Option Pricing on Noisy Intermediate-Scale Quantum Computers: A Quantum Neural Network Approach
यह शोध पत्र कई नोइज़ी इंटरमीडिएट-स्केल क्वांटम (NISQ) हार्डवेयर प्लेटफॉर्म्स पर ब्लैक-स्कोल्स-मर्टन ऑप्शन प्राइसिंग का सटीक अनुमान लगाने के लिए एक कॉम्पैक्ट 2-क्विबिट क्वांटम न्यूरल नेटवर्क के उपयोग की व्यवहार्यता को प्रदर्शित करता है, जो अधिक जटिल वित्तीय मॉडलों पर क्वांटम मशीन लर्निंग को लागू करने के लिए एक आधारभूत ढांचा स्थापित करता है।
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
एक बड़ी तस्वीर: शोर भरे किचन में एक क्वांटम शेफ
कल्पना कीजिए कि वैश्विक वित्तीय बाजार एक विशाल, अराजक किचन है जहाँ शेफ (बैंक और ट्रेडर्स) लगातार जटिल व्यंजनों (फाइनेंशियल ऑप्शंस) की कीमत की गणना करने की कोशिश कर रहे हैं। ये गणनाएँ जोखिम प्रबंधन के लिए महत्वपूर्ण हैं, लेकिन इन्हें पूरी तरह से करना अविश्वसनीय रूप से कठिन है, खासकर जब व्यंजन जटिल होते जाते हैं।
द दशकों से, शेफ एक मानक रेसिपी बुक का उपयोग कर रहे हैं जिसे ब्लैक-स्कोल्स-मर्टन (BSM) मॉडल कहा जाता है। यह एक क्लासिक कुकबुक की तरह है जो सरल केक (यूरोपीय ऑप्शंस) के लिए तो एकदम सही काम करती है, लेकिन जब आप एक बहु-परतीय, कस्टम-आकार का वेडिंग केक (जटिल डेरिवेटिव्स) बनाने की कोशिश करते हैं, तो यह अव्यवस्थपूर्ण और धीमी हो जाती है।
समस्या: वर्तमान में हम जिन कंप्यूटरों का उपयोग करते हैं (क्लासिकल कंप्यूटर), वे सुपर-फास्ट कैलकुलेटर की तरह हैं, लेकिन जब रेसिपी बहुत जटिल हो जाती है, तो वे संघर्ष करते हैं। उन्हें एक अच्छा अनुमान लगाने के लिए लाखों परिदृश्यों का अनुकरण (सिमुलेशन) करना पड़ता है, जिसमें बहुत समय और ऊर्जा लगती है।
समाधान: इस पेपर के लेखकों ने पूछा, "क्या होगा अगर हम एक क्वांटम कंप्यूटर का उपयोग करें?" लेकिन इसमें एक पेंच है: आज के क्वांटम कंप्यूटर कांपते हाथों वाले नवजात शिशुओं की तरह हैं। वे शक्तिशाली हैं लेकिन बहुत "शोर" वाले (गलतियों के प्रति संवेदनशील) हैं और लंबे समय तक एक जटिल विचार को पकड़कर नहीं रख सकते। इस युग को NISQ (नोइज़ी इंटरमीडिएट-स्केल क्वांटम) कहा जाता है।
टीम ने, जो finQbit नामक कंपनी से है, एक विशेष "क्वांटम न्यूरल नेटवर्क" (QNN) बनाया—इसे एक छोटे, अत्यंत बुद्धिमान क्वांटम मस्तिष्क के रूप में सोचें—और परीक्षण किया कि क्या यह अपने कांपते हाथों के बावजूद इन ऑप्शंस की सटीक कीमत सीखने में सक्षम है।
प्रयोग: क्वांटम मस्तिष्क को प्रशिक्षित करना
1. प्रशिक्षण का मैदान (द "टॉय" प्रॉब्लम)
अपने नए क्वांटम मस्तिष्क का परीक्षण करने के लिए, उन्होंने वास्तविक, अराजक बाजार से शुरुआत नहीं की। उन्होंने एक नियंत्रित खेल के मैदान से शुरुआत की: ब्लैक-स्कोल्स मॉडल।
- उपमा: कल्पना कीजिए कि आप एक बच्चे को साइकिल चलाना सिखा रहे हैं। आप उन्हें पत्थरों और ट्रैफिक वाले पहाड़ी रास्ते पर नहीं भेजते। आप उन्हें एक समतल, खाली पार्किंग स्थल से शुरू करते हैं।
- लक्ष्य: यदि क्वांटम मस्तिष्क "पार्किंग स्थल" (ब्लैक-स्कोल्स मॉडल की सरल गणित) को पूरी तरह से सीख सकता है, तो शायद वह अंततः "पहाड़ी रास्ते" (जटिल, वास्तविक दुनिया के बाजारों) को सीख सकता है।
उन्होंने क्वांटम मस्तिष्क को चार चीजों के बारे में डेटा दिया जो एक ऑप्शन की कीमत बदलती हैं:
- स्टॉक की कीमत स्ट्राइक प्राइस की तुलना में कितनी है (Moneyness)
- ऑप्शन के समाप्त होने में कितना समय बचा है (Time)
- ब्याज दर (Interest)
- शेयर बाजार कितना उतार-चढ़ाव भरा है (Volatility)
2. क्वांटम आर्किटेक्चर (द "finQbit" डिज़ाइन)
आज के अधिकांश क्वांटम कंप्यूटर बहुत छोटे और नाजुक होते हैं। वे एक बार में केवल कुछ ही "क्यूबिट्स" (क्वांटम बिट्स) रख सकते हैं।
- चुनौती: आमतौर पर, आपको प्रत्येक डेटा पॉइंट के लिए एक क्यूबिट की आवश्यकता होती है। 4 डेटा पॉइंट्स के साथ, आपको 4 क्यूब्स की आवश्यकता होगी। लेकिन टीम कुशल रहना चाहती थी।
- नवाचार: उन्होंने एक 2-क्यूबिट मॉडल (finQbit आर्किटेक्चर) बनाया।
- उपमा: कल्पना कीजिए कि आपके पास दो बाल्टियाँ (क्यूबिट्स) हैं लेकिन आपको चार अलग-अलग तरल पदार्थ (डेटा) ले जाने की आवश्यकता है। चार बाल्टियाँ लेने के बजाय, उन्होंने यह पता लगाया कि उन दो बाल्टियों में तरल पदार्थों को इतनी चतुराई से कैसे मिलाया जाए कि कुछ भी नष्ट न हो। उन्होंने गणना के दौरान बाल्टियों के अंदर तरल पदार्थों को "शफल" (मिलाना) भी किया ताकि हर तरल पदार्थ दूसरे हर तरल पदार्थ के संपर्क में आए।
- परिणाम: इस छोटे, कुशल मॉडल ने आश्चर्यजनक रूप से अच्छी तरह से मूल्य निर्धारण के नियमों को सीखा, जो कि बेहतरीन क्लासिकल कंप्यूटर मॉडलों (जैसे XGBoost) की सटीकता से मेल खाता है, लेकिन बहुत कम संसाधनों का उपयोग करता है।
वास्तविक दुनिया का परीक्षण: "शोर भरा" हार्डवेयर
यह सबसे रोमांचक हिस्सा है। उन्होंने इसे केवल एक आदर्श कंप्यूटर सिमुलेशन पर नहीं चलाया। उन्होंने इसे चार अलग-अलग कंपनियों के वास्तविक, भौतिक क्वांटम कंप्यूटरों पर चलाया: IBM, IQM, IonQ, और Rigetti।
इन्हें चार अलग-अलग ब्रांड के "कांपते हाथों" के रूप में सोचें:
- IBM और Rigetti (सुपरकंडक्टिंग): ये तेज़, धात्विक रोबोट की तरह हैं। ये त्वरित हैं लेकिन जल्दी "ठंडे" (सिग्नल खोना) हो जाते हैं, जिससे कीमतें थोड़ी कम हो जाती हैं।
- IonQ (ट्रैप्ड आयन): ये परमाणुओं को थामने के लिए लेजर का उपयोग करते हैं। ये बहुत स्थिर और सुसंगत हैं, लेकिन इनका झुकाव थोड़ा "ओवरएस्टिमेट" (अधिक आंकने) की ओर होता है, जिससे कीमतें थोड़ी अधिक हो जाती हैं।
- IQM: एक अन्य तेज़ रोबोट, जो IBM के समान है।
निष्कर्ष:
- यह काम कर गया! शोर और "कांपते हाथों" के बावजूद, क्वांटम मस्तिष्क अभी भी उच्च सटीकता के साथ कीमतों की भविष्यवाणी कर सका।
- "स्वीट स्पॉट": उन्होंने पाया कि अधिक माप (जिसे "शॉट्स" कहा जाता है) लेने से शोर को कम करने में मदद मिलती है, लेकिन केवल एक बिंदु तक। एक निश्चित संख्या के बाद, मशीन थक जाती है (ड्रिफ्ट), और अधिक माप लेने से कोई लाभ नहीं होता है।
- विजेता: IBM Fez प्रोसेसर सबसे अच्छा प्रदर्शन करने वाला रहा, जिसने 93% से अधिक की सटीकता स्कोर (R²) प्राप्त किया, जो कि पूर्ण सैद्धांतिक उत्तर के अविश्वसनीय रूप से करीब है।
यह क्यों मायने रखता है?
आप पूछ सकते हैं, "यदि सरल ऑप्शंस के लिए गणित पहले से ही हल हो चुका है, तो क्वांटम कंप्यूटर के साथ क्यों भागदौड़ करें?"
उत्तर: भविष्य।
- प्रूफ ऑफ कॉन्सेप्ट: यह पेपर साबित करता है कि क्वांटम कंप्यूटर केवल विज्ञान कथा (साइंस फिक्शन) नहीं हैं। वे वास्तव में आज उपयोगी वित्तीय कार्य कर सकते हैं, भले ही वे अभी भी "शोर" वाले और अपूर्ण हों।
- "डायमेंशनलिटी का अभिशाप" (The Curse of Dimensionality): क्लासिकल कंप्यूटर तब फंस जाते हैं जब आप बहुत सारे वेरिएबल्स जोड़ देते हैं (जैसे एक ऑप्शन में 10 अलग-अलग स्टॉक्स)। उन्हें हर एक संभावना की जांच करनी पड़ती है, जिसमें बहुत समय लगता है। क्वांटम कंप्यूटर, "हिल्बर्ट स्पेस" (एक बहु-आयामी ब्रह्मांड के लिए एक फैंसी गणितीय शब्द) की अजीब ज्यामिति का उपयोग करके, इन जटिल परिदृश्यों को बहुत तेज़ी से नेविगेट कर सकते हैं।
- दक्षता: टीम ने दिखाया कि एक छोटा 2-क्यूबिट मॉडल बहुत बड़े क्लासिकल मॉडल का काम कर सकता है। यह सुझाव देता है कि भविष्य में, हमें जटिल जोखिमों की कीमत लगाने के लिए विशाल सुपरकंप्यूटरों की आवश्यकता नहीं होगी; एक छोटा क्वांटम चिप यह काम सेकंडों में कर सकता है।
निचोड़ (Bottom Line)
लेखकों ने सफलतापूर्वक एक छोटे, शोर वाले क्वांटम मस्तिष्क को एक वित्तीय ऑप्शन की कीमत लगाना सिखाया। उन्होंने इसे चार अलग-अलग कंपनियों के वास्तविक हार्डवेयर पर किया और दिखाया कि यह आश्चर्यजनक रूप से अच्छा काम करता है।
रूपक (Metaphor):
कल्पना कीजिए कि आप पेंट टपकाने वाले और कांपने वाले ब्रश का उपयोग करके किसी व्यक्ति का सटीक चित्र बनाने की कोशिश कर रहे हैं। अधिकांश लोग कहेंगे, "असंभव, कंप्यूटर का उपयोग करो।" लेकिन इस टीम ने कहा, "चलिए फिर भी कोशिश करते हैं।" उन्होंने पाया कि टपकाने और कांपने के बावजूद, वे अभी भी एक पहचानने योग्य, सटीक चित्र बना सकते हैं।
इसका मतलब यह नहीं है कि हम कल अपने बैंकों के कंप्यूटरों को बदल देंगे। लेकिन यह साबित करता है कि नींव ठोस है। जैसे-जैसे क्वांटम "ब्रश" अधिक स्थिर होंगे और "पेंट" अधिक साफ होगा, ये क्वांटम मस्तिष्क उन सबसे जटिल, महंगे वित्तीय पहेलियों को हल करने में सक्षम होंगे जिन्हें क्लासिकल कंप्यूटर बिल्कुल भी नहीं संभाल सकते।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।