Option Pricing on Noisy Intermediate-Scale Quantum Computers: A Quantum Neural Network Approach

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 글로벌 파생상품 시장은 수백 조 달러 규모로, 가격 결정의 정확성과 효율성은 위험 관리, 자본 배분, 규제 준수에 필수적입니다.
• 기존 방법의 한계:
  • 복잡한 금융 상품 (경로 의존적 옵션, 다중 자산 등) 에 대해서는 블랙 - 숄즈 - 머튼 (BSM) 과 같은 해석적 해법이 존재하지 않습니다.
  • 몬테카를로 시뮬레이션은 수렴 속도가 느리고, 유한 차분법은 차원의 저주 (curse of dimensionality) 로 인해 계산 비용이 기하급수적으로 증가합니다.
• 목표: 기존 고전적 머신러닝 (ML) 의 한계를 극복하고, 양자 컴퓨팅의 고유한 특성 (힐베르트 공간의 기하학적 구조) 을 활용하여 옵션 가격 결정 함수를 효율적으로 근사할 수 있는 **양자 신경망 (QNN)**의 실용성을 검증하는 것입니다.
• 제약 조건: 현재 이용 가능한 NISQ(Noisy Intermediate-Scale Quantum) 하드웨어의 잡음 (noise) 과 디코히어런스 (decoherence) 제약 하에서 작동해야 합니다.

2. 방법론 (Methodology)

2.1 데이터 및 벤치마크 환경

• 모델: 유럽형 콜 옵션 가격 결정을 위한 블랙 - 숄즈 - 머튼 (BSM) 모델을 제어된 벤치마크 환경으로 사용했습니다.
• 입력 변수: 4 가지 특성 (moneyness, 만기일, 무위험 이자율, 변동성) 을 사용하며, 이를 정규화하여 입력 차원을 축소했습니다.
• 데이터: BSM 해석적 해를 기준으로 훈련 세트 (500 개) 와 테스트 세트 (1,001 개) 를 생성했습니다.

2.2 양자 신경망 아키텍처 (finQbit)

저자들은 2 큐비트 기반의 효율적인 아키텍처인 finQbit를 제안했습니다.

• 고밀도 인코딩 (High-Density Encoding): 4 개의 입력 특성을 2 개의 큐비트에 매핑하기 위해 직교 회전 축 ($R_y, R_x$) 을 사용하여 큐비트당 정보 밀도를 극대화했습니다.
• 동적 특징 셔플링 (Dynamic Feature Permutation): 3 층의 데이터 재업로딩 (Data Re-uploading) 스키마에서 각 층마다 입력 특징 쌍을 큐비트에 다르게 매핑하여 특징 간의 상관관계를 포착합니다.
• 압축된 회로: 잡음을 줄이기 위해 복잡한 게이트 구조를 단일 2-큐비트 유니터리 블록 ($U(4)$) 으로 압축하여 회로 깊이를 최소화했습니다.
• 출력: 읽기 큐비트 (readout qubit) 의 $\hat{Z}$ 연산자 기대값을 기반으로 하며, 물리적 제약 (음수 가격 불가) 을 위해 max(0, ...) 함수를 후처리 단계에 적용합니다.

2.3 실험 설계

• 시뮬레이션: 이상적인 상태 벡터 시뮬레이션, 샷 노이즈 (Shot Noise) 시뮬레이션 (AWS Braket, IBM Qiskit) 을 수행했습니다.
• 하드웨어 실행: 4 가지 상이한 양자 프로세서 (QPU) 에서 실제 실행을 검증했습니다.
  • 초전도 (Superconducting): IBM Fez, IQM Garnet, Rigetti Ankaa-3
  • 포획 이온 (Trapped Ion): IonQ Forte

3. 주요 기여 (Key Contributions)

1. 최초의 엔드 - 투 - 엔드 구현: 현재 이용 가능한 NISQ 하드웨어에서 실행된 최초의 완전한 양자 옵션 가격 결정 워크플로우 중 하나를 제시했습니다.
2. 크로스 플랫폼 검증: 단일 하드웨어가 아닌, 서로 다른 기술 (초전도 vs 포획 이온) 을 가진 4 개의 주요 QPU 에서 모델의 이식성과 견고성을 입증했습니다.
3. 효율적인 아키텍처 개발: 36 개의 학습 가능한 파라미터만으로도 고전적 모델과 경쟁할 수 있는 성능을 내는 2-큐비트 finQbit 아키텍처를 설계했습니다.
4. 실제 하드웨어의 잡음 특성 분석: 각 하드웨어 플랫폼별 고유한 편향 (Bias) 패턴 (예: 초전도 시스템의 하향 편향, 포획 이온의 상향 편향) 을 정량화하고 분석했습니다.

4. 실험 결과 (Results)

4.1 성능 비교

• 고전적 모델 대비: finQbit 모델은 XGBoost(비선형 고전적 모델) 와 유사하거나 더 나은 성능을 보였습니다.
  • R² (결정 계수): finQbit 는 0.97958을 기록하여 XGBoost(0.97854) 를 소폭 상회했습니다.
  • ATM(At-The-Money) 영역: 옵션 가격 곡선의 가장 비선형적인 영역인 ATM 구간에서 finQbit 는 XGBoost 대비 MSE(평균 제곱 오차) 를 약 50% 감소시켰습니다. 이는 연속적인 유니터리 변환이 조각상수 (piecewise-constant) 인 트리 기반 모델보다 높은 볼록성 (convexity) 을 더 잘 근사함을 의미합니다.
• 파라미터 효율성: finQbit 는 36 개의 파라미터만 사용했으나, 최적화된 XGBoost 는 약 400 개의 파라미터를 사용했습니다.

4.2 하드웨어별 성능 및 편향

• IBM Fez (초전도): 가장 높은 정확도 ($R^2 \approx 0.93$) 를 보였으나, 심층 ITM(In-The-Money) 영역에서 체계적인 하향 편향 (underestimation) 을 보였습니다.
• IonQ Forte (포획 이온): 시간적 안정성이 매우 높았으나, 모든 구간에서 체계적인 상향 편향 (overestimation) 을 보였습니다. OTM(Out-of-the-Money) 영역에서도 신호가 0 으로 붕괴되지 않는 등 신호 보존 능력이 뛰어났습니다.
• Rigetti 및 IQM: 각각의 고유한 잡음 프로파일을 보였으며, 읽기 오류 완화 (Readout Error Mitigation) 기법을 적용하면 정확도가 크게 향상되었습니다.

4.3 샷 수 (Shot Count) 최적화

• 샷 수를 증가시킬수록 통계적 오차는 감소하지만, 실행 시간 증가로 인한 하드웨어 교정 드리프트 (calibration drift) 가 누적되어 오히려 정확도가 떨어지는 '정밀도 - 정확도 역설'이 관찰되었습니다.
• 최적 구성: 일반적으로 2,000~3,000 샷이 비용과 정확도 사이의 최적 균형을 제공했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 실용성 입증: 이 연구는 양자 머신러닝이 이론적 가능성을 넘어, 현재의 NISQ 하드웨어 제약 하에서도 실제 금융 가격 결정 문제에 적용 가능한 유효한 프레임워크임을 입증했습니다.
• 확장 가능성: 비록 BSM 모델을 사용했지만, 이 방법론은 국소 변동성 (Local Volatility), 확률적 변동성 (Stochastic Volatility), 이자율 모델 등 고전적 방법으로 계산 병목이 발생하는 더 복잡하고 고차원적인 금융 모델로 확장될 수 있습니다.
• 미래 방향: 향후 연구는 더 정교한 확률적 모델 (Heston, SABR 등) 로의 확장, 이국적 옵션 (Exotic Options) 및 경로 의존적 상품의 가격 결정, 그리고 양자 진폭 추정 (QAE) 과 같은 고급 추정 기법의 통합을 통해 샘플링 효율성을 높이는 데 초점을 맞출 것입니다.

요약하자면, 이 논문은 양자 신경망이 NISQ 시대의 잡음 환경에서도 고전적 머신러닝과 경쟁할 수 있는 수준의 정확도로 옵션 가격을 근사할 수 있음을 보여주었으며, 이는 양자 컴퓨팅이 금융 공학 분야에서 실용적인 도구로 자리 잡기 위한 중요한 첫걸음입니다.