W 2008 roku brak jednego minusa w równaniu korelacyjnym kosztował globalną gospodarkę biliony dolarów. Mimo że od tamtej pory regulacje mocniej trzymają banki za kark, podstawowy problem nie zniknął: od modeli wyceny instrumentów pochodnych wymaga się matematycznej poprawności, ale nikt nie sprawdza ich linijka po linijce. A co, jeśli każdą zmianę w specyfikacji da się udowodnić maszynowo, zanim trafi na produkcję?
Lekcja, której nie odrobiliśmy
Banki inwestycyjne weryfikują modele przez testy warunków skrajnych i backtesting. To dobra praktyka, ale nie zastępuje formalnego dowodu. Zawodność kryje się w założeniach, które często zostają w głowach autorów i nigdy nie są jawnie przetestowane. W branży wciąż żywe jest wspomnienie kopuł Gaussa, gdzie założenie o normalności rozkładów łącznych zdmuchnęło portfele CDO. Nowe narzędzia autoformalizacji dają szansę, by ten scenariusz nigdy się nie powtórzył.
Autoformalizacja przenosi dowody z kartki do kodu
Artykuł na arXiv:2606.31134 opisuje system, który wykorzystuje ogólne modele językowe zoptymalizowane pod programowanie - radzące sobie z zadaniami formalnymi lepiej niż modele dotychczas dostrajane do języka Lean. Orkiestrator i kilku agentów współpracuje w potoku: najpierw dynamicznie definiują struktury matematyczne spoza standardowej biblioteki Mathlib, potem dowodzą pomocniczych lematów, a na końcu formalizują główne twierdzenie. W testach na 32 problemach z PutnamBench i pięciu pracach z konferencji STOC system zdobył dowody weryfikowalne maszynowo. Dla finansów ilościowych oznacza to możliwość formalizacji całego kanonu: od równań Blacka-Scholesa po zaawansowane modele kopułowe i stochastyczne równania Hestona.
Scenariusz: nowy model zmienności w banku na Wall Street
Wyobraźmy sobie zespół, który opracowuje udoskonalony model powierzchni zmienności dla opcji egzotycznych. Specyfikacja zajmuje 15 stron LaTeX-a. Dział ryzyka po miesiącu symulacji Monte Carlo daje zielone światło. Tymczasem ten sam plik trafia do systemu autoformalizacji. Orkiestrator rozbija dowód na lematy, agenty definiują brakujące struktury (np. procesy z losowym przeskokiem) i po kilku godzinach zwracają werdykt: twierdzenie o braku arbitrażu jest prawdziwe, ale ukryte założenie o niezależności spreadów w bazowej dokumentacji w ogóle nie występowało. Bez tej weryfikacji model mógłby zawieść przy korelacyjnych szokach rynkowych, generując straty porównywalne z tymi z 2008 roku. Dziś zespół ma godzinę na poprawkę zamiast kwartału audytu po fakcie.
ROI, który widać w kapitale i kalendarzu
Błąd w modelu dla portfela o nominale 10 miliardów dolarów kosztuje setki milionów. Koszt integracji systemu autoformalizacji z istniejącym pipeline'em modeli to ułamek rocznej składki na ubezpieczenie od ryzyka operacyjnego. A to dopiero pierwsza oszczędność. Udowodniony matematycznie model szybciej przechodzi audyt wewnętrzny - zamiast miesięcy ręcznej weryfikacji wystarczy przegląd certyfikatu z Lean. W efekcie czas od opracowania do wdrożenia spada średnio o 30 procent. Co więcej, dla modeli objętych wymogiem kapitałowym na ryzyko modelu (FRTB) bank może negocjować niższy narzut, bo dowód formalny redukuje niepewność.
Od audytu do zaufania: regulator też czyta dowód
Europejski nadzór finansowy coraz częściej oczekuje nie tylko dokumentacji opisowej, ale i matematycznej poprawności modeli. Raport opatrzony certyfikatem zweryfikowanym przez Lean 4 robi na audytorze większe wrażenie niż tysiące wykresów. To zmienia dynamikę przeglądów: zamiast tygodni negocjacji o szczegółach implementacji, bank przedstawia dowód i uzyskuje akceptację w kilka dni. Z własnych obserwacji szefów ryzyka wiem, że taka przewaga wiarygodności przekłada się na szybsze zatwierdzanie limitów i elastyczność przy wdrażaniu nowych strategii hedgingowych.
Od czego zacząć jutro
Jeśli twój portfel instrumentów pochodnych przekracza miliard złotych, test na jednym prostym bloku - na przykład na modelu Blacka-Scholesa z rozszerzeniem o uśmiech zmienności - pokaże realny potencjał. Dwa tygodnie pracy zespołu ilościowego nad integracją z API systemu wygenerują pierwszy certyfikat. Potem możesz skalować na bardziej złożone wyceny. Zamiast ufać, że tym razem minus jest we właściwym miejscu, po prostu to udowodnij.
- Matematyczna gwarancja braku arbitrażu dla każdej modyfikacji modelu
- Skrócenie cyklu weryfikacji o 30% i obniżenie kapitału na ryzyko modelu
- Audyt na bazie dowodu maszynowego akceptowany przez regulatorów
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: Beyond the Library: An Agentic Framework for Autoformalizing Research Mathematics
Autorzy: Arshia Soltani Moakhar, Iman Gholami, Max Springer, Mahdi JafariRaviz, MohammadTaghi Hajiaghayi
While Large Language Models (LLMs) have demonstrated exceptional capabilities in mathematical reasoning, they frequently produce subtle errors that evade human detection. Formal mathematical languages like Lean 4 offer mechanical proof checking, strongly motivating the need for autoformalization:...
arXiv: arxiv.org/abs/2606.31134
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
