End-to-End PDE-Based Quantum Algorithms for Multi-Asset Option Pricing under Local and Stochastic Volatility

Dit artikel presenteert een volledig end-to-end kwantumalgoritme voor het prijzen van Europese opties op meerdere activa onder lokale en stochastische volatiliteitsmodellen, waarbij polynoomversnellingen ten opzichte van klassieke einddifferentiemethoden in termen van poortcomplexiteit worden aangetoond, terwijl expliciete resourceadministratie en numerieke benchmarks worden geboden.

De kern

Stel je voor dat je een chef-kok bent die probeert de prijs van een complex gerecht (een "optie") te voorspellen, afhankelijk van de toekomstige prijzen van verschillende ingrediënten (activa zoals aandelen). De prijs van dit gerecht is niet zomaar een eenvoudig gemiddelde; deze wordt beïnvloed door hoe volatiel (springerig) de ingrediënten zijn en hoe ze zich ten opzichte van elkaar bewegen.

In de financiële wereld is het berekenen van deze prijs vergelijkbaar met het oplossen van een enorm, meerdimensionaal doolhof dat een Partiële Differentiaalvergelijking (PDV) wordt genoemd.

Het Probleem: De "Vloek van het Rooster"

Traditioneel gebruiken computers om dit doolhof op te lossen een methode genaamd Finite Differences. Stel je voor dat je een 3D-stad moet in kaart brengen om een specifiek adres te vinden.

• De Klassieke Aanpak: Je legt een rooster van straten aan. Als je 1 ingrediënt hebt, heb je een 1D-lijn van roosterpunten nodig. Als je 10 ingrediënten hebt, heb je een 10D-hyperrooster nodig.
• De Bottleneck: Naarmate je meer ingrediënten (activa) toevoegt, explodeert het aantal roosterpunten exponentieel. Het is alsof je probeert een kamer met zand te vullen; als je het aantal ingrediënten verdubbelt, verdubbelt de hoeveelheid zand (rekenkracht) die nodig is niet alleen, maar vermenigvuldigt deze zich met een enorm factor. Dit staat bekend als de "vloek van de dimensionaliteit". Voor complexe gerechten met veel ingrediënten blijven klassieke computers in het zand steken.

De Oplossing: Een Quantum "Magische Lens"

Dit artikel stelt een nieuwe manier voor om dit probleem op te lossen met behulp van Quantumcomputers. In plaats van een gigantisch fysiek zandrooster te bouwen, hebben de auteurs een "end-to-end" quantum-pijplijn ontwikkeld die fungeert als een magische lens.

Hier is hoe hun systeem stap voor stap werkt:

1. De Opstelling (State Preparation)
Eerst neemt de computer het "recept" (de contractdetails, uitoefenprijzen en marktdata) en codeert dit in een quantumtoestand. Denk hierbij aan het laden van de beginingrediënten in een quantumblender. Ze gebruiken een slimme truc genaamd Schrödingerization om de rommelige, niet-quantumwiskunde van de prijsbepalingsvergelijking om te zetten in een formaat dat een quantumcomputer kan begrijpen (een "unitaire" evolutie).

2. De Reis (Quantum Evolutie)
In plaats van één voor één door elk roosterpunt te lopen (zoals een klassieke computer), evolueert de quantumcomputer het hele systeem tegelijkertijd. Het is alsof je een steen in een vijver gooit en de rimpelingen direct over het hele oppervlak ziet verspreiden, in plaats van het waterniveau bij elk enkel punt individueel te meten. Het artikel maakt gebruik van geavanceerde technieken (zoals Hamiltonian simulatie) om de quantumtoestand "terug in de tijd" te laten stromen, van de toekomst (vervaldatum) naar het heden.

3. De Onthulling (Readout)
Zodra de quantumtoestand is geëvolueerd, moet de computer ons de prijs vertellen. Omdat we niet naar de hele quantumsoep tegelijk kunnen kijken, gebruiken de auteurs een techniek genaamd Amplitude Estimation. Dit is alsof je een enkele, zeer nauwkeurige steekproef uit de soep neemt om de smaak van de hele pot te schatten. Ze kijken specifiek naar de prijs op een bepaald punt (de huidige markttoestand).

De Resultaten: Een Snelheidswinst

De auteurs hebben dit getest op twee beroemde financiële modellen:

• Black-Scholes: Een standaardmodel voor het prijzen van opties.
• Heston: Een complexer model dat rekening houdt met "volatiliteitslachen" (het feit dat marktvolatiliteit niet constant is; deze verandert op basis van de prijs, waardoor een lachvormige curve ontstaat).

De Bevindingen:

• Polynoom Snelheidswinst: Voor een gerecht met $d$ ingrediënten en een roostergrootte van $N$, duurt het voor een klassieke computer tijd evenredig aan $N^{d+2}$. Het quantumalgoritme reduceert dit tot ongeveer $N^{d/2 + 2}$ (voor Black-Scholes) of $N^{d+2}$ maar dan met een veel kleinere exponent in de leidende term.
• De Analogie: Als de klassieke computer elke zandkorrel op een strand moet tellen, kan de quantumcomputer het volume schatten door te kijken naar een veel kleinere, representatieve steekproef, wat een enorme tijdwinst oplevert naarmate het strand groter wordt.
• Real-World Validatie: Het artikel deed niet alleen wiskunde op papier. Ze voerden simulaties uit en toonden aan dat hun quantummethode de "volatiliteitslach" (de gebogen grafiek van impliciete volatiliteit) net zo goed reconstrueerde als klassieke methoden, wat bewijst dat het het echte marktgedrag vastlegt.

Belangrijke Voorbehouden (De Kleine Lettertjes)

De auteurs zijn zeer voorzichtig om aan te geven wat dit nog niet doet:

• Het is geen toverstaf voor alles: De snelheidswinst is significant, maar het elimineert de "vloek van de dimensionaliteit" niet volledig. De kosten groeien nog steeds naarmate je meer activa toevoegt, maar dan veel langzamer dan voorheen.
• Het is momenteel theoretisch: De "poortcomplexiteit" (het aantal stappen) is berekend voor een perfecte, foutloze quantumcomputer. Echte quantumcomputers vandaag de dag zijn ruisend en klein.
• Specifieke Reikwijdte: Deze methode werkt het beste voor opties van het Europese type (waarbij je alleen aan het einde kunt uitoefenen) en specifieke soorten multi-assetcontracten. Het kan nog niet elke mogelijke exotische financiële derivaten afhandelen (zoals die met vroege uitoefenmogelijkheden).

Samenvatting

In eenvoudige termen bouwt dit artikel een complete, theoretische "quantum-assemblagelijn" voor het prijzen van complexe financiële opties. Het neemt klassieke data, voert deze uit via een quantummotor die de toekomstige prijsbewegingen van meerdere activa gelijktijdig simuleert, en geeft een prijs als output. Het resultaat is een methode die wiskundig bewezen is aanzienlijk sneller te zijn dan huidige klassieke methoden voor problemen met hoge dimensionaliteit, en die succesvol complexe marktpatronen zoals de "volatiliteitslach" reproduceert.

Technische samenvatting

Probleemstelling
De prijsbepaling van multi-asset opties onder lokale-volatiliteitsmodellen (Black–Scholes) en stochastische-volatiliteitsmodellen (Heston) leidt op natuurlijke wijze tot hoogdimensionale parabolische partiële differentiaalvergelijkingen (PDE's). Klassieke numerieke methoden voor het oplossen van deze PDE's, zoals eindige-differentieschema's of matrix-exponentiële methoden, lijden onder de "vloek van de dimensionaliteit", waarbij de rekenkosten exponentieel toenemen met het aantal activa ($d$) en de resolutie van het rooster ($N$). Specifiek schalen klassieke roostergebaseerde methoden voor een rooster met $N$ punten per ruimtelijke richting als $\tilde{O}(N^{d+2})$ voor Black–Scholes en als $\tilde{O}(N^{2d+2})$ voor Heston (waarbij het Heston-model variabele variabelen omvat). Hoewel er kwantumalgoritmen zijn voorgesteld voor optieprijzing, vertrouwen veel daarvan op Monte Carlo-padensimulatie of variatieve benaderingen die uitdagingen ondervinden met betrekking tot staatvoorbereiding, normalisatie en uitlezing, met name voor complexe, hoogdimensionale PDE's met specifieke randvoorwaarden.

Methodologie
De auteurs ontwikkelen een end-to-end kwantum-PDE-framework dat klassieke contract- en modeldata als invoer neemt en klassieke schattingen van optiewaarden als uitvoer teruggeeft. De workflow bestaat uit drie hoofdfasen:

1. Discretisatie en Formulering: De prijsbepalings-PDE's worden in de ruimte gediskretiseerd met behulp van eindige differenties van de tweede orde, waardoor de continue PDE wordt omgezet in een schaars, eindig-dimensionaal stelsel gewone differentiaalvergelijkingen (ODE's). Om niet-homogene randvoorwaarden en brontermen te behandelen, wordt het affiene ODE-stelsel uitgebreid tot een homogeen lineair stelsel door een hulpvariabele toe te voegen.
2. Kwantum-evolutie (Schrödingerisatie): Aangezien het resulterende ODE-stelsel over het algemeen niet-unitair is (vanwege de niet-Hermitiese aard van de prijsbepalingsoperator), maakt het framework gebruik van Schrödingerisatie. Deze techniek integreert de niet-unitaire dynamica in een groter unitair stelsel door een hulpvariabele ($\xi$) in te voeren en de dynamica af te beelden op een Schrödinger-vergelijking. Het stelsel wordt vervolgens gediskretiseerd in de $\xi$-dimensie en getransformeerd via Fourier-methoden om een Hermitiese Hamiltoniaan te verkrijgen.
3. Staatvoorbereiding en Uitlezing:
   • Staatvoorbereiding: De payoff-vector (bijvoorbeeld Worst-of Call) en het vereiste gladde afkapprofiel voor Schrödingerisatie worden voorbereid als kwantumtoestanden met behulp van blokkoderingen van coördinaatoperatoren en Quantum Singular Value Transformation (QSVT).
   • Evolutie: De gediskretiseerde prijsbepalingsdynamica worden gesimuleerd via Hamiltoniaanse evolutie met behulp van blokkodering en alternerende fase-modulatie-sequenties (Quantum Signal Processing).
   • Uitlezing: Geselecteerde optiewaarden worden teruggewonnen uit de uiteindelijke kwantumtoestand. Omdat de gewenste prijs is gecodeerd in één amplitude, maakt het framework gebruik van Quantum Amplitude Estimation (QAE) in combinatie met een Hadamard-test. Cruciaal is dat de overhead voor uitlezing schaalt met de wortel van het roostervolume ($2^{W/2}$), waarbij $W$ het aantal systeemqubits is.

Belangrijkste Bijdragen

• End-to-End Pijplijn: Het paper biedt een complete, expliciete pijplijn van klassieke invoerdata naar klassieke uitvoer, inclusief gedetailleerde resource-accounting voor staatvoorbereiding, Hamiltoniaanse simulatie, normalisatiewinning en uitlezing.
• Complexiteitsanalyse: De auteurs leiden de leidende poortcomplexiteit af voor het terugwinnen van de prijs van een enkel punt:
  • Multi-asset Black–Scholes: $\tilde{O}(d^2 N^{2 + d/2})$.
  • Multi-asset Heston: $\tilde{O}(d^2 N^{d + 2})$.
  • In vergelijking met klassieke roostergebaseerde baselines (respectievelijk $\tilde{O}(N^{d+2})$ en $\tilde{O}(N^{2d+2})$), biedt het kwantumframework polynomiale verbeteringsfactoren van $N^{d/2}$ en $N^d$.
• Numerieke Validatie: Het framework wordt numeriek gevalideerd tegen analytische oplossingen (Black–Scholes), semi-analytische benchmarks (Heston karakteristieke functie) en klassieke numerieke oplosmethoden (eindige-differenties en matrix-exponentiële methoden).
• Terugwinning van Impliziete Volatiliteit: In de Heston-setting slaagt het framework erin optiewaarden over een reeks uitoefenprijzen te herstellen en de bijbehorende niet-vlakke impliciete-volatiliteitslachen/skew te reconstrueren, wat zijn vermogen demonstreert om marktrelevante stochastische-volatiliteitskenmerken te vangen.

Resultaten

• Theoretische Prestaties: De analyse bevestigt een polynomiaal kwantumvoordeel in de roostergrootte $N$ voor zowel Black–Scholes- als Heston-modellen. Het voordeel wordt duidelijker naarmate het aantal activa $d$ toeneemt, hoewel de exponentiële afhankelijkheid van $d$ (de vloek van de dimensionaliteit) wordt verzacht maar niet geëlimineerd.
• Numerieke Nauwkeurigheid: Simulaties tonen aan dat het kwantumframework optiewaarden produceert die consistent zijn met klassieke en semi-analytische benchmarks. In het Heston-geval vertonen de herstelde impliciete-volatiliteitsoppervlakken de juiste skew-structuur (bijvoorbeeld equity skew) en komen ze overeen met de semi-analytische SSVI-aanpassingen met relatieve afwijkingen onder de 1%.
• Foutbronnen: De primaire fouten in de numerieke resultaten worden toegeschreven aan grove ruimtelijke discretisatie en domein-truncatie, en niet aan de kwantumsimulatie zelf. De extra fout die wordt geïntroduceerd door de Schrödingerisatie-procedure blijkt ondergeschikt te zijn.

Betekenis en Aanspraken
Het paper claimt de eerste demonstratie te bieden van een kwantum-PDE-gebaseerde prijsbepalingsworkflow die succesvol een impliciete-volatiliteitslachen/skew herstelt uit kwantumberekende optiewaarden. Het benadrukt dat het framework expliciete prestatiegaranties biedt en een volledige resource-analyse omvat, waardoor het zich onderscheidt van variatieve of heuristische benaderingen.

De auteurs handhaven een bescheiden toon met betrekking tot het praktische voordeel:

• Zij verduidelijken dat de vergelijking op het niveau van asymptotische schaling ligt en niet op wandkloktijd, en merken op dat logische poorttellingen niet direct vertalen naar fysieke uitvoeringstijd zonder rekening te houden met overhead voor foutcorrectie.
• Zij erkennen dat de "vloek van de dimensionaliteit" niet wordt geëlimineerd; de kosten groeien nog steeds exponentieel met het aantal activa, maar de groeifactor wordt verminderd (van $N^d$ naar $N^{d/2}$ voor Black–Scholes).
• Zij wijzen op beperkingen, zoals de huidige focus op Europese payoff's met randvoorwaarden die compatibel zijn met het framework (bijvoorbeeld Worst-of Call), en de uitsluiting van pad-afhankelijke of vroege-oefenfuncties, die extra staatvergroting of iteratieve oplossingslagen vereisen.

Over het algemeen legt dit werk een rigoureuze theoretische en numerieke fundering voor het gebruik van kwantumalgoritmen om hoogdimensionale financiële PDE's op te lossen, en biedt het een levensvatbaar alternatief voor klassieke roostergebaseerde methoden voor multi-asset prijsbepaling.