⚛️ quantum physics

Option Pricing on Noisy Intermediate-Scale Quantum Computers: A Quantum Neural Network Approach

Cet article présente une approche novatrice d'évaluation des options sur des ordinateurs quantiques actuels en utilisant des réseaux de neurones quantiques (QNN) au sein du cadre Black-Scholes-Merton, démontrant la viabilité de cette méthode pour approximer avec précision les prix des dérivés malgré les contraintes matérielles du NISQ.

Auteurs originaux : Sebastian Zając, Rafał Pracht

Publié 2026-04-23

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Sebastian Zając, Rafał Pracht

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🎲 Le Pari Quantique : Comment les ordinateurs quantiques apprennent à chiffrer les paris financiers

Imaginez que vous êtes dans un immense casino mondial où l'on ne parie pas seulement sur des cartes, mais sur des milliards de dollars d'actions, de devises et d'obligations. C'est le marché des dérivés financiers. Chaque jour, les banques doivent calculer le prix exact de millions de contrats complexes. Si elles se trompent de quelques centimes, cela peut coûter des milliards.

Actuellement, elles utilisent des formules mathématiques classiques (comme la fameuse formule de Black-Scholes) ou des supercalculateurs très puissants. Mais ces calculs deviennent trop lents et trop compliqués quand les paris deviennent trop complexes.

C'est là que Sebastian Zajaç et Rafał Pracht de l'entreprise finQbit ont eu une idée folle : Et si on utilisait un ordinateur quantique pour faire ces calculs ?

Leur article est comme un rapport de voyage d'explorateurs qui ont testé leur nouvelle boussole sur des terrains difficiles. Voici ce qu'ils ont découvert, expliqué simplement.

1. Le Terrain d'Entraînement : Le "Simulateur de Vol"

Pour tester leur invention, ils n'ont pas tout de suite attaqué les vrais marchés financiers (trop dangereux !). Ils ont choisi un terrain d'entraînement parfait et connu : le modèle Black-Scholes.

L'analogie : Imaginez que vous voulez apprendre à piloter un avion. Vous ne commencez pas par voler dans une tempête. Vous commencez dans un simulateur de vol parfait où vous savez exactement à quoi ressemblera le ciel.
Le but : Vérifier si leur "pilote quantique" (un réseau de neurones quantique) peut apprendre à prédire le prix d'une option aussi bien que les formules mathématiques parfaites.

2. Le Pilote : Le "Réseau de Neurones Quantique" (QNN)

Ils ont créé un petit cerveau artificiel fait de qubits (les briques de base des ordinateurs quantiques).

Le problème : Les ordinateurs quantiques actuels sont comme des enfants brillants mais distraits. Ils sont très puissants, mais ils font beaucoup d'erreurs à cause du "bruit" (des interférences). C'est ce qu'on appelle l'ère NISQ (ordinateurs quantiques à échelle intermédiaire et bruyants).
La solution (finQbit) : Au lieu d'utiliser un gros cerveau avec 4 qubits (qui serait trop bruyant), ils ont créé une version ultra-compacte avec seulement 2 qubits.
- L'analogie : C'est comme si, au lieu d'avoir un orchestre complet de 40 musiciens (qui risquent de se tromper de note), ils prenaient un duo de violon et de piano très bien accordés. Ils ont appris à ces deux instruments à jouer des mélodies très complexes en changeant rapidement la façon dont ils sont connectés.

3. Le Grand Test : La Course aux 4 Circuits

Le plus impressionnant de l'article, c'est qu'ils n'ont pas seulement fait tourner leur programme sur un ordinateur classique. Ils l'ont envoyé sur 4 ordinateurs quantiques réels différents, situés dans le monde entier :

IBM Fez (États-Unis)
IQM Garnet (Europe)
IonQ Forte (États-Unis, utilisant des ions piégés)
Rigetti Ankaa-3 (États-Unis)

C'est comme envoyer votre voiture sur 4 circuits de Formule 1 différents (Asphalte, Pluie, Neige, Sable) pour voir si elle tient la route.

4. Les Résultats : Qui a gagné ?

Les résultats sont surprenants et encourageants :

La précision : Même avec ces ordinateurs imparfaits et bruyants, leur petit modèle à 2 qubits a réussi à prédire les prix avec une précision incroyable (plus de 93% de réussite sur le meilleur ordinateur).
La comparaison : Il a même fait légèrement mieux que des modèles classiques très puissants (comme XGBoost) dans certaines zones difficiles, tout en utilisant beaucoup moins de "ressources" (moins de paramètres à régler).
Le comportement des machines :
- Les ordinateurs à ions piégés (IonQ) étaient très stables, mais avaient tendance à surestimer légèrement les prix (comme un vendeur qui veut toujours vendre un peu plus cher).
- Les ordinateurs supraconducteurs (IBM, Rigetti) avaient tendance à sous-estimer les prix, comme s'ils avaient peur de faire des erreurs.

5. Pourquoi c'est important ? (La Morale de l'histoire)

Ce papier ne dit pas "Oubliez les ordinateurs classiques, utilisez les quantiques dès demain". Ce n'est pas encore le cas.

Ce qu'ils disent, c'est : "Regardez, c'est possible !"
Ils ont prouvé que même avec la technologie actuelle, imparfaite et bruyante, on peut déjà utiliser l'informatique quantique pour résoudre des problèmes financiers.

L'analogie finale : C'est comme si quelqu'un avait construit la première voiture électrique en 1900. Elle ne pouvait pas aller très vite, elle avait une petite batterie et elle tombait en panne souvent. Mais elle prouvait que le principe fonctionnait. Aujourd'hui, nous sommes dans cette phase : nous savons que la voiture quantique peut rouler, il faut juste améliorer le moteur et la batterie pour qu'elle puisse transporter des passagers (des calculs financiers réels et complexes).

En résumé :
Ces chercheurs ont pris un problème financier complexe, l'ont simplifié pour un terrain d'entraînement, et ont réussi à le résoudre avec un petit ordinateur quantique bruyant sur quatre machines différentes. C'est une première mondiale qui ouvre la porte à un futur où les banques utiliseront des ordinateurs quantiques pour gérer les risques financiers plus vite et mieux que jamais.

Résumé Technique : Évaluation des Options sur Ordinateurs Quantiques NISQ via des Réseaux de Neurones Quantiques

1. Problématique et Contexte

Le marché mondial des produits dérivés, évalué à plusieurs centaines de billions de dollars, exige des modèles de tarification à la fois précis et efficaces pour la gestion des risques et l'allocation du capital. Bien que le modèle Black-Scholes-Merton (BSM) offre des solutions analytiques pour les options européennes, il devient insuffisant pour des produits complexes (options américaines, dépendance au chemin, multi-sous-jacents) où les méthodes numériques classiques (Monte Carlo, différences finies) souffrent de la « malédiction de la dimensionnalité » et de coûts de calcul exponentiels.

L'objectif de cet article est d'évaluer la viabilité des Réseaux de Neurones Quantiques (QNN) comme approche de substitution (surrogate) pour la tarification d'options sur du matériel quantique actuel (NISQ - Noisy Intermediate-Scale Quantum). L'étude utilise le cadre BSM non pas comme une fin en soi, mais comme un environnement de référence contrôlé pour mesurer la capacité des QNN à approximer des fonctions de tarification complexes avec précision, malgré le bruit inhérent aux processeurs quantiques actuels.

2. Méthodologie

A. Génération de Données et Benchmarking

Données : Un jeu de données synthétique a été généré selon le modèle BSM pour des options d'achat européennes. Les caractéristiques d'entrée (features) sont : la monétisation ( $m=S/K$ ), le temps à l'échéance ( $T$ ), le taux sans risque ( $r$ ) et la volatilité ( $\sigma$ ).
Normalisation : Le prix est normalisé par le prix d'exercice ( $K$ ) pour réduire la dimensionnalité de l'espace d'entrée, facilitant l'encodage sur un nombre limité de qubits.
Références Classiques : Les performances du modèle quantique sont comparées à deux modèles classiques :
- OLS (Moindres Carrés Ordinaires) : Pour quantifier l'écart de linéarité.
- XGBoost : Un modèle d'ensemble non-linéaire de haute capacité servant de référence de pointe (State-of-the-Art).
Défi Spécifique : L'analyse met en évidence le « Défi de la Convexité ATM » (At-The-Money), où la courbure du prix de l'option est maximale. Les modèles basés sur des arbres (comme XGBoost) peinent à interpoler cette transition non-linéaire rapide.

B. Architecture QNN : L'Approche « finQbit »
Les auteurs proposent une architecture compacte et optimisée pour le matériel NISQ :

Réduction des Qubits : Au lieu d'utiliser un qubit par feature (4 qubits), l'architecture finQbit utilise un registre de 2 qubits.
Encodage Haute Densité : Chaque qubit encode deux features simultanément via des axes de rotation orthogonaux ( $R_x, R_y$ ).
Réuploading Dynamique (Data Re-uploading) : Les features sont réinjectées dans le circuit sur 3 couches, avec une permutation dynamique des paires de features à chaque couche pour capturer les corrélations inter-feature.
Compression d'Ansatz : Pour minimiser le bruit, la structure initiale du circuit a été compressée en un seul bloc unitaire $U(4)$ à 2 qubits, réduisant considérablement la profondeur du circuit et le nombre de portes à 2 qubits (CNOT).
Post-traitement : Une fonction max(0, ...) est appliquée à la sortie pour garantir la contrainte physique d'un prix d'option non négatif.

C. Validation Expérimentale
Le modèle a été exécuté sur :

Simulateurs idéaux (vecteur d'état) et simulateurs de bruit (AWS Braket, IBM Qiskit) pour analyser le bruit de tir (shot noise).
Matériel Physique (QPUs) : IBM Fez, IQM Garnet, IonQ Forte, et Rigetti Ankaa-3.

3. Résultats Clés

A. Performance sur Simulateur Idéal

L'architecture finQbit (2 qubits, 36 paramètres) atteint un $R^2 \approx 0,979$ sur un jeu de test hors échantillon, surpassant légèrement le modèle XGBoost ( $R^2 \approx 0,978$ ).
Précision ATM : Dans la région At-The-Money (où la convexité est forte), le QNN réduit l'erreur quadratique moyenne (MSE) d'environ 50 % par rapport à XGBoost, démontrant sa supériorité pour approximer des surfaces continues et lisses par rapport aux frontières de décision discrètes des arbres.
Efficacité Paramétrique : Le modèle quantique utilise 36 paramètres, soit une réduction d'un ordre de grandeur par rapport aux ~400 paramètres du XGBoost optimisé.

B. Performance sur Matériel Physique (NISQ)

IBM Fez (Supraconducteur) : A obtenu les meilleurs résultats parmi les matériels physiques, avec un $R^2 = 0,930$ après optimisation de l'ansatz et réduction du bruit. Cela confirme que les architectures supraconductrices rapides peuvent approcher les simulations idéales pour des modèles à faible nombre de qubits.
IonQ Forte (Ions Piégés) : A montré une stabilité temporelle exceptionnelle mais une tendance systématique à la surestimation des prix (biais positif).
Rigetti et IQM : Ont présenté des biais systématiques (sous-estimation pour Rigetti/IQM) et une sensibilité accrue au bruit, bien que le modèle reste fonctionnel ( $R^2 > 0,64$ sur tous les matériels).
Analyse du Bruit : L'étude révèle un compromis critique entre le nombre de tirs (shots) et la dérive temporelle du matériel. Augmenter excessivement le nombre de tirs peut parfois dégrader la précision si le temps d'exécution expose le système à une dérive de calibration.

4. Contributions Principales

Implémentation End-to-End : L'une des premières implémentations complètes d'un flux de travail de tarification d'options entièrement quantique sur du matériel quantique réel, sans dépendre de sous-routines hybrides classiques.
Architecture finQbit : Démonstration qu'une architecture compacte (2 qubits) avec encodage dense et réuploading dynamique peut surpasser les modèles classiques complexes en termes de précision sur les régions critiques (ATM) tout en utilisant beaucoup moins de paramètres.
Benchmarking Cross-Plateforme : Une analyse comparative rigoureuse sur quatre technologies quantiques distinctes (supraconducteurs et ions piégés), révélant des signatures de bruit spécifiques à chaque plateforme et validant la robustesse du modèle face à la décohérence.
Preuve de Concept pour le NISQ : La démonstration que les avantages quantiques potentiels ne sont pas réservés aux futurs ordinateurs à correction d'erreurs, mais sont déjà accessibles pour des tâches d'approximation de fonctions financières sur du matériel actuel.

5. Signification et Perspectives

Cette étude établit que les Réseaux de Neurones Quantiques (QNN) constituent un cadre viable pour la tarification de dérivés, même dans les conditions actuelles de bruit (NISQ).

Signification Immédiate : Bien que le modèle BSM soit simple, la capacité du QNN à apprendre cette surface avec une haute fidélité sur du matériel réel suggère que la méthode peut être étendue à des modèles plus complexes (volatilité stochastique, taux d'intérêt) où les méthodes classiques échouent ou deviennent trop coûteuses.
Limites et Futur : L'étude souligne la nécessité de techniques d'estimation quantique avancées (comme l'Estimation d'Amplitude Quantique - QAE) pour réduire le coût des échantillonnages (shots). Les travaux futurs viseront à étendre ce cadre aux options exotiques, aux produits dépendants du chemin et aux modèles de volatilité locale ou stochastique.

En conclusion, ce travail marque une étape cruciale vers l'intégration pratique de l'informatique quantique dans l'ingénierie financière, prouvant que les algorithmes quantiques peuvent déjà fournir des approximations précises et opérationnelles pour des problèmes financiers réels.