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

Imaginez que vous essayez de prédire le prix futur d'une action, mais au lieu de regarder un simple chiffre, vous devez calculer la valeur d'un contrat financier pour des milliers de prix possibles différents en une seule fois. C'est le monde de l'« évaluation d'options », une branche des mathématiques financières où les scientifiques utilisent des équations complexes pour déterminer la valeur actuelle d'un pari sur le prix futur d'une action. La partie délicate est que les mathématiques impliquent souvent un outil appelé la « Transformée de Fourier », qui est comme un prisme magique capable de décomposer un signal complexe (comme le mouvement du prix d'une action) en ses couleurs de fréquences individuelles. Bien que ce prisme soit incroyablement utile, essayer de l'utiliser à grande échelle avec des ordinateurs classiques revient à essayer de transporter une bibliothèque dans votre sac à dos ; la mémoire requise augmente si vite que l'ordinateur manque d'espace avant même d'avoir pu terminer la tâche.

C'est là que l'histoire devient intéressante. Les scientifiques recherchent deux manières très différentes de résoudre ce problème de mémoire. Un chemin mène vers le monde étrange et super puissant des ordinateurs quantiques, qui utilisent les règles des particules minuscules pour gérer des calculs massifs. L'autre chemin reste sur nos ordinateurs classiques familiers, mais tente de compresser les données dans un format extrêmement serré appelé « réseau de tenseurs ». La grande question était : pouvons-nous prendre les astuces ingénieuses utilisées par les ordinateurs quantiques et les exécuter sur nos ordinateurs portables ordinaires sans avoir réellement besoin d'une machine quantique ?

Dans cet article, Sascha H. Hauck et Ivica Turkalj affirment : « Oui, nous le pouvons. » Ils ont développé une nouvelle méthode appelée la « Transformée de Fourier Superrapide » (SFFT). Voyez cela comme une façon de plier une carte géante et encombrante de prix d'actions en un petit origami de poche qui conserve toujours toutes les informations importantes. En utilisant cette technique d'« origami », ils ont montré que leur méthode peut évaluer des options d'achat européennes (un type spécifique de contrat financier) avec autant de précision que les anciennes méthodes lourdes, mais sans nécessiter le disque dur d'un supercalculateur. Ils ont testé cela sur des ordinateurs classiques et des simulateurs quantiques, constatant que leur nouvelle approche utilise beaucoup moins de mémoire et que sa complexité croît beaucoup plus lentement à mesure que les problèmes s'intensifient. Bien qu'ils n'aient pas résolu tous les mystères financiers, leur travail prouve que nous pouvons emprunter les meilleures idées de la physique quantique pour rendre nos ordinateurs actuels bien plus efficaces pour gérer d'énormes calculs financiers.

La découverte centrale de l'article

Les auteurs s'attaquent à un goulot d'étranglement spécifique des mathématiques financières : le « mur de la mémoire ». Lorsque l'on évalue des options en utilisant la célèbre méthode de Carr-Madan, qui repose sur les transformées de Fourier, la quantité de données nécessaires explose exponentiellement lorsque l'on tente de calculer des prix pour un nombre croissant de prix d'exercice. Un ordinateur classique tentant de faire cela avec une Transformée de Fourier Rapide (FFT) standard doit stocker un vecteur massif et dense de nombres. Si vous voulez augmenter la précision de seulement un peu, la mémoire requise double, puis double encore, devenant rapidement impossible à gérer.

Pour briser ce mur, les auteurs ont reformulé le problème d'évaluation en utilisant des réseaux de tenseurs, plus précisément une structure appelée Train de Tenseurs (TT). Imaginez une longue chaîne de personnes se tenant par la main, où chaque personne n'a besoin de connaître que ses voisins immédiats pour faire passer un message le long de la ligne. Dans cette analogie, le « message » est la donnée financière. Au lieu de stocker toute la liste massive de nombres (toute la bibliothèque), le Train de Tenseurs ne stocke que les petites connexions locales entre les nombres. Cela permet à l'ordinateur de représenter un ensemble de données exponentiellement grand en utilisant une infime quantité de mémoire.

L'article introduit un algorithme spécifique appelé la Transformée de Fourier Superrapide (SFFT). Il s'agit d'une version compressée de la Transformée de Fourier Quantique (QFT). Habituellement, la QFT est un circuit conçu pour les ordinateurs quantiques qui peut traiter les données incroyablement vite, mais qui nécessite une machine quantique pour fonctionner. Les auteurs ont réalisé que la structure mathématique de la QFT est si efficace qu'elle peut être « traduite » dans un format de Train de Tenseurs classique. Ils appellent cette traduction la SFFT.

Voici comment leur méthode fonctionne en pratique :

1. Compression : Ils prennent les données financières (la fonction caractéristique du prix de l'action) et les représentent sous forme de Train de Tenseurs.
2. L'opération magique : Au lieu d'exécuter une FFT lourde et gourmande en mémoire, ils appliquent l'opérateur SFFT directement au Train de Tenseurs compressé. C'est comme effectuer un calcul complexe sur l'origami plié sans jamais le déplier.
3. Résultat : Le résultat est le prix de l'option, toujours sous un format compressé, qui peut ensuite être lu.

Ce qu'ils ont trouvé et ce qu'ils ont écarté

Les auteurs ont mené des expériences numériques utilisant des options d'achat européennes sous le modèle Black-Scholes (un modèle standard et bien connu pour les prix des actions). Ils ont comparé trois approches :

1. La FFT traditionnelle (l'ancienne méthode lourde).
2. La nouvelle SFFT (la méthode compressée par réseau de tenseurs).
3. La QFT (la méthode quantique, simulée sur un ordinateur et exécutée sur du matériel quantique réel).

Les résultats :

• Économies de mémoire : La méthode SFFT a maintenu une haute précision d'évaluation tout en réduisant considérablement l'utilisation de la mémoire. Dans leurs simulations, à mesure qu'ils augmentaient le nombre de qubits (ce qui correspond à la taille de la grille du calcul), la mémoire requise pour la FFT standard augmentait de manière exponentielle, devenant rapidement ingérable. En revanche, la consommation de mémoire de la SFFT augmentait très lentement, restant gérable même pour de grandes grilles.
• Vitesse et mise à l'échelle : Le coût computationnel de la SFFT suit une croissance sous-exponentielle. Cela signifie que lorsque le problème s'agrandit, le temps et les ressources nécessaires n'explosent pas comme c'est le cas avec la FFT classique.
• Comparaison quantique : Lorsqu'ils ont comparé leur SFFT classique à la QFT quantique, ils ont constaté que les deux approches évitaient la croissance exponentielle de la méthode conventionnelle. La SFFT apporte essentiellement l'efficacité de l'approche quantique au matériel classique.

Ce qu'ils ont écarté :
L'article soutient explicitement l'idée selon laquelle nous ne devons pas utiliser un ordinateur quantique physique pour atteindre ce niveau d'efficacité pour ces problèmes spécifiques. Ils démontrent que la « structure de produit tensoriel » de la transformée de Fourier, qui rend la QFT si puissante, peut être exploitée efficacement sur du matériel classique grâce aux réseaux de tenseurs. Ils ne prétendent pas que la SFFT est plus rapide que la FFT pour les petits problèmes (où les frais généraux de compression ne valent pas la peine), mais ils montrent que pour les problèmes à grande échelle, l'approche par réseau de tenseurs classique est une alternative supérieure à la force brute de la FFT.

À quel point sommes-nous sûrs ?

Les auteurs sont très confiants dans leurs conclusions basées sur les données présentées. Ils ne se sont pas contentés de suggérer que cela pourrait fonctionner ; ils l'ont mesuré.

• Précision : Ils ont vérifié que les prix de la SFFT correspondaient aux prix analytiques connus du modèle Black-Scholes avec une grande précision. Ils ont utilisé une métrique appelée Erreur Quadratique Moyenne Normalisée (NRMSE) pour montrer que l'erreur restait faible même lorsque la taille de la grille augmentait.
• Simulations et matériel : Ils ont testé leur algorithme sur du matériel classique (un cluster d'ordinateurs) et ont également exécuté son homologue quantique sur des simulateurs quantiques et sur du matériel quantique réel. Les résultats provenant de la SFFT classique et de la QFT quantique concordaient avec leurs prédictions théoriques, montrant que les deux évitent le goulot d'étranglement exponentiel de la mémoire.
• Limites : L'article note que la SFFT repose sur le fait que les données d'entrée possèdent une « structure de rang faible » (ce qui signifie que les données peuvent être bien compressées). Si les données sont trop chaotiques pour être compressées, la méthode pourrait ne pas être aussi efficace. Cependant, pour les modèles financiers testés (comme Black-Scholes et Variance Gamma), les données se compressent très bien, maintenant les « rangs » (la taille des connexions dans la chaîne) faibles, généralement autour de 10 ou moins.

En résumé, cet article fournit un cadre unifié qui relie l'évaluation de Fourier classique, les algorithmes de réseaux de tenseurs et l'informatique quantique. Il démontre qu'en pliant les mathématiques dans un Train de Tenseurs, nous pouvons effectuer une évaluation d'options à grande échelle sur des ordinateurs classiques avec une fraction de la mémoire, offrant ainsi une alternative évolutive pour les calculs financiers de haute dimension sans avoir à attendre que les ordinateurs quantiques soient pleinement matures.