💰 quantitative finance

Full grid solution for multi-asset options pricing with tensor networks

تُثبت هذه الورقة أن قطارات التوتر المكممة (QTT) تتغلب على لعنة الأبعاد في تسعير الخيارات متعددة الأصول من خلال تمكين حلول الشبكة الكاملة لمعادلة بلاك-شولز التفاضلية الجزئية لما يصل إلى 15 أصلاً بدقة عالية وتوسع متعدد الحدود، مما يقدم بديلاً قابلاً للتطبيق لطرق مونت كارلو.

المؤلفون الأصليون: Lucas Arenstein, Michael Kastoryano

نُشر 2026-02-24

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Lucas Arenstein, Michael Kastoryano

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك مهندس معماري مالي تحاول التنبؤ بالقيمة المستقبلية لمبنى معقد مكون من مواد مختلفة (أسهم، سندات، عملات). في عالم التمويل، يُطلق على هذا اسم تسعير الخيارات متعددة الأصول (multi-asset options).

لعقود من الزمن، صارع المهندسون المعماريون مشكلة تُعرف باسم "لعنة الأبعاد" (Curse of Dimensionality). إليك النسخة المبسطة من هذه اللعنة:

الطريقة القديمة (الشبكة): تخيل أنك تحاول رسم خريطة لمدينة ما. إذا كان لديك شارع واحد، فستحتاج إلى 100 نقطة لرسمه. إذا كان هناك شارعان متقاطعان، فستحتاج إلى 100 × 100 = 10,000 نقطة. إذا كان هناك 5 شوارع، فستحتاج إلى 100 × 100 × 100 × 100 × 100 = 10 مليارات نقطة.
المشكلة: لكي تحصل على إجابة دقيقة، تحتاج إلى حساب القيمة عند كل نقطة من تلك النقاط. ومع وجود 3 أو 4 أصول فقط، ستنفد ذاكرة حاسوبك والوقت المتاح لك. الأمر يشبه محاولة عد كل حبة رمل على الشاطئ عن طريق التقاطها واحدة تلو الأخرى.
الحل المؤقت الحالي: نظرًا لأن طريقة "الشبكة" بطيئة للغاية، يلجأ المصرفيون عادةً إلى محاكاة مونت كارلو (Monte Carlo simulations). هذا يشبه رمي السهام على لوحة لتخمين شكل المدينة. إنها طريقة سريعة، لكنها مليئة بالضجيج وغير دقيقة، ولا تحصل منها إلا على نقاط بيانات قليلة. لا يمكنك رؤية الصورة الكاملة، وإذا أردت معرفة ما سيحدث إذا هبت الرياح بشكل مختلف قليلاً، فعليك رمي السهام من جديد بالكامل.

الحل الجديد: خدعة الضغط "الكمي"

تقدم هذه الورقة طريقة جديدة باستخدام شبكات التنسور (Tensor Networks) (وتحديداً تُسمى الترينات التنسورية المكممة - Quantized Tensor Trains أو QTT). فكر في هذا ليس كعدّ كل حبة رمل، بل كإدراك أن الشاطئ له نمط خفي.

إليك التشبيه:

1. تشبيه "السحاب" (الضغط)

تخيل أن لديك صورة عالية الدقة لمدينة ضخمة. يحاول الحاسوب العادي تخزين كل بكسل (أحمر، أخضر، أزرق) لكل بوصة. هذه هي "الشبكة الكاملة"، وهي ضخمة جداً.

طريقة QTT تشبه سحاباً ذكياً للغاية (Super-smart zipper). فهي تدرك أن السماء زرقاء في الغالب، والعشب أخضر في الغالب، وأن المباني لها أنماط متكررة. بدلاً من تخزين كل بكسل، تقوم بتخزين القواعد التي تولد الصورة.

السحر: كلما زاد تعقيد المدينة (كلما أضفت المزيد من الأصول)، زادت قدرة "السحاب" على ضغط البيانات. فبدلاً من الحاجة إلى 10 مليارات نقطة لـ 5 أصول، قد تحتاج هذه الطريقة فقط إلى بضعة آلاف من "القواعد" لوصف المشهد بأكمله بشكل مثالي.

2. تشبيه "الليغو" (بناء الحل)

قام المؤلفون ببناء مجموعتين مختلفتين من "أدوات البناء" (المعالجات) لحل المسألة الرياضية:

المجموعة (أ): "خطوات الزمن" (الدرج)
- تخيل أنك تنزل على درج من المستقبل (عندما تنتهي صلاحية الخيار) عائدًا إلى اليوم.
- عند كل خطوة، تحسب قيمة المبنى بناءً على الخطوة التي تحتها.
- لماذا هي جيدة؟ إنها فعالة جداً للخيارات الأمريكية المعقدة (حيث يمكنك تسييل الأربان مبكراً). فهي تحافظ على "قطع الليغو" صغيرة وسهلة الإدارة في كل خطوة.
المجموعة (ب): "حل الزمان والمكان" (الفيلم)
- بدلاً من النزول على الدرج خطوة بخطوة، تخيل أن لديك آلة زمن. أنت تبني فيلم قيمة المبنى بالكامل من البداية إلى النهاية في لقطة واحدة.
- لماذا هي جيدة؟ إنها تعطيك التاريخ الكامل دفعة واحدة. وهي سريعة للغاية للخيارات الأوروبية الأبسط (حيث لا يمكنك التسييل إلا في النهاية).

لماذا يهم هذا الأمر (لحظة الإدراك)

قبل هذه الورقة، إذا كنت تريد تسعير منتج مالي معقد يتضمن 5 أسهم مختلفة، كان عليك الاعتماد على طريقة "رمي السهام" (مونت كارلو). كنت تحصل على تخمين تقريبي، وإذا أردت معرفة مدى حساسية السعر لتغير طفيف في أحد الأسهم (ما يسمى بـ "اليونانيات" أو Greeks)، كان عليك تشغيل المحاكاة مرة أخرى.

مع هذه الطريقة الجديدة:

الصورة الكاملة: تحصل على الخريطة الكاملة للمدينة، وليس مجرد بعض النقاط العشوائية. يمكنك رؤية القيمة لأي مزيج من أسعار الأسهم فوراً.
إعادة التسعير الفوري: إذا تحرك السوق بنسبة 1% هذا الصباح، فلا تحتاج لإعادة تشغيل الحساب بالكامل. يمكنك فقط "التقريب" (Zoom in) على الخريطة التي بنيتها بالفعل. إنه أمر فوري.
الأبعاد العالية: نجح المؤلفون في تشغيل هذه الطريقة على حاسوب محمول (Laptop) عادي لـ 3 و4 وحتى 5 أصول. ويقدرون أنه يمكنها بسهولة التعامل مع 10 إلى 15 أصلاً باستخدام قدرة حوسبة أكبر قليلاً.
بدون ضجيج: على عكس طريقة رمي السهام، تعطيك هذه الطريقة إجابة دقيقة رياضياً (ضمن هامش خطأ ضئيل جداً)، مما يجعلها مثالية لإدارة المخاطر.

الخلاصة

هذه الورقة تشبه اكتشاف عدسة جديدة للكاميرا.

العدسة القديمة: لم تكن تستطيع التقاط صور واضحة إلا للأجسام الصغيرة والبسيطة (1-3 أصول). أي شيء أكبر من ذلك كان ضبابياً أو يستغرق وقتاً طويلاً للتحميض.
العدسة الجديدة (QTT): يمكنك الآن التقاط صور عالية الدقة وواضحة تماماً لمشاهد ضخمة ومعقدة (5 أصول فأكثر) في ثوانٍ معدودة، وذلك باستخدام حاسوبك المحمول فقط.

لقد حولت هذه الطريقة مشكلة كانت في السابق مستحيلة الحل بدقة إلى عملية حسابية روتينية، مما يسمح للبنوك والمتداولين بفهم المخاطر المعقدة بوضوح لم يمتلكوه من قبل.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "الحل الكامل للشبكة لتسعير الخيارات متعددة الأصول باستخدام الشبكات الموترة" (Full grid solution for multi-asset options pricing with tensor networks) بقلم لوكاس أرنشتاين ومايكل كاستوريانو.

1. بيان المشكلة

يعد تسعير الخيارات متعددة الأصول (مثل خيارات السلة، أو خيارات الحد الأقصى-الأدنى، أو الخيارات المعتمدة على الارتباط) باستخدام معادلة بلاك-شولز التفاضلية الجزئية (PDE) محدودًا تاريخيًا بـ لعنة الأبعاد.

القيود الكلاسيكية: تتطلب طرق الشبكة القياسية (الفروق المحدودة، العناصر المحدودة) حجم شبكة يتناسب مع $O(N^d)$ ، حيث $N$ هو عدد نقاط التجزئة لكل بُعد، و $d$ هو عدد الأصول الأساسية. هذا النمو الأسي يحد من التطبيقات العملية لتكون $d \leq 3$ .
الممارسة الصناعية الحالية: بالنسبة لـ $d > 3$ ، يعتمد الممارسون على طرق مونت كارلو (MC). وبينما تتعامل طرق مونت كارلو مع الأبعاد العالية، إلا أنها تعاني من الضجيج العشوائي، والتقارب البطيء في حالات الذيل (tail events)، وعدم القدرة على توفير سطح حل كامل. تقدم طرق مونت كارلو الأسعار فقط لحالات أولية محددة، مما يتطلب إعادة التشغيل لسيناريوهات جديدة، كما تجعل حساب "جريك" (Greeks) الكثيفة (الحساسيات) صعبًا ومليئًا بالضجيج.
قيود الشبكة المتفرقة (Sparse Grid): تقلل تقنيات الشبكة المتفرقة التعقيد إلى $O(N(\log N)^{d-1})$ ولكنها لا توفر تمثيلًا كاملاً للشبكة، مما يجعل مهام مثل الاستيفاء (interpolation) لإعادة التسعير أو حساب الحساسيات المتقاطعة عوائق معقدة.

2. المنهجية

يقترح المؤلفون نهجًا حتميًا باستخدام الكمتة الموترية (Quantized Tensor Trains - QTT) لتمثيل المعادلة التفاضلية الجزئية عالية الأبعاد، والمؤثرات، والشروط الحدية. يحول هذا التعقيد من التخزين والحساب الأسي إلى اعتماد لوغاريتمي متعدد على حجم الشبكة.

المكونات الأساسية:

تمثيل QTT: تقوم هذه الطريقة بإعادة تشكيل الشبكة $d$ -الأبعاد (بحجم $2^c$ ) إلى موتر ذي أنماط ثنائية $d \times c$ . يتم تفكيك الدوال والمؤثرات إلى سلسلة من النوى منخفضة الرتبة (صيغة Tensor Train).
بناء المؤثر: يتم بناء مؤثر بلاك-شولز التفاضلي باستخدام الفروق المحدودة الضمنية. ومن الأهمية بمكان أن المصفوفة الناتجة (وهي مجموع لمنتجات كرونيكر لمصفوفات توپليتز ثلاثية الأقطار) تقبل تمثيل QTT دقيق برتب تتوسع بشكل متعدد الحدود مع $d$ (تحديدًا $O(d^2)$ ) ولكنها مستقلة عن حجم الشبكة $N$ .
عائد الدفع والشروط الحدية:
- يتم بناء الحدود الناعمة (الأسس) تحليليًا باستخدام رتبة-1 في QTT.
- يتم التعامل مع الحدود غير الخطية (دالة $\max$ في عوائد الدفع وشروط التمرين المبكر) باستخدام خوارزمية TT-Cross، والتي تأخذ عينات من عدد أدنى من النقاط لبناء تقريب منخفض الرتبة دون تقييم الشبكة الكاملة.
المحللات الخطية: يتم حل الأنظمة الخطية الناتجة باستخدام مخطط ALS المتناوب (Alternating Linear Scheme) أو متغيره MALS (Multi-ALS)، والذي يعمل على تحسين النوى الموترية بشكل تكراري مع تثبيت البقية.

بنيتان للمحللات:

محلل QTT للخطوات الزمنية (Time-Stepping Q):
- يحل المعادلة التفاضلية الجزئية بالتتابع في الزمن (طريقة أويلر الخلفية).
- في كل خطوة، يحل $A w_{i+1} = b_i$ .
- بالنسبة للخيارات الأمريكية، يتم فرض شرط التمرين المبكر ( $V \geq \text{Payoff}$ ) في كل خطوة عبر إسقاط TT-Cross.
- الأفضل لـ: $d > 3$ ، حيث يصبح نمو الرتبة في صياغة الزمان-المكان مرهقًا.
محلل QTT للزمان-المكان (Space-Time Q):
- يعامل الزمن كبُعد مكاني إضافي، ويحل نطاق الزمان-المكان بالكامل في وقت واحد.
- ينتج التطور الزمني الكامل لسعر الخيار.
- الأفضل لـ: $d \leq 3$ والخيارات الأوروبية، حيث يوفر سرعة فائقة وسطح الحل الكامل.

3. المساهمات الرئيسية

كسر حاجز الأبعاد: أول عرض لتمثيل حلول الشبكة الكاملة لمعادلات بلاك-شولز التفاضلية الجزئية متعددة الأصول لـ $d = 3, 4, 5$ (ونظريًا حتى 10-15) تعمل على جهاز كمبيوتر شخصي عادي (لابتوب).
الشبكة الكاملة و"جريك" الكثيفة: على عكس مونت كارلو أو الشبكات المتفرقة، توفر هذه الطريقة سطح الحل بالكامل. وهذا يسمح بـ:
- إعادة تسعير فورية لأسعار السعر الفوري (spot prices) الجديدة عبر الاستيفاء دون الحاجة لإعادة تشغيل المحلل.
  _ * حساب "جريك" (Greeks) كثيفة وخالية من الضجيج (Delta, Gamma, cross-sensitivities) عبر الشبكة بأكملها.
تحليل الرتبة: أثبت المؤلفون أن رتب QTT للمؤثر (Black–Scholes) تتوسع بشكل متعدد الحدود مع $d$ ( $O(d^2)$ ) وهي مستقلة عن دقة الشبكة. وتظهر التجارب العددية أن الرتب تظل منخفضة (على سبيل المثال، $\chi \approx 10\text{--}12$ ) حتى عند $d=5$ .
الإطار الخوارزمي: تم تطوير محللين متكاملين (الخطوات الزمنية والزمان-المكان) ودمج التعامل مع اللاخطية (الخيارات الأمريكية) مباشرة داخل إطار العمل الموتري.

4. النتائج

قام المؤلفون باختبار محللاتهم على جهاز MacBook Pro (M3 Pro) مقابل مراجع عالية الدقة (Gauss-Hermite quadrature للخيارات الأوروبية، وLongstaff-Schwartz MC للخيارات الأمريكية).

الدقة: حققت أخطاء تسعير تتراوح بين 1-2% لخيارات السلة وخيارات الحد الأقصى-الأدنى في أبعاد $d=3, 4, 5$ .
الأداء:
- الخيارات الأوروبية: كان محلل الزمان-المكان أسرع لـ $d \leq 3$ . بالنسبة لـ $d=5$ ، قام محلل الخطوات الزمنية بحل المشكلة في حوالي 433 ثانية بنسبة خطأ 1%.
- الخيارات الأمريكية: أضاف شرط التمرين المبكر زيادة قدرها ~30% فقط في وقت التشغيل. كان إسقاط TT-Cross لدالة $\max$ فعالاً، مما حافظ على التحكم في الرتب.
- القابلية للتوسع: تم حل مشكلة مكونة من 5 أصول بشبكة تحتوي على $2^{45}$ نقطة (مستحيلة على المحللات الكثيفة الكلاسيكية بسبب متطلبات الذاكرة التي تصل إلى ~128 تيرابايت) براحة داخل الذاكرة.
الجريك (Greeks): تطلب حساب "جريك" وقتًا إضافيًا ضئيلاً (ملي ثوانٍ) بمجرد بناء شبكة الحل، حيث تضمن الأمر تطبيق مؤثرات الاشتقاق منخفضة الرتبة.

5. الأهمية والأثر

التسعير الحتمي عالي الأبعاد: يثبت هذا العمل أن QTT تعد بديلاً حتميًا قابلًا للتطبيق لطرق مونت كارلو للخيارات عالية الأبعاد، مما يلغي الضجيج الإحصائي ويوفر رؤية كاملة لمشهد المخاطر.
الكفاءة التشغيلية: إن القدرة على بناء شبكة كاملة خلال ساعات السوق على أجهزة عادية تتيح إعادة التسعير الفوري وإدارة المخاطر في الوقت الفعلي (Intraday Greeks)، وهو ما يعد تحسنًا كبيرًا عن سير عمل مونت كارلو الذي يتم ليلة واحدة.
المعايرة والتحقق: يدعم تمثيل الشبكة الكاملة المعايرة لأسطح التقلب/الارتباط بالكامل بدلاً من النقاط المعزولة، مما يحسن الاستقرار في المسائل العكسية.
التوسعات المستقبلية: الإطار العام قابل للتطبيق على نماذج سوق أكثر تعقيدًا، بما في ذلك التقلب المحلي (Local Volatility)، ونموذج ميرتون للقفزات (Merton Jump-Diffusion)، ونموذج SABR، وذلك عبر تكييف التجزئة وتقنيات تقسيم المؤثر.

باختدال، توضح الورقة البحثية أن طرق الشبكات الموترية يمكنها التغلب على لعنة الأبعاد في الهندسة المالية، مما يجعل تسعير الخيارات عالية الأبعاد بالشبكة الكاملة واقعًا عمليًا على الأجهزة القياسية.