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

Resumo Técnico: Um Protocolo de Diagnóstico por Componente para Solvers de HJB-PIDE Neurais

Definição do Problema
Solvers neurais treinados em perdas residuais são cada vez mais aplicados a equações diferenciais integrais parciais de Hamilton-Jacobi-Bellman (HJB-PIDEs) decorrentes da otimização de portfólio sob dinâmica de saltos de Lévy dependente do controle. Um modo de falha persistente neste domínio é que uma solução aprendida pode satisfazer diagnósticos escalares de alto nível (por exemplo, correspondendo à razão de Merton apenas com difusão ou minimizando a perda global) enquanto computa sistematicamente de forma errônea o operador integral não local dentro da perda de treinamento. Diagnósticos padrão — como treinamento mais longo, refinamento de grade ou varreduras de truncamento — frequentemente falham em detectar tais erros de nível de operador, particularmente quando o erro se manifesta como um fator de escala constante na densidade de proposta de importância usada para a integração de Monte Carlo.

Metodologia
O artigo propõe um protocolo de diagnóstico de cinco etapas por componente (Protocolo 1) projetado para isolar tais falhas ao decompor o Hamiltoniano e comparar os solvers contra referências independentes antes de avaliar a política de controle final. O protocolo consiste em:

1. Padronização da Equação: Garantir que todos os solvers comparados utilizem exatamente a mesma HJB-PIDE, o mesmo conjunto admissível e os mesmos limites de truncamento de Lévy.
2. Referência Independente: Construir pelo menos uma implementação de referência "do zero" com escolhas numéricas distintas (ex: diferentes discretizações, quadratura ou rotinas de argmax).
3. Decomposição por Componente: Tabular o drift, a difusão, o compensador e os termos integrais não locais do Hamiltoniano separadamente através de uma grade de controles candidatos ($u$). Uma razão constante $\neq 1$ em qualquer componente único é identificada como uma assinatura de um erro de escala da densidade de proposta.
4. Comparação de Superfície: Comparar a função valor ($V$) e suas derivadas de baixa ordem ($\partial_x V, \partial_{xx} V$) sobre uma grade $(t, x)$ antes de comparar os controles argmax.
5. Confiança Adiada: Somente confiar na correspondência do controle de alto nível após os testes de componente e de superfície serem aprovados.

Configuração Experimental e Descoberta de Bugs
O protocolo foi aplicado a um problema padrão de otimização de portfólio com Aversão Relativa ao Risco Constante (CRRA) com saltos de Variância Gamma (VG). Embora a homogeneidade CRRA permita que o problema colapse para uma maximização escalar (fornecendo uma base semi-analítica), o solver neural foi testado contra dois solvers de diferenças finitas (FD) independentes e esta base escalar.

Usando o diagnóstico por componente, os autores identificaram um bug crítico de implementação em seu próprio solver neural:

• O Sintoma: Os termos integrais não locais e o compensador do solver neural eram exatamente a metade dos valores computados pelas referências FD para todos os controles candidatos, enquanto os termos de drift e difusão coincidiam.
• A Causa Raiz: A densidade de proposta de amostragem de importância para os saltos de Lévy foi construída como uma mistura 50/50 de duas exponenciais deslocadas unilaterais. A implementação calculou os pesos de importância usando a densidade condicional de uma única cauda ($q_{\pm}$), mas omitiu o fator de mistura de $1/2$ necessário para a densidade incondicional ($q = \frac{1}{2}q_{\pm}$). Isso resultou no estimador de Monte Carlo escalonando a integral por exatamente $1/2$.
• Invisibilidade: Este erro era invisível para diagnósticos padrão (treinamento mais longo, refinamento de grade, curvas de perda) porque o fator de escala constante não impediu a rede de convergir para um mínimo local que satisfazia a perda residual em relação ao seu próprio operador enviesado.

Resultos Principais
Após corrigir a densidade de proposta:

1. Convergência: Quatro referências independentes (dois solvers FD, o solver neural corrigido e a base escalar semi-analítica) concordaram sobre o controle ótimo ($u^*$) dentro de $\sim 2\%$ ($u^*_{VG} \approx 0,344$ vs. base escalar $0,352$).
2. Sensibilidade Econômica: O solver corrigido demonstrou comportamentos econômicos esperados: uma redução de $\sim 54\%$ na alocação de ativos de risco em comparação com a razão de Merton apenas com difusão devido ao risco de salto de assimetria negativa, e reduções monotônicas na alocação com o aumento da intensidade do salto e da assimetria negativa.
3. Limitações de Precisão de Superfície: Mesmo após a correção, a precisão de superfície do solver neural no benchmark de coeficientes constantes foi materialmente inferior à dos solvers FD. Enquanto a função valor coincidiu com a referência em $0,6\%$, a segunda derivada ($\partial_{xx} V$) mostrou $\sim 26\%$ de erro, e o campo de política variou em até $15\%$ pela grade, apesar de o controle ótimo real ser constante.

Significância e Alegações
O artigo faz uma contribuição metodológica em vez de uma alegação de um novo solver de alta dimensão ou uma prova de convergência.

• O Protocolo: A principal contribuição é o próprio protocolo de diagnóstico, que é projetado para ser aplicável a configurações não homogêneas e de maior dimensão onde solvers de HJB-PIDE neurais são genuinamente necessários (ex: consumo com utilidade, custos de transação, mudança de regime).
• Modo de Falha de Verificação: O trabalho destaca um modo de falha de verificação mais amplo no aprendizado de máquina científico: a concordância pontual de um valor ou controle aprendido pode coexistir com um operador não local sistematicamente errado.
• Modéstia de Escopo: Os autores declaram explicitamente que o benchmark CRRA-Merton-VG utilizado não é uma classe de problema onde os solvers neurais são o método mais eficiente (devido à redução por homogeneidade). O benchmark serve unicamente como um objeto de teste para demonstrar a capacidade do protocolo de capturar um bug real e específico de implementação. O artigo não afirma ter resolvido a teoria geral de HJB de alta dimensão, fornecido uma prova de convergência de solução viscosa ou demonstrado o protocolo em problemas não homogêneos, embora posicione isso como o próximo passo natural.

Reprodutibilidade
Os autores fornecem o código completo, incluindo o solver neural corrigido, dois solvers de referência FD, a base semi-analítica e os scripts de diagnóstico, permitindo a regeneração de todas as alegações numéricas.