💰 quantitative finance

Full grid solution for multi-asset options pricing with tensor networks

यह शोध पत्र प्रदर्शित करता है कि क्वांटाइज्ड टेंसर ट्रेन्स (QTT), 15 संपत्तियों तक ब्लैक-स्कोल्स PDE के लिए उच्च सटीकता और बहुपद स्केलिंग के साथ फुल-ग्रिड समाधानों को सक्षम करके मल्टी-एसेट ऑप्शन प्राइसिंग में आयात्मकता के अभिशाप (curse of dimensionality) पर विजय प्राप्त करते हैं, जो मोंटे कार्लो विधियों के एक व्यवहार्य विकल्प के रूप में कार्य करता है।

मूल लेखक: Lucas Arenstein, Michael Kastoryano

प्रकाशित 2026-02-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Lucas Arenstein, Michael Kastoryano

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक वित्तीय वास्तुकार (financial architect) हैं जो कई अलग-अलग सामग्रियों (स्टॉक्स, बॉन्ड्स, करेंसी) से बनी एक जटिल इमारत के भविष्य के मूल्य का अनुमान लगाने की कोशिश कर रहे हैं। वित्त की दुनिया में, इसे मल्टी-एसेट ऑप्शंस की प्राइसिंग (pricing multi-asset options) कहा जाता है।

दशकों से, वास्तुकार एक समस्या से जूझ रहे हैं जिसे "कर्स ऑफ डायमेंशनैलिटी" (Curse of Dimensionality) कहा जाता है। यहाँ इसका सरल संस्करण है:

पुराना तरीका (ग्रिड/Grid): कल्पना कीजिए कि आप एक शहर का मानचित्र बना रहे हैं। यदि आपके पास एक सड़क है, तो आपको मानचित्र बनाने के लिए 100 बिंदुओं की आवश्यकता होगी। यदि दो सड़कें आपस में काटती हैं, तो आपको 100 x 100 = 10,000 बिंदुओं की आवश्यकता होगी। यदि आपके पास 5 सड़कें हैं, तो आपको 100 x 100 x 100 x 100 x 100 = 10 बिलियन बिंदुओं की आवश्यकता होगी।
समस्या: सटीक उत्तर पाने के लिए, आपको उन प्रत्येक बिंदुओं पर मूल्य की गणना करने की आवश्यकता होती है। केवल 3 या 4 एसेट्स के साथ भी, आपका कंप्यूटर मेमोरी और समय खत्म कर देता है। यह समुद्र तट पर रेत के हर एक कण को एक-एक करके उठाने की कोशिश करने जैसा है।
वर्तमान जुगाड़: क्योंकि "ग्रिड" विधि बहुत धीमी है, इसलिए बैंकर आमतौर पर मोंटे कार्लो सिमुलेशन (Monte Carlo simulations) का उपयोग करते हैं। यह बोर्ड पर डार्ट फेंकने की तरह है ताकि शहर के आकार का अनुमान लगाया जा सके। यह तेज़ है, लेकिन इसमें शोर (noise) है, यह अनिश्चित है, और आपको केवल कुछ ही डेटा पॉइंट मिलते हैं। आप पूरी तस्वीर नहीं देख सकते, और यदि आप जानना चाहते हैं कि यदि हवा थोड़ी अलग दिशा में चलती है तो क्या होगा, तो आपको फिर से डार्ट फेंकने पड़ेंगे।

नया समाधान: "क्वांटम" कंप्रेशन ट्रिक

यह पेपर टेंसर नेटवर्क (Tensor Networks) (विशेष रूप से जिसे क्वांटाइज्ड टेंसर ट्रेन्स (QTT) कहा जाता है) का उपयोग करके एक नई विधि पेश करता है। इसे ऐसे समझें कि यह रेत के कणों को गिनने के बारे में नहीं है, बल्कि यह समझने के बारे में है कि समुद्र तट का एक छिपा हुआ पैटर्न है।

यहाँ उपमाएँ (analogies) दी गई हैं:

1. "ज़िपर" की उपमा (कंप्रेशन)

कल्पना कीजिए कि आपके पास एक शहर की विशाल, उच्च-रिज़ॉल्यूशन वाली फोटो है। एक सामान्य कंप्यूटर हर इंच के लिए हर पिक्सेल (लाल, हरा, नीला) को स्टोर करने की कोशिश करता है। यह "फुल ग्रिड" है। यह बहुत बड़ा है।

QTT विधि एक सुपर-स्मार्ट ज़िपर की तरह है। यह समझ जाता है कि आकाश ज्यादातर नीला है, घास ज्यादातर हरी है, और इमारतों में दोहराव वाले पैटर्न हैं। हर पिक्सेल को स्टोर करने के बजाय, यह उन नियमों को स्टोर करता है जो उस चित्र को बनाते हैं।

जादू: शहर जितना अधिक जटिल होगा (आप जितने अधिक एसेट्स जोड़ेंगे), आपका "ज़िपर" डेटा को उतना ही अधिक कंप्रेस करेगा। 5 एसेट्स के लिए 10 बिलियन बिंदुओं के बजाय, इस विधि को पूरी चीज़ को पूरी तरह से वर्णित करने के लिए केवल कुछ हज़ार "नियमों" की आवश्यकता हो सकती है।

2. "लेगो" (Lego) की उपमा (समाधान बनाना)

लेखकों ने गणित को हल करने के लिए दो अलग-अलग "निर्माण किट" (सॉल्वर) बनाए हैं:

किट A: द टाइम-स्टेपर (सीढ़ियाँ)
- कल्पना कीजिए कि आप भविष्य (जब ऑप्शन समाप्त होता है) से आज की ओर एक सीढ़ी से नीचे उतर रहे हैं।
- प्रत्येक कदम पर, आप नीचे वाले कदम के आधार पर इमारत के मूल्य की गणना करते हैं।
- यह क्यों अच्छा है: यह जटिल अमेरिकन ऑप्शंस (जहाँ आप समय से पहले कैश आउट कर सकते हैं) के लिए बहुत कुशल है। यह हर कदम पर "लेगो ब्लॉक्स" को छोटा और प्रबंधनीय रखता है।
किट B: द स्पेस-टाइम सॉल्वर (मूवी)
- सीढ़ियों से एक-एक करके नीचे उतरने के बजाय, कल्पना कीजिए कि आपके पास एक टाइम मशीन है। आप शुरुआत से अंत तक इमारत के मूल्य की पूरी मूवी एक ही शॉट में बनाते हैं।
- यह क्यों अच्छा है: यह आपको पूरा इतिहास एक साथ देता है। यह सरल यूरोपीय ऑप्शंस (जहाँ आप केवल अंत में कैश आउट कर सकते हैं) के लिए अविश्वसनीय रूप से तेज़ है।

यह क्यों मायने रखता है (The "Aha!" Moment)

इस पेपर से पहले, यदि आप 5 अलग-अलग स्टॉक्स से जुड़े एक जटिल वित्तीय उत्पाद की कीमत तय करना चाहते थे, तो आपको "डार्ट फेंकने" (मोंटे कार्लो) की विधि पर निर्भर रहना पड़ता था। आपको एक मोटा अनुमान मिलता था, और यदि आप जानना चाहते थे कि एक स्टॉक में मामूली बदलाव के प्रति इसकी संवेदनशीलता (एक "ग्रीक") क्या है, तो आपको सिमुलेशन को फिर से चलाना पड़ता था।

इस नई विधि के साथ:

पूरी तस्वीर: आपको शहर का पूरा मानचित्र मिलता है, न कि केवल कुछ यादृच्छिक बिंदु। आप स्टॉक की किसी भी संयोजन के लिए मूल्य देख सकते हैं।
इंस्टेंट री-प्राइसिंग: यदि आज सुबह बाजार 1% बदल जाता है, तो आपको पूरी गणना फिर से चलाने की आवश्यकता नहीं है। आप बस पहले से बनाए गए मानचित्र पर "ज़ूम इन" कर सकते हैं। यह तुरंत होता है।
उच्च आयाम (High Dimensions): लेखकों ने सफलतापूर्वक इसे 3, 4 और यहाँ तक कि 5 एसेट्स के लिए एक मानक लैपटॉप पर चलाया। उनका अनुमान है कि थोड़े अधिक कंप्यूटिंग पावर के साथ यह आसानी से 10 से 15 एसेट्स को भी संभाल सकता है।
कोई शोर नहीं: डार्ट फेंकने वाली विधि के विपरीत, यह गणितीय रूप से सटीक उत्तर देता है (एक बहुत ही मामूली त्रुटि सीमा के भीतर), जिससे यह जोखिम प्रबंधन के लिए एकदम सही बन जाता है।

निचोड़ (The Bottom Line)

यह पेपर एक कैमरे के लिए एक नए लेंस की खोज करने जैसा है।

पुराना लेंस: आप केवल छोटे, सरल ऑब्जेक्ट्स (1-3 एसेट्स) की स्पष्ट तस्वीरें ले सकते थे। इससे बड़ी कोई भी चीज़ धुंधली थी या उसे विकसित करने में बहुत समय लगता था।
नया लेंस (QTT): अब आप सेकंडों में, अपने लैपटॉप पर ही, विशाल और जटिल दृश्यों (5+ एसेट्स) की क्रिस्टल-क्लियर, हाई-डेफिनिशन तस्वीरें ले सकते हैं।

यह एक ऐसी समस्या को जो पहले सटीक रूप से हल करना असंभव था, एक नियमित गणना में बदल देता है, जिससे बैंक और ट्रेडर्स को पहले की तुलना में एक स्पष्टता के साथ जटिल जोखिमों को समझने में मदद मिलती है।

यहाँ लुकास एरेनस्टीन और माइकल कास्टोरियानो के शोध पत्र "Full grid solution for multi-asset options pricing with tensor networks" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

मल्टी-एसेट ऑप्शंस (जैसे बास्केट, मैक्स-मिन, या कोरिलेशन-डिपेंडेंट ऑप्शंस) की प्राइसिंग के लिए ब्लैक-स्कोल्स (Black–Schaules) पार्शियल डिफरेंशियल इक्वेशन (PDE) का उपयोग करना ऐतिहासिक रूप से "डायमेंशनलिटी के अभिशाप" (curse of dimensionality) द्वारा सीमित रहा है।

शास्त्रीय सीमाएँ (Classical Limitations): मानक ग्रिड-आधारित विधियाँ (फाइनाइट डिफरेंस, फाइनाइट एलीमेंट्स) के लिए ग्रिड का आकार $O(N^d)$ के अनुपात में बढ़ता है, जहाँ $N$ प्रति आयाम विस्क्रीटाइजेशन पॉइंट्स की संख्या है और $d$ अंतर्निहित एसेट्स की संख्या है। यह घातीय वृद्धि (exponential growth) व्यावहारिक अनुप्रयोगों को $d \leq 3$ तक ही सीमित कर देती है।
वर्तमान उद्योग अभ्यास (Current Industry Practice): $d > 3$ के लिए, विशेषज्ञ मोंटे कार्लो (MC) विधियों पर निर्भर रहते हैं। हालाँकि MC उच्च आयामों को संभाल सकता है, लेकिन इसमें स्टोकेस्टिक शोर (stochastic noise) होता है, टेल इवेंट्स (tail events) के लिए अभिसरण (convergence) धीमा होता है, और यह एक पूर्ण समाधान सतह (full solution surface) प्रदान करने में असमर्थ है। MC केवल विशिष्ट प्रारंभिक अवस्थाओं के लिए कीमतें देता है, जिससे नए परिदृश्यों के लिए पुनः रन करने की आवश्यकता होती है, और घने "ग्रीक्स" (Greeks - संवेदनशीलता) की गणना करना कठिन और शोरपूर्ण हो जाता है।
स्पार्स ग्रिड सीमाएँ (Sparse Grid Limitations): स्पार्स ग्रिड तकनीकें जटिलता को $O(N(\log N)^{d-1})$ तक कम करती हैं, लेकिन वे पूर्ण ग्रिड प्रतिनिधित्व प्रदान नहीं करती हैं, जिससे री-प्राइसिंग के लिए इंटरपोलेशन और क्रॉस-सेंसिटिविटी की गणना जैसे कार्य जटिल बाधा बन जाते हैं।

2. कार्यप्रणाली (Methodology)

लेखक उच्च-आयामी PDE, ऑपरेटर्स और बाउंड्री कंडीशंस को दर्शाने के लिए क्वांटाइज्ड टेंसर ट्रेन्स (Quantized Tensor Trains - QTT) का उपयोग करते हुए एक नियतात्मक (deterministic) दृष्टिकोण प्रस्तावित करते हैं। यह घातीय स्टोरेज और अंकगणितीय जटिलता को ग्रिड आकार के पॉलीलॉगैरिथमिक (polylogarithmic) निर्भरता में बदल देता है।

मुख्य घटक:

QTT प्रतिनिधित्व: विधि $d$ -आयामी ग्रिड (आकार $2^c$ ) को $d \times c$ बाइनरी मोड्स वाले एक टेंसर में पुनर्गठित करती है। फलन (functions) और ऑपरेटर्स को लो-रैंक कोर की एक श्रृंखला (Tensor Train फॉर्मेट) में विघटित किया जाता है।
ऑपरेटर निर्माण: ब्लैक-स्कोल्स डिफरेंशियल ऑपरेटर को इमप्लिसिट फाइनाइट डिफरेंस का उपयोग करके विस्क्रीटाइज किया जाता है। महत्वपूर्ण रूप से, परिणामी मैट्रिक्स (जो ट्रिडायगोनल टोप्लिट्ज़ मैट्रिसेस के क्रोनेकर उत्पादों के योग का एक योग है) एक सटीक QTT प्रतिनिधित्व स्वीकार करता है जिसके रैंक $d$ के साथ बहुपद रूप से (विशेष रूप से $O(d^2)$ ) बढ़ते हैं, लेकिन ग्रिड के आकार से स्वतंत्र होते हैं।
पेऑफ और बाउंड्री कंडीशंस:
- स्मूथ टर्म्स (एक्सपोनेंशियल) को रैंक-1 QTT के साथ विश्लेषणात्मक रूप से निर्मित किया जाता है।
- नॉन-लीनियर टर्म्स (पेऑफ में $\max$ फंक्शन और अर्ली-एक्सरसाइज कंडीशंस) को TT-Cross एल्गोरिदम का उपयोग करके संभाला जाता है, जो पूरे ग्रिड का मूल्यांकन किए बिना निम्न-रैंक सन्निकटन (low-rank approximation) बनाने के लिए न्यूनतम बिंदुओं का नमूना लेता है।
लीनियर सॉल्वर्स: परिणामी लीनियर सिस्टम को अल्टरनेटिंग लीनियर स्कीम (ALS) या इसके वेरिएंट MALS (Multi-ALS) का उपयोग करके हल किया जाता है, जो अन्य कोर को स्थिर रखते हुए टेंसर कोर को पुनरावृत्ति (iteratively) के माध्यम से अनुकूलित करता है।

दो सॉल्वर आर्किटेक्चर:

टाइम-स्टेपिंग QTT सॉल्वर (Time-Stepping QTT Solver):
- समय में अनुक्रमिक रूप से PDE को हल करता है (बैकवर्ड यूलर)।
- प्रत्येक चरण में, यह $A w_{i+1} = b_i$ को हल करता है।
- अमेरिकन ऑप्शंस के लिए, अर्ली-एक्सरसाइज कंडीशन ( $V \geq \text{Payoff}$ ) को हर चरण में TT-Cross प्रोजेक्शन के माध्यम से लागू किया जाता है।
- सर्वश्रेष्ठ: $d > 3$ के लिए, जहाँ स्पेस-टाइम फॉर्मूलेशन के लिए रैंक वृद्धि अत्यधिक हो जाती है।
स्पेस-टाइम QTT सॉल्वर (Space-Time QTT Solver):
- समय को एक अतिरिक्त स्थानिक आयाम (spatial dimension) के रूप में मानता है, और पूरे स्पेस-टाइम डोमेन को एक ही बार में हल करता है।
- विकल्प की पूर्ण टेम्पोरल इवोल्यूशन (temporal evolution) उत्पन्न करता है।
- सर्वश्रेष्ठ: $d \leq 3$ और यूरोपियन ऑप्शंस के लिए, जो बेहतर गति और पूर्ण समाधान सतह प्रदान करता है।

3. मुख्य योगदान (Key Contributions)

डायमेंशन बैरियर को तोड़ना: एक मानक पर्सनल कंप्यूटर (लैपटॉप) पर $d = 3, 4, 5$ (और सैद्धांतिक रूप से $d = 10\text{--}15$ तक) के लिए मल्टी-एसेट ब्लैक-स्कोल्स PDE के पूर्ण-ग्रिड समाधान का पहला प्रदर्शन।
पूर्ण ग्रिड और डेंस ग्रीक्स (Full Grid & Dense Greeks): मोंटे कार्लो या स्पार्स ग्रिड के विपरीत, यह विधि पूरी समाधान सतह प्रदान करती है। यह निम्नलिखित कार्यों को सक्षम बनाता है:
- बिना सॉल्वर को दोबारा चलाए, इंटरपोलेशन के माध्यम से नए स्पॉट प्राइसेस के लिए तत्काल री-प्राइसिंग।
- पूरे ग्रिड में घने, शोर-मुक्त ग्रीक्स (डेल्टा, गामा, क्रॉस-सेंसिटिविटीज) की गणना।
रैंक विश्लेषण: सिद्ध किया कि QTT रैंकों के लिए ब्लैक-स्कोल्स ऑपरेटर $d$ के साथ बहुपद रूप से ( $O(d^2)$ ) स्केल करता है और ग्रिड रिज़ॉल्यूशन से स्वतंत्र है। संख्यात्मक प्रयोगों से पता चलता है कि $d=5$ के लिए भी रैंक कम रहता है (जैसे, $\chi \approx 10\text{--}12$ )।
एल्गोरिद्मिक फ्रेमवर्क: दो पूरक सॉल्वर (टाइम-स्टेपिंग और स्पेस-टाइम) विकसित किए गए और नॉन-लिनियैरिटी (अमेरिकन ऑप्शंस) को सीधे टेंसर फ्रेमवर्क के भीतर एकीकृत किया गया।

4. परिणाम (Results)

लेखकों ने अपने सॉल्वरों का एक MacBook Pro (M3 Pro) पर यूरोपियन ऑप्शंस के लिए Gauss-Hermite क्वाड्रचर और अमेरिकन ऑप्शंस के लिए Longstaff-Schwartz MC के विरुद्ध बेंचमार्क किया।

सटीकता (Accuracy): $d=3, 4, 5$ आयामों में बास्केट और मैक्स-मिन ऑप्शंस के लिए 1–2% की प्राइसिंग त्रुटि प्राप्त की।
प्रदर्शन (Performance):
- यूरोपियन ऑप्शंस: $d \leq 3$ के लिए स्पेस-टाइम सॉल्वर तेज़ था। $d=5$ के लिए, टाइम-स्टेपिंग सॉल्वर ने 1% त्रुटि के साथ लगभग 433 सेकंड में समस्या को हल किया।
- अमेरिकन ऑप्शंस: अर्ली-एक्सरसाइज कंडीशन ने रनटाइम में केवल ~30% का ओवरहेड जोड़ा। $\max$ फंक्शन के लिए TT-Cross प्रोजेक्शन कुशल था, जिससे रैंक नियंत्रित रहे।
- स्केलेबिलिटी: एक 5-एसेट समस्या को $2^{45}$ पॉइंट्स के ग्रिड के साथ (जो मेमोरी आवश्यकताओं के कारण क्लासिकल डेंस सॉल्वर के लिए असंभव है) आसानी से मेमोरी में हल किया गया।
ग्रीक्स (Greeks): एक बार समाधान ग्रिड बन जाने के बाद, ग्रीक्स की गणना करने में नगण्य अतिरिक्त समय (मिलीसेकंड) लगा, क्योंकि इसमें लो-रैंक डेरिवेटिव ऑपरेटर्स को लागू करना शामिल था।

5. महत्व और प्रभाव (Significance and Impact)

नियतात्मक उच्च-आयामी प्राइसिंग: यह कार्य स्थापित करता है कि QTT, उच्च-आयामी डेरिवेटिव्स के लिए मोंटे कार्लो के एक व्यवहार्य, नियतात्मक विकल्प के रूप में काम कर सकता है, जो सांख्यिकीय शोर को समाप्त करता है और जोखिम परिदृश्य का पूर्ण दृश्य प्रदान करता है।
परिचालन दक्षता (Operational Efficiency): कमोडिटी हार्डवेयर पर मार्केट आवर्स के दौरान पूर्ण ग्रिड बनाने की क्षमता, तत्काल री-प्राइसिंग और रीयल-टाइम रिस्क मैनेजमेंट (इंट्राडे ग्रीक्स) को सक्षम बनाती है, जो ओवरनाइट MC वर्कफ़्लो की तुलना में एक महत्वपूर्ण सुधार है।
कैलिब्रेशन और वैलिडेशन: पूर्ण-ग्रिड प्रतिनिधित्व अलग-थलग बिंदुओं के बजाय संपूर्ण वोलैटिलिटी/कोरिलेशन सतहों के कैलिब्रेशन का समर्थन करता है, जिससे इनवर्स समस्याओं में स्थिरता में सुधार होता है।
भावी विस्तार: यह फ्रेमवर्क लोकल वोलैटिलिटी, जंप-डिफ्यूजन (मर्टन), और SABR मॉडल सहित अधिक जटिल मार्केट मॉडल्स के लिए सामान्यीकरण योग्य है, बस डिस्क्रीटाइजेशन और ऑपरेटर स्प्लिटिंग तकनीकों को अनुकूलित करने की आवश्यकता है।

संक्षेप में, यह शोध पत्र प्रदर्शित करता है कि टेंसर नेटवर्क विधियाँ डायमेंशनलिटी के अभिशाप को दूर कर सकती हैं, जिससे पूर्ण-ग्रिड, उच्च-आयामी ऑप्शन प्राइसिंग मानक हार्डवेयर पर एक व्यावहारिक वास्तविकता बन जाती है।