💰 quantitative finance

PIVOT: Bridging Black-Scholes Implied-Volatility and Price Objectives via Differentiable Jäckel Operator

O artigo introduz o PIVOT, uma camada diferenciável que faz a ponte entre os espaços de preço de Black-Scholes e de volatilidade implícita ao preservar o eficiente solver "Let's Be Rational" na passagem direta, enquanto utiliza diferenciação implícita com controle explícito para lidar com segurança com singularidades de baixa vega, melhorando significamente os objetivos de aprendizado de opções e a precisão da previsão de preços em todos os principais índices.

Autores originais: Raeid Saqur, Yannick Limmer, Anastasis Kratsios, Blanka Horvath, Hans Buehler

Publicado 2026-06-17

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Raeid Saqur, Yannick Limmer, Anastasis Kratsios, Blanka Horvath, Hans Buehler

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

A Visão Geral: Duas Linguagens Diferentes

Imagine o mundo das opções de ações como um mercado movimentado. Neste mercado, existem duas formas de falar sobre o valor de uma opção:

A Linguagem do Preço: É o que você vê na fita de cotações (ex: "Esta opção custa $5,00"). Estes são os dados brutos do mundo real.
A Linguagem da Volatilidade: Esta é uma tradução matemática chamada "Volatilidade Implícita" (IV). É como uma leitura de "temperatura" que diz o quanto o mercado espera que a ação oscile para cima e para baixo.

O Problema:
Os modelos de IA modernos que tentam prever essas opções são como tradutores que são ótimos em falar ambas as línguas, mas têm dificuldade em alternar entre elas instantaneamente.

Quando a IA quer aprender, ela muitas vezes precisa falar em Volatilidade (porque os padrões são mais claros lá).
Mas os dados reais do mercado estão em Preço.
Para mudar de Preço para Volatilidade, você precisa de uma calculadora especial (um "solver"). A melhor calculadora do mundo chama-se LBR de Jäckel. Ela é incrivelmente precisa, mas é construída como uma máquina antiga e complexa, com muitas chaves e alavancas.

O Gargalo:
Se você tentar ensinar uma IA usando essa máquina antiga, a IA fica travada. Quando a IA tenta aprender com seus erros (um processo chamado "backpropagation"), ela tenta rastrear seus passos de volta através da máquina. Mas, como a máquina tem tantas chaves e lógica de "se-então", a IA se confunde e não consegue descobrir como corrigir seus erros. É como tentar dirigir um carro de ré através de um labirinto de ruas de mão única; você não consegue obter um caminho claro.

A Solução: PIVOT

Os autores criaram uma nova ferramenta chamada PIVOT (Price–Implied-Volatility Objective Translator). Pense no PIVOT como uma ponte inteligente que conecta o lado do Preço e o lado da Volatilidade sem quebrar o processo de aprendizado da IA.

Veja como o PIVOT funciona, dividido em três partes simples:

1. O Passo Adiante (Forward Pass): O Tradutor Confiável

Quando a IA precisa converter um Preço em um número de Volatilidade, o PIVOT usa o calculador original e confiável, o Jäckel. Ele não tenta substituir o calculador por uma versão "aprendida". Ele apenas executa a máquina confiável exatamente como ela foi projetada.

Analogia: Imagine que você precisa traduzir um livro. Você usa o melhor tradutor humano do mundo (Jäckel) para fazer o trabalho. Você confia totalmente no resultado dele.

2. O Passo Atrás (Backward Pass): O Atalho Mágico

Esta é a verdadeira inovação. Quando a IA precisa aprender com seus erros, ela geralmente precisa rastrear de volta através do cérebro do tradutor. Mas o PIVOT diz: "Não há necessidade de fazer isso!"
Em vez disso, o PIVOT usa um atalho matemático (chamado Teorema da Função Implícita). Ele sabe que, se você conhece o Preço e a Volatilidade, existe uma relação matemática direta e suave entre eles.

Analogia: Em vez de perguntar ao tradutor: "Como você decidiu usar esta palavra específica?" (o que é difícil de explicar), o PIVOT apenas olha para a relação entre as duas línguas e diz: "Se o preço subiu $0,01, a volatilidade deve ter mudado exatamente esta quantidade". Ele pula a lógica interna complexa do tradutor e dá à IA uma instrução clara e direta de como se ajustar.

3. O Portão de Segurança: Lidando com as "Zonas de Perigo"

Existe uma parte complicada do mercado chamada Regime de Baixa Vega (Low-Vega Regime). Isso acontece quando uma opção é muito barata ou está muito longe do seu preço de exercício (strike price). Nestas zonas, uma pequena mudança no preço pode causar uma oscilação enorme e selvagem na volatilidade. Matematicamente, isso é como a beira de um abismo onde a inclinação se torna infinita.

O Problema: Se uma IA tentar aprender com essas bordas de abismo, ela gera erros de "NaN" (Not a Number), que derrubam todo o sistema. É como tentar dirigir um carro para fora de um penhasco e esperar pousar com segurança.
A Correção do PIVOT: O PIVSO instala um Portão de Segurança.
- Se os dados estiverem seguros (bem condicionados), o portão se abre e a IA aprende normalmente.
- Se os dados estiverem perto do abismo (baixa vega), o portão se fecha suavemente ou reduz o sinal. Ele diz à IA: "Não tente aprender com este número específico agora; é muito perigoso".
- Crucialmente, a IA não trava. Ela apenas ignora a parte perigosa e continua aprendendo das partes seguras.

Por Que Isso Importa (Os Resultados)

O artigo testou isso em dados do mundo real (como as opções do S&P 500).

Velocidade: O PIVOT é incrivelmente rápido. Ele pode processar bilhões de opções por segundo em um chip de computador moderno.
Precisão: Ao usar esta ponte, os modelos de IA aprenderam melhor. Eles cometeram menos erros ao prever preços (até 43% menos erros) e volatilidade (até 21% menos erros) em comparação com modelos que não usavam esta ponte.
Estabilidade: Quando tentaram remover o "Portão de Segurança", os modelos colapsaram e produziram resultados sem sentido. Isso provou que o portão não é apenas um ajuste; é um recurso de segurança necessário para manter a matemática honesta.

Resumo

PIVOT é uma nova camada de software que permite que os modelos de IA falem fluentemente tanto "Preço" quanto "Volatilidade". Ele usa um calculador confiável para traduzir para frente, um atalho matemático para aprender para trás e um portão de segurança para evitar que a IA caia de abismos matemáticos. O resultado são modelos de IA mais rápidos, precisos e estáveis para entender os mercados financeiros.

Resumo Técnico: PIVOT – Unindo a Volatilidade Implícita de Black-Scholes e Objetivos de Preço via Operador Jäckel Diferenciável

1. Definição do Problema

Sistemas modernos de aprendizado de máquina para precificação de opções operam em dois espaços de coordenadas distintos: o espaço de preço, onde as cotações de mercado existem e as restrições de não-arbitragem são naturalmente aplicadas, e o espaço de volatilidade implícita (IV), onde as superfícies de volatilidade são suavizadas, regularizadas e avaliadas. Existe um gargalo crítico na interface entre esses espaços. Embora o solver "Let's Be Rational" (LBR) de Jäckel forneça um método altamente eficiente e de precisão de máquina para inverter preços de Black-Scholes para IV, as implementações existentes são escalares, limitadas à CPU e carecem de diferenciabilidade.

Isso cria um descompasso para o treinamento de redes neurais:

Não-diferenciabilidade: Solvers padrão (ex: py_vollib) não suportam diferenciação automática (autograd), impedindo que os gradientes fluam através do passo de inversão de IV.
Singularidade: O mapa inverso de preço para IV é singular no regime de baixa vega (onde $\partial P / \partial \sigma \to 0$ ), fazendo com que a derivada $\partial \sigma / \partial P = 1/V$ divirja. Fluxos de trabalho existentes lidam com isso filtrando manualmente linhas de baixa vega, descartando dados valiosos que poderiam ser supervisionados via perdas no espaço de preço.
Escalabilidade: O treinamento em milhões de contratos exige operações vetorizadas e aceleradas por GPU, as quais solvers escalares de CPU não podem fornecer.

O artigo argumenta que a solução não é substituir o solver numérico confiável por uma aproximação aprendida, mas sim criar uma ponte diferenciável que preserve o passo direto (forward pass) exato de LBR enquanto fornece gradientes analiticamente corretos para o passo de retropropagação (backward pass).

2. Metodologia

O sistema proposto, PIVOT (Price–Implied-Volatility Objective Translator), decompõe a tarefa de inversão de IV em um passo direto e um passo de retropropagação, tratando o solver como um primitivo opaco dentro de um framework nativo de autograd.

2.1 Passo Direto: Solver Jäckel Vetorizado

O passo direto delega a inversão para uma implementação vetorizada do algoritmo LBR de Jäckel.

Normalização: Os parâmetros de mercado $(S, K, \tau, r, q)$ são convertidos para coordenadas adimensionais: moneyness logarítmico de forward $k = \log(K/F)$ e volatilidade total $\sigma_\tau = \sigma\sqrt{\tau}$ .
Solver: O algoritmo resolve $b(k, \sigma_\tau) = \beta$ (onde $b$ é a função Black normalizada e $\beta$ é o preço normalizado) usando sementes racionais e iterações de Householder para atingir precisão de máquina.
Vetorização: O solver é implementado como um primitivo em lote para GPU (usando núcleos fundidos de NumPy, PyTorch, JAX e Triton), lidando com cadeias de opções heterogêneas simultaneamente.
Mascaramento de Validade: Entradas inválidas (ex: preços abaixo do valor intrínseco, violações de arbitragem, $\tau \le 0$ ) são explicitamente mascaradas para NaN em vez de falhar silenciosamente.

2.2 Passo de Retropropagação: Diferenciação Implícita

Em vez de retropropagar através da lógica de ramificação, aproximações racionais ou iterações de Householder do solver, o PIVOT aplica o Teorema da Função Implícita.

A Identidade: Como o passo direto resolve $P(\xi, \sigma) = P^*$ , a derivada do mapa inverso é dada por:
$\frac{\partial \sigma_{imp}}{\partial P^*} = \frac{1}{V}, \quad \frac{\partial \sigma_{imp}}{\partial \xi} = -\frac{\partial P / \partial \xi}{V}$
onde $V = \partial P / \partial \sigma$ é a Vega.
Implementação: O passo de retropropagação trata o $\sigma_{imp}$ recuperado como o inverso local exato do mapa suave de preço Black-Scholes/Black-76. Ele computa o gradiente avaliando a função de preço suave e suas derivadas em $\sigma_{imp}$ , contornando as ramificações internas do solver. Isso garante que o custo do gradiente seja independente do número de iterações do solver.

2.3 Mecanismo de Gating de Baixa Vega

Para abordar a singularidade onde $V \to 0$ (causando $1/V \to \infty$ ), o PIVOT introduz um mecanismo de gating dependente do condicionamento:

Conjunto Bem Condicionado ( $G_\tau$ ): Para linhas onde $|V| > \tau$ , o gradiente exato $1/V$ é aplicado.
Cauda Singular: Para linhas onde $|V| \le \tau$ , o sistema não apenas regulariza silenciosamente. Em vez disso, aplica um gate suave $w_\tau(V) = V^2 / (V^2 + \tau^2)$ ao termo de perda do espaço de IV ou retorna NaN se a perda solicitar explicitamente um gradiente mal condicionado.
Fallback para o Espaço de Preço: Linhas na cauda singular permanecem no lote e contribuem para o objetivo de treinamento via perdas no espaço de preço (que são bem condicionadas), enquanto seu canal de IV singular é atenuado. Isso permite que o modelo aprenda com dados de baixa vega sem corromper o otimizador com gradientes infinitos.

3. Principais Contribuições

O artigo apresenta três contribuições específicas:

(C1) Jäckel como um Primitivo em Lote para GPU: Uma implementação vetorizada e residente em GPU do solver LBR que opera sobre cadeias de opções heterogêneas, substituindo wrappers escalares de CPU com um backend de alto throughput.
(C2) Retropropagação Implícita Nativa de Autograd: Um operador que fornece derivadas exatas de função inversa via diferenciação implícita, desacoplando o cálculo do gradiente da complexidade interna do solver e evitando a retropropagação através de lógica de ramificação.
(C3) Gating Dependente de Condicionamento: Um mecanismo que lida explicitamente com a singularidade de baixa vega, permitindo que linhas de baixa vega contribuam via resíduos no espaço de preço enquanto suprime seus gradientes instáveis no espaço de IV, eliminando a necessidade de pré-filtragem manual.

4. Resultados Empíricos

Experimentos foram conduzidos em uma única GPU NVIDIA H100 utilizando dados sintéticos e dados reais da OptionMetrics (SPX, RUT, VIX, NDX).

4.1 Desempenho e Precisão

Throughput: O kernel Triton fundido atinge 1,79 bilhão de inversões de IV por segundo com um erro relativo máximo de $9,3 \times 10^{-14}$ contra o solver C de referência.
Geração de Labels: O sistema gera 48,9 milhões de labels de IV sintéticos/s e 16,6 milhões de labels reais de SPX/s.
Autoconsistência: Resíduos de ida e volta (Preço $\to$ IV $\to$ Preço) mostem um erro de percentil 99 $\le 1,8 \times 10^{-7}$ em unidades de preço.

4.2 Impacto no Aprendizado de Superfície (Reprodução HyperIV)

Os autores integraram o PIVOT em um suavizador de superfície de volatilidade estilo HyperIV.

Dominância de Pareto: Objetivos aumentados pelo PIVOT (combinando MSE de preço e perdas de ida e volta de IV com gating) dominam o baseline vanilla no sentido de Pareto.
Resultados SPX: A melhor configuração de gating reduziu o MAE de Preço em 38,8% e o MAE de IV em 21,3% simultaneamente.
Cross-Asset: Melhorias direcionais semelhantes foram observadas no RUT (redução de 40,1% no MAE de Preço), VIX (24,2%) e NDX (16,7%).
Necessidade de Gating: Um controle diagnóstico "sem gating" (omitindo o gate de baixa vega) colapsou para uma superfície degenerada próxima de zero, com o MAE de Preço aumentando em até 2949% (NDX) e milhares de passos de gradiente NaN, confirmando que o gate é um requisito de correção, não apenas um ajuste de parâmetro.

5. Significância e Alegações

O artigo posiciona o PIVOT não como uma nova estratégia de trading ou um substituto para solvers numéricos, mas como uma interface metodológica para pipelines de aprendizado de máquina.

Pontes de Coordenadas: Ele permite o treinamento diferenciável de ponta a ponta que otimiza simultaneamente a consistência de preço (onde os mercados cotam) e a suavidade da volatilidade (onde as superfícies são reportadas), uma capacidade anteriormente dificultada pela natureza não diferenciável da inversão de IV.
Contrato de Correção: O trabalho afirma que a singularidade de baixa vega é uma propriedade fundamental do mapa preço-IV que deve ser tratada explicitamente. O mecanismo de gating é apresentado como um "contrato de correção" que evita a poluição numérica do otimizador, permitindo que modelos utilizem o conjunto de dados completo sem pré-filtragem manual.
Reprodutibilidade e Governança: Ao tornar explícita a fronteira preço-IV (linhas inválidas retornam NaN, linhas de baixa vega são controladas via gating), o framework suporta relatórios mais claros de validade de dados e condicionamento na aprendizagem de superfícies de volatilidade.

Os autores afirmam explicitamente que não pretendem gerar superfícies livres de arbitragem (uma propriedade herdada do modelo baseline HyperIV), nem pretendem resolver a singularidade de baixa vega alterando o objetivo; em vez disso, fornecem a ponte diferenciável exata que permite que objetivos existentes sejam compostos corretamente na presença dessas singularidades.