PIVOT: 미분 가능한 Jäckel 연산자를 통한 Black-Scholes 내재 변동성과 가격 목적함수의 연결
PIVOT: Bridging Black-Scholes Implied-Volatility and Price Objectives via Differentiable Jäckel Operator
한국어 초록
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.
원문 초록
Modern option-learning systems operate in two coordinates: price space, where markets quote and no-arbitrage constraints are most naturally enforced, and implied volatility (IV) space, where volatility surfaces are smoothed, regularized, and evaluated. The bottleneck is interface, not approximation: Jäckel's seminal "Let's Be Rational" (LBR) solver already inverts the Black-Scholes price to machine precision efficiently. What is missing is a differentiable layer that preserves LBR in the forward pass and avoids backpropagating through its branch logic. Such a layer must also confront the unavoidable singularity of the inverse map in the low-vega regime, where the sensitivity 1/vega diverges as vega -> 0. We close this gap with PIVOT, the Price-Implied-Volatility Objective Translator. PIVOT keeps the LBR forward pass intact and supplies the backward pass by implicit differentiation through the smooth Black-Scholes/Black-76 price map, with an explicit gating contract: invalid domains return NaN, well-conditioned rows receive the exact 1/vega gradient, and low-vega rows are attenuated rather than silently regularized. On a single H100, a fused Triton kernel reaches 1.79e9 IV/s at machine precision (9.3e-14 max relative error vs. the reference C solver); end-to-end label generation sustains 48.9M/s on synthetic chains and 16.6M/s on SPX OptionMetrics. In a HyperIV-style one-day reproduction on SPX, PIVOT-augmented objectives Pareto-dominate the baselines, reducing held-out price MAE by up to 43.4% and the strongest three-seed gated objective improving price MAE by 38.8% and IV MAE by 21.3% jointly; cross-asset results on RUT, VIX, and NDX show directional price-MAE gains of 40.1%, 24.2%, and 16.7%, while an ungated IV-roundtrip control collapses to a degenerate near-zero surface, confirming the gate as a correctness contract rather than a tuning knob.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.17065v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
DYSANOS: 동적이고 매끄러우며 차익거래가 없는 비모수적 생성 옵션 표면
DYSANOS Generative Dynamic Smooth Arbitrage-free Non-parametric Option Surfaces
본 논문은 정적 차익거래(static arbitrage)가 없으며 모든 행사가격과 만기에 대해 매끄러운 SANOS 옵션 표면을 생성하는 최초의 시장 모델(market model)인 DYSANOS를 제시합니다. 본 모델은 향후 수년간의 일별 기초자산 가격과 옵션 가격의 전체 경로를 생성하도록 설계되었습니다. 저자들은 다소 단순할 수 있지만 견고하고 유용한 기준선(baseline)으로서 AR(1) 형태의 모델을 제시합니다. 모델 설정, 데이터 파이프라인 및 학습을 논의하고 시장 재구성, 안정성, 꼬리 위험(tail behavior) 특성을 조사합니다. 2022년 1월 3일부터 2025년 8월 29일까지의 Option Metrics IvyDB S&P Index 표면 891개에 대한 모델 성능을 실증합니다. 또한 위험중립밀도(risk-neutral density)를 수치적으로 구성하는 방법을 제시합니다. 그 일환으로 주어진 측도 하에서 조건부 평균이 0인지 확인하는 새로운 검정법을 개발합니다. 100,000개의 시뮬레이션 경로에 대해 48개 옵션과 기초자산으로 구성된 거래 유니버스가 수치적으로 동적 차익거래가 없음을 보여줍니다.
기호적 실패 탐지 학습: 머신러닝과 블랙-숄즈 모형의 한계
Learning to Detect Symbolic Failure: Machine Learning and the Limits of Black-Scholes
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.
심층 가중 다항식을 이용한 비대칭 성장·감쇠 함수의 균등 근사
Uniform Approximation of Functions with Asymmetric Growth and Decay by Deep Weighted Polynomials
실수축 한쪽에서는 무한대로 성장하고 다른 쪽에서는 0으로 감쇠하는 함수들은 무한 영역에서 일반 다항식으로 균등 근사할 수 없다. 고전적 가중 다항식 근사에서 영감을 받아, 이러한 비대칭 목표 함수에 대해 편측 가중 \emph{deep}(복합) 다항식 근사자 클래스를 도입한다. 가중치는 감쇠하는 쪽에서의 다항식 성장을 억제하는 반면, 복합 다항식은 다른 쪽의 성장을 포착할 자유를 유지한다. 우리는 이 메커니즘이 반무한축 근사 문제를 차수에 따라 천천히 증가하는 길이의 콤팩트 구간에서의 근사로 환원함을 증명하고, 모델 클래스의 적절한 닫힘(closure)에서 최적 근사자의 밀도와 존재를 확립한다. 계산을 위해, 우선 \emph{deep} 가중 다항식 근사를 위한 학습 가능한 계산 그래프로 이 방법을 공식화한다. 그러나 직접적인 end-to-end 최적화는 높은 복합 차수에서 점점 더 ill-conditioned해지며 국소 최소값(local minima)에 빠질 수 있다. 이를 해결하기 위해, 단조 다항식 자기사상(monotone polynomial self-maps)의 고정된 내부 합성이 유효 차수를 제공하고 바깥쪽 다항식과 가중치 매개변수만 학습하는 미세조정 절차를 도입한다. 바깥쪽 적합은 선형 계획법(linear program)으로 환원된다. Black--Scholes 옵션 가격 함수에 대한 수치 실험에서, 그 결과로 얻은 미세조정된 가중 \emph{deep} 다항식은 동일 예산의 다항식 기준선(baseline)보다 더 작은 균등 오차와 \(L_2\) 오차를 달성하며, 감쇠 꼬리를 기계 정밀도까지 해결한다.
Adaptively trained Physics-informed Radial Basis Function Neural Networks for Solving Multi-asset Option Pricing Problems
토론
이 논문과 연결된 포럼 글이 아직 없습니다.