Evaluating Quantum Amplitude Estimation for Pricing Multi-Asset Basket Options

तकनीकी सारांश: मल्टी-एसेट बास्केट ऑप्शंस की प्राइसिंग के लिए क्वांटम एम्प्लीट्यूड एस्टीमेशन का मूल्यांकन

1. समस्या विवरण

मल्टी-एसेट बास्केट ऑप्शंस (डेरिवेटिव्स जिनका पेऑफ कई अंतर्निहित संपत्तियों के भारित औसत पर निर्भर करता है) की प्राइसिंग एक गणनात्मक रूप से गहन कार्य है।

• क्लासिकल सीमाएँ: पारंपरिक विश्लेणात्मक मॉडल जैसे कि ब्लैक-स्कोल्स (Black-Scholes) मल्टी-एसेट सहसंबंधों (correlations) के साथ संघर्ष करते हैं और सरलीकृत धारणाओं (जैसे स्थिर अस्थिरता/constant volatility) पर निर्भर करते हैं। मोंटे कार्लो (MC) सिमुलेशन, हालांकि लचीले होते हैं, लेकिन उनकी अभिसरण दर (convergence rates) धीमी ($O(\epsilon^{-2})$) होती है और जैसे-जैसे संपत्तियों की संख्या (आयाम/dimensionality) बढ़ती है, वे अत्यधिक खर्चीले हो जाते हैं।
• क्वांटम अंतराल: जबकि क्वांटम एम्प्लीट्यूड एस्टीमेशन (QAE) एक सैद्धांतिक द्विघातीय त्वरण (quadratic speedup - $O(\epsilon^{-1})$) प्रदान करता है, अधिकांश मौजूदा शोध सिंथेटिक, आदर्श डेटा पर निर्भर करते हैं। इस बात के प्रमाण की कमी है कि जब QAE को वास्तविक दुनिया के मार्केट डेटा पर लागू किया जाता है, तो यह कैसा प्रदर्शन करता है और यह अनिश्चितता क्वबिट्स (uncertainty qubits) के उपयोग और परिसंपत्तियों के आयाम (dimensionality) के साथ कैसे स्केल करता है।

2. कार्यप्रणाली

लेखक एक हाइब्रिड क्वांटम-क्लासिकल वर्कफ़्लो का प्रस्ताव करते हैं जो सिद्धांत और व्यवहार के बीच के अंतर को पाटने के लिए डिज़ाइन किया गया है।

• डेटा एकीकरण: सिंथेटिक मॉडल के बजाय, अध्ययन yfinance लाइब्रेरी के माध्यम से प्राप्त ऐतिहासिक मार्केट डेटा (जैसे AAPL, GOOG, MSFT) का उपयोग करता है। वे लॉगरिदमिक रिटर्न की गणना करते हैं, माध्य ($\mu$) और अस्थिरता ($\sigma$) का अनुमान लगाते हैं, और इन मापदंडों को ऑप्शन की परिपक्वता ($T$) के लिए स्केल करते हैं।
• विविक्तकरण (Discretization) और स्टेट प्रिपरेशन:
  • प्रत्येक संपत्ति के निरंतर लॉग-नॉर्मल वितरण को $2^n$ बिंदुओं के ग्रिड में विविक्त (discretize) किया जाता है, जहाँ $n$ प्रति संपत्ति अनिश्चितता क्वबिट्स (uncertainty qubits) की संख्या है।
  • एक क्वांटम सर्किट बनाया जाता है ताकि इन संभाव्यता वितरणों को क्वांटम रजिस्टर में लोड किया जा सके।
• पेऑफ एनकोडिंग: बास्केट पेऑफ—$\max(0, \sum w_i S_i - K)$—को रिवर्सिबल अंकगणित (एक वेटेड एडर) और एक ऑब्जेक्टिव क्वबिट पर कार्यान्वित पीसवाइज-लीनियर एप्रोक्सिमेशन फंक्शन का उपयोग करके एनकोड किया जाता है।
• पैरामीट्रिक स्टडी डिज़ाइन: शोधकर्ताओं ने व्यवस्थित रूप से दो आयामों में भिन्नता की:
  1. क्विबिट काउंट ($n$): मूल्य ग्रिड को परिष्कृत करने के लिए प्रति संपत्ति अनिश्चितता क्वबिट्स की संख्या बढ़ाना।
  2. एसेट काउंट ($d$): आयाम स्केलिंग का परीक्षण करने के लिए बास्केट में संपत्तियों की संख्या बढ़ाना।
• बेंचमार्किंग: क्वांटम परिणामों की तुलना क्लासिकल मोंटे कार्लो और ब्लैक-स्कोल्स मॉडल के विरुद्ध की जाती है।

3. मुख्य योगदान

• वास्तविक दुनिया का अनुभवजन्य सत्यापन: वास्तविक ऐतिहासिक स्टॉक व्यवहारों का उपयोग करके सिंथेटिक डेटासेट से आगे बढ़ना, जिसमें वास्तविक अस्थिरता और ड्रिफ्ट शामिल हैं।
• संसाधन-सटीकता ट्रेड-ऑफ विश्लेषण: इस बात का सूक्ष्म विश्लेषण कि कैसे क्वबिट काउंट बढ़ाने से सटीकता में सुधार होता है लेकिन सर्किट जटिलता तेजी से (exponentially) बढ़ती है।
• हाइब्रिड फ्रेमवर्क: एक स्केलेबल पाइपलाइन स्थापित करना जो क्वांटम अनुमानों की स्थापित क्लासिकल वित्तीय बेंचमार्क के विरुद्ध व्यवस्थित तुलना करने की अनुमति देती है।

4. परिणाम और चर्चा

अध्ययन विविक्तकरण रिज़ॉल्यूशन (discretization resolution) और अनुमान सटीकता के बीच एक महत्वपूर्ण संबंध प्रकट करता है:

• अनिश्चितता क्वबिट्स का प्रभाव:
  • कम क्वबिट काउंट (1–2): इसके परिणामस्वरूप "खुरदरा" (coarse) विविक्तकरण होता है, जिससे गंभीर त्रुटियां (महत्वपूर्ण कम अनुमान या भारी ओवरशूटिंग) होती हैं।
  • "स्वीट स्पॉट" (3–4 क्वबिट्स): इस स्तर पर, QAE अनुमान मोंटे कार्लो परिणामों के करीब अभिसरित होते हैं। छोटे बास्केट (3–4 एसेट्स) के लिए, त्रुटि $<1\%$ तक गिर जाती है।
  • घटता प्रतिफल (Diminishing Returns) ($>4$ क्वबिट्स): हालांकि सटीकता में थोड़ा सुधार जारी रहता है, लेकिन कम्प्यूटेशनल लागत (सर्किट डेप्थ) तेजी से बढ़ती है, जो इसे निकट-अवधि (NISQ) हार्डवेयर के लिए कम व्यावहारिक बनाती है।
• एसेट डायमेंशनलिटी का प्रभाव:
  • जैसे-जैसे संपत्तियों की संख्या बढ़ती है (3 से 9 तक), यदि क्वबिट काउंट स्थिर रहता है, तो QAE अनुमान की सटीकता कम होने लगती है।
  • बड़े बास्केट (6–9 एसेट्स) के लिए, मॉडल ने क्लासिकल बेंचमार्क के मुकाबले "ओवरशूट" करने की प्रवृत्ति दिखाई, जो संभवतः वर्तमान कार्यान्वयन के संपत्ति स्वतंत्रता (asset independence) के अनुमान और विविक्त स्थान (discretized space) में जटिल सहसंबंधों को कैप्चर करने की चुनौतियों के कारण है।

5. महत्व

यह शोध वित्त में क्वांटम एल्गोरिदम की तैनाती के लिए कार्रवाई योग्य अंतर्दृष्टि प्रदान करता है। यह पहचानता है कि निकट-अवधि क्वांटम उपकरणों के लिए सटीकता और सर्किट डेप्थ के बीच संतुलन बनाने हेतु 3–4 अनिश्चितता क्वबिट्स प्रति एसेट का आवंटन इष्टतम है। वर्तमान विविक्तकरण और सहसंबंध मॉडलिंग की सीमाओं को उजागर करके, यह कार्य भविष्य के अनुसंधान के लिए एक रोडमैप सेट करता है, जो उच्च-आयामी, अत्यधिक सहसंबंधित वित्तीय पोर्टफोलियो को संभालने के लिए उन्नत स्टेट-प्रिपरेशन तकनीकों और बेहतर एरर मिटिगेशन (error mitigation) की आवश्यकता पर जोर देता है।