Evaluating Quantum Amplitude Estimation for Pricing Multi-Asset Basket Options

ملخص تقني: تقييم تقدير السعة الكمية لتسعير خيارات السلة متعددة الأصول

1. بيان المشكلة

يعد تسعير خيارات السلة متعددة الأصول — وهي مشتقات تعتمد عوائدها على المتوسط المرجح لعدة أصول أساسية — مهمة مكثفة حوسبياً في التمويل الكمي.

• القيود الكلاسيكية: تواجه النماذج التحليلية التقليدية مثل بلاك-شولز (Black-Scholes) صعوبة في التعامل مع الارتباطات بين الأصول المتعددة وتعتمد على افتراضات تبسيطية (مثل التقلب الثابت). أما محاكاة مونت كارلو (MC)، ورغم مرونتها، فإنها تعاني من معدلات تقارب بطيئة ($O(\epsilon^{-2})$) وتصبح مكلفة للغاية مع زيادة عدد الأصول (الأبعاد).
• الفجوة الكمية: بينما يوفر تقدير السعة الكمية (QAE) تسريعاً تربيعياً نظرياً ($O(\epsilon^{-1})$)، إلا أن معظم الأبحاث الحالية تعتمد على بيانات اصطناعية مثالية. هناك نقص في الأدلة التجريبية حول كيفية أداء QAE عند تطبيقه على بيانات السوق الواقعية، وكيف يتوسع مع كل من أبعاد الأصول وعدد الكيوبتات المستخدمة في التجزئة (discretization).

2. المنهجية

يقترح المؤلفون سير عمل هجيناً (كمي-كلاسيكي) مصمماً لسد الفجوة بين النظرية والتطبيق.

• تكامل البيانات: بدلاً من النماذج الاصطناعية، تستخدم الدراسة بيانات السوق التاريخية (مثل AAPL، GOOG، MSFT) المستخرجة عبر مكتبة yfinance. يقوم الباحثون بحساب العوائد اللوغاريتمية، وتقدير المتوسط ($\mu$) والتقلب ($\sigma$)، وتوسيع هذه المعلمات لتناسب فترة استحقاق الخيار ($T$).
• التجزئة وإعداد الحالة:
  • يتم تجزئة التوزيع اللوغاريتمي الطبيعي لكل أصل إلى شبكة من $2^n$ نقطة، حيث يمثل $n$ عدد كيوبتات عدم اليقين (uncertainty qubits) لكل أصل.
  • يتم بناء دائرة كمية لتحميل هذه التوزيعات الاحتمالية في سجل كمي.
• ترميز العائد (Payoff Encoding): يتم ترميز عائد السلة — $\max(0, \sum w_i S_i - K)$ — باستخدام الحساب القابل للانعكاس (جامع مرجح) ودالة تقريب خطية مجزأة يتم تنفيذها عبر دورات محكومة على كيوبت الهدف.
• تصميم الدراسة البارامترية: قام الباحثون بتغيير بُعدين بشكل منهجي:
  1. عدد الكيوبتات ($n$): زيادة عدد كيوبتات عدم اليقين لكل أصل لتنقية شبكة السعر.
  2. عدد الأصول ($d$): زيادة عدد الأصول في السلة لاختبار توسع الأبعاد.
• المقارنة المرجعية (Benchmarking): تمت مقارنة النتائج الكمية مقابل نماذج مونت كارلو الكلاسيكية ونماذج بلاك-شولز.

3. المساهمات الرئيسية

• التحقق التجريبي من الواقع: الانتقال من مجموعات البيانات الاصطناعية إلى استخدام سلوكيات الأسهم التاريخية الفعلية، بما في ذلك التقلب والنزعة الحقيقية.
• تحليل المقايضة بين الموارد والدقة: تقديم نظرة تفصيلية حول كيفية تحسين عدد الكيوبتات للدقة مقابل الزيادة الأسية في تعقيد الدائرة.
• الإطار الهجين: إنشاء مسار قابل للتوسع يسمح بالمقارنة المنهجية للتقديرات الكمية مقابل المعايير المالية الكلاسيكية الراسخة.

4. النتائج والمناقشة

تكشف الدراسة عن علاقة حرجة بين دقة التجزئة ودقة التقدير:

• تأثير كيوبتات عدم اليقين:
  • أعداد الكيوبتات المنخفضة (1–2): تؤدي إلى تجزئة "خشنة"، مما يتسبب في أخطاء جسيمة (تقدير ناقص كبير أو تجاوز مفرط).
  • "النقطة المثالية" (3–4 كيوبتات): عند هذا المستوى، تتقارب تقديرات QAE بشكل وثيق مع نتائج مونت كارلو. بالنسبة للسلال الصغيرة (3–4 أصول)، ينخفض الخطأ إلى أقل من 1%.
  • العوائد المتناقصة ($>4$ كيوبتات): بينما تستمر الدقة في التحسن قليلاً، إلا أن التكلفة الحسابية (عمق الدائرة) تزداد أسياً، مما يجعلها أقل عملية للأجهزة القريبة من العصر الكمي ذي الضجيج (NISQ).
• تأثير أبعاد الأصول:
  • مع زيادة عدد الأصول (من 3 إلى 9)، تميل دقة تقدير QAE إلى التدهور إذا ظل عدد الكيوبتات ثابتاً.
  • بالنسبة للسلال الأكبر (6–9 أصول)، أظهر النموذج ميلاً إلى "تجاوز" المعايير الكلاسيكية، ويرجع ذلك على الأرجح إلى افتراض التنفيذ الحالي باستقلالية الأصول والتحديات المتعلقة بالتقاط الارتباطات المعقدة في فضاء مجزأ.

5. الأهمية

تقدم هذه الورقة رؤى قابلة للتنفيذ لنشر الخوارزميات الكمية في التمويل. فهي تحدد أن 3–4 كيوبتات عدم يقين لكل أصل هو التخصيص الأمثل للأجهزة الكمية في المدى القريب لموازنة الدقة وعمق الدائرة. ومن خلال تسليط الضوء على قيود التجزئة الحالية ونمذجة الارتباط، يضع هذا العمل خارطة طريق للأبحاث المستقبلية، مؤكداً على الحاجة إلى تقنيات متقدمة لإعداد الحالة وتحسين تخفيف الخطأ للتعامل مع المحافظ المالية عالية الأبعاد وعالية الارتباط.