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

Este artículo presenta un algoritmo cuántico completo de extremo a extremo para la valoración de opciones europeas sobre múltiples activos bajo modelos de volatilidad local y estocástica, demostrando aceleraciones polinómicas sobre los métodos clásicos de diferencias finitas en términos de complejidad de puertas, al tiempo que proporciona un recuento explícito de recursos y referencias numéricas.

Lo esencial

Imagina que eres un chef tratando de predecir el precio de un plato complejo (una "opción") que depende de los precios futuros de varios ingredientes (activos como acciones). El precio de este plato no es simplemente un promedio simple; está influenciado por lo volátil (saltarín) que son los ingredientes y cómo se mueven en relación entre sí.

En el mundo financiero, calcular este precio es como resolver un laberinto masivo y multidimensional llamado Ecuación Diferencial Parcial (EDP).

El Problema: La "Maldición de la Rejilla"

Tradicionalmente, para resolver este laberinto, las computadoras utilizan un método llamado Diferencias Finitas. Imagina que tienes que trazar un mapa de una ciudad en 3D para encontrar una dirección específica.

• El Enfoque Clásico: Colocas una cuadrícula de calles. Si tienes 1 ingrediente, necesitas una línea 1D de puntos de la cuadrícula. Si tienes 10 ingredientes, necesitas una hiper-cuadrícula de 10 dimensiones.
• El Cuello de Botella: A medida que agregas más ingredientes (activos), el número de puntos de la cuadrícula explota exponencialmente. Es como intentar llenar una habitación con arena; si duplicas el número de ingredientes, la cantidad de arena (potencia de cálculo) necesaria no solo se duplica, sino que se multiplica por un factor enorme. Esto se conoce como la "maldición de la dimensionalidad". Para platos complejos con muchos ingredientes, las computadoras clásicas se quedan atrapadas en la arena.

La Solución: Una "Lente Mágica" Cuántica

Este artículo propone una nueva forma de resolver este problema utilizando Computadoras Cuánticas. En lugar de construir una gigantesca cuadrícula física de arena, los autores desarrollaron una "tubería" (pipeline) cuántica de extremo a extremo que actúa como una lente mágica.

Así es como funciona su sistema, paso a paso:

1. La Configuración (Preparación del Estado)
Primero, la computadora toma la "receta" (los detalles del contrato, los precios de ejercicio y los datos de mercado) y la codifica en un estado cuántico. Piensa en esto como cargar los ingredientes iniciales en una licuadora cuántica. Utilizan un truco inteligente llamado Schrödingerización para convertir las matemáticas desordenadas y no cuánticas de la ecuación de precios en un formato que una computadora cuántica pueda entender (una evolución "unitaria").

2. El Viaje (Evolución Cuántica)
En lugar de recorrer cada punto de la cuadrícula uno por uno (como lo haría una computadora clásica), la computadora cuántica evoluciona todo el sistema a la vez. Es como dejar caer una piedra en un estanque y observar cómo las ondas se expanden instantáneamente por toda la superficie, en lugar de medir el nivel del agua en cada punto individualmente. El artículo utiliza técnicas avanzadas (como la simulación de Hamiltonianos) para permitir que el estado cuántico "fluya" hacia atrás en tiempo desde el futuro (vencimiento) hasta el presente.

3. La Revelación (Lectura)
Una vez que el estado cuántico ha evolucionado, la computadora necesita decirnos el precio. Dado que no podemos observar toda la "sopa" cuántica a la vez, los autores utilizan una técnica llamada Estimación de Amplitud. Esto es como tomar una sola muestra, altamente precisa, de la sopa para estimar el sabor de toda la olla. Buscan específicamente el precio en un punto específico (el estado actual del mercado).

Los Resultados: Un Impulso de Velocidad

Los autores probaron esto en dos famosos modelos financieros:

• Black-Scholes: Un modelo estándar para la valoración de opciones.
• Heston: Un modelo más complejo que tiene en cuenta las "sonrisas de volatilidad" (el hecho de que la volatilidad del mercado no es constante; cambia según el precio, creando una curva con forma de sonrisa).

Los Hallazgos:

• Aceleración Polinómica: Para un plato con $d$ ingredientes y un tamaño de cuadrícula de $N$, la computadora clásica tarda un tiempo proporcional a $N^{d+2}$. El algoritmo cuántico reduce esto a aproximadamente $N^{d/2 + 2}$ (para Black-Scholes) o $N^{d+2}$ pero con un exponente mucho menor en el término principal.
• La Analogía: Si la computadora clásica tiene que contar cada grano de arena en una playa, la computadora cuántica puede estimar el volumen observando una muestra mucho más pequeña y representativa, ahorrando una cantidad masiva de tiempo a medida que la playa se hace más grande.
• Validación en el Mundo Real: El artículo no solo hizo matemáticas sobre el papel. Ejecutaron simulaciones y demostraron que su método cuántico recreó con éxito la "sonrisa de volatilidad" (la gráfica curva de la volatilidad implícita) tan bien como los métodos clásicos, demostrando que captura el comportamiento real del mercado.

Advertencias Importantes (La Letra Pequeña)

Los autores son muy cuidadosos al declarar lo que esto no hace aún:

• No es una varita mágica para todo: La aceleración es significativa, pero no elimina completamente la "maldición de la dimensionalidad". El costo sigue creciendo a medida que agregas más activos, solo que mucho más lento que antes.
• Es teórico por ahora: La "complejidad de puertas" (el número de pasos) se calcula para una computadora cuántica perfecta y libre de errores. Las computadoras cuánticas reales hoy en día son ruidosas y pequeñas.
• Alcance Específico: Este método funciona mejor para opciones de estilo europeo (donde solo puedes ejercer al final) y tipos específicos de contratos de múltiples activos. Aún no maneja todos los derivados financieros exóticos posibles (como aquellos con características de ejercicio anticipado).

Resumen

En términos simples, este artículo construye una "línea de ensamblaje cuántica" completa y teórica para valorar opciones financieras complejas. Toma datos clásicos, los ejecuta a través de un motor cuántico que simula los movimientos futuros de precios de múltiples activos simultáneamente y genera un precio. El resultado es un método que está matemáticamente probado para ser significativamente más rápido que los métodos clásicos actuales para problemas de alta dimensión, reproduciendo con éxito patrones de mercado complejos como la "sonrisa de volatilidad".

Resumen técnico

Enunciado del Problema
La fijación de precios de opciones multi-activo bajo modelos de volatilidad local (Black–Scholes) y de volatilidad estocástica (Heston) conduce naturalmente a ecuaciones en derivadas parciales (EDP) parabólicas de alta dimensión. Los métodos numéricos clásicos para resolver estas EDP, como los esquemas de diferencias finitas o los métodos de exponencial de matriz, sufren la "maldición de la dimensionalidad", donde el costo computacional crece exponencialmente con el número de activos ($d$) y la resolución de la cuadrícula ($N$). Específicamente, para una cuadrícula con $N$ puntos por dirección espacial, los métodos clásicos basados en cuadrícula escalan como $\tilde{O}(N^{d+2})$ para Black–Scholes y $\tilde{O}(N^{2d+2})$ para Heston (donde el modelo Heston incluye variables de varianza). Aunque se han propuesto algoritmos cuánticos para la fijación de precios de opciones, muchos dependen de la simulación de trayectorias de Monte Carlo o de enfoques variacionales que enfrentan desafíos en la preparación del estado, la normalización y la lectura, particularmente para EDP complejas de alta dimensión con condiciones de frontera específicas.

Metodología
Los autores desarrollan un marco cuántico de EDP de extremo a extremo que toma datos de contrato y modelo clásicos como entrada y devuelve estimaciones clásicas de los valores de las opciones. El flujo de trabajo consta de tres etapas principales:

1. Discretización y Formulación: Las EDP de fijación de precios se discretizan en el espacio utilizando diferencias finitas de segundo orden, transformando la EDP continua en un sistema finito-dimensional disperso de ecuaciones diferenciales ordinarias (EDO). Para manejar condiciones de frontera no homogéneas y términos fuente, el sistema de EDO afín se amplía a un sistema lineal homogéneo añadiendo una variable de estado auxiliar.
2. Evolución Cuántica (Schrödingerización): Dado que el sistema de EDO resultante generalmente no es unitario (debido a la naturaleza no hermítica del operador de fijación de precios), el marco emplea Schrödingerización. Esta técnica incrusta la dinámica no unitaria en un sistema unitario más grande introduciendo una variable continua auxiliar ($\xi$) y mapeando la dinámica a una ecuación de Schrödinger. El sistema se discretiza luego en la dimensión $\xi$ y se transforma mediante métodos de Fourier para obtener un Hamiltoniano hermítico.
3. Preparación del Estado y Lectura:
   • Preparación del Estado: El vector de pago (por ejemplo, Call del peor) y el perfil de corte suave requerido para la Schrödingerización se preparan como estados cuánticos utilizando codificaciones en bloques de operadores de coordenadas y Transformación de Valor Singular Cuántico (QSVT).
   • Evolución: La dinámica de fijación de precios discretizada se simula mediante evolución hamiltoniana utilizando codificación en bloques y secuencias de modulación de fase alternadas (Procesamiento de Señal Cuántica).
   • Lectura: Se recuperan valores seleccionados de opciones del estado cuántico final. Dado que el precio deseado está codificado en una sola amplitud, el marco utiliza Estimación de Amplitud Cuántica (QAE) combinada con una prueba de Hadamard. Crucialmente, la sobrecarga de lectura escala con la raíz cuadrada del volumen de la cuadrícula ($2^{W/2}$), donde $W$ es el número de qubits del sistema.

Contribuciones Clave

• Pipeline de Extremo a Extremo: El artículo proporciona un pipeline completo y explícito desde datos de entrada clásicos hasta salida clásica, incluyendo un recuento detallado de recursos para la preparación del estado, la simulación hamiltoniana, la recuperación de normalización y la lectura.
• Análisis de Complejidad: Los autores derivan la complejidad de puertas principal para la recuperación del precio de una opción en un solo punto:
  • Black–Scholes multi-activo: $\tilde{O}(d^2 N^{2 + d/2})$.
  • Heston multi-activo: $\tilde{O}(d^2 N^{d + 2})$.
  • En comparación con las líneas base clásicas basadas en cuadrícula ($\tilde{O}(N^{d+2})$ y $\tilde{O}(N^{2d+2})$ respectivamente), el marco cuántico ofrece factores de mejora polinómica de $N^{d/2}$ y $N^d$.
• Validación Numérica: El marco se valida numéricamente frente a soluciones analíticas (Black–Scholes), puntos de referencia semianalíticos (función característica de Heston) y solucionadores numéricos clásicos (diferencias finitas y exponencial de matriz).
• Recuperación de Volatilidad Implícita: En el entorno Heston, el marco recupera con éxito los precios de las opciones en un rango de strikes y reconstruye la sonrisa/pendiente de volatilidad implícita no plana asociada, demostrando su capacidad para capturar características de volatilidad estocástica relevantes para el mercado.

Resultados

• Rendimiento Teórico: El análisis confirma una ventaja cuántica polinómica en el tamaño de la cuadrícula $N$ para ambos modelos Black–Scholes y Heston. La ventaja se vuelve más pronunciada a medida que aumenta el número de activos $d$, aunque la dependencia exponencial de $d$ (la maldición de la dimensionalidad) se mitiga pero no se elimina.
• Precisión Numérica: Las simulaciones muestran que el marco cuántico produce precios de opciones consistentes con los puntos de referencia clásicos y semianalíticos. En el caso de Heston, las superficies de volatilidad implícita recuperadas exhiben la estructura de pendiente correcta (por ejemplo, pendiente de acciones) y coinciden con los ajustes SSVI semianalíticos con discrepancias relativas inferiores al 1%.
• Fuentes de Error: Los errores principales en los resultados numéricos se atribuyen a una discretización espacial gruesa y a la truncación del dominio, más que a la propia simulación cuántica. Se encuentra que el error adicional introducido por el procedimiento de Schrödingerización es secundario.

Significado y Afirmaciones
El artículo afirma proporcionar la primera demostración de un flujo de trabajo de fijación de precios basado en EDP cuántica que recupera con éxito una sonrisa/pendiente de volatilidad implícita a partir de precios de opciones calculados cuánticamente. Hace hincapié en que el marco ofrece garantías de rendimiento explícitas y un análisis completo de recursos, distinguiéndose de los enfoques variacionales o heurísticos.

Los autores mantienen un tono modesto respecto a la ventaja práctica:

• Aclaran que la comparación se realiza a nivel de escalamiento asintótico y no de tiempo de reloj, señalando que los conteos de puertas lógicas no se traducen directamente en tiempo de ejecución físico sin considerar las sobrecargas de corrección de errores.
• Reconocen que la "maldición de la dimensionalidad" no se elimina; el costo sigue creciendo exponencialmente con el número de activos, pero la tasa de crecimiento se reduce (de $N^d$ a $N^{d/2}$ para Black–Scholes).
• Señalan limitaciones, como el enfoque actual en pagos de estilo europeo con condiciones de frontera compatibles con el marco (por ejemplo, Call del peor), y la exclusión de características dependientes de la trayectoria o de ejercicio anticipado que requerirían una ampliación adicional del estado o capas de resolución iterativa.

En general, el trabajo establece una base teórica y numérica rigurosa para el uso de algoritmos cuánticos en la resolución de EDP financieras de alta dimensión, ofreciendo una alternativa viable a los métodos clásicos basados en cuadrícula para la fijación de precios de múltiples activos.