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

Cet article présente un algorithme quantique complet de bout en bout pour le prix des options européennes multi-actifs dans le cadre de modèles de volatilité locale et stochastique, démontrant des accélérations polynomiales par rapport aux méthodes classiques aux différences finies en termes de complexité de portes tout en fournissant une comptabilité explicite des ressources et des références numériques.

L'essentiel

Imaginez que vous êtes un chef essayant de prédire le prix d'un plat complexe (une « option ») qui dépend des prix futurs de plusieurs ingrédients (des actifs comme des actions). Le prix de ce plat n'est pas une simple moyenne ; il est influencé par la volatilité (les sauts) des ingrédients et par la manière dont ils évoluent les uns par rapport aux autres.

Dans le monde financier, calculer ce prix revient à résoudre un labyrinthe massif et multidimensionnel appelé une Équation aux Dérivées Partielles (EDP).

Le Problème : La « Malédiction de la Grille »

Traditionnellement, pour résoudre ce labyrinthe, les ordinateurs utilisent une méthode appelée Différences Finies. Imaginez que vous devez cartographier une ville en 3D pour trouver une adresse spécifique.

• L'Approche Classique : Vous posez un réseau de rues. Si vous avez 1 ingrédient, vous avez besoin d'une ligne 1D de points de grille. Si vous avez 10 ingrédients, vous avez besoin d'une hyper-grille 10D.
• Le Goulot d'Étranglement : À mesure que vous ajoutez plus d'ingrédients (actifs), le nombre de points de grille explose de manière exponentielle. C'est comme essayer de remplir une pièce de sable ; si vous doublez le nombre d'ingrédients, la quantité de sable (puissance de calcul) nécessaire ne double pas simplement — elle se multiplie par un facteur énorme. C'est ce qu'on appelle la « malédiction de la dimensionnalité ». Pour les plats complexes avec de nombreux ingrédients, les ordinateurs classiques restent coincés dans le sable.

La Solution : Une « Loupe Magique » Quantique

Cet article propose une nouvelle façon de résoudre ce problème en utilisant des Ordinateurs Quantiques. Au lieu de construire une gigantesque grille physique de sable, les auteurs ont développé un pipeline quantique « de bout en bout » qui agit comme une loupe magique.

Voici comment leur système fonctionne, étape par étape :

1. La Configuration (Préparation de l'État)
Premièrement, l'ordinateur prend la « recette » (les détails du contrat, les prix d'exercice et les données de marché) et l'encode dans un état quantique. Imaginez cela comme charger les ingrédients initiaux dans un mixeur quantique. Ils utilisent une astuce ingénieuse appelée Schrödingerisation pour transformer les mathématiques désordonnées et non quantiques de l'équation de prix en un format qu'un ordinateur quantique peut comprendre (une évolution « unitaire »).

2. Le Voyage (Évolution Quantique)
Au lieu de parcourir chaque point de grille un par un (comme un ordinateur classique), l'ordinateur quantique fait évoluer l'ensemble du système en une seule fois. C'est comme laisser tomber une pierre dans un étang et observer les ondulations se propager instantanément sur toute la surface, plutôt que de mesurer le niveau de l'eau à chaque point individuel. L'article utilise des techniques avancées (comme la simulation hamiltonienne) pour permettre à l'état quantique de « s'écouler » en arrière dans le temps, depuis le futur (échéance) jusqu'au présent.

3. La Révélation (Lecture)
Une fois que l'état quantique a évolué, l'ordinateur doit nous indiquer le prix. Puisque nous ne pouvons pas observer tout le « potage » quantique d'un coup, les auteurs utilisent une technique appelée Estimation d'Amplitude. C'est comme prélever un échantillon unique et hautement précis du potage pour estimer la saveur de l'ensemble du pot. Ils recherchent spécifiquement le prix à un point précis (l'état actuel du marché).

Les Résultats : Une Accélération

Les auteurs ont testé cela sur deux modèles financiers célèbres :

• Black-Scholes : Un modèle standard pour la tarification des options.
• Heston : Un modèle plus complexe qui prend en compte les « sourires de volatilité » (le fait que la volatilité du marché n'est pas constante ; elle change en fonction du prix, créant une courbe en forme de sourire).

Les Constats :

• Accélération Polynomiale : Pour un plat avec $d$ ingrédients et une taille de grille de $N$, l'ordinateur classique prend un temps proportionnel à $N^{d+2}$. L'algorithme quantique réduit cela à environ $N^{d/2 + 2}$ (pour Black-Scholes) ou $N^{d+2}$ mais avec un exposant beaucoup plus petit dans le terme dominant.
• L'Analogie : Si l'ordinateur classique doit compter chaque grain de sable sur une plage, l'ordinateur quantique peut estimer le volume en observant un échantillon beaucoup plus petit et représentatif, économisant ainsi une quantité massive de temps à mesure que la plage s'agrandit.
• Validation Réelle : L'article ne s'est pas contenté de faire des mathématiques sur le papier. Ils ont effectué des simulations et montré que leur méthode quantique a réussi à recréer le « sourire de volatilité » (le graphique courbe de la volatilité implicite) aussi bien que les méthodes classiques, prouvant ainsi qu'elle capture le comportement réel du marché.

Mises en Garde Importantes (Les Petites Lettres)

Les auteurs sont très prudents pour préciser ce que cela ne fait pas encore :

• Ce n'est pas une baguette magique pour tout : L'accélération est significative, mais elle n'élimine pas complètement la « malédiction de la dimensionnalité ». Le coût continue de croître à mesure que vous ajoutez plus d'actifs, juste beaucoup plus lentement qu'auparavant.
• C'est théorique pour l'instant : La « complexité des portes » (le nombre d'étapes) est calculée pour un ordinateur quantique parfait et sans erreur. Les ordinateurs quantiques réels d'aujourd'hui sont bruyants et petits.
• Portée Spécifique : Cette méthode fonctionne mieux pour les options de style européen (où vous ne pouvez exercer qu'à la fin) et pour certains types de contrats multi-actifs. Elle ne gère pas encore tous les produits dérivés financiers exotiques possibles (comme ceux avec des caractéristiques d'exercice anticipé).

Résumé

En termes simples, cet article construit une « chaîne de montage quantique » complète et théorique pour la tarification d'options financières complexes. Il prend des données classiques, les fait passer dans un moteur quantique qui simule les mouvements de prix futurs de plusieurs actifs simultanément, et produit un prix. Le résultat est une méthode mathématiquement prouvée comme étant significativement plus rapide que les méthodes classiques actuelles pour les problèmes de haute dimension, reproduisant avec succès des modèles de marché complexes comme le « sourire de volatilité ».

Résumé technique

Énoncé du problème
La tarification d'options multi-actifs sous les modèles à volatilité locale (Black–Scholes) et à volatilité stochastique (Heston) conduit naturellement à des équations aux dérivées partielles (EDP) paraboliques de haute dimension. Les méthodes numériques classiques pour résoudre ces EDP, telles que les schémas aux différences finies ou les méthodes à exponentielle de matrice, souffrent de la « malédiction de la dimensionnalité », où le coût de calcul croît exponentiellement avec le nombre d'actifs ($d$) et la résolution de la grille ($N$). Plus précisément, pour une grille comportant $N$ points par direction spatiale, les méthodes classiques basées sur une grille s'échelonnent en $\tilde{O}(N^{d+2})$ pour Black–Scholes et en $\tilde{O}(N^{2d+2})$ pour Heston (où le modèle Heston inclut des variables de variance). Bien que des algorithmes quantiques aient été proposés pour la tarification d'options, beaucoup reposent sur la simulation de trajectoires de Monte Carlo ou des approches variationnelles qui rencontrent des difficultés avec la préparation d'état, la normalisation et la lecture, en particulier pour des EDP complexes de haute dimension avec des conditions aux limites spécifiques.

Méthodologie
Les auteurs développent un cadre quantique d'EDP de bout en bout qui prend en entrée des données classiques de contrat et de modèle et renvoie des estimations classiques de valeurs d'options. Le flux de travail se compose de trois étapes principales :

1. Discrétisation et formulation : Les EDP de tarification sont discrétisées dans l'espace à l'aide de différences finies d'ordre deux, transformant l'EDP continue en un système fini et sparse d'équations différentielles ordinaires (EDO). Pour gérer les conditions aux limites non homogènes et les termes sources, le système d'EDO affine est augmenté en un système linéaire homogène en ajoutant une variable d'état auxiliaire.
2. Évolution quantique (Schrödingerisation) : Puisque le système d'EDO résultant est généralement non unitaire (en raison de la nature non hermitienne de l'opérateur de tarification), le cadre emploie la Schrödingerisation. Cette technique intègre la dynamique non unitaire dans un système unitaire plus vaste en introduisant une variable continue auxiliaire ($\xi$) et en mappant la dynamique vers une équation de Schrödinger. Le système est ensuite discrétisé dans la dimension $\xi$ et transformé par des méthodes de Fourier pour produire un Hamiltonien hermitien.
3. Préparation d'état et lecture :
   • Préparation d'état : Le vecteur de paiement (par exemple, Call Worst-of) et le profil de coupure lisse requis pour la Schrödingerisation sont préparés comme états quantiques en utilisant des encodages par blocs d'opérateurs de coordonnées et la transformation quantique des valeurs singulières (QSVT).
   • Évolution : La dynamique de tarification discrétisée est simulée par évolution hamiltonienne en utilisant l'encodage par blocs et des séquences de modulation de phase alternées (traitement du signal quantique).
   • Lecture : Les valeurs d'options sélectionnées sont récupérées à partir de l'état quantique final. Étant donné que le prix désiré est encodé dans une seule amplitude, le cadre utilise l'estimation d'amplitude quantique (QAE) combinée à un test de Hadamard. Crucialement, la surcharge de lecture s'échelonne avec la racine carrée du volume de la grille ($2^{W/2}$), où $W$ est le nombre de qubits du système.

Contributions clés

• Pipeline de bout en bout : L'article fournit un pipeline complet et explicite, des données d'entrée classiques aux sorties classiques, incluant un comptage détaillé des ressources pour la préparation d'état, la simulation hamiltonienne, la récupération de normalisation et la lecture.
• Analyse de complexité : Les auteurs dérivent la complexité de porte dominante pour la récupération du prix d'une option à un point unique :
  • Black–Scholes multi-actifs : $\tilde{O}(d^2 N^{2 + d/2})$.
  • Heston multi-actifs : $\tilde{O}(d^2 N^{d + 2})$.
  • Par rapport aux bases classiques basées sur une grille ($\tilde{O}(N^{d+2})$ et $\tilde{O}(N^{2d+2})$ respectivement), le cadre quantique offre des facteurs d'amélioration polynomiaux de $N^{d/2}$ et $N^d$.
• Validation numérique : Le cadre est validé numériquement par rapport à des solutions analytiques (Black–Scholes), des références semi-analytiques (fonction caractéristique de Heston) et des solveurs numériques classiques (différences finies et exponentielle de matrice).
• Récupération de la volatilité implicite : Dans le cadre Heston, le cadre récupère avec succès les prix d'options sur une gamme de strikes et reconstruit le sourire/la pente de volatilité implicite non plate associée, démontrant sa capacité à capturer les caractéristiques de volatilité stochastique pertinentes pour le marché.

Résultats

• Performance théorique : L'analyse confirme un avantage quantique polynomial dans la taille de la grille $N$ pour les modèles Black–Scholes et Heston. L'avantage devient plus prononcé à mesure que le nombre d'actifs $d$ augmente, bien que la dépendance exponentielle à $d$ (la malédiction de la dimensionnalité) soit atténuée mais non éliminée.
• Précision numérique : Les simulations montrent que le cadre quantique produit des prix d'options cohérents avec les références classiques et semi-analytiques. Dans le cas Heston, les surfaces de volatilité implicite récupérées exhibent la structure de pente correcte (par exemple, la pente des actions) et correspondent aux ajustements SSVI semi-analytiques avec des écarts relatifs inférieurs à 1 %.
• Sources d'erreur : Les erreurs principales dans les résultats numériques sont attribuées à une discrétisation spatiale grossière et à une troncature du domaine, plutôt qu'à la simulation quantique elle-même. L'erreur supplémentaire introduite par la procédure de Schrödingerisation s'avère secondaire.

Signification et affirmations
L'article revendique fournir la première démonstration d'un flux de travail de tarification basé sur des EDP quantiques qui récupère avec succès un sourire/pente de volatilité implicite à partir de prix d'options calculés quantiquement. Il souligne que le cadre offre des garanties de performance explicites et une analyse complète des ressources, le distinguant des approches variationnelles ou heuristiques.

Les auteurs maintiennent un ton modeste concernant l'avantage pratique :

• Ils précisent que la comparaison se situe au niveau de l'échelle asymptotique plutôt que du temps réel, notant que les comptes de portes logiques ne se traduisent pas directement par un temps d'exécution physique sans tenir compte des surcharges de correction d'erreurs.
• Ils reconnaissent que la « malédiction de la dimensionnalité » n'est pas éliminée ; le coût croît toujours exponentiellement avec le nombre d'actifs, mais le taux de croissance est réduit (de $N^d$ à $N^{d/2}$ pour Black–Scholes).
• Ils notent des limitations, telles que l'accent actuel mis sur les paiements de style européen avec des conditions aux limites compatibles avec le cadre (par exemple, Call Worst-of), et l'exclusion des caractéristiques dépendantes du chemin ou d'exercice anticipé qui nécessiteraient une augmentation supplémentaire d'état ou des couches de résolution itérative.

Dans l'ensemble, ce travail établit une fondation théorique et numérique rigoureuse pour l'utilisation d'algorithmes quantiques afin de résoudre des EDP financières de haute dimension, offrant une alternative viable aux méthodes classiques basées sur une grille pour la tarification multi-actifs.