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

将来の株価を予測しようとしている場面を想像してみてください。ただし、単一の数字を見るのではなく、何千もの異なる可能性のある価格に対して、一度に金融契約の価値を計算しなければならないとしたらどうでしょう。これは「オプション価格決定（オプションプライシング）」と呼ばれる、金融数学の一分野の世界です。そこでは、科学者たちが複雑な方程式を用いて、将来の株に対する「賭け」が今日いくらの価値があるのかを算出します。厄介なのは、その数学においてしばしば「フーリエ変換」と呼ばれるツールが使われることです。これは、複雑な信号（株価の動きのようなもの）を、個々の周波数の色へと分解する魔法のプリズムのようなものです。このプリズムは非常に有用ですが、古典的なコンピュータで大規模に利用しようとすると、まるでバックパックの中に図書館丸ごと詰め込もうとするようなものです。必要なメモリが急激に増大するため、コンピュータは作業を完了する前に容量不足に陥ってしまいます。

ここで物語は面白くなります。科学者たちは、このメモリ問題を解決するための、二つの全く異なる道を探ってきました。一つの道は、微小な粒子の法則を利用して膨大な計算を処理する、奇妙で超強力な量子コンピュータの世界へと続いています。もう一つの道は、私たちの慣れ親しんだ古典的なコンピュータに留まりながら、データを「テンソルネットワーク」と呼ばれる超高密度に圧縮された形式に押し込める方法です。大きな疑問は、「量子コンピュータの賢いトリックを、実際に量子マシンを使わずに、私たちの普通のノートパソコン上で実行できるのか？」ということでした。

この論文の中で、サシャ・H・ハウクとイヴィカ・トゥルカルジは、「はい、できます」と述べています。彼らは「スーパーファスト・フーリエ変換（SFFT）」と呼ばれる新しい手法を開発しました。これは、巨大で扱いにくい株価の地図を、重要な情報をすべて保持したまま、小さなポケットサイズの折り鶴へと折り畳む方法だと考えてください。この「折り紙」の技術を用いることで、彼らは、彼らの手法が従来の重い手法と同等の精度で欧州型コール・オプション（特定の種類の金融契約）の価格を決定できることを示しました。しかも、スーパーコンピュータのハードドライブを必要とすることなく。彼らはこの手法を古典的なコンピュータと量子シミュレータの両方でテストし、新しいアプローチがメモリ使用量を大幅に削減し、問題が大きくなるにつれて複雑性の増大を緩やかに抑えられることを明らかにしました。彼らはすべての金融の謎を解明したわけではありませんが、彼らの研究は、現在のコンピュータをより大規模な金融計算において効率的に扱うために、量子物理学の最良のアイデアを借りることができるということを証明しています。

論文の核心となる発見

著者らは、金融数学における特定のボトルネックである「メモリの壁」に取り組んでいます。フーリエ変換を利用する有名なキャー・マーダン法を用いてオプション価格を決定する場合、より多くの権利行使価格に対して価格を計算しようとすると、必要なデータ量が指数関数的に爆発します。標準的な高速フーリエ変換（FFT）を用いてこれを行おうとする古典的なコンピュータは、膨大な、密な数値ベクトルを保存しなければなりません。精度をほんの少し上げようとするだけで、必要なメモリが倍になり、また倍になり、すぐに手に負えない状態になります。

この壁を打破するために、著者らは価格決定問題をテンソルネットワーク、具体的には**テンソル・トレイン（TT）**と呼ばれる構造を用いて再定式化しました。これは、長い列を作って手を繋いでいる人々の鎖を想像してみてください。各人は、列に沿ってメッセージを伝えるために、隣接する相手のことだけを知っていれば十分です。この比喩において、「メッセージ」とは金融データです。膨大な数値のリスト（図書館全体）をそのまま保存する代わりに、テンソル・トレインは数値間の小さく局所的なつながりだけを保存します。これにより、コンピュータは指数関数的に大きなデータセットを、ごくわずかなメモリ量で表現することができるのです。

この論文は、**スーパーファスト・フーリエ変換（SFFT）**と呼ばれる特定のアルゴリズムを紹介しています。これは、**量子フーリエ変換（QFT）**の圧縮版です。通常、QFTは量子コンピュータのために設計された回路であり、データを驚異的な速さで処理できますが、実行には量子マシンを必要とします。著者らは、QFTの数学的構造があまりにも効率的であるため、それを古典的なテンソル・トレイン形式に「翻訳」できることに気づきました。彼らは、この翻訳をSFFTと呼んでいます。

この手法の実践的な仕組みは以下の通りです：

1. 圧縮： 彼らは金融データ（株価の特性関数）を取り、それをテンソル・トレインとして表現します。
2. 魔法の操作： 重くてメモリを大量に消費するFFTを実行する代わりに、圧縮されたテンソル・トレインに対して直接SFFT演算子を適用します。これは、折り畳まれた折り紙を一度も広げることなく、その上で複雑な計算を行うようなものです。
3. 結果： 出力されるのは、圧縮された形式のままのオプション価格であり、その後、読み取ることが可能です。

彼らが発見したこと、および否定したこと

著者らは、ブラック・ショールズ・モデル（株価の標準的でよく知られたモデル）の下での欧州型コール・オプションを用いた数値実験を行いました。彼らは以下の3つのアプローチを比較しました：

1. 従来の FFT（古い、重い方法）。
2. 新しい SFFT（圧縮された、テンソルネットワークによる方法）。
3. QFT（コンピュータ上でシミュレートされ、実際の量子ハードウェア上で実行された量子的な方法）。

結果：

• メモリの節約： SFFT法は高い価格決定精度を維持しながら、メモリ使用量を劇的に削減しました。シミュレーションにおいて、量子ビット数（計算のグリッドサイズに対応）を増やしていくと、標準的なFFTで必要なメモリは指数関数的に増大し、すぐに管理不能になりました。対照的に、SFFTのメモリ消費量は非常に緩やかにしか増えず、大きなグリッドに対しても管理可能な状態を維持しました。
• 速度とスケーリング： SFFTの計算コストは劣指数関数的にスケールします。これは、問題が大きくなるにつれて、従来のFFFのように必要な時間やリソースが爆発的に増えることはないことを意味します。
• 量子との比較： 彼らが古典的なSFFTを量子的なQFTと比較したところ、両方のアプローチが従来の方法のような指数関数的なスケーリングを回避していることがわかりました。SFFTは、本質的に量子的なアプローチの効率性を古典的なハードウェアにもたらしたのです。

否定したこと：
この論文は、これらの特定の課題に対して、このレベルの効率性を達成するために物理的な量子コンピュータを「必ず」使用しなければならないという考えに対し、明確に反論しています。彼らは、フーリエ変換の「テンソル積構造」（これがQFTを強力にしている要素）が、テンソルネットワークを用いることで、古典的なハードウェア上でも効率的に活用できることを実証しました。彼らは、SFFTが（圧縮のオーバーヘッドが価値を上回らないような）「小さな」問題においてFFTよりも高速であると主張しているわけではありません。むしろ、大規模な問題において、古典的なテンソルネットワークによるアプローチが、力任せのFFTに対する優れた代替案であることを示しています。

その信頼性はどの程度か？

著者らは、提示されたデータに基づき、自身の発見に非常に自信を持っています。彼らは単に「こうなるかもしれない」と示唆したのではなく、実際に測定しました。

• 精度： 彼らは、SFFTによる価格が既知の解析的なブラック・ショールズ価格と高い精度で一致することを確認しました。グリッドサイズが増加しても誤差が低いままであることを示すために、正規化平方根平均二乗誤差（NRMSE）という指標を使用しました。
• シミュレーションとハードウェア： 彼らはアルゴリズムを古典的ハードウェア（コンピュータ・クラスター）でテストし、さらに量子的な対応物（カウンターパート）を量子シミュレータおよび実際の量子ハードウェア上で実行しました。古典的なSFFTと量子的なQFTの両方の結果は、彼らの理論的予測と一致しており、両者が指数関数的なメモリのボトルネックを回避していることを示しました。
• 限界： 論文では、SFFTは入力データが「低ランク構造（つまり、データがうまく圧縮できる構造）」を持っていることに依存すると指摘しています。もしデータが圧縮できないほど混沌としている場合、この手法はそれほど効率的ではない可能性があります。しかし、彼らがテストした金融モデル（ブラック・ショールズやバリアンス・ガンマなど）では、データは非常によく圧縮され、「ランク」（鎖における接続のサイズ）は通常10以下と小さく保たれました。

要約すると、この論文は、古典的なフーリエ価格決定、テンソルネットワーク・アルゴリズム、そして量子コンピューティングを結びつける統一的な枠組みを提供しています。テンソル・トレインへと数学を折り畳むことで、古典的なコンピュータを用いても、メモリをわずかな割合に抑えつつ大規模なオプション価格決定を行うことができることを示しており、量子コンピュータの完全な成熟を待たずとも、高次元の金融計算に対するスケーラブルな代替案を提示しています。