Full grid solution for multi-asset options pricing with tensor networks

Dit artikel toont aan dat quantized tensor trains (QTT) de vervloeking van de dimensie bij het prijsbepalen van meer-asset opties via de Black-Scholes PDE oplossen, waardoor nauwkeurige full-grid berekeningen mogelijk worden voor 10 tot 15 onderliggende activa op een standaard computer.

De kern

Stel je voor dat je een zeer complexe puzzel moet oplossen: het berekenen van de prijs van een financieel instrument dat afhankelijk is van veel verschillende aandelen tegelijkertijd. In de financiële wereld noemen we dit het "pricen van multi-asset opties".

Deze paper, geschreven door Lucas Arenstein en Michael Kastoryano, vertelt hoe ze een oude, enorme muur hebben afgebroken die tot nu toe het oplossen van deze puzzel onmogelijk maakte voor gewone computers.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het Probleem: De "Vloek van de Dimensies"

Stel je voor dat je een kaarttekent van een stad.

• Als de stad maar één straat heeft (1 aandelen), is dat makkelijk.
• Als de stad een rooster is van 100 straten (100 aandelen), wordt het al lastig.
• In de financiële wereld proberen we vaak 3, 4 of zelfs 10 aandelen tegelijk te volgen.

De oude manier om dit te doen (klassieke computers) is alsof je elk mogelijk punt op die kaart één voor één moet meten. Als je 3 aandelen hebt, is dat al een enorme hoeveelheid werk. Maar als je 5 aandelen hebt, explodeert de hoeveelheid werk zo enorm dat het net is alsof je probeert het hele universum te tellen met een potlood. Dit noemen ze de "vloek van de dimensies".

Daarom gebruiken banken nu vaak een andere methode: Monte Carlo. Dat is alsof je een blindeman bent die een doolhof probeert te vinden door er willekeurig in rond te lopen en te hopen dat je de uitgang vindt. Het werkt, maar het is traag, onnauwkeurig (je krijgt soms een "ruis" in je antwoord) en je moet het elke keer opnieuw doen als er iets verandert.

2. De Oplossing: De "Magische Vouwtechniek" (Tensor Networks)

De auteurs hebben een nieuwe manier bedacht, gebaseerd op wiskundige structuren die QTT (Quantized Tensor Trains) heten.

Stel je voor dat je een gigantisch, dik boek hebt met alle mogelijke antwoorden.

• De oude methode: Je bladert door elke pagina, één voor één, om het juiste antwoord te vinden.
• De QTT-methode: Je ontdekt dat het boek eigenlijk een magische vouwtechniek heeft. In plaats van het hele boek te lezen, vouw je het zo in dat je de essentie van de inhoud in je handpalm kunt houden. Je kunt de informatie "samenvouwen" zonder de betekenis te verliezen.

Met deze techniek kunnen ze de enorme, ingewikkelde wiskundige vergelijkingen (die de prijs van de opties bepalen) "opvouwen" tot een klein, handzaam pakketje. Zelfs als je 10 of 15 aandelen tegelijk bekijkt, past het pakketje nog steeds op je laptop.

3. Wat kunnen ze nu doen?

Met deze nieuwe techniek hebben ze twee nieuwe "machines" (algoritmen) gebouwd:

1. De Tijd-Perceptron: Deze werkt stap voor stap, zoals een klok die tik-tak-tik-tak doet. Hij berekent de prijs van vandaag, dan morgen, dan overmorgen. Dit is erg goed voor Amerikaanse opties (waar je op elk moment kunt beslissen om te verkopen).
2. De Ruimte-Tijd-Supercomputer: Deze kijkt naar de hele tijdlijn in één keer. Het is alsof je een film niet frame-voor-frame bekijkt, maar de hele film in één oogopslag ziet. Dit is super snel voor Europese opties (waar je pas op het einde kunt verkopen).

4. Waarom is dit een revolutie?

• Geen willekeur meer: In tegenstelling tot de "blindeman-methode" (Monte Carlo), krijgen ze nu het exacte antwoord voor elk punt op de kaart. Geen ruis, geen gokken.
• Directe antwoorden: Vroeger moest je de hele berekening opnieuw doen als een aandeel een beetje veranderde. Nu kunnen ze direct een antwoord geven voor een nieuwe situatie, alsof je een GPS hebt die direct een nieuwe route berekent zonder de hele stad opnieuw te hoeven verkennen.
• Risico's in beeld: Ze kunnen niet alleen de prijs berekenen, maar ook precies zien hoe gevoelig die prijs is voor veranderingen (de zogenaamde "Greeks"). Dit is cruciaal voor het beheersen van risico's.

5. Het Resultaat

Ze hebben getoond dat ze op een gewone laptop (een MacBook Pro) opties kunnen prijzen die afhankelijk zijn van 3, 4 en zelfs 5 aandelen tegelijk, met een zeer hoge nauwkeurigheid.

Vroeger was dit alleen mogelijk op supercomputers of met onnauwkeurige schattingen. Nu kunnen ze dit doen met een techniek die de "grote muur" van de complexiteit heeft omzeild door slim te vouwen in plaats van hard te werken.

Kortom: Ze hebben een manier gevonden om een gigantische, onoverzichtelijke berg data te veranderen in een netjes opgevouwen origami-vogel die je in je hand kunt houden, waardoor complexe financiële berekeningen plotseling snel, nauwkeurig en betaalbaar worden.

Technische samenvatting

Titel: Volledige grid-oplossing voor de prijsbepaling van opties op meerdere activa met tensornetwerken

1. Het Probleem: De Vervlochtenheid van Dimensies

De prijsbepaling van opties op meerdere onderliggende activa (multi-asset options) binnen het Black-Scholes-model is een fundamentele uitdaging in de kwantitatieve financiën.

• De Curse of Dimensionality: Klassieke deterministische methoden (zoals eindige differenties of spectrale methoden) vereisen een discretisatiegrid. Voor $d$ onderliggende activa en $N$ discretisatiepunten per dimensie, groeit de grootte van het grid exponentieel ($O(N^d)$). Dit maakt deze methoden effectief onbruikbaar voor meer dan drie activa.
• Beperkingen van Alternatieven:
  • Sparse grids: Verminderen het aantal punten, maar leveren geen oplossing op het volledige grid op. Dit bemoeilijkt taken zoals het berekenen van "Greeks" (gevoeligheden) op een vast rooster of het opnieuw prikken bij kleine veranderingen in de onderliggende waarden zonder de hele simulatie opnieuw te draaien.
  • Monte Carlo (MC): De standaard in de praktijk voor complexe instrumenten. MC levert echter alleen prijzen op specifieke startpunten, heeft stochastische ruis, convergeert traag voor staartgebeurtenissen en biedt geen volledig oplossingsoppervlak.

2. Methodologie: Quantized Tensor Trains (QTT)

De auteurs introduceren een deterministische aanpak die gebruikmaakt van Quantized Tensor Trains (QTT) om de Black-Scholes partiële differentiaalvergelijking (PDE) in hoge dimensies oplosbaar te maken op een standaard laptop.

• Kernidee: In plaats van het volledige grid op te slaan, worden functies en operatoren gecomprimeerd in een tensor train-formaat. Door de discretisatiepunten te herschikken als binaire indices (quantization), wordt de opslagcomplexiteit logaritmisch in plaats van lineair of exponentieel in de gridgrootte.

• De Oplossingsarchitectuur:

  1. Discretisatie: De PDE wordt omgezet in een lineair stelsel $Aw = b$ via een impliciete eindige-differentieschema (backward Euler in tijd, centrale differenties in ruimte).
  2. QTT-Representatie:
     • De operator $A$ (de Black-Scholes operator) wordt exact weergegeven als een Matrix Product Operator (MPO) met een rang die polynomiaal groeit met het aantal activa $d$, maar onafhankelijk is van de gridgrootte.
     • De rechterkant $b$ (payoffs en randvoorwaarden) wordt geconstrueerd met behulp van analytische QTT-construkties voor exponentiële functies en het TT-Cross-algoritme voor niet-lineaire operaties (zoals de $\max$-functie bij opties).
  3. Oplossing: Het lineaire stelsel wordt opgelost binnen het QTT-framework met het Alternating Linear Scheme (ALS) of de MALS-variant (Multi-ALS), waarbij cores één voor één of in paren worden geoptimaliseerd.

• Twee Specifieke Oplossers:

  1. Time-Stepping: Voor zowel Europese als Amerikaanse opties. De oplossing wordt stap voor stap in de tijd voortgezet. Voor Amerikaanse opties wordt de vroege-oefenvoorwaarde ($\max(V, \text{payoff})$) direct in QTT-vorm opgelegd na elke tijdstap.
  2. Space-Time: Alleen voor Europese opties. Tijd wordt behandeld als een extra ruimtelijke dimensie, waardoor het volledige oplossingsoppervlak (tijd en ruimte) in één keer wordt berekend.

3. Belangrijkste Bijdragen

• Doorbreken van de 3-activa barrière: Dit is het eerste werk dat volledige grid-oplossingen voor multi-asset Black-Scholes PDE's levert voor meer dan drie activa (tot 5 en potentieel 10-15) op een persoonlijke computer.
• Efficiënte Representatie: Bewezen dat de rangen van de QTT-representaties polynomiaal schalen met het aantal activa $d$ en polylogaritmisch met de gridgrootte. Dit maakt het probleem "tractabel" in hoge dimensies.
• Volledige Grid-Oplossing: In tegenstelling tot Monte Carlo, levert deze methode een dicht grid van prijzen en Greeks (Delta, Gamma, en kruisgevoeligheden) op over het hele domein.
• Snelheid en Flexibiliteit: Zodra het grid is berekend, kunnen nieuwe prijzen en Greeks worden opgevraagd via interpolatie zonder de simulatie opnieuw te draaien.

4. Resultaten en Experimenten

De auteurs hebben hun methoden getest op een MacBook Pro (Apple M3 Pro) voor basket- en max-min opties in 3, 4 en 5 dimensies.

• Nauwkeurigheid: De methoden leveren hoge nauwkeurigheid (fouten < 1-2% ten opzichte van hoogwaardige referenties zoals Gauss-Hermite kwadratuur of Monte Carlo).
• Performance:
  • Voor Europese opties is de Space-Time methode vaak sneller voor $d \leq 3$ en levert het volledige tijdsverloop. Voor $d > 3$ is Time-Stepping doorgaans de voorkeur.
  • Voor Amerikaanse opties is de extra rekentijd voor de vroege-oefenconditie (via TT-Cross) bescheiden (ongeveer 30% extra rekentijd). Het controleren van de QTT-rangen is de dominante factor, niet de ruwe gridgrootte.
  • Schaalbaarheid: Een 5-activa probleem met een fijne grid zou klassiek ongeveer 128 TB RAM vereisen (onmogelijk op een enkele node), terwijl de QTT-oplosser dit probleem comfortabel op een laptop oplost.
• Greeks: Het berekenen van Greeks op het volledige grid kost slechts milliseconden nadat de prijsoplossing is berekend, omdat dit slechts een toepassing is van lage-rang differentie-operatoren op de tensor.

5. Betekenis en Toekomstperspectief

Deze studie markeert een paradigmaverschuiving in de kwantitatieve financiën:

• Deterministische Alternatief: Het biedt een robuust, deterministisch alternatief voor Monte Carlo-simulaties voor complexe, hoog-dimensionale producten, zonder de statistische ruis.
• Praktische Toepassingen: De mogelijkheid om onmiddellijk opnieuw te prikken (re-pricing) en volledige gevoeligheidsanalyses (Greeks) uit te voeren op een volledig grid, is cruciaal voor hedging, intradag-risicomanagement en modelvalidatie.
• Toekomst: De methode kan worden uitgebreid naar complexere marktmodellen (zoals lokale volatiliteit of jump-diffusie) en potentieel naar nog hogere dimensies (10-15 activa) met verdere algoritmische optimalisatie.

Kortom, de auteurs tonen aan dat tensornetwerken (QTT) de "curse of dimensionality" kunnen overwinnen, waardoor volledige grid-oplossingen voor multi-asset opties niet langer beperkt blijven tot drie activa, maar haalbaar worden op standaard hardware.