우리는 옵션 가격 결정을 표현(representation) 문제로 다룬다. 즉, 260만 건의 실제 옵션 계약을 사용하여 머신러닝이 블랙-숄즈(Black-Scholes)로부터의 체계적인 편차를 탐지할 수 있는가? 우리는 세 가지 방식을 비교한다. 학습된 추상 임베딩(커널 PCA), 보존된 도메인 구조(트리 기반 앙상블), 그리고 신경망 검증이다. 트리 기반 방법은 커널 차원 축소보다 21.5%p 높은 성능(93.8% 대 72.3%)을 보였으며, 도메인 전문가가 설계한 특징(그릭스, 머니니스)은 엔지니어링된 특징보다 더 우수한 성능을 보였다. 신경망 기반 편차 레이블과 BS 기반 편차 레이블은 99.9974%의 비율로 일치하며, 이는 편차가 모델의 인위적 결과물이 아니라 시장 구조를 반영함을 시사한다. 우리는 전문가가 설계한 기호적 특징이 존재하는 도메인에서는 추상화를 학습하는 것보다 구조를 보존하는 것이 더 낫다고 결론짓는다. 우리는 활용 가능한 오가격(mispricing)이 존재한다고 주장하지 않는다.
현대 옵션 학습 시스템은 두 가지 좌표계에서 동작한다: 시장이 호가를 제시하고 무차익(no-arbitrage) 제약이 가장 자연스럽게 적용되는 가격 공간(price space)과, 변동성 곡면(volatility surface)이 평활화·정규화·평가되는 내재 변동성(IV, implied volatility) 공간이다. 병목은 근사가 아니라 인터페이스에 있다: Jäckel의 선구적 논문 "Let's Be Rational"(LBR) 솔버는 이미 Black-Scholes 가격을 기계 정밀도(machine precision)로 효율적으로 역산한다. 부재한 것은 순전파에서 LBR을 유지하면서도 그 분기 로직(branch logic)을 통한 역전파(backpropagation)를 회피하는 미분 가능한 층(differentiable layer)이다. 이 층은 vega → 0일 때 감도 1/vega가 발산하는 저-vega 체제(low-vega regime)에서 역사상(inverse map)의 불가피한 특이점(singularity)에도 대처해야 한다. 우리는 이 공백을 PIVOT(Price-Implied-Volatility Objective Translator)으로 해소한다. PIVOT은 LBR 순전파를 그대로 유지하고, 매끄러운 Black-Scholes/Black-76 가격 맵에 대한 암묵적 미분(implicit differentiation)으로 역전파를 공급하며, 명시적인 게이팅 계약(gating contract)을 채택한다: 유효하지 않은 도메인은 NaN을 반환하고, 잘 조건화된 행(row)은 정확한 1/vega 그래디언트를 받으며, 저-vega 행은 암묵적으로 정규화되는 대신 감쇠(attenuated)된다. 단일 H100에서 융합 Triton 커널은 기계 정밀도로 초당 1.79×10⁹ IV를 처리하며(기준 C 솔버 대비 최대 상대 오차 9.3×10⁻¹⁴), 엔드-투-엔드 레이블 생성은 합성 체인에서 초당 48.9M, SPX OptionMetrics에서 초당 16.6M을 유지한다. SPX에 대한 HyperIV 방식의 1일 재현 실험에서 PIVOT으로 강화된 목적함수는 베이스라인을 파레토 우월(Pareto-dominate)하여 보류 가격 평균 절대 오차(MAE)를 최대 43.4% 감소시키며, 가장 강력한 세 시드(seed)의 게이팅 목적함수는 가격 MAE를 38.8%, IV MAE를 21.3% 동시에 개선한다. RUT, VIX, NDX에 대한 교차 자산 결과는 가격 MAE의 방향적 개선이 각각 40.1%, 24.2%, 16.7%임을 보이며, 게이팅되지 않은 IV 왕복 제어(ungated IV-roundtrip control)는 거의 0에 가까운 퇴화 곡면(degenerate near-zero surface)으로 붕괴하여, 게이트가 튜닝 노브(tuning knob)가 아닌 정확성 계약(correctness contract)임을 확인한다.