End-to-End PDE-Based Quantum Algorithms for Multi-Asset Option Pricing under Local and Stochastic Volatility

Enunciato del Problema
La valutazione di opzioni su più attività sottostanti (multi-asset) nell'ambito dei modelli a volatilità locale (Black–Scholes) e a volatilità stocastica (Heston) porta naturalmente a equazioni differenziali alle derivate parziali (PDE) paraboliche ad alta dimensionalità. I metodi numerici classici per risolvere queste PDE, come gli schemi alle differenze finite o i metodi basati sull'esponenziale di matrice, soffrono della "maledizione della dimensionalità", dove il costo computazionale cresce esponenzialmente con il numero di attività ($d$) e la risoluzione della griglia ($N$). Nello specifico, per una griglia con $N$ punti per direzione spaziale, i metodi classici basati su griglia scalano come $\tilde{O}(N^{d+2})$ per Black–Scholes e $\tilde{O}(N^{2d+2})$ per Heston (dove il modello Heston include variabili di varianza). Sebbene siano stati proposti algoritmi quantistici per la valutazione delle opzioni, molti si basano sulla simulazione Monte Carlo dei percorsi o su approcci variazionali che incontrano difficoltà nella preparazione dello stato, nella normalizzazione e nella lettura, in particolare per PDE complesse e ad alta dimensionalità con condizioni al contorno specifiche.

Metodologia
Gli autori sviluppano un framework quantistico end-to-end per PDE che assume come input dati contrattuali e di modello classici e restituisce stime classiche dei valori delle opzioni. Il flusso di lavoro consiste in tre fasi principali:

1. Discretizzazione e Formulazione: Le PDE di valutazione vengono discretizzate nello spazio utilizzando differenze finite del secondo ordine, trasformando la PDE continua in un sistema sparso e a dimensione finita di equazioni differenziali ordinarie (ODE). Per gestire condizioni al contorno non omogenee e termini sorgente, il sistema ODE affine viene ampliato in un sistema lineare omogeneo aggiungendo una variabile di stato ausiliaria.
2. Evoluzione Quantistica (Schrödingerizzazione): Poiché il sistema ODE risultante è generalmente non unitario (a causa della natura non hermitiana dell'operatore di valutazione), il framework impiega la Schrödingerizzazione. Questa tecnica incorpora la dinamica non unitaria in un sistema unitario più ampio introducendo una variabile continua ausiliaria ($\xi$) e mappando la dinamica su un'equazione di Schrödinger. Il sistema viene quindi discretizzato nella dimensione $\xi$ e trasformato tramite metodi di Fourier per ottenere un Hamiltoniano hermitiano.
3. Preparazione dello Stato e Lettura:
   • Preparazione dello Stato: Il vettore di payoff (ad esempio, Worst-of Call) e il profilo di taglio liscio richiesto per la Schrödingerizzazione vengono preparati come stati quantistici utilizzando codifiche a blocchi di operatori di coordinate e la Trasformazione Quantistica dei Valori Singolari (QSVT).
   • Evoluzione: La dinamica di valutazione discretizzata viene simulata tramite evoluzione hamiltoniana utilizzando codifiche a blocchi e sequenze di modulazione di fase alternata (Elaborazione del Segnale Quantistico).
   • Lettura: I valori selezionati delle opzioni vengono recuperati dallo stato quantistico finale. Poiché il prezzo desiderato è codificato in una singola ampiezza, il framework utilizza la Stima dell'Ampiezza Quantistica (QAE) combinata con un test di Hadamard. Fondamentalmente, il sovraccarico di lettura scala con la radice quadrata del volume della griglia ($2^{W/2}$), dove $W$ è il numero di qubit di sistema.

Contributi Chiave

• Pipeline End-to-End: Il documento fornisce una pipeline completa ed esplicita dai dati di input classici all'output classico, inclusa una dettagliata contabilità delle risorse per la preparazione dello stato, la simulazione hamiltoniana, il recupero della normalizzazione e la lettura.
• Analisi della Complessità: Gli autori derivano la complessità delle porte dominante per il recupero del prezzo di un'opzione in un singolo punto:
  • Black–Scholes multi-asset: $\tilde{O}(d^2 N^{2 + d/2})$.
  • Heston multi-asset: $\tilde{O}(d^2 N^{d + 2})$.
  • Rispetto alle baseline classiche basate su griglia ($\tilde{O}(N^{d+2})$ e $\tilde{O}(N^{2d+2})$ rispettivamente), il framework quantistico offre fattori di miglioramento polinomiale di $N^{d/2}$ e $N^d$.
• Validazione Numerica: Il framework è validato numericamente rispetto a soluzioni analitiche (Black–Scholes), benchmark semi-analitici (funzione caratteristica di Heston) e solver numerici classici (differenze finite ed esponenziale di matrice).
• Recupero della Volatilità Implicita: Nel contesto Heston, il framework recupera con successo i prezzi delle opzioni su un intervallo di strike e ricostruisce il relativo smile/skew di volatilità implicita non piatto, dimostrando la sua capacità di catturare le caratteristiche di volatilità stocastica rilevanti per il mercato.

Risultati

• Prestazioni Teoriche: L'analisi conferma un vantaggio quantistico polinomiale nella dimensione della griglia $N$ sia per i modelli Black–Scholes che per Heston. Il vantaggio diventa più pronunciato all'aumentare del numero di attività $d$, sebbene la dipendenza esponenziale da $d$ (la maledizione della dimensionalità) sia mitigata ma non eliminata.
• Accuratezza Numerica: Le simulazioni mostrano che il framework quantistico produce prezzi delle opzioni coerenti con i benchmark classici e semi-analitici. Nel caso Heston, le superfici di volatilità implicita recuperate esibiscono la corretta struttura di skew (ad esempio, skew azionario) e corrispondono agli adattamenti SSVI semi-analitici con discrepanze relative inferiori all'1%.
• Fonti di Errore: I principali errori nei risultati numerici sono attribuiti a una discretizzazione spaziale grossolana e alla troncatura del dominio, piuttosto che alla simulazione quantistica stessa. L'errore aggiuntivo introdotto dalla procedura di Schrödingerizzazione risulta essere secondario.

Significato e Affermazioni
Il documento afferma di fornire la prima dimostrazione di un flusso di lavoro di valutazione basato su PDE quantistiche che recupera con successo uno smile/skew di volatilità implicita da prezzi delle opzioni calcolati quantisticamente. Sottolinea che il framework offre garanzie esplicite di prestazioni e un'analisi completa delle risorse, distinguendosi dagli approcci variazionali o euristici.

Gli autori mantengono un tono modesto riguardo al vantaggio pratico:

• Chiariscono che il confronto è a livello di scalabilità asintotica piuttosto che di tempo reale (wall-clock time), notando che i conteggi delle porte logiche non si traducono direttamente in tempo di esecuzione fisico senza considerare i sovraccarichi di correzione degli errori.
• Riconoscono che la "maledizione della dimensionalità" non è eliminata; il costo cresce ancora esponenzialmente con il numero di attività, ma il tasso di crescita è ridotto (da $N^d$ a $N^{d/2}$ per Black–Scholes).
• Evidenziano le limitazioni, come l'attuale focus su payoff di tipo europeo con condizioni al contorno compatibili con il framework (ad esempio, Worst-of Call), e l'esclusione di caratteristiche dipendenti dal percorso o di esercizio anticipato che richiederebbero un'ulteriore amplificazione dello stato o livelli iterativi di risoluzione.

Complessivamente, il lavoro stabilisce una fondazione teorica e numerica rigorosa per l'uso di algoritmi quantistici nella risoluzione di PDE finanziarie ad alta dimensionalità, offrendo un'alternativa praticabile ai metodi classici basati su griglia per la valutazione di opzioni su più attività.