Solving 2D Black Scholes Equation via Hermitian Block Embedding and Generalised Quantum Signal Processing

Sintesi Tecnica: Risoluzione delle Equazioni di Black–Scholes 2D tramite Embedding a Blocchi Ermitiano e GQSP Generalizzato

1. Definizione del Problema

La determinazione del prezzo di derivati finanziari europei, come le opzioni, è modellata fondamentalmente dall'equazione alle derivate parziali (PDE) di Black–Scholes. Per le opzioni multi-asset (ad esempio, opzioni basket che dipendono da due asset sottostanti), il problema diventa una PDE bidimensionale. Sotto il normale framework di assenza di arbitraggio, la determinazione del prezzo richiede l'evoluzione del payoff terminale a ritroso nel tempo.

Utilizzando la discretizzazione tramite differenze finite e uno schema di integrazione temporale implicito (specificamente l'Euler backward), la PDE continua viene trasformata in una sequenza di problemi di algebra lineare. Il compito computazionale centrale è l'applicazione dell'inversa di una matrice di passo temporale, $\tilde{M}^{-1}$, a un vettore che rappresenta il valore dell'opzione.

• Sfida: Nel caso bidimensionale, la matrice discretizzata $\tilde{M}$ è reale ma generalmente non ermitiana e non unitaria a causa dei termini di drift, delle derivate miste e delle condizioni al contorno.
• Contesto Quantistico: Sebbene gli algoritmi di algebra lineare quantistica come la Quantum Signal Processing (QSP) e la Generalised Quantum Signal Processing (GQSP) offrano potenti metodi per implementare funzioni di matrici (come l'inversione) tramite trasformazioni polinomiali, essi richiedono tipicamente che l'operatore di input sia unitario o ermitiano. Gli approcci standard per matrici non ermitiane spesso si affidano al "block-encoding", che introduce tuttavia un overhead significativo in termini di registri ancilla, profondità del circuito e preparazione dello stato. Il lavoro precedente [13] ha applicato con successo un approccio Hermitian-GQSP all'equazione di Black–Scholes monodimensionale, utilizzando una trasformazione di similitudine diagonale per convertire la matrice tridimensionale del passo temporale in una forma ermitiana. Tuttavia, questo metodo fallisce nel caso bidimensionale perché la struttura a blocchi della matrice 2D (derivante dalla discretizzazione per prodotto tensoriale e dalle derivate miste) impedisce l'esistenza di una trasformazione di similitudine diagonale che preservi l'ermiticità.

2. Metodologia

Gli autori propongono una strategia di embedding a blocchi ermitiano per estendere il framework GQSP all'equazione di Black–Scholes bidimensionale senza richiedere una trasformazione di similitudine diagonale o i convenzionali overhead del block-encoding.

A. Embedding a Blocchi Ermitiano
Inve accidentalmente di tentare di simmetrizzare direttamente la matrice non ermitiana $\tilde{M}$, gli autori la inseriscono in una matrice ermitiana più grande $H$ di dimensione $2N \times 2N$ (dove $N$ è la dimensione della griglia discretizzata):
$$H = \begin{pmatrix} 0 & \tilde{M} \\ \tilde{M}^T & 0 \end{pmatrix}$$
Poiché $\tilde{M}$ è reale, $H$ è reale simmetrica e quindi ermitiana. L'inversa di questa matrice embedded è:
$$H^{-1} = \begin{pmatrix} 0 & \tilde{M}^{-T} \\ \tilde{M}^{-1} & 0 \end{pmatrix}$$
Fondamentalmente, il desiderato operatore di inversione del passo temporale $\tilde{M}^{-1}$ appare nel blocco off-diagonale in basso a sinistra di $H^{-1}$.

B. Approssimazione Polinomiale Dispari
La struttura di $H$ impone una proprietà di parità sulle sue potenze: le potenze pari di $H$ sono blocco-diagonali, mentre le potenze dispari sono blocco-off-diagonali.

• Gli autori costruiscono un polinomio dispari $p(x) = \sum c_{2m+1} x^{2m+1}$ per approssimare la funzione inversa $f(x) = 1/(\gamma x)$ sullo spettro di $H$.
• Poiché $p(x)$ è dispari, $p(H)$ rimane blocco-off-diagonale. Di conseguenza, il blocco in basso a sinistra di $p(H)$ approssima $\tilde{M}^{-1}$.
• Ciò consente il recupero dell'evoluzione temporale a ritroso applicando la trasformazione polinomiale a uno stato di input embedded $\begin{pmatrix} V^n \\ 0 \end{pmatrix}$ ed estraendo la metà inferiore del vettore risultante.

C. Scalatura Spettrale e Implementazione GQSP

• Scalatura: La matrice $H$ viene riscalata da un fattore $\gamma = \max |\lambda_i(H)|$ per definire $A = H/\gamma$, assicurando che lo spettro giaccia nell'intervallo $[-1, 1]$. Lo spettro è simmetrico rispetto allo zero, situato in $[-1, -\delta] \cup [\delta, 1]$, dove $\delta$ è determinato dal numero di condizionamento di $\tilde{M}$.
• GQSP: La matrice ermitiana riscalata $A$ viene embedded in un operatore unitario $U = A + i\sqrt{I-A^2}$. Viene quindi utilizzato l'algoritmo GQSP per implementare la trasformazione polinomiale dispari $p(A)$ su $U$.
• Output: Il circuito quantistico produce uno stato in cui il registro inferiore contiene la soluzione approssimata $V^{n+1} = \tilde{M}^{-1}V^n$.

3. Contributi Chiave

• Estensione al 2D: Il documento estende il framework Hermitian-GQSP dalle equazioni di Black–Scholes monodimensionali a quelle bidimensionali, superando l'ostruzione strutturale che impedisce l'uso di trasformazioni di similitudine diagonale in dimensioni superiori.
• Approccio Libero da Block-Embedding: Gli autori dimostrano un metodo per risolvere il problema dell'inversa per matrici non ermitiane usando GQSP senza l'elevato overhead delle tecniche di block-encoding standard, basandosi invece su una specifica dilatazione ermitiana e sulla struttura polinomiale dispari.
• Prova di Principio: Il lavoro fornisce una prova di principio del fatto che le moderne tecniche di algebra lineare quantistica possono essere applicate ai problemi di pricing di opzioni multidimensionali.

4. Risultati Numerici

Gli autori hanno eseguito simulazioni numeriche per opzioni call call basket europee a due asset utilizzando Python e PennyLane.

• Configurazione: Sono state condotte due simulazioni con parametri finanziari variabili (volatilità, correlazione, prezzo di esercizio, ecc.) e dimensioni della griglia variabili (griglia $32 \times 32$, embedded in 2048 dimensioni).
• Confronto: Le soluzioni basate su GQSP sono state messe a confronto con:
  1. Un metodo classico di differenze finite (backward Euler).
  2. Un'approssimazione polinomiale classica applicata direttamente alla matrice ermitizzata.
• Risultati:
  • Le soluzioni GQSP hanno mostrato una stretta concordanza sia con l'approssimazione polinomiale classica che con il benchmark backward Euler.
  • I risultati hanno confermato che l'embedding a blocchi ermitiano cattura accuratamente la dinamica dell'operatore non ermitiano originale.
  • Fonti di Errore: L'analisi ha identificato due fonti primarie di errore:
    1. Errore di Approssimazione Polinomiale: Dipendente dal gap spettrale $\delta$. Nella seconda simulazione, un gap spettrale maggiore ha portato a errori di approssimazione inferiori.
    2. Errore di Discretizzazione: A causa della necessità di utilizzare un singolo grande passo temporale (essendo implementato come solver a singolo step), l'errore di discretizzazione è stato significativo (fino a circa \0.09$ nella prima simulazione e circa il $60\%$ maggiore nella seconda). Questo errore è inerente anche al benchmark classico.
  • Rumore: La simulazione quantistica ha esibito un livello di rumore (osservato intorno a $10^{-2}$ nella seconda simulazione), che non era presente nell'approssimazione polinomiale classica.

5. Significato e Rivendicazioni

Il documento sostiene che il metodo proposto dimostra la fattibilità di combinare gli embedding a blocchi ermitiani con GQSP per risolvere problemi di Black–Scholes multidimensionali.

• Ambito Modesto: Gli autori dichiarano esplicitamente che l'attuale implementazione è un "solver di inversione a singolo step". Non rivendicano ancora un vero vantaggio quantistico, notando che il metodo è limitato dalla necessità di polinomi di grado superiore quando il gap spettrale è piccolo e dagli errori di discretizzazione dei grandi passi temporali.
• Potenziale Futuro: La significatività risiede nel fornire una via per algoritmi quantistici per derivati multi-asset dove i computer classici affrontano la "maledizione della dimensionalità". Gli autori suggeriscono che il vero potenziale per il vantaggio quantistico potrebbe emergere in 3 o più dimensioni, dove i metodi classici di differenze finite diventano computazionalmente intrattabili.
• Limitazioni: Il documento riconosce che sono necessari lavori futuri per sviluppare schemi di evoluzione temporale multi-step efficienti, ridurre il livello di rumore e minimizzare gli errori di discretizzazione attraverso migliori strategie di griglia o implementazioni GQSP multi-step.

In sintesi, il lavoro stabilisce una base teorica e numerica per l'applicazione di GQSP al pricing di opzioni 2D introducendo un embedding a blocchi ermitiano che evita la necessità di trasformazioni di similitudine diagonale, offrendo una via percorribile verso algoritmi quantistici per derivati finanziari ad alta dimensionalità.