Solving 2D Black Scholes Equation via Hermitian Block Embedding and Generalised Quantum Signal Processing

Cet article propose et valide numériquement une méthode de résolution de l'équation de Black-Scholes bidimensionnelle en combinant l'incorporation par blocs hermitienne avec le Traitement de Signal Quantique Généralisé afin d'approximer avec précision l'inverse de matrices de pas de temps non hermitiennes, démontrant ainsi la faisabilité de l'application des techniques modernes d'algèbre linéaire quantique à l'évaluation d'options multi-actifs.

L'essentiel

La vue d'ensemble : Évaluer un « panier » d'options

Imaginez que vous êtes un trader financier essayant de déterminer le prix d'un « panier » d'options spécial. Il ne s'agit pas seulement d'un pari sur une seule action (comme Apple) ; c'est un pari sur un mélange de deux actions différentes (comme Apple et Microsoft) qui évoluent ensemble.

Dans le monde réel, calculer le prix équitable de ce panier revient à résoudre un labyrinthe massif et complexe. Vous devez travailler à rebours depuis le jour où le pari se termine (l'échéance) jusqu'à aujourd'hui, en calculant comment le prix change à chaque étape du chemin.

Pendant longtemps, les ordinateurs ont fait cela en utilisant une méthode appelée « différences finies ». Voyez cela comme la transformation du mouvement fluide et continu des prix des actions en une grille géante de points. Pour trouver le prix aujourd'hui, l'ordinateur doit résoudre un immense casse-tête mathématique : il doit inverser une matrice massive (une grille de nombres) pour reculer dans le temps.

Le problème : Le casse-tête « non symétrique »

Le casse-tête mathématique auquel l'ordinateur est confronté est délicat. La grille de nombres (la matrice) qu'il doit inverser est « non hermitienne ». En langage courant, cela signifie que la grille est asymétrique et ne possède pas une structure nette et régulière.

Dans un scénario plus simple avec une seule action, les scientifiques ont trouvé une astuce ingénieuse pour rendre cette grille asymétrique symétrique (hermitienne) afin de pouvoir utiliser un nouvel outil puissant appelé Traitement du Signal Quantique Généralisé (GQSP). Le GQSP est comme une machine quantique super efficace capable de résoudre des types spécifiques de casse-têtes mathématiques très rapidement, mais il ne fonctionne que sur des grilles symétriques et bien structurées.

Cependant, lorsque vous ajoutez une deuxième action, la grille devient un bloc 2D complexe. L'ancienne astuce pour la rendre symétrique échoue car les deux actions sont liées d'une manière qui crée des « boucles » dans les mathématiques, lesquelles ne peuvent pas être corrigées par un simple ajustement.

La solution : L'« intégration de blocs hermitiens »

Les auteurs de cet article ont trouvé un nouveau moyen de tromper la machine quantique pour qu'elle résolve le problème 2D. Ils ont utilisé une technique appelée Intégration de blocs hermitiens (Hermitian Block Embedding).

L'analogie : La boîte à miroir
Imaginez que vous avez un objet désordonné et asymétrique (la matrice de l'étape temporelle 2D) que vous ne pouvez pas placer dans une « Machine de Symétrie » (le GQSP).

1. L'astuce : Au lieu d'essayer de réparer l'objet lui-même, vous construisez une boîte spéciale autour de lui.
2. La construction : Vous placez l'objet désordonné dans le coin supérieur droit de la boîte et son « image miroir » (la transposée) dans le coin inférieur gauche. Les coins supérieur gauche et inférieur droit sont vides (zéros).
3. Le résultat : Même si l'intérieur est désordonné, l'ensemble de la boîte est désormais parfaitement symétrique. Elle est désormais « hermitienne ».

Maintenant, la machine quantique peut regarder cette grande boîte. Lorsque la machine effectue sa magie (transformation polynomiale) sur la boîte, elle crée un résultat où la partie « désordonnée » (l'inverse de la matrice d'origine) ressort dans un coin spécifique de la boîte.

Comment ils ont procédé : Le « polynôme impair »

Pour extraer la réponse de cette boîte, les auteurs ont utilisé un type spécial de fonction mathématique appelé polynôme impair.

• Considérez une fonction « paire » comme une image miroir de chaque côté d'une ligne (comme un smiley).
• Considérez une fonction « impaire » comme une rotation (comme une balançoire à bascule).

En raison de la façon dont ils ont construit leur boîte (avec la partie désordonnée dans le coin), ils avaient besoin d'une fonction mathématique de type « balançoire ». Si ils avaient utilisé une fonction de type « smiley », la réponse se serait perdue. En utilisant une fonction « impaire », les mathématiques annulent naturellement les coins vides et laissent la bonne réponse (la matrice inverse) dans le coin inférieur gauche du résultat.

Le test : Est-ce que cela a fonctioné ?

L'équipe a réalisé des simulations pour voir si cette nouvelle méthode fonctionnait réellement pour une option de « panier » à deux actions.

• La configuration : Ils ont simulé une option de panier avec deux actifs, en utilisant une grille de 32x32 points (1 024 points au total).
• La comparaison : Ils ont comparé leur solution de style quantique (en utilisant la nouvelle méthode d'intégration) à une méthode classique standard et fiable (Euler reculé).
• Le résultat : Les deux méthodes concordaient très étroitement. La solution « quantique » ressemblait presque exactement à la solution « classique ».

Cela a prouvé que l'astuce de la « Boîte à Miroir » a réussi à capturer la dynamique du problème 2D complexe. La méthode a reproduit avec précision l'évolution temporelle inversée du prix de l'option.

Le bémol : L'erreur de discrétisation

L'article note une limitation majeure. Comme ils simulent cela sur un ordinateur, ils doivent effectuer des « étapes » vers l'arrière dans le temps. Dans leur simulation, ils ont dû faire un pas très grand (un seul grand bond) en raison de la complexité.

• Le problème : Faire un pas géant dans une simulation mathématique introduit une « erreur de discrétisation » (ce qui revient approximativement à essayer de dessiner une courbe lisse en utilisant seulement quelques énormes briques LEGO).
• La conclusion : L'erreur dans leurs résultats était principalement due à cette taille de pas importante, et non à un défaut de leur méthode quantique. En fait, l'erreur était similaire à celle que l'on obtiendrait si l'on utilisait la méthode classique avec le même grand pas.

Résumé

L'article démontre une nouvelle façon de résoudre des problèmes complexes de tarification financière en 2D à l'aide d'algorithmes quantiques.

1. Ils n'ont pas pu utiliser l'ancienne astuce pour rendre les mathématiques symétriques.
2. Ils ont construit une « Boîte à Miroir » (Intégration de blocs hermitiens) pour forcer les mathématiques à adopter une forme symétrique.
3. Ils ont utilisé un « Polynôme Impair » spécial pour extraire la réponse de la boîte.
4. Leurs simulations ont montré que cette méthode fonctionne et produit des résultats qui correspondent aux ordinateurs classiques standards, ouvélant la voie à la résolution de problèmes encore plus complexes à plusieurs actifs à l'avenir.

Résumé technique

Résumé Technique : Résolution des équations de Black–Scholes en 2D via l'encapsulation de blocs hermitienne et le traitement du signal quantique généralisé

1. Énoncé du problème

La tarification des dérivés financiers européens, tels que les options, est fondamentalement modélisée par l'équation aux dérivées partielles (EDP) de Black–Scholes. Pour les options multi-actifs (par exemple, les options sur panier dépendant de deux actifs sous-jacents), le problème devient une EDP en deux dimensions. Sous le cadre standard de non-arbitrage, la tarification nécessite l'évolution du payoff terminal vers l'arrière dans le temps.

Lors de la discrétisation par différences finies et d'un schéma de pas de temps implicite (spécifiquement l'Euler reculé), l'EDP continue est transformée en une séquence de problèmes d'algèbre linéaire. La tâche de calcul centrale est l'application de l'inverse d'une matrice de pas de temps, $\tilde{M}^{-1}$, à un vecteur représentant la valeur de l'option.

• Défi : Dans le cas bidimensionnel, la matrice discrétisée $\tilde{M}$ est réelle mais généralement non hermitienne et non unitaire en raison des termes de dérive, des dérivées mixtes et des conditions aux limites.
• Contexte Quantique : Bien que les algorithmes d'algèbre linéaire quantique comme le Traitement du Signal Quantique (QSP) ou le Traitement du Signal Quantique Généralisé (GQSP) offrent des méthodes puissantes pour implémenter des fonctions de matrices (comme l'inversion) via des transformations polynomiales, ils nécessitent généralement que l'opérateur d'entrée soit unitaire ou hermitien. Les approches standard pour les matrices non hermitiennes reposent souvent sur l'« encapsulation de blocs » (block-encoding), ce qui introduit un overhead significatif en termes de registres ancillas, de profondeur de circuit et de préparation d'état. Des travaux antérieurs [13] ont appliqué avec succès une approche Hermitian-GQSP à l'équation de Black–Scholes en une dimension en utilisant une transformation de similitude diagonale pour convertir la matrice de pas de temps tridiagonale en une forme hermitienne. Cependant, cette méthode échoue en deux dimensions car la structure de bloc de la matrice 2D (provenant de la discrétisation par produit tensoriel et des dérivées mixtes) empêche l'existence d'une transformation de similitude diagonale qui préserve l'hermiticité.

2. Méthodologie

Les auteurs proposent une stratégie d'encapsulation de blocs hermitienne pour étendre le cadre GQSP à l'équation de Black–Scholes en deux dimensions sans nécessiter de transformation de similitude diagonale ou les surcoûts conventionnels de l'encapsulation de blocs.

A. Encapsulation de blocs hermitienne
Au lieu de tenter de symétriser directement la matrice non hermitienne $\tilde{M}$, les auteurs l'encapsulent dans une matrice hermitienne plus large $H$ de dimension $2N \times 2N$ (où $N$ est la dimension de la grille discrétisée) :
$$H = \begin{pmatrix} 0 & \tilde{M} \\ \tilde{M}^T & 0 \end{pmatrix}$$
Puisque $\tilde{M}$ est réelle, $H$ est réelle symétrique et donc hermitienne. L'inverse de cette matrice encapsulée est :
$$H^{-1} = \begin{pmatrix} 0 & \tilde{M}^{-T} \\ \tilde{M}^{-1} & 0 \end{pmatrix}$$
Crucialement, l'opérateur de pas de temps inverse souhaité $\tilde{M}^{-1}$ apparaît dans le bloc hors-diagonale inférieur gauche de $H^{-1}$.

B. Approximation polynomiale impaire
La structure de $H$ impose une propriété de parité sur ses puissances : les puissances paires de $H$ sont bloc-diagonales, tandis que les puissances impaires sont bloc hors-diagonales.

• Les auteurs construisent un polynôme impair $p(x) = \sum c_{2m+1} x^{2m+1}$ pour approximer la fonction inverse $f(x) = 1/(\gamma x)$ sur le spectre de $H$.
• Parce que $p(x)$ est impair, $p(H)$ reste bloc hors-diagonale. Par conséquent, le bloc inférieur gauche de $p(H)$ approxime $\tilde{M}^{-1}$.
• Cela permet de récupérer l'étape d'évolution temporelle vers l'arrière en appliant la transformation polynomiale à un état d'entrée encapsulé $\begin{pmatrix} V^n \\ 0 \end{pmatrix}$ et en extrayant la moitié inférieure du vecteur résultant.

C. Mise à l'échelle spectrale et implémentation GQSP

• Mise à l'échelle (Scaling) : La matrice $H$ est remise à l'échelle par un facteur $\gamma = \max |\lambda_i(H)|$ pour définir $A = H/\gamma$, garantissant que le spectre se situe dans $[-1, 1]$. Le spectre est symétrique autour de zéro, situé dans $[-1, -\delta] \cup [\delta, 1]$, où $\delta$ est déterminé par le nombre de condition de $\tilde{M}$.
• GQSP : La matrice hermitienne rescalée $A$ est encapsulée dans un opérateur unitaire $U = A + i\sqrt{I-A^2}$. L'algorithme GQSP est ensuite utilisé pour implémenter la transformation polynomiale impaire $p(A)$ sur $U$.
• Sortie : Le circuit quantique produit un état où le registre inférieur contient la solution approximée $V^{n+1} = \tilde{M}^{-1}V^n$.

3. Contributions clés

• Extension à la 2D : Le papier étend le cadre Hermitian-GQSP des équations de Black–Scholes en une dimension vers la deux dimensions, surmontant l'obstacle structurel qui empêche l'utilisation des transformations de similitude diagonale dans les dimensions supérieures.
• Approche sans encapsulation de blocs : Les auteurs démontrent une méthode pour résoudre le problème inverse de matrices non hermitiennes en utilisant le GQSP sans l'overhead massif des techniques d'encapsulation de blocs standard, en s'appuyant plutôt sur une dilatation hermitienne spécifique et une structure de polynôme impair.
• Preuve de concept : Ce travail fournit une preuve de concept montrant que les techniques modernes d'algèbre linéaire quantique peuvent être appliquées aux problèmes de tarification d'options multidimensionnelles.

4. Résultats numériques

Les auteurs ont réalisé des simulations numériques pour des options d'achat (call) sur panier européen à deux actifs en utilisant Python et PennyLane.

• Configuration : Deux simulations ont été conduites avec des paramètres financiers variables (volatilité, corrélation, prix d'exercice, etc.) et des tailles de grille (grille de $32 \times 32$ points, encapsulée dans 2048 dimensions).
• Comparaison : Les solutions basées sur le GQSP ont été comparées à :
  1. Une méthode classique de différences finies d'Euler reculé.
  2. Une approximation polynomiale classique appliquée directement à la matrice hermiticée.
• Constats :
  • Les solutions GQSP ont montré un accord étroit avec l'approximation polynomiale classique et la référence d'Euler reculé.
  • Les résultats ont confirmé que l'encapsulation de blocs hermitienne capture avec précision la dynamique de l'opérateur non hermitien original.
  • Sources d'erreur : L'analyse a identifié deux sources d'erreur principales :
    1. Erreur d'approximation polynomiale : Dépendante du gap spectral $\delta$. Dans la deuxième simulation, un gap spectral plus grand a entraîné des erreurs d'approximation plus faibles.
    2. Erreur de discrétisation : En raison de la nécessité d'utiliser un pas de temps unique et large (car la méthode est implémentée comme un solveur à étape unique), l'erreur de discrétisation était significative (jusqu'à \approx \0,09$ dans la première simulation et $\approx 60\%$ plus grande dans la seconde). Cette erreur est inhérente à la référence classique elle aussi.
  • Bruit : La simulation quantique a présenté un plancher de bruit (observé autour de $10^{-2}$ dans la seconde simulation), qui n'était pas présent dans l'approximation polynomiale classique.

5. Signification et Revendications

Le papier affirme que la méthode proposée démontre la faisabilité de la combinaison de l'encapsulation de blocs hermitienne avec le GQSP pour résoudre les problèmes de Black–Scholes multidimensionnels.

• Portée modeste : Les auteurs déclarent explicitement que l'implémentation actuelle est un « solveur d'inverse à étape unique ». Ils ne revendiquent pas encore d'avantage quantique réel, notant que la méthode est limitée par la nécessité de polynômes de degré plus élevé lorsque le gap spectral est faible et par les erreurs de discrétisation des pas de temps larges.
• Potentiel futur : La signification réside dans la création d'une voie vers les algorithmes quantiques pour les dérivés multi-actifs où les ordinateurs classiques font face à la « malédiction de la dimensionnalité ». Les auteurs suggèrent que le véritable potentiel d'avantage quantique pourrait émerger en 3+ dimensions, là où les méthodes classiques de différences finies deviennent informatiquement impraticables.
• Limitations : Le papier reconnaît que des travaux futurs sont nécessaires pour développer des schémas d'évolution temporelle multi-étapes efficaces, réduire le plancher de bruit et minimiser les erreurs de discrétisation par de meilleures stratégies de grille ou des implémentations GQSP multi-étapes.

En résumé, cet article établit un fondement théorique et numérique pour l'application du GQSP à la tarification d'options en 2D en introduisant une encapsulation de blocs hermitienne qui contourne le besoin de transformations de similitude diagonale, offrant ainsi une voie viable vers les algorithmes quantiques pour les dérivés financiers de haute dimension.