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

당신이 미래의 주가를 예측하려고 노력하고 있다고 상상해 보십시오. 하지만 단순히 하나의 숫자를 보는 대신, 수천 개의 서로 다른 가능한 가격에 대한 금융 계약의 가치를 한꺼번에 계산해야 합니다. 이것이 바로 "옵션 가격 결정(option pricing)"의 세계입니다. 이는 과학자들이 복잡한 방정식을 사용하여 주식에 대한 베팅의 현재 가치가 얼마인지 계산하는 금융 수학의 한 분야입니다. 까다로운 점은 이 수학이 종종 "푸리에 변환(Fourier Transform)"이라고 불리는 도구를 사용한다는 것입니다. 푸리에 변환은 마치 복잡한 신호(예: 주가 움직임)를 개별적인 주파수 색상으로 분해하는 마법의 프리즘과 같습니다. 이 프리즘은 매우 유용하지만, 고전 컴퓨터를 사용하여 대규모로 사용하려고 하면 마치 배낭에 도서관 전체를 담으려는 것과 같습니다. 필요한 메모리가 너무 빠르게 늘어나서 컴퓨터가 작업을 마치기도 전에 공간이 부족해지기 때문입니다.

여기서 이야기는 흥ens해집니다. 과학자들은 이 메모리 문제를 해결하기 위한 두 가지 매우 다른 방법을 탐색해 왔습니다. 한 경로는 미립자의 규칙을 사용하여 거대한 계산을 처리하는 기묘하고 강력한 양자 컴퓨터의 세계로 이어집니다. 다른 경로는 우리에게 익숙한 고전 컴퓨터에 머물면서 데이터를 "텐서 네트워크(tensor network)"라고 불리는 매우 조밀하게 압축된 형식으로 구겨 넣는 방식입니다. 큰 질문은 이것입니다. "양자 컴퓨터의 영리한 기술을 실제 양자 기계 없이도 우리의 일반 노트북에서 실행할 수 있을까?"

Sascha H. Hauck와 Ivica Turkalj는 이 질문에 대해 "네, 가능합니다"라고 말합니다. 그들은 "초고속 푸리에 변환(Superfast Fourier Transform, SFFT)"이라는 새로운 방법을 개발했습니다. 이것을 금융 데이터의 거대하고 다루기 힘든 지도를 작고 주머니에 쏙 들어가는 종이학으로 접는 기술이라고 생각하십시오. 이 "종이접기" 기술을 사용함으로써, 그들은 자신들의 방법이 기존의 무거운 방법만큼 정확하게 유럽형 콜 옵션(특정한 유형의 금융 계약)의 가격을 결정할 수 있으면서도, 슈퍼컴퓨터의 하드 드라이브를 필요로 하지 않는다는 것을 보여주었습니다. 그들은 이 방법을 고전 컴퓨터와 양자 시뮬레이터 모두에서 테스트했으며, 새로운 접근 방식이 훨씬 적은 메모리를 사용하고 문제가 커짐에 따라 복잡성이 훨씬 느리게 증가한다는 것을 발견했습니다. 비록 그들이 모든 금융의 미스터리를 해결한 것은 아니지만, 그들의 연구는 우리가 현재의 컴퓨터를 거대한 금융 계산을 처리하는 데 훨씬 더 효율적으로 만들기 위해 양자 물리학의 가장 좋은 아이디어를 빌려올 수 있음을 증명합니다.

논문의 핵심 발견

저자들은 금융 수학의 특정 병목 현상인 "메모리 벽(memory wall)"을 다룹니다. 푸리에 변환에 의존하는 유명한 Carr–Madan 방식을 사용하여 옵션 가격을 결정할 때, 더 많은 행사가격(strike prices)에 대한 가격을 계산하려고 하면 필요한 데이터의 양이 기하급급수적으로 폭발합니다. 표준 고속 푸리에 변환(FFT)을 사용하여 이를 수행하려는 고전 컴퓨터는 거대하고 조밀한 숫자 벡터를 저장해야 합니다. 정밀도를 조금만 높이려고 해도 필요한 메모리가 두 배, 다시 두 배로 늘어나 순식간에 감당할 수 없는 수준이 됩니다.

이 벽을 깨기 위해 저자들은 금융 문제를 텐서 네트워크(Tensor Networks), 특히 **텐서 트레인(Tensor Train, TT)**이라 불리는 구조를 사용하여 재구성했습니다. 이를 긴 체인처럼 손을 잡고 있는 사람들의 줄에 비유해 보십시오. 각 사람은 줄을 따라 메시지를 전달하기 위해 바로 옆에 있는 이웃에 대해서만 알면 됩니다. 이 비유에서 "메시지"는 금융 데이터입니다. 전체 거대한 숫자 목록(도서관 전체)을 저장하는 대신, 텐서 트레인은 숫자들 사이의 작은 국소적 연결만을 저장합니다. 이를 통해 컴퓨터는 기하급급수적으로 큰 데이터셋을 아주 적은 양의 메모리를 사용하여 표현할 수 있습니다.

이 논문은 **초고속 푸리에 변환(SFFT)**이라는 특정 알고리즘을 소개합니다. 이것은 **양자 푸리에 변환(Quantum Fourier Transform, QFT)**의 압축된 버전입니다. 보통 QFT는 양자 컴퓨터를 위해 설계된 회로로, 데이터를 믿을 수 없을 정도로 빠르게 처리할 수 있지만 실행하려면 양자 기계가 필요합니다. 저자들은 QFT의 수학적 구조가 매우 효율적이어서 이를 고전적인 텐서 트레인 형식으로 "번역"할 수 있다는 것을 깨달았습니다. 그들은 이 번역 과정을 SFFT라고 부릅니다.

실제 작동 방식은 다음과 같습니다:

1. 압축: 금융 데이터(주가의 특성 함수)를 가져와 텐서 트레인으로 표현합니다.
2. 마법의 연산: 무겁고 메모리를 많이 잡아먹는 FFT를 실행하는 대신, 압축된 텐서 트레인에 SFFT 연산자를 직접 적용합니다. 이는 펼쳐지지 않은 접힌 종이학 상태 그대로 복잡한 계산을 수행하는 것과 같습니다.
3. 결과: 출력값은 여전히 압축된 형태의 옵션 가격이며, 이후 이를 읽어낼 수 있습니다.

그들이 발견한 것과 배제한 것

저자들은 블랙-숄즈 모델(주가를 나타내는 표준적이고 잘 알려진 모델) 하에서의 유럽형 콜 옵션에 대한 수치 실험을 수행했습니다. 그들은 세 가지 접근 방식을 비교했습니다:

1. 전통적인 FFT (기존의 무거운 방식).
2. 새로운 SFFT (압축된 텐서 네트워크 방식).
3. QFT (컴퓨터에서 시뮬레이션되거나 실제 양자 하드웨어에서 실행된 양자 방식).

결과:

• 메모리 절감: SFFT 방식은 높은 가격 결정 정확도를 유지하면서 메모리 사용량을 획기적으로 줄였습니다. 시뮬레이션 결과, 큐비트 수(계산 그리드 크기에 해당)를 늘림에 따라 표준 FFT가 요구하는 메모리는 기하급급수적으로 증가하여 빠르게 감당할 수 없게 되었습니다. 반면, SFFT의 메모리 소비는 매우 느리게 증가하여 큰 그리드에서도 관리 가능한 수준을 유지했습니다.
• 속도 및 확장성: SFFT의 계산 비용은 아지수적(sub-exponential)으로 확장됩니다. 즉, 문제가 커질수록 기존의 FFT처럼 필요한 시간과 자원이 폭발적으로 늘어나지 않습니다.
• 양자 비교: 저자들은 자신들의 고전적 SFFT와 양자 QFT를 비교했을 때, 두 방식 모두 기존 방식의 기하급급수적 확장을 피한다는 것을 발견했습니다. SFFT는 본질적으로 양자 방식의 효율성을 고전 하드웨어로 가져온 것입니다.

배제된 내용:
이 논문은 이러한 수준의 효율성을 달artifactId기 위해 반드시 물리적인 양자 컴퓨터를 사용해야 한다는 생각에 명시적으로 반박합니다. 저자들은 푸리에 변환의 "텐서 곱 구조(tensor-product structure)"가 QFT를 강력하게 만드는 핵심이며, 이를 텐서 네트워크를 사용하여 고전 하드웨어에서도 효율적으로 활용할 수 있음을 입증했습니다. 그들은 SFFT가 작은 문제에 대해 FFT보다 빠르다고 주장하는 것이 아닙니다(압축 오버헤드가 가치가 없는 경우). 대신, 대규모 문제에 대해서는 텐서 네트워크를 이용한 고전적 접근 방식이 무차별 대입 방식인 FFT보다 우수한 대안임을 보여줍니다.

얼마나 확실한가?

저자들은 제시된 데이터를 바탕으로 자신들의 결과에 대해 매우 확신하고 있습니다. 그들은 단순히 이것이 작동할 수도 있다고 제안한 것이 아니라, 실제로 측정했습니다.

• 정확도: 그들은 SFFT 가격이 알려진 해석적 블랙-숄즈 가격과 높은 정밀도로 일치함을 확인했습니다. 또한 NRMSE(정규화된 평균 제곱근 오차)라는 지표를 사용하여 그리드 크기가 커져도 오차가 낮게 유지됨을 보여주었습니다.
• 시뮬레이션 및 하드웨어: 그들은 알고리즘을 고전적 하드웨어(컴퓨터 클러스터)에서 테스트했을 뿐만 아니라, 양자 대응물을 양자 시뮬레이터와 실제 양자 하드웨어에서도 실행했습니다. 고전적 SFFT와 양자 QFT 모두 이론적 예측과 일치하는 결과를 보여주었으며, 두 방식 모두 기하급급수적인 메모리 병목 현상을 피한다는 것을 보여주었습니다.
• 한계: 논문은 SFFT가 입력 데이터가 "낮은 계수 구조(low-rank structure)"를 가져야 함을 명시합니다(즉, 데이터가 잘 압축될 수 있어야 함을 의미). 만약 데이터가 너무 혼란스러워 압축할 수 없다면 이 방법은 효율적이지 않을 수 있습니다. 그러나 그들이 테스트한 금융 모델(Black-Scholes 및 Variance Gamma 등)의 경우, 데이터가 매우 잘 압축되었으며 "계수(ranks, 체인의 연결 크기)"는 보통 10 이하로 작게 유지되었습니다.

요약하자면, 이 논문은 고전적 푸리에 가격 결정, 텐서 네트워크 알고리즘, 그리고 양자 컴퓨팅을 연결하는 통합된 프레임워크를 제공합니다. 텐서 트레인 형태로 수학을 접음으로써, 우리는 고전 컴퓨터에서도 아주 적은 메모리로 대규모 옵션 가격 결정을 수행할 수 있으며, 이는 양자 컴퓨터가 완전히 성숙하기를 기다리지 않고도 고차원 금융 계산을 위한 확장 가능한 대안을 제공합니다.