzen onder de intrinsieke waarde, arbitrage-schendingen, $\tau \le 0$) worden expliciet gemaskeerd naar NaN in plaats van stilzwijgend te falen.

2.2 Backward Pass: Impliciete Differentiatie

In plaats van terug te propageren door de vertakkingslogica, rationele benaderingen of Householder-iteraties van de solver, past PIVOT de Implicit Function Theorem toe.

• De Identiteit: Omdat de forward pass oplost $P(\xi, \sigma) = P^*$, wordt de afgeleide van de inverse kaart gegeven door:
  $$\frac{\partial \sigma_{imp}}{\partial P^*} = \frac{1}{V}, \quad \frac{\partial \sigma_{imp}}{\partial \xi} = -\frac{\partial P / \partial \xi}{V}$$
  waarbij $V = \partial P / \partial \sigma$ de Vega is.
• Implementatie: De backward pass behandelt de herstelde $\sigma_{imp}$ als de exacte lokale inverse van de gladde Black-Scholes/Black-76 prijskaart. Het berekent de gradiënt door de gladde prijsfunctie en zijn afgeleiden te evalueren bij $\sigma_{imp}$, waardoor de interne vertakkingen van de solver volledig worden omzeild. Dit zorgt ervoor dat de kosten van de gradiëntberekening onafhankelijk zijn van het aantal iteraties van de solver.

2.3 Low-Vega Gating Mechanisme

Om de singulariteit aan te pakken waar $V \to 0$ (wat $1/V \to \infty$ veroorzaakt), introduceert PIVOT een conditionering-bewust gating mechanisme:

• Goed Geconditioneerde Set ($G_\tau$): Voor rijen waar $|V| > \tau$ wordt de exacte $1/V$ gradiënt toegepast.
• Singulaire Staart: Voor rijen waar $|V| \le \tau$ reguleert het systeem niet stilzwijgend. In plaats daarvan wordt een gladde gate $w_\tau(V) = V^2 / (V^2 + \tau^2)$ toegepast op de IV-ruimte verliesterm of wordt NaN geretourneerd als de loss expliciet om een slecht geconditioneerde gradiënt vraagt.
• Prijs-ruimte Fallback: Rijen in de singulaire staart blijven in de batch en dragen bij aan de trainingsdoelstelling via prijs-ruimte verliezen (die goed geconditioneerd zijn), terwijl hun singulaire IV-ruimte kanaal wordt gedempt. Dit stelt het model in staat om te leren van low-vega data zonder de optimizer te corrumperen met oneindige gradiënten.

3. Belangrijkste Bijdragen

Het artikel levert drie specifieke bijdragen:

1. (C1) Jäckel als een Gebatched GPU Primitief: Een gevectoriseerde, GPU-resident implementatie van de LBR-solver die werkt op heterogene optieketens, waardoor scalaire CPU-wrappers worden vervangen door een high-throughput backend.
2. (C2) Autograd-Native Impliciete Backward: Een operator die exacte inverse-functie afgeleiden levert via impliciete differentiatie, waardoor de gradiëntberekening wordt ontkoppeld van de interne complexiteit van de solver en het terugpropageren door vertakkingslogica wordt vermeden.
3. (C3) Conditionering-Bewuste Gating: Een mechanisme dat de low-vega singulariteit expliciet afhandelt, waardoor low-vega rijen kunnen bijdragen via prijs-ruimte residuen terwijl hun onstabiele IV-ruimte gradiënten worden onderdrukt, wat handmatige pre-filtering elimineert.

4. Empirische Resultaten

Experimenten werden uitgevoerd op een enkele NVIDIA H100 GPU met synthetische data en real-world OptionMetrics data (SPX, RUT, VIX, NDX).

4.1 Prestaties en Nauwkeurigheid

• Doorvoersnelheid: De gefuseerde Triton kernel bereikt 1,79 miljard IV-inversies per seconde met een maximale relatieve fout van $9,3 \times 10^{-14}$ ten opzichte van de referentie C-solver.
• Label Generatie: Het systeem genereert 48,9 miljoen synthetische IV-labels/s en 16,6 miljoen echte SPX-labels/s.
• Zelfconsistentie: Round-trip residuen (Prijs $\to$ IV $\to$ Prijs) tonen een 99e percentiel fout $\le 1,8 \times 10^{-7}$ in prijsunits.

4.2 Impact op Oppervlakte Leren (HyperIV Reproductie)

De auteurs hebben PIVOT geïntegreerd in een HyperIV-stijl volatiliteitsoppervlakte smoother.

• Pareto Dominantie: PIVOT-geaugmenteerde doelstellingen (combinatie van prijs-MSE en gated IV-roundtrip verliezen) domineren de vanilla baseline op het gebied van Pareto-efficiëntie.
• SPX Resultaten: De beste gated configuratie verminderde de held-out Prijs MAE met 38,8% en de IV MAE met 21,3% simultaan.
• Cross-Asset: Vergelijkbare directionele verbeteringen werden waargenomen op RUT (40,1% reductie in Prijs MAE), VIX (24,2%) en NDX (16,7%).
• Noodzaak van Gating: Een "ongated" diagnostische controle (het weglaten van de low-vega gate) stortte in tot een degenerat oppervlak nabij nul, waarbij de Prijs MAE met wel 2949% (NDX) toenam en duizenden NaN-gradiëntstappen optraden, wat bevestigt dat de gate een vereiste is voor correctheid, geen tuning-knop.

5. Betekenis en Claims

Het artikel positioneert PIVOT niet als een nieuwe handelsstrategie of een vervanging voor numerieke solvers, maar als een methodologische interface voor machine learning-pipelines.

• Bruggen tussen Coördinaten: Het maakt end-to-end differentieerbare training mogelijk die tegelijkertijd optimaliseert voor prijsconsistentie (waar markten prijzen) en volatiliteitssmoothness (waar oppervlakken worden gerapporteerd), een capaciteit die voorheen werd gehinderd door de niet-differentieerbare aard van IV-inversie.
• Correctheidsovereenkomst: Het werk beweert dat de low-vega singulariteit een fundamentele eigenschap is van de prijs-naar-IV kaart die expliciet moet worden afgehandeld. Het gating-mechanisme wordt gepresenteerd als een "correctheidsovereenkomst" die voorkomt dat de optimizer numeriek vergiftigd wordt, waardoor modellen de volledige dataset kunnen gebruiken zonder handmatige pre-filtering.
• Reproduceerbaarheid en Governance: Door de prijs-IV grens expliciet te maken (ongeldige rijen geven NaN terug, low-vega rijen worden gegated), ondersteunt het framework een duidelijkere rapportage van datageldigheid en conditionering in volatiliteitsoppervlakte-leren.

De auteurs stellen expliciet dat zij niet beweren arbitragevrije oppervlakken te genereren (een eigenschap die wordt geërfd van de baseline HyperIV-model) noch dat zij beweren de low-vega singulariteit op te lossen door de doelstelling te veranderen; in plaats daarvan bieden zij de exacte differentieerbare brug die toestaat dat bestaande doelstellingen correct worden samengesteld in aanwezigheid van deze singulariteiten.