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

Imagina que estás intentando predecir el precio futuro de una acción, pero en lugar de mirar un solo número, tienes que calcular el valor de un contrato financiero para miles de precios posibles diferentes a la vez. Este es el mundo de la "valoración de opciones", una rama de las matemáticas financieras donde los científicos utilizan ecuaciones complejas para determinar cuánto vale hoy una apuesta sobre el futuro de una acción. La parte difícil es que la matemática a menudo involucra una herramienta llamada "Transformada de Fourier", que es como un prisma mágico que descompone una señal complicada (como el movimiento del precio de una acción) en sus colores de frecuencia individuales. Si bien este prisma es increíblemente útil, intentar usarlo a gran escala con computadoras clásicas es como intentar cargar una biblioteca en tu mochila; la memoria requerida crece tan rápido que la computadora se queda sin espacio antes de poder terminar el trabajo.

Aquí es donde la historia se pone interesante. Los científicos han estado buscando dos formas muy diferentes de resolver este problema de memoria. Un camino conduce al extraño y superpotente mundo de las computadoras cuánticas, que utilizan las reglas de las partículas diminutas para manejar cálculos masivos. El otro camino permanece en nuestras computadoras clásicas familiares, pero intenta exprimir los datos en un formato supercomprimido llamado "red de tensores". La gran pregunta era: ¿Podemos tomar los trucos ingeniosos utilizados por las computadoras cuánticas y ejecutarlos en nuestras laptops regulares sin necesidad de tener una máquina cuántica?

En este artículo, Sascha H. Hauck e Ivica Turkalj dicen: "Sí, podemos". Desarrollaron un nuevo método llamado "Transformada de Fourier Superrápida" (SFFT). Piensa en esto como una forma de plegar un mapa gigante y desordenado de precios de acciones en una pequeña grulla de origami de bolsillo que aún conserva toda la información importante. Al usar esta técnica de "origami", demostraron que su método puede valorar opciones de compra europeas (un tipo específico de contrato financiero) con la misma precisión que los métodos antiguos y pesados, pero sin necesidad del disco duro de una supercomputadora. Probaron esto tanto en computadoras clásicas como en simuladores cuánticos, encontrando que su nuevo enfoque utiliza mucha menos memoria y crece mucho más lento en complejidad a medida que los problemas se vuelven más grandes. Aunque no resolvieron todos los misterios financieros, su trabajo demuestra que podemos tomar prestadas las mejores ideas de la física cuántica para hacer que nuestras computadoras actuales sean mucho más eficientes al manejar cálculos financieros masivos.

El Descubrimiento Central del Artículo

Los autores abordan un cuello de botella específico en las matemáticas financieras: el "muro de la memoria". Cuando se valoran opciones utilizando el famoso método de Carr–Madan, que depende de las transformadas de Fourier, la cantidad de datos necesarios explota exponencialmente cuando intentas calcular precios para más y más precios de ejercicio. Una computadora clásica que intenta hacer esto con una Transformada Rápida de Fourier (FFT) estándar tiene que almacenar un vector denso y masivo de números. Si quieres aumentar la precisión solo un poco, la memoria requerida se duplica, luego se duplica de nuevo, volviéndose rápidamente imposible de manejar.

Para romper este muro, los autores reformularon el problema de valoración utilizando Redes de Tensores, específicamente una estructura llamada Red de Tensores (Tensor Train o TT). Imagina una larga cadena de personas tomándose de las manos, donde cada persona solo necesita saber sobre sus vecinos inmediatos para pasar un mensaje a lo largo de la línea. En esta analogía, el "mensaje" son los datos financieros. En lugar de almacenar toda la lista masiva de números (toda la biblioteca), el Tensor Train almacena solo las pequeñas conexiones locales entre los números. Esto permite que la computadora represente un conjunto de datos exponencialmente grande utilizando una cantidad mínima de memoria.

El artículo introduce un algoritmo específico llamado Transformada de Fourier Superrápida (SFFT). Esta es una versión comprimida de la Transformada de Fourier Cuántica (QFT). Usualmente, la QFT es un circuito diseñado para computadoras cuánticas que puede procesar datos increíblemente rápido pero requiere una máquina cuántica para ejecutarse. Los autores se dieron cuenta de que la estructura matemática de la QFT es tan eficiente que puede ser "traducida" a un formato de Tensor Train clásico. Llaman a esta traducción la SFFT.

Así es como funciona su método en la práctica:

1. Compresión: Toman los datos financieros (la función característica del precio de la acción) y los representan como un Tensor Train.
2. La Operación Mágica: En lugar de ejecutar una FFT pesada y que consume mucha memoria, aplican el operador SFFT directamente al Tensor Train comprimido. Esto es como realizar un cálculo complejo sobre el origami plegado sin tener que desplegarlo nunca.
3. Resultado: El resultado es el precio de la opción, todavía en un formato comprimido, que luego puede ser leído.

Lo Que Encontraron y Lo Que Descartaron

Los autores realizaron experimentos numéricos utilizando opciones de compra europeas bajo el modelo Black-Scholes (un modelo estándar y bien conocido para los precios de las acciones). Compararon tres enfoques:

1. La FFT tradicional (la forma antigua y pesada).
2. La nueva SFFT (la forma de red de tensores comprimida).
3. La QFT (la forma cuántica, simulada en una computadora y ejecutada en hardware cuántico real).

Los Resultados:

• Ahorro de Memoria: El método SFFT mantuvo una alta precisión en la valoración mientras reducía drásticamente el uso de memoria. En sus simulaciones, a medida que aumentaban el número de qubits (que corresponde al tamaño de la cuadrícula del cálculo), la memoria requerida para la FFT estándar crecía exponencialmente, volviéndose rápidamente inmanejable. En contraste, el consumo de memoria de la SFFT creció muy lentamente, manteniéndose manejable incluso para cuadrículas grandes.
• Velocidad y Escalamiento: El costo computacional de la SFFT escala de forma subexponencial. Esto significa que, a medida que el problema se hace más grande, el tiempo y los recursos necesarios no explotan como sucede con la FFT clásica.
• Comparación Cuántica: Cuando compararon su SFFT clásica con la QFT cuántica, encontraron que ambos enfoques evitaban el escalamiento exponencial del método convencional. La SFFT esencialmente trae la eficiencia del enfoque cuántico al hardware clásico.

Lo Que Descartaron:
El artículo argumenta explícitamente contra la idea de que debamos usar una computadora cuántica física para lograr este nivel de eficiencia para estos problemas específicos. Demuestran que la "estructura de producto tensorial" de la transformada de Fourier, que hace que la QFT sea tan poderosa, puede explotarse eficientemente en hardware clásico utilizando redes de tensores. No afirman que la SFFT sea más rápida que la FFT para problemas pequeños (donde la sobrecarga de la compresión podría no valer la pena), sino que muestran que, para problemas de gran escala, el enfoque clásico de redes de tensores es una alternativa superior a la fuerza bruta de la FFT.

¿Qué Tan Seguros Estamos?

Los autores están muy seguros de sus hallazgos basándose en los datos que presentaron. No solo sugirieron que esto podría funcionar; lo midieron.

• Precisión: Verificaron que los precios de la SFFT coincidían con los precios analíticos conocidos de Black-Scholes con alta precisión. Utilizaron una métrica llamada Error Cuadrático Medio Normalizado (NRMSE) para mostrar que el error se mantuvo bajo incluso a medida que aumentaba el tamaño de la cuadrícula.
• Simulaciones y Hardware: Probaron su algoritmo en hardware clásico (un clúster de computadoras) y también ejecutaron su contraparte cuántica en simuladores cuánticos y en hardware cuántico real. Los resultados tanto de la SFFT clásica como de la QFT cuántica se alinearon con sus predicciones teóricas, mostrando que ambos evitan el cuello de botella exponencial de la memoria.
• Limitaciones: El artículo señala que la SFFT depende de que los datos de entrada tengan una "estructura de bajo rango" (es decir, que los datos puedan comprimirse bien). Si los datos son demasiado caóticos para ser comprimidos, el método podría no ser tan eficiente. Sin embargo, para los modelos financieros que probaron (como Black-Scholes y Variance Gamma), los datos se comprimieron muy bien, manteniendo los "rangos" (el tamaño de las conexiones en la cadena) pequeños, típicamente alrededor de 10 o menos.

En resumen, este artículo proporciona un marco unificado que conecta la valoración de Fourier clásica, los algoritmos de redes de tensores y la computación cuántica. Muestra que al plegar las matemáticas en un Tensor Train, podemos realizar valoraciones de opciones a gran escala en computadoras clásicas con una fracción de la memoria, ofreciendo una alternativa escalable para cálculos financieros de alta dimensión sin necesidad de esperar a que las computadoras cuánticas maduren completamente.