💰 quantitative finance

COS-TT-CHF: A Tensor-Train Characteristic-Function COS Method for Multi-Asset Option Pricing

यह शोध पत्र COS-TT-CHF को प्रस्तुत करता है, जो एक लो-रैंक टेंसर-ट्रैन विधि है जो विशेषता-फलन (characteristic-function) टेंसरों को संकुचित करके लेवी (Lévy) और एफ़ाइन (affine) मॉडलों के तहत मल्टी-एसेट ऑप्शन प्राइसिंग में आयामीता के अभिशाप (curse of dimensionality) पर विजय प्राप्त करता है, जिससे 30 संपत्तियों तक के बास्केट और मिन/मैक्स ऑप्शंस की सटीक और कुशल प्राइसिंग संभव होती है, जो डायरेक्ट COS, टेंसर-फूरियर और QMC बेंचमार्क की तुलना में बेहतर प्रदर्शन करती है।

मूल लेखक: Lucas Arenstein, Michael Kastoryano

प्रकाशित 2026-08-19

📖 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

वित्त की दुनिया में, एक एकल स्टॉक के भविष्य के मूल्य की भविष्यवाणी करना पहले से ही एक जटिल कार्य है, लेकिन आधुनिक बाजारों में निवेशकों को अक्सर दर्जनों संपत्तियों वाले बास्केट पर विकल्पों (options) की कीमत निर्धारित करने की आवश्यकता होती है। ये वित्तीय अनुबंध, जिन्हें 'ऑप्शंस' कहा जाता है, धारक को भविष्य में एक विशिष्ट कीमत पर समूहों के शेयरों को खरीदने या बेचने का अधिकार देते हैं। कठिनाई तब आती है जब इन अनुबंधों के लिए उचित मूल्य की गणना करने का प्रयास किया जाता है क्योंकि संपत्तियों की संख्या बढ़ती जाती है। पारंपरिक गणितीय उपकरण इस वृद्धि के साथ अत्यधिक संघर्ष करते हैं; हर बार जब बास्केट में एक नई संपत्ति जोड़ी जाती है, तो गणना के लिए आवश्यक मात्रा केवल थोड़ी सी नहीं बढ़ती, बल्कि तेजी से (exponentially) बढ़ जाती है। यह घटना, जिसे 'कर्स ऑफ डायमेंशनैलिटी' (curse of dimensionality) के रूप में जाना जाता है, लंबे समय से विश्लेषकों को धीमी, अनुमानित विधियों पर निर्भर रहने या अपने विश्लेषण को बहुत छोटे समूहों तक सीमित करने के लिए मजबूर करती रही है, जिससे जटिल, बहु-परिसंपत्ति वाले वित्तीय उत्पादों को सटीक और तेजी से मूल्य निर्धारित करने की हमारी क्षमता में एक बड़ा अंतर रह जाता है।

कोपेनहेगन विश्वविद्यालय के शोधकर्ताओं ने इस अंतर को पाटने के लिए एक नया दृष्टिकोण विकसित किया है, जिससे तीस अलग-अलग संपत्तियों वाले बास्केट के ऑप्शंस की तेजी से कीमत निर्धारित करने की विधि तैयार हुई है। उनका कार्य, जो "COS–TT–CHF" नामक एक शोध पत्र में प्रकाशित हुआ है, एक विशिष्ट प्रकार के वित्तीय मॉडल पर केंद्रित है जो एक गणितीय उपकरण जिसका नाम 'कैरक्टेरिस्टिक फंक्शन' (characteristic function) है, का उपयोग करके परिसंपत्तियों की कीमतों के उतार-चढ़ाव का वर्णन करता है। संपत्तियों के हर संभावित संयोजन को एक साथ देखने की कोशिश करने के बजाय—जो कि संपत्तियों की संख्या बढ़ने पर असंभव हो जाता है—टीम ने 'टेंसर-ट्रेन एप्रोक्सिमेशन' (tensor-train approximation) नामक तकनीक का उपयोग किया। यह विधि, आवश्यक विशाल, उच्च-आयामी डेटा को एक बहुत छोटे, प्रबंधनीय प्रारूप में संकुचित (compress) करने का कार्य करती है। यह इस तरह है जैसे एक उच्च-रिज़ॉल्यूशन वाली तस्वीर को बिना आवश्यक विवरण खोए एक छोटी फ़ाइल के आकार में संकुचित किया जा सकता है, जिससे कंप्यूटर जानकारी को कुशलतापूर्वक संसाधित कर पाता है और डेटा की भारी मात्रा के कारण धीमा नहीं होता।

शोधकर्ताओं ने अपने नए तरीके का परीक्षण कई स्थापित बेंचमार्क के विरुद्ध किया, जिसमें पुरानी, प्रत्यक्ष गणना तकनीकें और रैंडम सैंपलिंग पर आधारित परिष्कृत सिमुलेशन विधियाँ शामिल थीं। उन्होंने पाया कि केवल दो या तीन संपत्तियों वाले बास्केट के लिए, उनकी नई विधि मौजूदा तकनीकों की तुलना में अनिवार्य रूप से तेज नहीं थी। हालांकि, जैसे ही संपत्तियों की संख्या चार या अधिक हो गई, नया तरीका पुराने प्रत्यक्ष गणना दृष्टिकोणों की तुलना में काफी बेहतर प्रदर्शन करने लगा। बीस संपत्तियों वाले परीक्षणों में, इस विधि ने गणना को कुछ ही सेकंडों में पूरा कर लिया, जबकि पारंपरिक प्रत्यक्ष विधियों को समान स्तर की सटीकता प्राप्त करने में मिनटों या घंटों का समय लग जाता। टीम ने यह भी प्रदर्शित किया कि उनका दृष्टिकोण विभिन्न प्रकार के बाजार मॉडलों के लिए अच्छी तरह से काम करता है, जिनमें कीमतों में अचानक उछाल या बदलती अस्थिरता (volatility) को दर्शाने वाले मॉडल शामिल हैं, जो वास्तविक दुनिया के वित्तीय बाजारों की सामान्य विशेषताएं हैं।

केवल विकल्प की कीमत खोजने के अलावा, यह नई विधि "ग्रीक्स" (Greeks) की त्वरित गणना करने की अनुमति देती है, जो यह मापता है कि विकल्प की कीमत अंतर्निहित संपत्तियों या बाजार की स्थितियों में बदलाव के प्रति कितनी संवेदनशील है। यह जोखिम प्रबंधन के लिए महत्वपूर्ण है, क्योंकि व्यापारियों को यह जानने की आवश्यकता होती है कि उनके पोर्टफोलियो का बाजार के बदलावों के प्रति क्या व्यवहार होगा। शोधकर्ताओं ने दिखाया कि एक बार प्रारंभिक संकुचित डेटा संरचना बन जाने के बाद, विभिन्न स्ट्राइक प्राइस या बाजार परिदृश्यों के लिए इन संवेदनशीलताओं की गणना करना लगभग तात्कालिक होता है। यह पुन: प्रयोज्यता (reusability) एक प्रमुख लाभ है, क्योंकि इसका अर्थ है कि भारी काम केवल एक बार किया जाता है, और परिणामों को गणना को फिर से शुरू किए बिना प्रश्नों की एक विस्तृत श्रृंखला पर लागू किया जा सकता है।

अध्ययन ने एक विशिष्ट प्रकार के विकल्प को भी संबोधित किया जो एक समूह में सबसे कम या सबसे अधिक प्रदर्शन करने वाली संपत्ति के आधार पर भुगतान करता है, जिसे 'मिन/मैक्स ऑप्शंस' (min/max options) कहा जाता है। इन्हें मूल्य निर्धारित करना विशेष रूप से कठिन होता है क्योंकि इनका भुगतान सभी संपत्तियों के बीच की अंतःक्रिया पर निर्भर करता है जो मानक गणना पैटर्न में फिट नहीं बैठता। शोधकर्ताओं ने इन जटिल पे-ऑफ (payoff) को संभालने के लिए अपने तरीके को सफलतापूर्वक अनुकूलित किया, यह सिद्ध करते हुए कि उनका संकुचित प्रतिनिधित्व संपत्तियों के आवश्यक संयुक्त व्यवहार को पकड़ सकता है। अपने परीक्षणों में, पद्धति ने तीस संपत्तियों के साथ भी उच्च सटीकता बनाए रखी, जो इस वर्ग की गणना तकनीकों के लिए पहले पहुंच से बाहर था। परिणाम बताते हैं कि गणना की जटिलता को प्रक्रिया के शुरुआती चरण में ही एक संकुचित प्रारूप में बदलकर, उस घातीय गणना लागत (exponential growth of computational cost) को दरकिनार करना संभव है जिसने लंबे समय से बहु-परिसंपत्ति डेरिवेटिव की प्राइसिंग में बाधा डाली है।

शोधकर्ताओं ने अपने निष्कर्षों की तुलना अन्य उच्च-परिशुद्धता विधियों से उत्पन्न संदर्भ डेटा के साथ की, जैसे कि रैंडम सैज़िंग तकनीकें जिन्हें सटीकता के लिए स्वर्ण मानक माना जाता है लेकिन वे बहुत धीमी होती हैं। नया तरीका उच्च आयामों में बहुत अधिक गति के साथ उच्च परिशुद्धता के साथ इन संदर्भ कीमतों से मेल खाता है। उदाहरण के लिए, बीस संपत्तियों वाले एक सामान्य वित्तीय मॉडल के तनाव परीक्षण (stress test) में, नए तरीके ने गणना लगभग साठ-तिहाई सेकंड में पूरी की, जबकि संदर्भ सिमुलेशन विधि को पांच सौ सेकंड से अधिक का समय लगा। सटीकता विभिन्न प्रकार की संपत्तियों और बाजार की स्थितियों में सुसंगत रही, जिसमें 'हेवी-टेल्ड डिस्ट्रीब्यूशन' (heavy-tailed distributions) वाले मॉडल भी शामिल हैं जहाँ चरम मूल्य हलचल की संभावना अधिक होती है।

यह कार्य यह दावा नहीं करता है कि यह वित्तीय गणित की हर समस्या को हल कर देगा, न ही यह सुझाव देता है कि सभी प्राइसिंग चुनौतियां अब समाप्त हो गई हैं। यह विधि इस धारणा पर निर्भर करती है कि अंतर्निहित डेटा को प्रभावी ढंग से संकुचित किया जा सकता है, जो कई सामान्य बाजार मॉडलों के लिए सत्य है लेकिन अधिक विलक्षण (exotic) परिदृश्यों में भिन्न हो सकता है। हालांकि, परिणाम स्पष्ट रूप से दर्शाते हैं कि कई व्यावहारिक अनुप्रयोगों के लिए, आयामीता (dimensionality) की बाधा को कम किया जा सकता है। समस्या को एक संकुचित प्रतिनिधित्व में बदलकर, शोधकर्ताओं ने एक ऐसा उपकरण प्रदान किया है जो जटिल, बहु-परिसंपत्ति ऑप्शंस को ऐसी गति और सटीकता के साथ मूल्य निर्धारित करना संभव बनाता है जो पहले अप्राप्य थी। यह प्रगति उन वित्तीय संस्थानों के लिए एक व्यावहारिक मार्ग प्रदान करती है जिन्हें तेजी से परस्पर जुड़े और जटिल बाजारों में जोखिम प्रबंधन करने और उत्पादों की कीमत निर्धारित करने की आवश्यकता होती है।

तकनीकी सारांश: बहु-परिसंपत्ति विकल्प मूल्य निर्धारण के लिए COS–TT–CHF

समस्या विवरण
यह शोध पत्र लेवी (Lévy) और एफ़ाइन (affine) विशेषता-फलन (characteristic-function) मॉडलों के तहत यूरोपीय बहु-परिसंपत्ति विकल्पों (multi-asset options) के मूल्य निर्धारण को संबोधित करता है। प्राथमिक बाधा "आयामी अभिशाप" (curse of dimensionality) है: प्रत्यक्ष बहुआयामी फूरियर या COS (कोसाइन) विधियाँ टेंसर-प्रोडक्ट ग्रिड पर गुणांक सरणियों (coefficient arrays) का निर्माण करती हैं, जिनका आकार संपत्तियों की संख्या $d$ के साथ तेजी से ( $N^d$ ) बढ़ता है। जबकि मौजूदा विधियाँ जैसे कि अडैप्टिव स्पार्स-ग्रिड क्वाड्रचर, डैम्प्ड COS फॉर्मूले और क्वासी-मोंटे कार्लो (QMC) इस समस्या का समाधान करती हैं, वे या तो सैंपलिंग के माध्यम से अपेक्षाओं (expectations) का अनुमान लगाती हैं या ऐसे स्पेक्ट्रल प्रतिनिधित्व (spectral representations) बनाती हैं जिन्हें विभिन्न स्ट्राइक्स (strikes) या ग्रीक्स (Greeks) के लिए आसानी से पुन: उपयोग नहीं किया जा सकता है। यह शोध पत्र इस अंतराल की पहचान करता है कि स्पेक्ट्रल गुणांक प्रतिनिधित्व को उच्च आयामों में बिना पुनः-सैंपलिंग या प्रत्येक नए क्वेरी के लिए पूरे टेंसर को पुन: गणना किए बिना कैसे उपयोगी बनाया जाए।

कार्यप्रणाली: COS–TT–CHF
लेखक COS–TT–CHF (टेंसर-ट्रेन विशेषता-फलन COS) का प्रस्ताव करते हैं, जो एक निम्न-रैंक निर्माण है जो टेंसर-ट्रेन (TT) सन्निकटन को अपस्ट्रीम (upstream) स्थानांतरित करता है। पिछले दृष्टिकोणों के विपरीत जो अंतिम COS गुणांक टेंसर को संकुचित करते हैं, यह विधि COS गुणांकों में रूपांतरित करने से पहले नमूनाकृत संयुक्त विशेषता-फलन (joint characteristic function - CHF) टेंसर को संकुचित करती है।

कार्यप्रवाह इस प्रकार है:

सैंपलिंग (Sampling): संयुक्त विशेषता-फलन $\phi_X(\omega)$ को एक टेंसर-प्रोडक्ट फ्रीक्वेंसी ग्रिड पर नमूना लिया जाता है, जिससे एक उच्च-आयामी टेंसर $\Phi$ बनता है।
TT-Cross संपीड़न (Compression): नमूनाकृत टेंसर $\Phi$ को TT-cross एल्गोरिदम का उपयोग करके एक टेंसर-ट्रेन (TT) प्रारूप में संकुचित किया जाता है। यह $\Phi$ को निम्न-रैंक वाले कोर $G_m$ के एक अनुक्रम का उपयोग करके सन्निकट करता है, जिससे $N^d$ प्रविष्टियों के पूर्ण भंडारण से बचा जा सकता है।
कोरवाइज ट्रांसफॉर्मेशन (Corewise Transformation): TT कोरों को एक एक-आयामी मानचित्र के माध्यम से COS गुणांक कोर $B_m$ में परिवर्तित किया जाता है जो फ्रीक्वेंसी नोड्स को COS मोड में बदलता है। यह चरण प्रत्येक कोर पर स्थानीय रूप से किया जाता है, जिससे निम्न-रैंक संरचना सुरक्षित रहती है।
पे-ऑफ कॉन्ट्रैक्शन (Payoff Contraction):
- अरिथमेटिक बास्केट (Arithmetic Baskets): संकुचित COS गुणांक टेंसर को एक-आयामी बास्केट-ट्रांसफॉर्म कारकों के साथ कॉन्ट्रैक्ट किया जाता है ताकि स्केलर बास्केट विशेषता-फलन $\phi_H$ प्राप्त किया जा सके। यह बास्केट कॉल और पुट के लिए मानक 1D COS मूल्य निर्धारण की अनुमति देता है।
- मिन/मैक्स विकल्प (Min/Max Options): यह विधि संयुक्त COS गुणांक टेंसर से सीधे आयत प्रायिकता (rectangle probabilities/tail integrals) की गणना करती है। टेल प्रोबेबिलिटीज़ के इंटीग्रल के रूप में मिन/मैक्स पे-ऑफ को फिर से लिखकर, यह विधि एकीकरण क्षेत्रों (integration regions) के कार्टेशियन उत्पाद संरचना का उपयोग करके कुशल निम्न-रैंक कॉन्ट्रैक्शन करती है।
ग्रीक्स (Greeks): प्रथम-क्रम के ग्रीक्स (डेल्टा, वेगा) को मॉडल मापदंडों (जैसे स्पॉट प्राइस, वोलेटिलिटी) के सापेक्ष विशेषता-फलन के अवकलन द्वारा निकाला जाता है ताकि एक डेरिवेटिव टेंसर बनाया जा सके, जिसे फिर मूल्य निर्धारण के लिए उपयोग किए जाने वाले समान रैखिक मानचित्रों और कॉन्ट्रैक्शन के माध्यम से प्रसारित किया जाता है।

प्रमुख योगदान

अपस्ट्रीम सन्निकटन (Upstream Approximation): यह शोध पत्र एक कार्यप्रवाह पेश करता है जो गुणांक टेंसर के बजाय विशेषता-फलन टेंसर को संकुचित करता है। यह गुणांक चरण में दोलनशील (oscillatory) फ्रीक्वेंसी-डोमेन ऑब्जेक्ट को हल करने की आवश्यकता को समाप्त करता है, जो पूर्व के कार्यों (Schaap 2025) में नोट की गई एक बाधा थी।
एकीकृत पे-ऑफ हैंडलिंग (Unified Payoff Handling): यह विधि अरिथमेटिक बास्केट्स से आगे बढ़कर मिन/मैक्स विकल्पों को भी शामिल करती है। यह संयुक्त टेल प्रोबेबिलिटीज़ को सीधे संकुचित COS गुणांक टेंसर से कंप्यूट करके मिन/मैक्स कीमतों को व्युत्पन्न करके इसे प्राप्त करती है।
कुशल ग्रीक्स (Efficient Greeks): यह ढांचा घटक डेल्टा और वेगा वेक्टर्स की गणना के लिए CHF टेंसर का अवकलन करने और परिणाम को मौजूदा रैखिक मानचित्रों और कॉन्ट्रैक्शन के माध्यम से प्रसारित करने की अनुमति देता है, जिससे फाइनाइट-डिफरेंस नॉइज़ या अलग से पाथवाइज एस्टिमेटर्स से बचा जा सकता है।
पुन: प्रयोज्यता (Reusability): एक बार संकुचित COS प्रतिनिधित्व बन जाने के बाद, यह किसी भी स्ट्राइक ग्रिड और चयनित ग्रीक्स के लिए तेज़ पोस्ट-सेटअप गणनाओं का समर्थन करता है।

संख्यात्मक परिणाम
शोध पत्र विधि को अडैप्टिव-क्वाड्रचर फूरियर बेंचमार्क (Bayer et al. 2023), प्रत्यक्ष COS विधियों (Junike and Stier 2025), एक टेंसर-फूरियर मिन-ऑप्शन बेंचमार्क (Kastoryano and Pancotti 2022), और रैंडमाइज्ड QMC संदर्भों के विरुद्ध मान्य करता है।

सटीकता (Accuracy): विधि घोषित सहनशीलता (tolerances) के भीतर प्रकाशित बास्केट बेंचमार्क (GBM और VG मॉडल) को पुनरुत्पादित करती है। उच्च-आयामी परीक्षण GBM के लिए $d=30$ और VG, NIG, और कॉमन-हेस्टन (common-Heston) मॉडलों के लिए $d=20$ तक पहुँचते हैं, जो QMC संदर्भों के विरुद्ध सटीकता बनाए रखते हैं।
रनटाइम प्रदर्शन (Runtime Performance):
- क्रॉसओवर (Crossover): प्रत्यक्ष COS के मुकाबले एक निम्न-आयामी रनटाइम क्रॉसओवर देखा गया है: $d=2$ पर COS–TT–CHF धीमा है लेकिन $d=4$ पर तेज़ है।
- उच्च आयाम (High Dimensions): टेंसर-फूरियर मिन-ऑप्शन बेंचमार्क के विरुद्ध, COS–TT–CHF $d=3$ से ही अनुकूल समय दिखाता है। कॉमन-हेस्टन मॉडलों के लिए QMC संदर्भों के विरुद्ध, यह $d=2$ पर ही तेज़ है।
- स्केलेबिलिटी (Scalability): विधि GBM के लिए $d=30$ और जंप-डिफ्यूजन एवं स्टोकेस्टिक वोलेटिलिटी मॉडलों के लिए $d=20$ तक अनुकूल स्केलिंग प्रदर्शित करती है, जहाँ रनटाइम मॉडल की जटिलता या आवश्यक रैंक के आधार पर कुछ सेकंड से लेकर कुछ दहाई सेकंड के दायरे में रहता है।
डायग्नोस्टिक्स (Diagnostics): शोध पत्र रिकवर्ड मास, पुट-कॉल पैरिटी रेसिडुअल्स, और संख्यात्मक नियंत्रणों (फ्रीक्वेंसी विंडो, क्वाड्रचर नोड्स, TT रैंक कैप) के प्रति संवेदनशीलता सहित व्यापक डायग्नोस्टिक्स रिपोर्ट करता है।

महत्व और दावे
शोध पत्र का दावा है कि COS–TT–CHF बहु-परिसंपत्ति मूल्य निर्धारण के लिए एक "पुन: प्रयोज्य अवस्था" (reusable state) प्रदान करता है। विशेषता-फलन को संकुचित करके, यह विधि एक ऐसा सॉल्वर बनाती है जिसका आउटपुट एक संकुचित COS प्रतिनिधित्व है जिसे कई स्ट्राइक्स, पे-ऑफ प्रकारों (बास्केट और मिन/मैक्स), और ग्रीक्स के लिए पुन: उपयोग किया जा सकता है। लेखक इस बात पर जोर देते हैं कि यह विधि केवल एक गुणांक-संपीड़न उपकरण नहीं है, बल्कि एक विशेषता-फलन-आधारित सॉल्वर है जो निम्न-रैंक टेंसर सन्निकटन के माध्यम से टेंसर-प्रोडक्ट ग्रिड के आयामी विकास को हल करता है। संख्यात्मक साक्ष्य बताते हैं कि जिन मॉडलों के लिए प्रभावी TT रैंक मध्यम रहती है, उनके लिए यह दृष्टिकोण प्रत्यक्ष टेंसर विधियों और सैंपलिंग-आधारित QMC दोनों के लिए एक कम्प्यूटेशनल रूप से कुशल विकल्प प्रदान करता है, विशेष रूप से उन आयामों में जहाँ प्रत्यक्ष विधियाँ अव्यवहार्य हो जाती हैं।

तकनीकी सारांश: बहु-परिसंपत्ति विकल्प मूल्य निर्धारण के लिए COS–TT–CHF

इसी तरह के और पेपर