Uniform Approximation of Functions with Asymmetric Growth and Decay by Deep Weighted Polynomials

Resumo Técnico: Aproximação Uniforme de Funções com Crescimento e Decaimento Assimétricos por Polinômios Profundos Ponderados

Enunciado do Problema
O artigo aborda o desafio de aproximar uniformemente funções em domínios ilimitados que exibem comportamento assimétrico: crescendo sem limite em um lado da reta real enquanto decai para zero no outro. A aproximação polinomial clássica falha nesse cenário porque polinômios não constantes divergem no infinito, tornando a aproximação uniforme impossível em domínios ilimitados. Embora funções racionais ou somas exponenciais possam lidar com tal alvo, elas frequentemente exigem divisões ou sofrem de má condição e problemas de densidade (por exemplo, somas exponenciais puras não são densas em $C[a,b]$ sem famílias confluentes). Os autores visam especificamente funções com "quinas" ou transições abruptas (como os payoffs de precificação de opções) combinadas com decaimento unilateral, onde os polinômios minimax padrão são forçados a distribuir o erro uniformemente, incluindo na cauda de decaimento onde a função é negligenciável.

Metodologia
Os autores propõem uma classe de aproximantes polinomiais profundos (compostos) ponderados unilaterais. O mecanismo central envolve o produto de um polinômio composto $P(x)$ e uma função de peso unilateral $w(x)$.

1. Estrutura Polinomial Profunda: O aproximante $P(x)$ é definido como uma composição de $L$ camadas polinomiais: $P(x) = p_L(p_{L-1}(\dots p_1(x)))$. Para garantir uma representação única e otimização estável, as camadas internas são normalizadas para serem mônicas com termos constantes nulos. Essa estrutura permite que o grau efetivo (composto) $D = \prod d_\ell$ cresça multiplicativamente com o número de camadas, enquanto o número de parâmetros treináveis cresce apenas additivemente.
2. Ponderação Unilateral: O peso $w(x)$ é projetado para ser $1$ no lado de crescimento (ex: $x < 0$) e decair rapidamente no outro lado (ex: $x \ge 0$). Um exemplo específico usado é $w(x) = \exp(-x^2)$ para $x \ge 0$ e $1$ caso contrário. Isso suprime o crescimento do polinômio no lado de decaimento, localizando efetivamente o problema de aproximação.
3. Redução Teórica: O artigo prova que o peso suprime o erro na cauda ilimitada, reduzindo o problema de aproximação em uma semirreta a um problema de aproximação em um intervalo compacto $[a, b_n]$. O comprimento deste intervalo efetivo cresce lentamente com o grau (especificamente $O((n \log n)^{1/\beta})$ para um expoente de campo $\beta$).
4. Estratégia Computacional:
   • Treinamento End-to-End: Inicialmente, o método é formulado como um grafo computacional treinável onde todos os coeficientes são otimizados via gradiente descendente. No entanto, os autores observam que a otimização direta end-to-end torna-se mal condicionada em graus compostos elevados.
   • Procedimento de Ajuste Fino (Fine-Tuning): Para lidar com a instabilidade, um procedimento de dois estágios é introduzido. A composição interna é fixada usando um dicionário de polinômios de auto-mapeamento monotônicos pré-definidos e bem condicionados (ex: polinômios smoothstep). Somente os coeficientes do polinômio externo e os parâmetros do peso são treinados. O ajuste externo reduz-se a um programa linear convexo (minimax ou mínimos quadrados), evitando os mínimos locais e os problemas de condicionamento do backpropagation total.

Principais Contribuições

1. Redução Quantitativa: Os autores estabelecem uma redução quantitativa do problema de aproximação da semirreta para um intervalo compacto (Proposição 6.2), demonstrando que o peso torna o problema efetivamente compacto com um comprimento de intervalo efetivo dependente do grau e do expoente de campo.
2. Densidade e Existência: O artigo prova a densidade dos polinômios profundos ponderados em $C(K)$ e estabelece a existência de melhores aproximantes no fechamento da classe de modelos. Identifica-se que o conjunto de composições com uma arquitetura fixa não é fechado, o que pode levar à não obtenção do ínfimo dentro da própria arquitetura, embora isso seja mitigado pelo procedimento de ajuste fino.
3. Estrutura Algorítmica: Os autores fornecem uma formulação de grafo computacional para treinar esses aproximantes e um algoritmo de ajuste fino específico (Algoritmo 2) que fixa as camadas internas e resolve um problema de otimização convexa para a camada externa e os parâmetros do peso.
4. Validação Empírica: O framework é validado em funções de precificação de opções Black–Scholes (calls, spreads, butterflies e livros de opções) que exibem a estrutura de crescimento-decaimento assimétrica e transições abruptas alvo.

Resultos
Experimentos numéricos em alvos Black–Scholes com orçamentos de parâmetros correspondentes (comparando graus de liberdade treináveis) mostram:

• Precisão Superior: O polinômio profundo ponderado ajustado via fine-tuning alcança erros uniformes ($L_\infty$) e $L_2$ significativamente menores em comparação com polinômios de Chebyshev, polinômios minimax de Remez e polinômios ponderados simples (sem composição profunda, com o mesmo peso).
• Resolução de Cauda: O método ponderado resolve a cauda de decaimento com precisão de máquina. Em contraste, as linhas de base polinomiais clássicas (Chebyshev, Remez) exibem erros de oscilação equioscilante de ordem $10^{-3}$ em todo o domínio, incluindo a cauda, porque devem equilibrar o erro entre a região de crescimento/quina e a região de decaimento.
• Comparação com ESPRIT: No contexto do butterfly spread de Black–Scholes, o método supera o algoritmo ESPRIT (um método de subespaço para somas de exponenciais/cossenos). Os autores atribuem o desempenho insatisfatório do ESPRIT à natureza não periódica e localizada do alvo, o que torna instável a estimativa de frequência global via lápis de Toeplitz–Hankel.
• Papel da Composição Interna: Experimentos comparando o modelo profundo ajustado contra um polinômio ponderado simples (mesmo peso, sem composição profunda) demonstram que a composição interna fixa é crucial para capturar transições abruptas e alcançar os menores erros, particularmente em alvos de múltiplas escalas complexos como o livro de opções.

Significância e Alegações
O artigo afirma que os polinômios profundos ponderados oferecem uma alternativa livre de divisão e numericamente estável para aproximar funções com crescimento e decaimento assimétricos. Ao combinar o poder expressivo da composição profunda (alto grau efetivo com poucos parâmetros) com um peso unilateral que localiza o domínio de aproximação, o método resolve o "problema da cauda" inerente à aproximação em domínios ilimitados. Os autores enfatizam que sua abordagem recupera o poder expressivo de redes profundas ao mesmo tempo que evita a instabilidade numérica do treinamento end-to-end através de um procedimento de ajuste fino convexo. O trabalho estende a teoria clássica de polinômios ponderados (Bernstein, Freud, Jackson) para o cenário de polinômios compostos, fornecendo uma base teórica rigorosa para o sucesso empírico de seu método em alvos financeiros e de funções especiais.