Classical Tensor Network and Quantum Fourier Transform Approaches for Large-Scale Carr-Madan Option Pricing

Immagina di cercare di prevedere il prezzo futuro di un'azione, ma invece di guardare un singolo numero, devi calcolare il valore di un contratto finanziario per migliaia di diversi prezzi possibili tutti in una volta. Questo è il mondo del "pricing delle opzioni", un ramo della matematica finanziaria dove gli scienziati usano equazioni complesse per capire quanto valga oggi una scommessa sul prezzo futuro di un'azione. La parte complicata è che la matematica spesso coinvolge uno strumento chiamato "Trasformata di Fourier", che è come un prisma magico che scompone un segnale complicato (come il movimento del prezzo di un'azione) nelle sue singole frequenze di colore. Sebbene questo prisma sia incredibilmente utile, cercare di usarlo su scala massiccia con computer classici è come cercare di trasportare una biblioteca nello zaino; la memoria richiesta cresce così velocemente che il computer esaurisce lo spazio prima di poter finire il lavoro.

È qui che la storia si fa interessante. Gli scienziati hanno cercato due modi molto diversi per risolvere questo problema di memoria. Un percorso conduce al mondo strano e super potente dei computer quantistici, che usano le regole delle particelle minuscole per gestire calcoli enormi. L'altro percorso rimane sui nostri familiari computer classici, ma cerca di comprimere i dati in un formato estremamente stretto chiamato "rete tensoriale" (tensor network). La grande domanda era: possiamo prendere i trucchi intelligenti usati dai computer quantistici e farli girare sui nostri normali laptop senza avere bisogno di una macchina quantistica?

In questo articolo, Sascha H. Hauck e Ivica Turkalj dicono: "Sì, possiamo". Hanno sviluppato un nuovo metodo chiamato "Superfast Fourier Transform" (SFFT). Pensa alla SFFT come a un modo per piegare una mappa gigante e ingombrante dei prezzi delle azioni in una piccola gruccia di origami da taschino che conserva ancora tutte le informazioni importanti. Usando questa tecnica di "origami", hanno dimostrato che il loro metodo può determinare il prezzo di opzioni call europee (un tipo specifico di contratto finanziario) con la stessa precisionza dei vecchi metodi pesanti, ma senza richiedere l'hard disk di un supercomputer. Hanno testato questo approccio sia su computer classici che su simulatori quantistici, scoprendo che il loro nuovo metodo utilizza molta meno memoria e cresce molto più lentamente in termini di complessità man mano che i problemi diventano più grandi. Sebbene non abbiano risolto ogni mistero finanziario, il loro lavoro dimostra che possiamo prendere in prestito le migliori idee dalla fisica quantistica per rendere i nostri attuali computer molto più efficienti nel gestire enormi calcoli finanziari.

La scoperta centrale del documento

Gli autori affrontano un collo di bottiglia specifico nella matematica finanziaria: il "muro della memoria". Quando si determinano i prezzi delle opzioni utilizzando il famoso metodo Carr–Madan, che si basa sulle trasformate di Fourier, la quantità di dati necessari esplode esponenzialmente se si prova a calcolare i prezzi per sempre più prezzi di esercizio (strike prices). Un computer classico che tenta di farlo con una standard Fast Fourier Transform (FFT) deve memorizzare un vettore denso e massiccio di numeri. Se vuoi aumentare la precisione anche solo di poco, la memoria richiesta raddoppia, poi raddoppia di nuovo, diventando rapidamente impossibile da gestire.

Per rompere questo muro, gli autori hanno riformulato il problema del pricing utilizzando le Reti Tensoriali (Tensor Networks), specificamente una struttura chiamata Tensor Train (TT). Immagina una lunga catena di persone che si tengono per mano, dove ogni persona ha bisogno di conoscere solo i propri vicini immediati per trasmettere un messaggio lungo la linea. In questa analogia, il "messaggio" è il dato finanziario. Invece di memorizzare l'intera enorme lista di numeri (l'intera biblioteca), il Tensor Train memorizza solo le piccole connessioni locali tra i numeri. Questo permette al computer di rappresentare un dataset esponenzialmente grande usando una quantità minima di memoria.

Il documento introduce un algoritmo specifico chiamato Superfast Fourier Transform (SFFT). È una versione compressa della Quantum Fourier Transform (QFT). Di solito, la QFT è un circuito progettato per i computer quantistici che può elaborare i dati incredibilmente velocemente, ma richiede una macchina quantistica per essere eseguito. Gli autori hanno realizzato che la struttura matematica della QFT è così efficiente che può essere "tradotta" in un formato Tensor Train classico. Chiamano questa traduzione SFFT.

Ecco come funziona il loro metodo in pratica:

1. Compressione: Prendono i dati finanziari (la funzione caratteristica del prezzo dell'azione) e li rappresentano come un Tensor Train.
2. L'operazione Magica: Invece di eseguire una FFT pesante e vorace di memoria, applicano l'operatore SFFT direttamente al Tensor Train compresso. È come eseguire un calcolo complesso sull'origami piegato senza mai doverlo srotolare.
3. Risultato: L'output è il prezzo dell'opzione, ancora in formato compresso, che può quindi essere letto.

Cosa hanno trovato e cosa hanno escluso

Gli autori hanno condotto esperimenti numerici utilizzando opzioni call europee sotto il modello Black-Scholes (un modello standard e ben noto per i prezzi delle azioni). Hanno confrontato tre approcci:

1. La FFT tradizionale (il vecchio modo pesante).
2. La nuova SFFT (il nuovo modo compresso delle reti tensoriali).
3. La QFT (il modo quantistico, simulato su un computer e eseguito su hardware quantistico reale).

I Risultati:

• Risparmio di Memoria: Il metodo SFFT ha mantenuto un'alta precisione nel determinare i prezzi riducendo drasticamente l'uso della memoria. Nelle loro simulazioni, all'aumentare del numero di qubit (che corrisponde alla dimensione della griglia del calcolo), la memoria richiesta per la FFT standard cresceva esponenzialmente, diventando rapidamente ingestibile. Al contrario, il consumo di memoria della SFFT cresceva molto lentamente, rimanendo gestibile anche per griglie di grandi dimensioni.
• Velocità e Scalabilità: Il costo computazionale della SFFT scala in modo sub-esponenziale. Ciò significa che, man mano che il problema diventa più grande, il tempo e le risorse necessarie non esplodono come accade con la FFT classica.
• Confronto Quantistico: Quando hanno confrontato la loro SFFT classica con la QFT quantistica, hanno scoperto che entrambi gli approcci evitano la scalabilità esponenziale del metodo convenzionale. La SFFT porta essenzialmente l'efficienza dell'approccio quantistico sull'hardware classico.

Cosa hanno escluso:
Il documento argomenta esplicitamente contro l'idea che dobbiamo necessariamente usare un computer quantistico fisico per raggiungere questo livello di efficienza per questi specifici problemi. Dimostrano che la "struttura a prodotto tensoriale" della trasformata di Fourier, che rende la QFT così potente, può essere sfruttata efficientemente sull'hardware classico utilizzando le reti tensoriali. Non affermano che la SFFT sia più veloce della FFT per problemi piccoli (dove l'overhead della compressione potrebbe non valere la pena), ma mostrano che per problemi su grande scala, l'approccio classico delle reti tensoriali è un'alternativa superiore alla forza bruta della FFT.

Quanto siamo sicuri?

Gli autori sono molto fiduciosi nei loro risultati basandosi sui dati presentati. Non si sono limitati a suggerire che questo potrebbe funzionare; lo hanno misurato.

• Accuratezza: Hanno verificato che i prezzi della SFFT corrispondessero ai prezzi analitici noti di Black-Scholes con alta precisione. Hanno utilizzato una metrica chiamata Normalized Root Mean Squared Error (NRMSE) per dimostrare che l'errore rimaneva basso anche all'aumentare della dimensione della griglia.
• Simulazioni e Hardware: Hanno testato il loro algoritmo su hardware classico (un cluster di computer) e hanno anche eseguito il suo equivalente quantistico su simulatori quantistici e su vero hardware quantistico. I risultati sia della SFFT classica che della QFT quantistica erano in linea con le loro previsioni teoriche, mostrando che entrambi evitano il collo di bottiglia della memoria esponenziale.
• Limitazioni: Il documento nota che la SFFT si basa sul fatto che i dati di input abbiano una "struttura a basso rango" (ovvero, che i dati possano essere compressi bene). Se i dati sono troppo caotici per essere compressi, il metodo potrebbe non essere altrettanto efficiente. Tuttavia, per i modelli finanziari testati (come Black-Scholes e Variance Gamma), i dati si sono compressi molto bene, mantenendo i "ranghi" (la dimensione delle connessioni nella catena) piccoli, tipicamente intorno a 10 o meno.

In sintesi, questo articolo fornisce un quadro unificato che collega il pricing classico di Fourier, gli algoritmi delle reti tensoriali e il calcolo quantistico. Dimostra che, piegando la matematica in un Tensor Train, possiamo eseguire il pricing di opzioni su larga scala su computer classici con una frazione della memoria necessaria, offrendo un'alternativa scalabile per i calcoli finanziari ad alta dimensionalità senza dover aspettare che i computer quantistici diventino pienamente maturi.