Solving 2D Black Scholes Equation via Hermitian Block Embedding and Generalised Quantum Signal Processing

Dieses Paper schlägt eine Methode zur Lösung der zweidimensionalen Black-Scholes-Gleichung vor und validiert diese numerisch durch die Kombination von Hermitian Block Embedding mit Generalised Quantum Signal Processing, um die Invertierung nicht-hermitescher Zeitschrittmatrizen präzise zu approximieren, wodurch die Durchführbarkeit der Anwendung moderner Quanten-Linear-Algebra-Techniken auf die Preisbildung von Multi-Asset-Optionen demonstriert wird.

Das Wesentliche

Das große Ganze: Die Preisgestaltung eines „Korbes“ von Optionen

Stellen Sie sich vor, Sie sind ein Finanzhändler und versuchen, den Preis einer speziellen „Korb“-Option zu ermitteln. Dies ist nicht nur eine Wette auf eine einzelne Aktie (wie Apple); es ist eine Wette darauf, wie sich eine Mischung aus zwei verschiedenen Aktien (wie Apple und Microsoft) gemeinsam bewegt.

In der realen Welt ist die Berechnung des fairen Preises dieses Korbes wie das Lösen eines riesigen, komplexen Labyrinths. Man muss von dem Tag, an dem die Wette endet (Fälligkeit), rückwärts bis zum heutigen Tag rechnen und dabei bestimmen, wie sich der Preis bei jedem einzelnen Schritt verändert.

Seit langem nutzen Computer hierfür eine Methode namens „Finite Differenzen“. Betrachten Sie dies als den Versuch, die glatte, kontinuierliche Bewegung von Aktienkursen in ein riesiges Gitter aus Punkten zu verwandeln. Um den Preis heute zu finden, muss der Computer ein riesiges mathematisches Rätsel lösen: Er muss eine massive Matrix invertieren (ein Gitter aus Zahlen), um in der Zeit rückwärts zu gehen.

Das Problem: Das „nicht-symmetrische“ Rätsel

Das mathematische Rätsel, vor dem der Computer steht, ist knifflig. Das Gitter aus Zahlen (die Matrix), das er invertieren muss, ist „nicht-hermitesch“. In einfachen Worten bedeutet das, dass das Gitter einseitig ist und keine ordentliche, symmetrische Struktur besitzt.

In einem einfacheren Szenario mit nur einer Aktie fanden Wissenschaftler einen cleveren Trick, um dieses einseitige Gitter symmetrisch (hermitesch) zu machen, damit sie ein leistungsfähiges neues Werkzeug namens Generalised Quantum Signal Processing (GQSP) nutzen konnten. GQSP ist wie eine super-effiziente Quantenmaschine, die spezifische Arten von mathematischen Rätseln sehr schnell lösen kann, aber sie funktioniert nur auf symmetrischen, gut strukturierten Gittern.

Wenn man jedoch eine zweite Aktie hinzufügt, wird das Gitter zu einem komplexen 2D-Block. Der alte Trick, das Gitter symmetrisch zu machen, bricht zusammen, weil die beiden Aktien auf eine Weise miteinander verknüpft sind, die „Schleifen“ in der Mathematik erzeugt, die sich nicht durch eine einfache Anpassung beheben lassen.

Die Lösung: Die „Hermitian Block Embedding“

Die Autoren dieser Arbeit haben einen neuen Weg gefunden, um die Quantenmaschine dazu zu bringen, das 2D-Problem zu lösen. Sie verwendeten eine Technik namens Hermitian Block Embedding.

Die Analogie: Die Spiegelbox
Stellen Sie sich vor, Sie haben ein einseitiges, unordentliches Objekt (die 2D-Zeitschritt-Matrix), das Sie nicht in eine spezielle „Symmetrie-Maschine“ (GQSP) einsetzen können.

1. Der Trick: Anstatt zu versuchen, das Objekt selbst zu reparieren, bauen Sie eine spezielle Box um es herum.
2. Die Konstruktion: Sie platzieren das unordentliche Objekt in die obere rechte Ecke der Box und sein „Spiegelbild“ (die Transponierte) in die untere linke Ecke. Die obere linke und die untere rechte Ecke bleiben leer (Nullen).
3. Das Ergebnis: Obwohl das Innere unordentlich ist, ist die gesamte Box nun perfekt symmetrisch. Sie ist nun „hermitesch“.

Nun kann die Quantenmaschine auf diese große Box schauen. Wenn die Maschine ihre Magie (die Polynomialtransformation) auf die Box anwendet, erzeugt sie ein Ergebnis, bei dem der „unordentliche“ Teil (die Inverse der ursprünglichen Matrix) in einer bestimmten Ecke der Box hervortritt.

Wie sie es gemacht haben: Das „ungerade“ Polynomial

Um die Antwort aus dieser Box zu extrahieren, verwendeten die Autoren eine spezielle Art von mathematischer Funktion, ein ungerades Polynomial.

• Betrachten Sie eine „gerade“ Funktion als ein Spiegelbild auf beiden Seiten einer Linie (wie ein Smiley-Gesicht).
• Betrachten Sie eine „ungerade“ Funktion als eine Rotation (wie eine Wippe).

Aufgrund der Art und Weise, wie sie ihre Box gebaut haben (mit dem unordentlichen Teil in der Ecke), benötigten sie eine mathematische Funktion vom Typ „Wippe“. Wenn sie eine „Smiley“-Funktion verwendet hätten, wäre die Antwort verloren gegangen. Durch die Verwendung einer „ungeraden“ Funktion hebt die Mathematik die leeren Ecken natürlich auf und lässt die korrekte Antwort (die inverse Matrix) in der unteren linken Ecke des Ergebnisses zurück.

Der Test: Hat es funktioniert?

Das Team führte Simulationen durch, um zu sehen, ob diese neue Methode tatsächlich für eine Zwei-Aktien-„Korb“-Option funktioniert.

• Der Aufbau: Sie simulierten eine Korb-Option mit zwei Vermögenswerten unter Verwendung eines Gitters von 32x32 Punkten (insgesamt 1.024 Punkte).
• Der Vergleich: Sie verglichen ihre quantenbasierte Lösung (unter Verwendung der neuen Embedding-Methode) mit einer standardmäßigen, bewährten klassischen Computermethode (Backward Euler).
• Das Ergebnis: Die beiden Methoden stimmten sehr genau überein. Die „quantenbasierte“ Lösung sah fast exakt so aus wie die „klassische“ Lösung.

Dies bewies, dass ihr „Spiegelbox“-Trick die Dynamik des komplexen 2D-Problems erfolgreich erfasst hat. Die Methode reproduzierte die Rückwärtsentwicklung des Aktienkurses in der Zeit präzise.

Der Haken: Diskretisierungsfehler

Das Paper weist auf eine wesentliche Einschränkung hin. Da sie dies auf einem Computer simulieren, müssen sie in „Schritten“ rückwärts durch die Zeit gehen. In ihrer Simulation mussten sie einen sehr großen Schritt (einen einzigen großen Sprung) machen, was die Komplexität betrifft.

• Das Problem: Das Machen eines riesigen Schritts in einer mathematischen Simulation führt zu einem „Diskretisierungsfehler“ (ungefähr so, als würde man versuchen, eine glatte Kurve nur mit ein paar riesigen Lego-Steinen zu zeichnieren).
• Die Erkenntnis: Der Fehler in ihren Ergebnissen war hauptsächlich auf diese große Schrittweite zurückzuführen, nicht auf einen Fehler in ihrer Quantenmethode. Tatsächlich war der Fehler ähnlich dem, den man erhalten würde, wenn man die klassische Methode mit demselben riesigen Schritt ausführen würde.

Zusammenfassung

Das Paper demonstriert einen neuen Weg, komplexe 2D-Finanzpreisprobleme mithilfe von Quantenalgorithmen zu lösen.

1. Sie konnten den alten Trick, die Mathematik symmetrisch zu machen, nicht verwenden.
2. Sie bauten eine „Spiegelbox“ (Hermitian Block Embedding), um die Mathematik in eine symmetrische Form zu zwingen.
3. Sie verwendeten ein spezielles „ungerades Polynomial“, um die Antwort aus der Box zu extrahieren.
4. Ihre Simulationen zeigten, dass diese Methode funktioniert und Ergebnisse liefert, die mit Standard-Klassik-Computern übereinstimmen, was den Weg für die Lösung noch komplexerer Multi-Asset-Probleme in der Zukunft ebnet.

Technische Zusammenfassung

Technisches Resümee: Lösen von 2D-Black-Scholes-Gleichungen mittels Hermitischer Block-Einbettung und verallgemeinerter Quantensignalsverarbeitung

1. Problemstellung

Die Preisgestaltung europäischer Finanzderivate, wie etwa Optionen, wird fundamental durch die Black-Scholes-Partielle Differentialgleichung (PDE) modelliert. Für Multi-Asset-Optionen (z. B. Basket-Optionen, die von zwei zugrunde liegenden Vermögenswerten abhängen) wird das Problem zu einer zweidimensionalen PDE. Unter dem Standard-No-Arbitrage-Framework erfordert die Preisgestaltung die Rückwärtsentwicklung des terminalen Payoffs in der Zeit.

Nach der Diskretisierung mittels finiter Differenzen und eines impliziten Zeitschrittverfahrens (speziell des Backward-Euler-Verfahrens) wird die kontinuierliche PDE in eine Sequenz von linearen Algebra-Problemen transformiert. Die zentrale Rechenaufgabe besteht in der Anwendung der Inversen einer Zeitschrittmatrix, $\tilde{M}^{-1}$, auf einen Vektor, der den Optionswert repräsentiert.

• Herausforderung: Im zweidimensionalen Fall ist die diskretisierte Matrix $\tilde{M}$ reell, aber im Allgemeinen nicht hermitesch und nicht unitär, was auf Drift-Terme, gemischte Ableitungen und Randbedingungen zurückzuführen ist.
• Quantenkontext: Während Quanten-Lineare-Algebra-Algorithmen wie die Quantensignalsverarbeitung (QSP) und die verallgemeinerte Quantensignalsverarbeitung (GQSP) leistungsstarke Methoden zur Implementierung von Matrixfunktionen (wie der Invertierung) über Polynomtransformationen bieten, setzen sie typischerweise voraus, dass der Eingangsoperator unitär oder hermitesch ist. Standardansätze für nicht-hermitesche Matrizen verlassen sich oft auf „Block-Encoding“, was jedoch einen erheblichen Overhead an Ancilla-Registern, Schaltungstiefe und Zustandspräparation mit sich bringt. Vorherige Arbeiten [13] haben einen hermitesch-basierten GQSP-Ansatz für die eindimensionale Black-Scholes-Gleichung erfolgreich angewendet, indem sie eine diagonale Ähnlichkeitstransformation nutzten, um die tridiagonale Zeitschrittmatrix in eine hermitesche Form zu überführen. Diese Methode versagt jedoch in zwei Dimensionen, da die Blockstruktur der 2D-Matrix (resultierend aus der Tensorprodukt-Diskretisierung und gemischten Ableitungen) die Existenz einer diagonalen Ähnlichkeitstransformation verhindert, welche die Hermitizität bewahrt.

2. Methodik

Die Autoren schlagen eine Strategie der Hermitischen Block-Einbettung vor, um das GQSP-Framework auf die zweidimensionale Black-Scholes-Gleichung zu erweitieren, ohne eine diagonale Ähnlichkeitstransformation oder konventionelle Block-Encoding-Overheads zu erfordern.

A. Hermitische Block-Einbettung
Anstatt zu versuchen, die nicht-hermitesche Matrix $\tilde{M}$ direkt zu symmetrisieren, bettet die Autoren sie in eine größere hermitesche Matrix $H$ der Dimension $2N \times 2N$ ein (wobei $N$ die Dimension des diskretisierten Gitters ist):
$$H = \begin{pmatrix} 0 & \tilde{M} \\ \tilde{M}^T & 0 \end{pmatrix}$$
Da $\tilde{M}$ reell ist, ist $H$ reell symmetrisch und somit hermitesch. Die Inverse dieser eingebetteten Matrix ist:
$$H^{-1} = \begin{pmatrix} 0 & \tilde{M}^{-T} \\ \tilde{M}^{-1} & 0 \end{pmatrix}$$
Entscheidend ist, dass der gewünschte inverse Zeitschritt-Operator $\tilde{M}^{-1}$ im unteren linken, abseits-diagonale Block von $H^{-1}$ erscheint.

B. Ungerade Polynom-Approximation
Die Struktur von $H$ erzwingt eine Paritätseigenschaft auf seine Potenzen: Gerade Potenzen von $H$ sind blockdiagonal, während ungerade Potenzen block-off-diagonal sind.

• Die Autoren konstruieren ein ungerades Polynom $p(x) = \sum c_{2m+1} x^{2m+1}$, um die Inversfunktion $f(x) = 1/(\gamma x)$ auf dem Spektrum von $H$ zu approximieren.
• Da $p(x)$ ungerade ist, bleibt $p(H)$ block-off-diagonal. Folglich approximiert der untere linke Block von $p(H)$ den Operator $\tilde{M}^{-1}$.
• Dies ermöglicht die Rekonstruktion der Rückwärts-Zeitevolutionsschritts, indem die Polynomtransformation auf einen eingebetteten Eingangs-Zustand $\begin{pmatrix} V^n \\ 0 \end{pmatrix}$ angewendet und der untere Teil des resultierenden Vektors extrahiert wird.

C. Spektrale Skalierung und GQSP-Implementierung

• Skalierung: Die Matrix $H$ wird mit einem Faktor $\gamma = \max |\lambda_i(H)|$ skaliert, um $A = H/\gamma$ zu definieren, wodurch sichergestellt wird, dass das Spektrum innerhalb von $[-1, 1]$ liegt. Das Spektrum ist symmetrisch um Null und liegt in $[-1, -\delta] \cup [\delta, 1]$, wobei $\delta$ durch die Konditionszahl von $\tilde{M}$ bestimmt wird.
• GQSP: Die reskalierte hermitesche Matrix $A$ wird in einen unitären Operator $U = A + i\sqrt{I-A^2}$ eingebettet. Der GQSP-Algorithmus wird dann verwendet, um die ungerade Polynomtransformation $p(A)$ auf $U$ zu implementieren.
• Ausgang: Der Quantenschaltkreis gibt einen Zustand aus, in dem das untere Register den approximierten Wert $V^{n+1} = \tilde{M}^{-1}V^n$ enthält.

3. Zentrale Beiträge

• Erweiterung auf 2D: Die Arbeit erweitert das hermitesch-basierte GQSP-Framework von der eindimensionalen auf die zweidimensionale Black-Scholes-Gleichung und überwindet damit die strukturelle Barriere, die die Verwendung von diagonalen Ähnlichkeitstransformationen in höheren Dimensionen verhindert.
• Block-Einbettungs-freier Ansatz: Die Autoren demonstrieren eine Methode zur Lösung des Inversionsproblems für nicht-hermitesche Matrizen mittels GQSP, ohne den hohen Overhead herkömmlicher Block-Encoding-Techniken zu nutzen, indem sie stat�dessen auf eine spezifische hermitesche Dilatation und eine ungerade Polynomstruktur setzen.
• Proof of Principle: Die Arbeit liefert einen Beleg dafür, dass moderne Quanten-Lineare-Algebra-Techniken auf mehrdimensionale Optionspreisprobleme angewendet werden können.

4. Numerische Ergebnisse

Die Autoren führten numerische Simulationen für zweidimensionale europäische Basket-Call-Optionen unter Verwendung von Python und PennyLane durch.

• Setup: Es wurden zwei Simulationen mit variierenden Finanzparametern (Volatilität, Korrelation, Strike-Preis etc.) und Gittern Größen ($32 \times 32$ Gitterpunkte, eingebettet in $2048$ Dimensionen) durchgeführt.
• Vergleich: Die GQSP-basierten Lösungen wurden mit folgenden Methoden verglichen:
  1. Einem klassischen Backward-Euler-Verfahren mit finiten Differenzen.
  2. Einer klassischen Polynom-Approximation, die direkt auf die hermitesche Matrix angewendet wurde.
• Ergebnisse:
  • Die GQSP-Lösungen zeigten eine enge Übereinstimmung sowohl mit der klassischen Polynom-Approximation als auch mit dem Backward-Euler-Benchmark.
  • Die Ergebnisse bestätigten, dass die hermitische Block-Einbettung die Dynamik des ursprünglichen nicht-hermiteschen Operators präzise erfasst.
  • Fehlerquellen: Die Analyse identifizierte zwei primäre Fehlerquellen:
    1. Polynom-Approximationsfehler: Abhängig von der spektralen Lücke $\delta$. In der zweiten Simulation führte eine größere spektrale Lücke zu geringeren Approximationsfehlern.
    2. Diskretisierungsfehler: Aufgrund der Notwendigkeit eines einzelnen großen Zeitschritts (da die Methode als Single-Step-Solver implementiert wurde) war der Diskretisierungsfehler signifikant (bis zu \approx \0,09$ in der ersten Simulation und $\approx 60\,\%$ größer in der zweiten). Dieser Fehler ist auch beim klassischen Benchmark vorhanden.
  • Rauschen: Die Quantensimulation wies ein Rauschplateau auf (beobachtet bei ca. $10^{-2}$ in der zweiten Simulation), das bei der klassischen Polynom-Approximation nicht vorhanden war.

5. Bedeutung und Ansprüche

Das Paper behauptet, dass der vorgeschlagene Ansatz die Machbarkeit demonstriert, hermitische Block-Einbettungen mit GQSP zur Lösung mehrdimensionaler Black-Scholes-Probleme zu kombinieren.

• Moderer Umfang: Die Autoren stellen explizit fest, dass die aktuelle Implementierung ein „Single-Step Inverse Solver“ ist. Sie beanspruchen noch keinen echten Quantenvorteil und weisen darauf hin, dass die Methode durch die Notwendigkeit höhergradiger Polynome bei kleiner spektraler Lücke sowie durch die Diskretisierungsfehler großer Zeitschritte begrenzt ist.
• Zukünftiges Potenzial: Die Bedeutung liegt darin, einen Weg für Quantenalgorithmen für Multi-Asset-Derivate aufzuzeigen, bei denen klassische Computer vor dem „Fluch der Dimensionalität“ zurückweichen. Die Autoren deuten an, dass der wahre Quantenvorteil in 3 oder mehr Dimensionen entstehen könnte, wo klassische Finite-Differenzen-Methoden rechnerisch nicht mehr handhabbar werden.
• Limitierungen: Das Paper räumt ein, dass zukünftige Arbeiten erforderlich sind, um effiziente Multi-Step-Zeitevolutionsschemata zu entwickeln, das Rauschplateau zu senken und Diskretisierungsfehler durch bessere Gitterstrategien oder Multi-Step-GQSP-Implementierungen zu minimieren.

Zusammenfassend lässt sich sagen, dass die Arbeit ein theoretisches und numerisches Fundament für die Anwendung von GQSP auf 2D-Optionspreisprobleme schafft, indem sie eine hermitische Block-Einbettung einführt, die die Notwendigkeit diagonaler Ähnlichkeitstransformationen umgeht und somit einen gangbaren Weg zu Quantenalgorithmen für hochdimensionale Finanzderivate ebnet.