End-to-End PDE-Based Quantum Algorithms for Multi-Asset Option Pricing under Local and Stochastic Volatility

Dieser Beitrag stellt einen vollständigen End-to-End-Quantenalgorithmus zur Bewertung von Multi-Asset-Europäischen Optionen unter lokalen und stochastischen Volatilitätsmodellen vor, der im Vergleich zu klassischen Finite-Differenzen-Verfahren in Bezug auf die Gatterkomplexität polynomielle Beschleunigungen aufweist und gleichzeitig eine explizite Ressourcenbilanzierung sowie numerische Benchmarks bereitstellt.

Das Wesentliche

Stellen Sie sich vor, Sie sind ein Koch, der versucht, den Preis eines komplexen Gerichts (einer „Option") vorherzusagen, der von den zukünftigen Preisen mehrerer Zutaten (Vermögenswerte wie Aktien) abhängt. Der Preis dieses Gerichts ist nicht einfach ein Durchschnitt; er wird beeinflusst durch die Volatilität (die Sprunghaftigkeit) der Zutaten und wie sie sich in Relation zueinander bewegen.

In der Finanzwelt ist die Berechnung dieses Preises wie das Lösen eines riesigen, mehrdimensionalen Labyrinths, das als Partielle Differentialgleichung (PDE) bezeichnet wird.

Das Problem: Der „Fluch des Gitters"

Traditionell verwenden Computer zur Lösung dieses Labyrinths eine Methode namens Finite-Differenzen. Stellen Sie sich vor, Sie müssen eine 3D-Stadt kartieren, um eine bestimmte Adresse zu finden.

• Der klassische Ansatz: Sie legen ein Straßengitter an. Wenn Sie eine Zutat haben, benötigen Sie eine 1D-Linie von Gitterpunkten. Wenn Sie 10 Zutaten haben, benötigen Sie ein 10D-Hypergitter.
• Der Engpass: Wenn Sie mehr Zutaten (Vermögenswerte) hinzufügen, explodiert die Anzahl der Gitterpunkte exponentiell. Es ist wie der Versuch, einen Raum mit Sand zu füllen; wenn Sie die Anzahl der Zutaten verdoppeln, verdoppelt sich nicht nur die benötigte Sandmenge (Rechenleistung) – sie vervielfacht sich um einen riesigen Faktor. Dies ist als „Fluch der Dimensionalität" bekannt. Bei komplexen Gerichten mit vielen Zutaten bleiben klassische Computer im Sand stecken.

Die Lösung: Eine quantenmechanische „Magische Linse"

Diese Arbeit schlägt eine neue Methode zur Lösung dieses Problems mit Quantencomputern vor. Anstatt ein riesiges physisches Sandgitter zu bauen, entwickelten die Autoren eine „End-to-End"-Quantenpipeline, die wie eine magische Linse wirkt.

So funktioniert ihr System, Schritt für Schritt:

1. Das Setup (Zustandsvorbereitung)
Zuerst nimmt der Computer das „Rezept" (die Vertragsdetails, Ausübungspreise und Marktdaten) und kodiert es in einen Quantenzustand. Denken Sie daran wie das Einladen der initialen Zutaten in einen Quantenmixer. Sie verwenden einen cleveren Trick namens Schrödingerisierung, um die unordentliche, nicht-quantenmechanische Mathematik der Preisgleichung in ein Format zu verwandeln, das ein Quantencomputer verstehen kann (eine „unitäre" Evolution).

2. Die Reise (Quanten-Evolution)
Anstatt jeden einzelnen Gitterpunkt nacheinander abzulaufen (wie ein klassischer Computer), entwickelt der Quantencomputer das gesamte System gleichzeitig. Es ist wie das Hineinwerfen eines Steins in einen Teich und das Beobachten, wie sich die Wellen sofort über die gesamte Oberfläche ausbreiten, anstatt den Wasserstand an jedem einzelnen Punkt einzeln zu messen. Die Arbeit verwendet fortgeschrittene Techniken (wie Hamiltonian-Simulation), um den Quantenzustand von der Zukunft (Fälligkeit) zurück in die Gegenwart „fließen" zu lassen.

3. Die Enthüllung (Auslesung)
Sobald sich der Quantenzustand entwickelt hat, muss der Computer uns den Preis mitteilen. Da wir nicht auf die gesamte Quantensuppe gleichzeitig schauen können, verwenden die Autoren eine Technik namens Amplituden-Schätzung. Dies ist wie das Entnehmen einer einzigen, hochpräzisen Probe aus der Suppe, um den Geschmack des gesamten Topfes zu schätzen. Sie suchen speziell nach dem Preis an einem bestimmten Punkt (dem aktuellen Marktzustand).

Die Ergebnisse: Ein Geschwindigkeitsschub

Die Autoren testeten dies an zwei berühmten Finanzmodellen:

• Black-Scholes: Ein Standardmodell zur Optionspreisbildung.
• Heston: Ein komplexeres Modell, das „Volatilitäts-Smile" berücksichtigt (die Tatsache, dass die Marktvolatilität nicht konstant ist; sie ändert sich basierend auf dem Preis und bildet eine smile-förmige Kurve).

Die Erkenntnisse:

• Polynomieller Geschwindigkeitsschub: Für ein Gericht mit $d$ Zutaten und einer Gittergröße von $N$ benötigt der klassische Computer eine Zeit, die proportional zu $N^{d+2}$ ist. Der Quantenalgorithmus reduziert dies auf ungefähr $N^{d/2 + 2}$ (für Black-Scholes) oder $N^{d+2}$, jedoch mit einem deutlich kleineren Exponenten im führenden Term.
• Die Analogie: Wenn der klassische Computer jeden Sandkorn an einem Strand zählen muss, kann der Quantencomputer das Volumen schätzen, indem er eine viel kleinere, repräsentative Probe betrachtet, was eine enorme Zeitersparnis bringt, je größer der Strand wird.
• Validierung in der realen Welt: Die Arbeit beschränkte sich nicht nur auf Mathematik auf dem Papier. Sie führten Simulationen durch und zeigten, dass ihre Quantenmethode den „Volatilitäts-Smile" (die gekrümmte Grafik der impliziten Volatilität) genauso gut wie klassische Methoden erfolgreich nachbildete, was beweist, dass sie das reale Marktverhalten erfasst.

Wichtige Einschränkungen (Das Kleingedruckte)

Die Autoren sind sehr vorsichtig, was dies noch nicht leistet, zu betonen:

• Es ist kein Zauberstab für alles: Der Geschwindigkeitsschub ist signifikant, aber er beseitigt den „Fluch der Dimensionalität" nicht vollständig. Die Kosten wachsen immer noch, wenn Sie mehr Vermögenswerte hinzufügen, nur viel langsamer als zuvor.
• Es ist derzeit theoretisch: Die „Gatterkomplexität" (die Anzahl der Schritte) wird für einen perfekten, fehlerfreien Quantencomputer berechnet. Echte Quantencomputer heute sind verrauscht und klein.
• Spezifischer Geltungsbereich: Diese Methode funktioniert am besten für europäische Optionen (bei denen Sie nur am Ende ausüben können) und bestimmte Arten von Multi-Asset-Verträgen. Sie kann noch nicht jede mögliche exotische Finanzderivate (wie solche mit vorzeitigen Ausübungsmöglichkeiten) handhaben.

Zusammenfassung

Einfach ausgedrückt baut diese Arbeit eine vollständige, theoretische „Quanten-Fertigungsstraße" zur Preisbildung komplexer Finanzoptionen. Sie nimmt klassische Daten, führt sie durch einen Quantenmotor, der die zukünftigen Preisbewegungen mehrerer Vermögenswerte gleichzeitig simuliert, und gibt einen Preis aus. Das Ergebnis ist eine Methode, die mathematisch bewiesen ist, für hochdimensionale Probleme signifikant schneller als aktuelle klassische Methoden zu sein und komplexe Marktmuster wie den „Volatilitäts-Smile" erfolgreich nachzubilden.

Technische Zusammenfassung

Problemstellung
Die Preisbildung von Multi-Asset-Optionen unter lokalen-Volatilitäts- (Black–Scholes) und stochastischen-Volatilitätsmodellen (Heston) führt naturgemäß zu hochdimensionalen parabolischen partiellen Differentialgleichungen (PDEs). Klassische numerische Methoden zur Lösung dieser PDEs, wie Finite-Differenzen-Schemata oder Matrix-Exponential-Methoden, leiden unter dem „Fluch der Dimensionalität", wobei die Rechenkosten exponentiell mit der Anzahl der Assets ($d$) und der Gitterauflösung ($N$) wachsen. Spezifisch skalieren klassische gitterbasierte Methoden für ein Gitter mit $N$ Punkten pro Raumrichtung als $\tilde{O}(N^{d+2})$ für Black–Scholes und als $\tilde{O}(N^{2d+2})$ für Heston (wobei das Heston-Modell Varianzvariablen einschließt). Obwohl Quantenalgorithmen für die Optionspreisbildung vorgeschlagen wurden, basieren viele auf Monte-Carlo-Pfad-Simulationen oder variationsbasierten Ansätzen, die bei der Zustandspräparation, Normalisierung und Auslesung vor Herausforderungen stehen, insbesondere für komplexe, hochdimensionale PDEs mit spezifischen Randbedingungen.

Methodik
Die Autoren entwickeln ein end-to-end Quanten-PDE-Framework, das klassische Vertrags- und Modelldaten als Eingabe nimmt und klassische Schätzungen von Optionswerten zurückgibt. Der Arbeitsablauf besteht aus drei Hauptstufen:

1. Diskretisierung und Formulierung: Die Preisbildungs-PDEs werden im Raum mittels Finite-Differenzen zweiter Ordnung diskretisiert, wodurch die kontinuierliche PDE in ein spärliches, endlichdimensionales System gewöhnlicher Differentialgleichungen (ODEs) überführt wird. Um nicht-homogene Randbedingungen und Quellterme zu handhaben, wird das affine ODE-System durch Hinzufügen einer auxiliary-Zustandsvariablen zu einem homogenen linearen System erweitert.
2. Quanten-Evolution (Schrödingerisierung): Da das resultierende ODE-System im Allgemeinen nicht-unitär ist (aufgrund der nicht-hermiteschen Natur des Preisbildungsoperators), setzt das Framework die Schrödingerisierung ein. Diese Technik bettet die nicht-unitäre Dynamik in ein größeres unitäres System ein, indem eine auxiliary kontinuierliche Variable ($\xi$) eingeführt und die Dynamik auf eine Schrödinger-Gleichung abgebildet wird. Das System wird dann in der $\xi$-Dimension diskretisiert und mittels Fourier-Methoden transformiert, um einen hermiteschen Hamilton-Operator zu erhalten.
3. Zustandspräparation und Auslesung:
   • Zustandspräparation: Der Payoff-Vektor (z. B. Worst-of Call) und das für die Schrödingerisierung erforderliche glatte Abbruchprofil werden als Quantenzustände unter Verwendung von Block-Codierungen von Koordinatenoperatoren und Quantum Singular Value Transformation (QSVT) präpariert.
   • Evolution: Die diskretisierte Preisbildungsdynamik wird mittels Hamilton-Evolution unter Verwendung von Block-Codierung und alternierenden Phasenmodulationssequenzen (Quantum Signal Processing) simuliert.
   • Auslesung: Ausgewählte Optionswerte werden aus dem finalen Quantenzustand rekonstruiert. Da der gewünschte Preis in einer einzigen Amplitude kodiert ist, nutzt das Framework die Quantum Amplitude Estimation (QAE) in Kombination mit einem Hadamard-Test. Entscheidend ist, dass der Auslese-Overhead mit der Quadratwurzel des Gittervolumens ($2^{W/2}$) skaliert, wobei $W$ die Anzahl der System-Qubits ist.

Hauptbeiträge

• End-to-End-Pipeline: Das Papier liefert eine vollständige, explizite Pipeline von klassischen Eingangsdaten zu klassischen Ausgabewerten, einschließlich detaillierter Ressourcenbilanzierung für Zustandspräparation, Hamilton-Simulation, Normalisierungswiederherstellung und Auslesung.
• Komplexitätsanalyse: Die Autoren leiten die führende Gatterkomplexität für die Wiederherstellung des Optionspreises an einem einzelnen Punkt her:
  • Multi-Asset Black–Scholes: $\tilde{O}(d^2 N^{2 + d/2})$.
  • Multi-Asset Heston: $\tilde{O}(d^2 N^{d + 2})$.
  • Im Vergleich zu klassischen gitterbasierten Baselines ($\tilde{O}(N^{d+2})$ bzw. $\tilde{O}(N^{2d+2})$) bietet das Quanten-Framework polynomiale Verbesserungs faktoren von $N^{d/2}$ bzw. $N^d$.
• Numerische Validierung: Das Framework wird numerisch gegen analytische Lösungen (Black–Scholes), semi-analytische Benchmarks (Heston-Charakteristikfunktion) und klassische numerische Löser (Finite-Differenzen und Matrix-Exponential) validiert.
• Wiederherstellung der impliziten Volatilität: Im Heston-Setting gewinnt das Framework erfolgreich Optionspreise über einen Bereich von Strikes zurück und rekonstruiert die damit verbundene nicht-flache implizite-Volatilitäts-Smile/Skew, was seine Fähigkeit demonstriert, marktrelevante stochastische Volatilitätsmerkmale zu erfassen.

Ergebnisse

• Theoretische Leistung: Die Analyse bestätigt einen polynomiellen Quantenvorteil in der Gittergröße $N$ sowohl für Black–Scholes- als auch für Heston-Modelle. Der Vorteil wird ausgeprägter, je mehr Assets $d$ vorhanden sind, wobei der exponentielle Zusammenhang mit $d$ (der Fluch der Dimensionalität) zwar gemildert, aber nicht eliminiert wird.
• Numerische Genauigkeit: Simulationen zeigen, dass das Quanten-Framework Optionspreise liefert, die mit klassischen und semi-analytischen Benchmarks konsistent sind. Im Heston-Fall weisen die rekonstruierten impliziten-Volatilitäts-Oberflächen die korrekte Skew-Struktur auf (z. B. Equity-Skew) und stimmen mit semi-analytischen SSVI-Anpassungen mit relativen Abweichungen unter 1 % überein.
• Fehlerquellen: Die primären Fehler in den numerischen Ergebnissen werden auf eine grobe räumliche Diskretisierung und Domänen-Trunkierung zurückgeführt, nicht auf die Quantensimulation selbst. Der zusätzliche Fehler, der durch das Schrödingerisierungs-Verfahren eingeführt wird, erweist sich als nachrangig.

Bedeutung und Behauptungen
Das Papier behauptet, den ersten Nachweis eines quanten-PDE-basierten Preisbildungs-Workflows zu erbringen, der erfolgreich einen impliziten-Volatilitäts-Smile/Skew aus quantenberechneten Optionspreisen wiederherstellt. Es wird betont, dass das Framework explizite Leistungsgarantien und eine vollständige Ressourcenanalyse bietet, wodurch es sich von variationsbasierten oder heuristischen Ansätzen unterscheidet.

Die Autoren bewahren einen bescheidenen Ton hinsichtlich des praktischen Vorteils:

• Sie klären, dass der Vergleich auf der Ebene der asymptotischen Skalierung und nicht der Wandzeit erfolgt und bemerken, dass logische Gatterzahlen ohne Berücksichtigung von Overheads für Fehlerkorrektur nicht direkt in physikalische Ausführungszeiten übersetzt werden.
• Sie räumen ein, dass der „Fluch der Dimensionalität" nicht eliminiert wird; die Kosten wachsen weiterhin exponentiell mit der Anzahl der Assets, aber die Wachstumsrate wird reduziert (von $N^d$ auf $N^{d/2}$ für Black–Scholes).
• Sie weisen auf Einschränkungen hin, wie den aktuellen Fokus auf europäische Payoffs mit Randbedingungen, die mit dem Framework kompatibel sind (z. B. Worst-of Call), sowie den Ausschluss von pfadabhängigen oder vorzeitigen Ausübungsmerkmalen, die zusätzliche Zustandsvergrößerungen oder iterative Lösungsschichten erfordern würden.

Insgesamt etabliert die Arbeit eine rigorose theoretische und numerische Grundlage für die Verwendung von Quantenalgorithmen zur Lösung hochdimensionaler finanzieller PDEs und bietet eine gangbare Alternative zu klassischen gitterbasierten Methoden für die Multi-Asset-Preisbildung.