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

Die Studie zeigt, dass Quantized Tensor Trains (QTT) die Berechnung von Multi-Asset-Optionen über die Black-Scholes-PDE ermöglichen, indem sie die Fluch der Dimensionalität überwinden und präzise Full-Grid-Lösungen für bis zu 15 Underlyings auf einem Standard-PC erlauben.

Das Wesentliche

Stellen Sie sich vor, Sie sind ein Finanzmathematiker, der versuchen muss, den fairen Preis für eine sehr komplexe Versicherung zu berechnen. Diese Versicherung ist nicht nur auf eine Aktie bezogen, sondern auf einen ganzen Korb von 5, 10 oder sogar 15 verschiedenen Aktien, die alle miteinander verbunden sind (korreliert).

Das Problem: Je mehr Aktien im Korb sind, desto schwieriger wird die Rechnung.

Das alte Problem: Der "Dimensionalen-Fluch"

Stellen Sie sich vor, Sie wollen eine Landkarte zeichnen, auf der der Preis für jede mögliche Kombination dieser Aktien steht.

• Bei einer Aktie ist das einfach: Eine Linie.
• Bei zwei Aktien: Eine Fläche (wie ein Blatt Papier).
• Bei drei Aktien: Ein Würfel (wie ein Raum).

Aber bei zehn Aktien? Plötzlich haben Sie keine Linie, Fläche oder einen Raum mehr. Sie haben einen 10-dimensionalen Hyperwürfel.

Die klassischen Computer-Methoden versuchen, diesen Raum mit einem riesigen Gitter aus Punkten zu füllen, um jeden Preis zu berechnen. Das Problem ist: Wenn Sie bei einer Dimension 100 Punkte brauchen, brauchen Sie bei 10 Dimensionen $100^{10}$ Punkte. Das ist eine Zahl mit 20 Nullen. Selbst der stärkste Supercomputer der Welt würde daran scheitern, weil der Speicherplatz und die Rechenzeit explodieren. Man nennt das den "Fluch der Dimensionalität".

Deshalb nutzen Banken bisher oft die "Monte-Carlo-Methode". Das ist wie ein Würfelspiel: Man simuliert zufällig tausende von Szenarien und schätzt den Durchschnitt. Das funktioniert, aber es ist ungenau, langsam und man bekommt keine detaillierte Landkarte, sondern nur einzelne Stichproben.

Die neue Lösung: Quantisierte Tensor-Trains (QTT)

Die Autoren dieses Papers haben eine geniale neue Methode entwickelt, die wie ein magischer Kompressor funktioniert. Sie nennen es "Quantized Tensor Trains" (QTT).

Stellen Sie sich das so vor:
Statt den riesigen 10-dimensionalen Raum mit einzelnen Punkten zu füllen, wie ein riesiges Mosaik aus Milliarden von Kacheln, bauen sie eine intelligente Origami-Figur.

1. Das Falten (Komprimierung): Die Mathematik dahinter (Tensor-Trains) erlaubt es, die riesige Landkarte in eine winzige, gefaltete Struktur zu packen. Es ist, als würden Sie ein riesiges Buch in einen kleinen Zettel falten, der trotzdem den gesamten Inhalt enthält.
2. Die Logik: Anstatt jeden einzelnen Punkt zu speichern, speichern sie nur die "Regeln", wie die Punkte zusammenhängen. Da die Preise von Aktien oft glatte Muster haben (sie ändern sich nicht chaotisch), lassen sich diese Regeln sehr effizient beschreiben.
3. Das Ergebnis: Was früher einen Supercomputer zum Absturz gebracht hätte, läuft jetzt auf einem ganz normalen Laptop.

Was können sie damit machen?

Mit dieser "Origami-Methode" haben die Forscher zwei neue Werkzeuge gebaut:

• Der Zeit-Step-Algorithmus: Dieser rechnet Schritt für Schritt durch die Zeit, wie ein Film, der Frame für Frame abgespielt wird. Er ist besonders gut für amerikanische Optionen geeignet (Verträge, die man jederzeit einlösen kann).
• Der Raum-Zeit-Algorithmus: Dieser betrachtet Zeit und Raum als eine einzige große Dimension. Er berechnet die gesamte Entwicklung des Preises über die Zeit auf einmal, in einem einzigen Wurf.

Warum ist das revolutionär?

1. Vollständige Landkarte: Statt nur ein paar zufällige Preise zu kennen, haben sie nun die vollständige Landkarte für alle möglichen Szenarien. Sie können sofort den Preis für jede Kombination der Aktien berechnen, ohne die Rechnung neu starten zu müssen.
2. Greeks (Risikokennzahlen): Banken brauchen nicht nur den Preis, sondern auch zu wissen, wie empfindlich der Preis auf kleine Änderungen reagiert (das nennt man "Greeks"). Mit ihrer Methode können sie diese Empfindlichkeiten für den gesamten Raum sofort berechnen. Das ist wie ein Wetterbericht, der nicht nur sagt, ob es regnet, sondern genau zeigt, wo der Regen am stärksten ist.
3. Skalierbarkeit: Sie haben es geschafft, Probleme mit 3, 4 und sogar 5 Dimensionen (Aktien) auf einem Laptop zu lösen. Und sie sagen, dass mit etwas mehr Rechenleistung und Optimierung sogar 10 bis 15 Dimensionen möglich sind.

Zusammenfassung in einem Satz

Statt einen riesigen, unübersehbaren Wald mit einem Raster abzulaufen und jeden Baum einzeln zu zählen (was unmöglich ist), haben die Autoren einen Flugzeug-Scanner gebaut, der den gesamten Wald in Sekunden abtastet, die Struktur erkennt und eine perfekte 3D-Karte davon erstellt – und das alles auf einem normalen Laptop.

Dies ist ein großer Schritt für die Finanzwelt, da er es erlaubt, komplexe, vernetzte Risiken viel genauer und schneller zu bewerten als je zuvor.

Technische Zusammenfassung

1. Problemstellung

Die Bewertung von Optionen auf mehrere Basiswerte (Multi-Asset-Optionen) stellt eine zentrale Herausforderung im quantitativen Finanzwesen dar. Im Black-Scholes-Modell führt dies zur Lösung einer parabolischen partiellen Differentialgleichung (PDE) in $d$ räumlichen Dimensionen, wobei $d$ die Anzahl der korrelierten Basiswerte ist.

• Fluch der Dimensionalität: Klassische Gitter-basierte Löser (Finite-Differenzen, Finite-Elemente) skalieren exponentiell mit der Anzahl der Dimensionen ($O(N^d)$ für $N$ Diskretisierungspunkte pro Dimension). Dies begrenzt diese Methoden effektiv auf Probleme mit höchstens drei Basiswerten.
• Einschränkungen bestehender Ansätze:
  • Sparse Grids: Reduzieren die Komplexität, liefern aber keine Lösung auf dem vollen Gitter, was Aufgaben wie die Berechnung von Griechen (Sensitivitäten) auf einem festen Gitter oder das schnelle Neu-Preisen erschwert.
  • Monte-Carlo-Simulationen: Sind der Industriestandard für komplexe Instrumente, liefern jedoch nur stochastische Schätzungen an spezifischen Startpunkten, leiden unter Rauschen, langsamer Konvergenz für Tail-Ereignisse und bieten keine vollständige Lösungsfläche.

Das Ziel ist es, eine deterministische Methode zu finden, die eine vollständige Gitterlösung (Full-Grid Solution) für $d > 3$ auf handelsüblicher Hardware (z. B. einem Laptop) ermöglicht.

2. Methodik: Quantized Tensor Trains (QTT)

Die Autoren schlagen einen Ansatz vor, der auf Quantized Tensor Trains (QTT) basiert, einer speziellen Form von Tensor-Netzwerken.

• QTT-Format: Anstatt das Gitter als riesigen Vektor zu speichern, wird die Diskretisierung durch Umformung der Modi in eine Sequenz von binären Modi (basierend auf der Binärdarstellung der Gitterindizes) komprimiert. Dies ermöglicht eine Speicherung und Operationen mit logarithmischer Komplexität in Bezug auf die Gittergröße ($O(c \cdot \chi^2)$ statt $O(2^c)$), wobei $c$ die Anzahl der QTT-Kerne pro Dimension und $\chi$ der Rang (Bond Dimension) ist.
• Darstellung der PDE-Komponenten:
  • Operator: Der diskretisierte Black-Scholes-Operator (eine Summe aus Toeplitz-Tridiagonal-Matrizen) lässt sich exakt als Matrix-Product-Operator (MPO) mit einem Rang darstellen, der polynomial in $d$ skaliert, aber unabhängig von der Gittergröße ist.
  • Randbedingungen und Payoffs: Payoff-Funktionen (z. B. $\max(K - \sum S_i, 0)$) und Randbedingungen werden mittels analytischer QTT-Konstruktionen (für Exponentialfunktionen) und dem TT-Cross-Algorithmus (für nichtlineare $\max$-Operationen) approximiert.
• Lösungsverfahren: Das resultierende lineare Gleichungssystem wird vollständig im QTT-Rahmenwerk mit dem Alternating Linear Scheme (ALS) oder dessen Variante MALS (Multi-ALS) gelöst.

Die Autoren entwickeln zwei komplementäre Solver:

1. Zeit-Schritt-Verfahren (Time-Stepping): Löst die PDE sequenziell über die Zeit. Geeignet für amerikanische Optionen, da die Frühübungsbedingung (Early-Exercise) nach jedem Schritt direkt im QTT-Format durch Projektion ($\max(V, \text{Payoff})$) erzwungen werden kann.
2. Raum-Zeit-Verfahren (Space-Time): Behandelt die Zeit als zusätzliche räumliche Dimension und löst das gesamte System simultan. Dies liefert die gesamte zeitliche Entwicklung in einem Durchlauf und ist besonders effizient für europäische Optionen bei moderaten Dimensionen.

3. Hauptbeiträge

• Erste vollgitterbasierte Lösung für $d > 3$: Das Paper demonstriert erstmals die Berechnung von hochpräzisen, vollständigen Gitterlösungen für korrelierte Multi-Asset-Optionen in 3 bis 5 Dimensionen auf einem persönlichen Computer.
• Zwei Solver-Architekturen:
  • Ein Zeit-Schritt-Algorithmus für europäische und amerikanische Optionen.
  • Ein Raum-Zeit-Algorithmus für europäische Optionen, der die gesamte zeitliche Evolution liefert.
• Rang-Skalierung: Es wird gezeigt, dass die Ränge des Operators polynomial in $d$ wachsen, während die Ränge für Payoffs und Randbedingungen bei Zielgenauigkeit niedrig bleiben. Dies macht iterative Löser in hohen Dimensionen praktikabel.
• Effiziente Greeks-Berechnung: Da die Lösung als Tensor-Netzwerk vorliegt, können Griechen (Delta, Gamma, Cross-Sensitivitäten) durch Anwendung von Ableitungsoperatoren auf das Tensor-Netzwerk berechnet werden, was eine dichte Berechnung über das gesamte Gitter ohne stochastisches Rauschen ermöglicht.

4. Ergebnisse und Numerische Experimente

Die Autoren testeten ihre Methoden auf einem MacBook Pro (Apple M3 Pro) für Basket-Optionen und Max-Min-Optionen (sowohl europäisch als auch amerikanisch) in 3, 4 und 5 Dimensionen.

• Genauigkeit und Laufzeit:
  • Für 3 bis 5 Assets wurden Preise mit einer Genauigkeit von 1–2 % gegenüber Referenzlösungen (Gauss-Hermite-Quadratur für Europäisch, Monte-Carlo für Amerikanisch) erreicht.
  • Die Laufzeiten lagen im Bereich von Sekunden bis wenigen Minuten (z. B. ca. 433 Sekunden für eine 5-Asset-europäische Option mit 1 % Fehler).
  • Im Vergleich dazu wäre ein klassisches Gitter für 5 Assets mit 9 Punkten pro Dimension ($2^{45}$ Punkte) auf einem einzelnen Rechner nicht speicherbar (benötigt ~128 TB RAM).
• Vergleich Time-Stepping vs. Space-Time:
  • Für $d \le 3$ ist das Space-Time-Verfahren oft schneller und liefert die gesamte Zeitfläche.
  • Für $d > 3$ ist das Time-Stepping-Verfahren aufgrund geringerer Ränge in den Zwischenschritten meist vorzuziehen.
• Amerikanische Optionen: Die zusätzliche Kosten für die Durchsetzung der Frühübungsbedingung (via TT-Cross) sind moderat (ca. 30 % Overhead gegenüber europäischen Optionen), da die Ränge kontrolliert bleiben.
• Flexibilität: Das Framework erlaubt das schnelle Neu-Preisen beliebiger Spot-Preise innerhalb des Domänenbereichs durch Interpolation, ohne den Solver neu starten zu müssen.

5. Bedeutung und Ausblick

Diese Arbeit stellt einen Paradigmenwechsel in der numerischen Optionsbewertung dar:

• Deterministische Vollständigkeit: Sie überwindet die Grenzen der Monte-Carlo-Simulationen, indem sie eine vollständige, glatte Lösungsfläche ohne Rauschen liefert. Dies ist entscheidend für Risikomanagement, Hedging (insb. Cross-Greeks) und Modellvalidierung.
• Skalierbarkeit: Die Methode verschiebt den Engpass von der Anzahl der Diskretisierungspunkte (Gittergröße) auf die Tensor-Ränge. Da diese Ränge für viele Finanzprodukte moderat bleiben, wird die Berechnung von Full-Grid-Lösungen in Dimensionen jenseits von 3 auf Standardhardware möglich.
• Zukunftspotenzial: Das Framework ist erweiterbar auf komplexere Marktmodelle (z. B. lokale Volatilität, Sprung-Diffusions-Modelle wie Merton oder SABR) und könnte durch optimierte Interpolationsstrategien für Payoffs weiter verbessert werden.

Zusammenfassend beweist das Paper, dass Tensor-Netzwerk-Methoden (QTT) eine praktikable, deterministische Alternative zu Monte-Carlo-Simulationen für hochdimensionale Optionsprobleme bieten und dabei den Vorteil einer vollständigen Lösungsfläche bieten, die für praktische Anwendungen im Finanzwesen unverzichtbar ist.