Classical Tensor Network and Quantum Fourier Transform Approaches for Large-Scale Carr-Madan Option Pricing

Stellen Sie sich vor, Sie versuchen, den zukünftigen Preis einer Aktie vorherzusagen, aber anstatt nur auf eine einzige Zahl zu schauen, müssen Sie den Wert eines Finanzkontrakts für tausende verschiedene mögliche Preise gleichzeitig berechnen. Dies ist die Welt der „Optionspreisberechnung“, ein Zweig der Finanzmathematik, in dem Wissenschaftler komplexe Gleichungen verwenden, um zu berechnen, wie viel eine Wette auf eine Aktie heute wert ist. Der knifflige Teil ist, dass die Mathematik oft ein Werkzeug namens „Fourier-Transformation“ beinhaltet, das wie ein magisches Prisma ist, das ein komplziertes Signal (wie die Preisbewegung einer Aktie) in seine einzelnen Frequenzfarben zerlegt. Während dieses Prisma unglaublich nützlich ist, die Anwendung auf einer massiven Skala mit klassischen Computern ist, als würde man versuchen, eine Bibliothek in einem Rucksack zu tragen; der Speicherbedarf wächst so schnell, dass der Computer den Platz aufgebraucht, bevor er die Aufgabe beenden kann.

Hier wird die Geschichte interessant. Wissenschaftler haben nach zwei sehr unterschiedlichen Wegen gesucht, um dieses Speicherproblem zu lösen. Ein Pfad führt in die seltsame, supermächtige Welt der Quantencomputer, die die Regeln winziger Teilchen nutzen, um massive Berechnungen zu bewältigen. Der andere Pfad bleibt auf unseren vertrauten, klassischen Computern und versucht, die Daten in ein superkomprimiertes Format namens „Tensornetzwerk“ zu pressen. Die große Frage war: Können wir die klugen Tricks, die Quantencomputer verwenden, auf unseren normalen Laptops ausführen, ohne tatsächlich eine Quantenmaschine zu benötigen?

In dieser Arbeit sagen Sascha H. Hauck und Ivica Turkalj: „Ja, das können wir.“ Sie entwickelten eine neue Methode namens „Superfast Fourier Transform“ (SFFT). Stellen Sie sich das als eine Möglichkeit vor, eine riesige, unhandliche Karte von Aktienpreisen in einen winzigen, taschengroßen Origami-Kranich zu falten, der dennoch alle wichtigen Informationen enthält. Durch die Verwendung dieser „Origami“-Technik zeigten sie, dass ihre Methode europäische Call-Optionen (eine spezifische Art von Finanzkontrakt) genauso genau wie die alten, schweren Methoden bepreisen kann, aber ohne den Festplattenplatz eines Supercomputers zu benötigen. Sie testeten dies sowohl auf klassischen Computern als auch auf Quantensimulatoren und fanden heraus, dass ihr neuer Ansatz viel weniger Speicher benötigt und die Komplexität viel langsamer wächst, wenn die Probleme größer werden. Obwohl sie nicht jedes finanzielle Geheimnis gelöst haben, beweist ihre Arbeit, dass wir die besten Ideen aus der Quantenphysik entlehnen können, um unsere aktuellen Computer effizienter bei der Handhabung riesiger Finanzberechnungen zu machen.

Der Kern der Entdeckung des Papers

Die Autoren gehen ein spezifisches Problem in der Finanzmathematik an: die „Speicherwand“. Wenn man Optionen unter Verwendung der berühmten Carr–Madan-Methode bepreist, die auf Fourier-Transformationen basiert, explodiert die Menge der benötigten Daten exponentiell, wenn man versucht, die Preise für immer mehr Ausübungspreise zu berechnen. Ein klassischer Computer, der dies mit einer Standard-Fast-Fourier-Transformation (FFT) versucht, muss einen massiven, dichten Vektor von Zahlen speichern. Wenn man die Präzision nur ein kleines bisschen erhöhen möchte, verdoppelt sich der benötigte Speicher, dann verdoppelt er sich erneut, und wird schnell unhandlich.

Um diese Wand zu durchbrechen, formulierten die Autoren das Pricing-Problem unter Verwendung von Tensornetzwerken um, speziell einer Struktur namens Tensor Train (TT). Stellen Sie sich eine lange Kette von Menschen vor, die sich an den Händen halten, wobei jeder Mensch nur über seine unmittelbaren Nachbarn Bescheid wissen muss, um eine Nachricht die Kette hinunterzugeben. In dieser Analogie ist die „Nachricht“ die Finanzdaten. Anstatt die gesamte massive Liste von Zahlen (die ganze Bibliothek) zu speichern, speichert der Tensor Train nur die kleinen, lokalen Verbindungen zwischen den Zahlen. Dies ermöglicht es dem Computer, einen exponentiell großen Datensatz mit einer winzigen Menge an Speicher darzustellen.

Das Paper führt einen spezifischen Algorithmus namens Superfast Fourier Transform (SFFT) ein. Dies ist eine komprimierte Version der Quantum Fourier Transform (QFT). Normalerweise ist die QFT ein Schaltkreis, der für Quantencomputer entwickelt wurde, der Daten unglaublich schnell verarbeiten kann, aber eine Quantenmaschine erfordert, um ausgeführt zu werden. Die Autoren erkannten, dass die mathematische Struktur der QFT so effizient ist, dass sie in ein klassisches Tensor-Train-Format „übersetzt“ werden kann. Sie nennen diese Übersetzung SFFT.

So funktioniert ihre Methode in der Praxis:

1. Kompression: Sie nehmen die Finanzdaten (die charakteristische Funktion des Aktienpreises) und stellen sie als einen Tensor Train dar.
2. Die magische Operation: Anstatt eine schwere, speicherintensive FFT auszuführen, wenden sie den SFFT-Operator direkt auf den komprimierten Tensor Train an. Dies ist wie das Durchführen einer komplexen Berechnung auf dem gefalteten Origami, ohne es jemals entfalten zu müssen.
3. Ergebnis: Das Ergebnis ist der Preis der Option, immer noch in einem komprimierten Format, das dann ausgelesen werden kann.

Was sie fanden und was sie ausschlossen

Die Autoren führten numerische Experimente mit europäischen Call-Optionen unter dem Black-Scholes-Modell (einem Standard-, gut bekannten Modell für Aktienpreise) durch. Sie verglichen drei Ansätze:

1. Die traditionelle FFT (der alte, schwere Weg).
2. Die neue SFFT (der komprimierte, Tensornetzwerk-Weg).
3. Die QFT (der Quantenweg, simuliert auf einem Computer und auf tatsächlicher Quantenhardware ausgeführt).

Die Ergebnisse:

• Speicherersparnis: Die SFFT-Methode behielt eine hohe Preisgenauigkeit bei und reduzierte gleichzeitig den Speicherbedarf drastisch. In ihren Simulationen wuchs der Speicherbedarf für die Standard-FFT exponentiell an, während sie die Anzahl der Qubits (was der Rastergröße der Berechnung entspricht) erhöhten, was schnell unhandlich wurde. Im Gegensatz dazu wuchs der Speicherverbrauch der SFFT sehr langsam und blieb selbst für große Raster handhabbar.
• Geschwindigkeit und Skalierung: Die Rechenkosten der SFFT skalieren subexponentiell. Das bedeutet, dass die Zeit und die Ressourcen, die benötigt werden, wenn das Problem größer wird, nicht so explodieren wie bei der klassischen FFT.
• Quantenvergleich: Als sie ihr klassisches SFFT mit der Quanten-QFT verglichen, fanden sie, dass beide Ansätze die exponentielle Skalierung der herkömmlichen Methode vermeiden. Das SFFT bringt im Wesentlichen die Effizienz des Quantenansatzes auf klassische Hardware.

Was sie ausschlossen:
Das Paper argumentiert explizit gegen die Vorstellung, dass wir eine physische Quantencomputer nutzen müssen, um dieses Maß an Effizienz für diese spezifischen Probleme zu erreichen. Sie demonstrieren, dass die „Tensorprodukt-Struktur“ der Fourier-Transformation, die die QFT so leistungsfähig macht, effizient auf klassischer Hardware unter Verwendung von Tensornetzwerken ausgenutzt werden kann. Sie behaupten nicht, dass die SFFT schneller als die FFT für kleine Probleme ist (wo der Overhead der Kompression den Aufwand nicht wert wäre), aber sie zeigen, dass sie für groß angelegte Probleme eine überlegene Alternative zum Brute-Force-FFT-Verfahren darstellt.

Wie sicher sind wir?

Die Autoren sind sehr zuversichtlich in ihre Ergebnisse basierend auf den präsentierten Daten. Sie haben nicht nur vorgeschlagen, dass dies funktionieren könnte; sie haben es gemessen.

• Genauigkeit: Sie verifizierten, dass die SFFT-Preise die bekannten analytischen Black-Scholes-Preise mit hoher Präzision lieferten. Sie verwendeten eine Metrik namens Normalized Root Mean Squared Error (NRMSE), um zu zeigen, dass der Fehler auch bei zunehmender Rastergröße niedrig blieb.
• Simulationen und Hardware: Sie testeten ihren Algorithmus auf klassischer Hardware (einem Computercluster) und führten auch das Quanten-Pendant auf Quantensimulatoren und tatsächlicher Quantenhardware aus. Die Ergebnisse sowohl vom klassischen SFFT als auch von der Quanten-QFT stimmten mit ihren theoretischen Vorhersagen überein und zeigten, dass beide den exponentiellen Speicherengpass vermeiden.
• Einschränkungen: Das Paper stellt fest, dass die SFFT darauf angewiesen ist, dass die Eingangsdaten eine „Low-Rank-Struktur“ aufweisen (das heißt, die Daten lassen sich gut komprimieren). Wenn die Daten zu chaotisch sind, um komprimiert zu werden, ist die Methode möglicherweise nicht so effizient. Die Methode funktionierte jedoch sehr gut für die getesteten Finanzmodelle (wie Black-Scholes und Variance Gamma), wobei die „Ränge“ (die Größe der Verbindungen in der Kette) klein blieben, typischerweise bei 10 oder weniger.

Zusammenfassend lässt sich sagen, dass dieses Paper einen vereinheitlichten Rahmen bietet, der klassische Fourier-Pricing, Tensornetzwerk-Algorithmen und Quantencomputing verbindet. Es zeigt, dass wir durch das Falten der Mathematik in einen Tensor Train die groß angelegte Optionspreisberechnung auf klassischen Computern mit einem Bruchteil des Speichers durchführen können, was eine skalierbare Alternative für hochdimensionale Finanzberechnungen bietet, ohne auf die vollständige Reife von Quantencomputern warten zu müssen.