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

본 논문은 에르미트 블록 임베딩(Hermitian block embedding)과 일반화된 양자 신호 처리(Generalised Quantum Signal Processing)를 결합하여 비에르미트 시간 단계 행렬의 역행렬을 정확하게 근사함으로써 2차원 블랙-숄즈 방정식을 풀기 위한 방법을 제안하고 수치적으로 검증하며, 현대적인 양자 선형 대수 기법을 다자산 옵션 가격 결정에 적용하는 것의 타당성을 입증한다.

핵심

개요: "바스켓" 옵션의 가격 결정

당신이 특별한 "바스켓(basket)" 옵션의 가격을 알아내려는 금융 트레이더라고 상상해 보세요. 이것은 단순히 하나의 주식(예: 애플)에 거는 베팅이 아니라, 두 가지 서로 다른 주식(예: 애플과 마이크로소프트)이 함께 움직이는 것에 거는 베팅입니다.

현실 세계에서 이 바스켓의 공정 가격을 계산하는 것은 거대하고 복잡한 미로를 푸는 것과 같습니다. 당신은 베팅이 끝나는 날(만기)부터 오늘까지 거꾸로 거슬러 올라가며, 매 단계마다 가격이 어떻게 변하는지 파악해야 합니다.

오랫동안 컴퓨터는 "유한 차분법(finite differences)"이라는 방법을 사용하여 이 작업을 수행해 왔습니다. 이것은 주가의 부드럽고 연속적인 움직임을 거대한 점들의 격자로 바꾸는 것이라고 생각하면 됩니다. 오늘의 가격을 찾기 위해 컴퓨터는 거대한 수학 퍼즐을 풀어야 합니다. 즉, 시간을 거슬러 올라가기 위해 **거대한 행렬(a massive matrix, 숫자의 격자)을 역행렬로 계산(invert)**해야 합니다.

문제점: "비대칭적(Non-Symmetric)" 퍼즐

컴퓨터가 직면한 수학 퍼즐은 까다롭습니다. 컴퓨터가 역행렬을 구해야 하는 숫자 격자(행렬)는 "비헤르미트(non-Hermitian)" 성질을 가집니다. 쉬운 말로, 이 격자는 한쪽으로 치우쳐 있으며 깔끔하고 대칭적인 구조를 갖추고 있지 않습니다.

단일 주식 시나리오에서는 과학자들이 이 치우친 격자를 대칭적인(Hermitian) 구조로 만드는 영리한 트릭을 발견하여, **일반화된 양자 신호 처리(GQSP)**라는 강력한 새로운 도구를 사용할 수 있었습니다. GQSP는 특정 유형의 수학 퍼즐을 매우 빠르게 풀 수 있는 초효율적인 양자 기계와 같지만, 오직 대칭적이고 잘 정돈된 격자에서만 작동합니다.

하지만 두 번째 주식을 추가하면, 격자는 복잡한 2D 블록이 됩니다. 기존의 대칭성을 만드는 트릭은 두 주식이 서로 얽혀 있어 단순한 조정으로는 해결할 수 없는 수학적 "루프(loops)"를 생성하기 때문에 무너지고 맙니다.

해결책: "헤르미트 블록 임베딩(Hermitian Block Embedding)"

이 논문의 저자들은 이 2D 문제를 양자 기계가 풀 수 있도록 속이는 새로운 방법을 고안해 냈습니다. 그들은 헤르미트 블록 임베딩이라는 기술을 사용했습니다.

비유: 거울 상자(The Mirror Box)
당신에게 특수한 "대칭 기계(GQSP)" 안에 넣을 수 없는, 한쪽으로 치우치고 엉망인 물체(2D 시간 단계 행렬)가 있다고 상상해 보세요.

1. 트릭: 물체 자체를 고치려고 노력하는 대신, 그 물체를 감싸는 특별한 상자를 만듭니다.
2. 구성: 엉망인 물체를 상자의 오른쪽 상단 모서리에 두고, 그 "거울 이미지(전치 행렬, transpose)"를 왼쪽 하단 모서리에 둡니다. 왼쪽 상단과 오른쪽 하단 모서리는 비어 있습니다(0).
3. 결과: 내부가 엉망일지라도, 전체 상자는 이제 완벽하게 대칭입니다. 이제 이 상자는 "헤르미트(Hermitian)" 성질을 갖게 되었습니다.

이제 양자 기계는 이 커다란 상자를 볼 수 있습니다. 기계가 마법(다항식 변환)을 수행하면, "엉망인" 부분(원래 행렬의 역행렬)이 상자의 특정 모서리에 나타나게 됩니다.

방법론: "기함수(Odd)" 다항식

이 상자에서 답을 꺼내기 위해, 저자들은 **기함수(odd polynomial)**라고 불리는 특별한 종류의 수학 함수를 사용했습니다.

• **우함수(even function)**를 양쪽이 거울처럼 대칭인 함수(예: 웃는 얼굴 모양)라고 생각한다면,
• **기함수(odd function)**는 회전하는 함수(예: 시소)와 같습니다.

상자를 만든 방식(구석에 엉망인 부분이 있는 구조) 때문에, 저자들은 "시소" 형태의 수학 함수가 필요했습니다. 만약 "웃는 얼굴" 함수를 사용했다면 답은 사라져 버렸을 것입니다. "기함수"를 사용함으로써, 수학적으로 빈 모서리들을 상쇄시키고 결과값의 왼쪽 하단 모서리에 정확한 답(역행렬)을 남길 수 있었습니다.

테스트: 성공했는가?

연구팀은 이 새로운 방법이 실제로 두 자산의 "바스켓" 옵션에 작동하는지 확인하기 위해 시뮬레이션을 실행했습니다.

• 설정: 두 개의 자산을 가진 바스켓 옵션을 시뮬레이션했으며, 32x32 포인트(총 1,024개 포인트)의 격자를 사용했습니다.
• 비교: 그들은 자신들의 양자 스타일 솔루션(새로운 임베딩 방식 사용)을 표준적이고 신뢰할 수 있는 고전적 컴퓨터 방식(Backward Euler)과 비교했습니다.
• 결과: 두 방법은 매우 밀접하게 일치했습니다. "양자" 솔루션은 "고전적" 솔루션과 거의 똑같았습니다.

이는 이 "거울 상자" 트릭이 복잡한 2D 문제의 역학을 성공적으로 포착했음을 입증합니다. 이 방법은 옵션 가격의 역방향 시간 진화를 정확하게 재현해 냈습니다.

한계: 이산화 오차(Discretisation Error)

논문은 한 가지 주요 제한 사항을 언급합니다. 컴퓨터로 시뮬레이션을 수행하기 때문에, 시간을 거슬러 올라가는 "단계"를 밟아야 합니다. 시뮬레이션에서 그들은 복잡성 때문에 매우 큰 단계(한 번의 큰 도약)를 취해야 했습니다.

• 문제: 수학 시뮬레이션에서 거대한 단계를 취하는 것은 (대략적으로, 몇 개의 거대한 레고 블록만을 사용하여 매끄러운 곡선을 그리려고 시도하는 것과 같습니다) "이산화 오차"를 유발합니다.
• 발견: 결과에서 나타난 오차는 주로 이 큰 단계 크기 때문이었으며, 양자 방법 자체의 결함 때문이 아니었습니다. 실제로 이 오차는 동일한 거대한 단계를 사용하여 고전적 방법을 실행했을 때 얻게 되는 오차와 유사했습니다.

요 요약

이 논문은 복잡한 2D 금융 가격 결정 문제를 양자 알고리즘을 사용하여 해결하는 새로운 방법을 보여줍니다.

1. 기존의 대칭성을 만드는 트릭을 사용할 수 없었습니다.
2. 대신 "거울 상자(Hermitian Block Embedding)"를 만들어 수학적 구조를 강제로 대칭 형태로 만들었습니다.
3. 답을 추출하기 위해 특별한 "기함수(Odd Polynomial)"를 사용했습니다.
4. 시뮬레이션 결과, 이 방법은 작동하며 표준적인 고전 컴퓨터와 일치하는 결과를 생성함을 보여주었습니다. 이는 향로 더 복잡한 다중 자산 문제를 해결할 수 있는 길을 열어줍니다.

기술 요약

기술 요약: 헤르미션 블록 임베딩 및 일반화된 양자 신호 처싱을 통한 2차원 블랙-숄즈 방정식의 해결

1. 문제 정의

유럽형 금융 파생상품(예: 옵션)의 가격 결정은 근본적으로 블랙-숄즈 편미분 방정식(PDE)에 의해 모델링됩니다. 다중 자산 옵션(예: 두 개의 기초 자산에 의존하는 바스켓 옵션)의 경우, 이 문제는 2차원 PDE가 됩니다. 표준 무차별 원칙(no-arbitrage framework) 하에서 가격 결정은 종단 페이오프(terminal payoff)를 역방향으로 시간 전개하는 과정을 필요로 합니다.

유한 차분법(finite differences)과 암시적 시간 단계 기법(특히 후방 오일러 방식)을 사용하여 이산화하면, 연속적인 PDE는 선형 대수 문제의 시퀀스로 변환됩니다. 핵심 계산 작업은 옵션 가치를 나타내는 벡터에 시간 단계 행렬 $\tilde{M}$의 역행렬 $\tilde{M}^{-1}$을 적용하는 것입니다.

• 과제: 2차원 경우, 이산화된 행렬 $\tilde{M}$은 실수이지만 드리프트 항, 혼합 미분 및 경계 조건으로 인해 일반적으로 헤르미션(Hermitian)이 아니며 유니타리(unitary)도 아닙니다.
• 양자 맥락: QSP(Quantum Signal Processing) 및 GQSP(Generalised Quantum Signal Processing)와 같은 양자 선형 대수 알고리즘은 행렬 함수(역행렬과 같은)를 다항식 변환을 통해 구현하는 강력한 방법을 제공하지만, 일반적으로 입력 연산자가 유니타리하거나 헤르미션이어야 합니다. 비헤르미션 행렬에 대한 기존 접근 방식은 종종 "블록 인코딩(block-encoding)"에 의존하며, 이는 보조 레지스터(ancilla registers), 회로 깊이 및 상태 준비 측면에서 상당한 오버헤드를 초도합니다. 이전 연구 [13]는 대각 유사 변환(diagonal similarity transformation)을 사용하여 삼대각(tridiagonal) 시간 단계 행렬을 헤르미션 형태로 변환함으로써 1차원 블랙-숄즈 방정식에 대해 헤르미션-GQSP를 성공적으로 적용했습니다. 그러나 이 방법은 2차원 행렬의 블록 구조(텐서 곱 이산화 및 혼합 미분에서 기인함)가 헤르미션성을 보존하는 대각 유사 변환의 존재를 방해하기 때문에 2차원에서는 실패합니다.

2. 방법론

저자들은 대각 유사 변환이나 전통적인 블록 인코딩 오버헤드를 요구하지 않고 2차원 블랙-숄즈 방정식에 GQSP 프레임워크를 확장하기 위해 헤르미션 블록 임베딩(Hermitian block embedding) 전략을 제안합니다.

A. 헤르미션 블록 임베딩
비헤르미션 행렬 $\tilde{M}$을 직접 대칭화하려고 시도하는 대신, 저자들은 이를 $2N \times 2N$ 차원(여기서 $N$은 이산화된 그리드의 차원)의 더 큰 헤르미션 행렬 $H$에 임베딩합니다:
$$H = \begin{pmatrix} 0 & \tilde{M} \\ \tilde{M}^T & 0 \end{pmatrix}$$
$\tilde{M}$은 실수이므로, $H$는 실수 대칭 행렬이며 따라서 헤르미션입니다. 임베딩된 행렬의 역행렬은 다음과 같습니다:
$$H^{-1} = \begin{pmatrix} 0 & \tilde{M}^{-T} \\ \tilde{M}^{-1} & 0 \end{pmatrix}$$
결정적으로, 원하는 역 시간 단계 연산자 $\tilde{M}^{-1}$은 $H^{-1}$의 왼쪽 하단 오프-대각 블록에 나타납니다.

B. 홀수 다항식 근사
$H$의 구조는 그 거듭제곱에 대한 기함수성(parity property)을 부여합니다: $H$의 짝수 거듭제곱은 블록 대각(block-diagonal) 형태이며, 홀수 거듭제곱은 블록 오프-대각(block off-diagonal) 형태입니다.

• 저자들은 $H$의 스펙트럼 상에서 역 함수 $f(x) = 1/(\gamma x)$를 근사하기 위해 홀수 다항식 $p(x) = \sum c_{2m+1} x^{2m+1}$을 구성합니다.
• $p(x)$는 홀수 함수이므로, $p(H)$는 블록 오프-대각 형태를 유지합니다. 결과적으로 $p(H)$의 왼쪽 하단 블록은 $\tilde{M}^{-1}$을 근사합니다.
• 이를 통해 임베딩된 입력 상태 $\begin{pmatrix} V^n \\ 0 \end{pmatrix}$에 다항식 변환을 적용하고 결과 벡터의 하단 절반을 추출함으로써 역방향 시간 전개 단계를 복구할 수 있습니다.

C. 스펙트럼 스케일링 및 GQSP 구현

• 스케일링: 행렬 $H$를 계수 $\gamma = \max |\lambda_i(H)|$로 재스케일링하여 $A = H/\gamma$를 정의함으로써 스펙트럼이 $[-1, 1]$ 내에 있도록 합니다. 스펙트럼은 0을 중심으로 대칭이며, $\tilde{M}$의 조건수(condition number)에 의해 결정되는 $[\text{-}1, -\delta] \cup [\delta, 1]$ 내에 존재합니다.
• GQSP: 재스케일링된 헤르미션 행렬 $A$는 유니타리 연산자 $U = A + i\sqrt{I-A^2}$에 임베딩됩니다. 그 후 GQSP 알고리즘을 사용하여 $U$에 대한 홀수 다항식 변환 $p(A)$를 구현합니다.
• 출력: 양자 회로는 근사된 솔루션 $V^{n+1} = \tilde{M}^{-1}V^n$을 포함하는 하단 레지스터를 가진 상태를 출력합니다.

3. 주요 기여

• 2D로의 확장: 본 논문은 대각 유사 변환을 사용할 수 없게 만드는 구조적 장애물을 극복하고, 2차원 블랙-숄즈 방정식을 위해 헤르미션-GQSP 프레임워크를 확장했습니다.
• 블록 임베딩 프리 접근 방식: 저자들은 특정 헤르미션 딜레이션(dilation) 및 홀수 다항식 구조에 의존함으로써, 표준 블록 인코딩 기술의 무거운 오버헤드 없이 비헤르미션 행렬에 대한 역문제(inverse problem)를 해결하는 방법을 입증했습니다.
• 원리 증명: 이 연구는 현대 양자 선형 대수 기법이 다차원 옵션 가격 결정 문제에 적용될 수 있음을 보여주는 원리 증명(proof of principle)을 제공합니다.

4. 수치 결과

저자들은 Python과 PennyLane을 사용하여 두 자산 유럽형 바스켓 콜 옵션에 대한 수치 시뮬레이션을 수행했습니다.

• 설정: 다양한 금융 파라미터(변동성, 상관관계, 행사 가격 등)와 그리드 크기($32 \times 32$ 그리드 포인트, $2048$ 차원으로 임베딩됨)를 가진 두 가지 시뮬레이션을 실시했습니다.
• 비교: GQSP 기반 솔루션은 다음 항목들과 벤치마킹되었습니다:
  1. 클래식 후방 오일러 유한 차분법.
  2. 헤르미션화된 행렬에 직접 적용된 클래식 다항식 근사.
• 결과:
  • GQSP 솔루션은 클래식 다항식 근사 및 후방 오일러 벤치마크와 밀접한 일치도를 보였습니다.
  • 결과는 헤르미션 블록 임베딩이 원래의 비헤르션 연산자의 역학을 정확하게 포착함을 확인시켜 주었습니다.
  • 오차 원인: 분석을 통해 두 가지 주요 오차 원인을 식별했습니다:
    1. 다항식 근사 오차: 스펙트럼 갭 $\delta$에 의존합니다. 두 번째 시뮬레이션에서 더 큰 스펙트럼 갭이 더 낮은 근사 오차를 나타냈습니다.
    2. 이산화 오차: 단일 큰 시간 단계를 사용해야 했기 때문에(단일 단계 솔버로 구현됨), 이산화 오차가 상당했습니다(첫 번째 시뮬레이션에서 약 \0.09$, 두 번째 시뮬레이션에서 약$60%$ 더 큼). 이 오차는 클래식 벤치마크에도 내재되어 있습니다.
  • 노이즈: 양자 시뮬레이션은 클래식 다항식 근사에는 존재하지 않는 노이즈 플로어(두 번째 시뮬레이션에서 $10^{-2}$ 부근에서 관찰됨)를 나타냈습니다.

5. 의의 및 주장

본 논문은 제안된 방법이 다차원 블랙-숄즈 문제를 해결하기 위해 헤르미션 블록 임베딩과 GQSP를 결합하는 것이 실현 가능함을 보여준다고 주장합니다.

• 제한된 범위: 저자들은 현재 구현이 "단일 단계 역솔버(single-step inverse solver)"임을 명시적으로 밝힙니다. 그들은 아직 완전한 양자 우위를 주장하지 않으며, 스펙트럼 갭이 작을 때 더 높은 차수의 다항식이 필요하다는 점과 큰 시간 단계의 이산화 오차에 의해 방법이 제한된다는 점을 언급했습니다.
• 미래 잠재력: 의의는 고전 컴퓨터가 "차원의 저주"에 직면하는 다중 자산 파생상품을 위한 양자 알고리즘의 경로를 제공한다는 데 있습니다. 저자들은 진정한 양자 우위가 고전적인 유한 차분법이 계산적으로 불가능해지는 3차원 이상에서 나타날 수 있다고 제안합니다.
• 한계점: 논문은 더 나은 그리드 전략이나 다단계 GQSP 구현을 통해 효율적인 다단계 시간 전개 체계를 개발하고, 노이즈 플로어를 줄이며, 이산화 오차를 최소화하기 위한 향후 연구가 필요함을 인정합니다.

요약하자면, 이 논문은 대각 유사 변환의 필요성을 우회하는 헤르미션 블록 임베딩을 도입함으로써, GQSP를 2차원 옵션 가격 결정에 적용하기 위한 이론적 및 수치적 토대를 구축하였으며, 이는 고차원 금융 파생상품을 위한 양자 알고리즘을 향한 실행 가능한 경로를 제시합니다.