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

Stel je voor dat je de toekomstige prijs van een aandeel probeert te voorspellen, maar in plaats van naar één enkel getal te kijken, moet je de waarde van een financieel contract voor duizenden verschillende mogelijke prijzen tegelijkertijd berekenen. Dit is de wereld van "optieprijsbepaling", een tak van de financiële wiskunde waar wetenschappers complexe vergelijkingen gebruiken om uit te rekenen wat een weddenschap op de toekomstige koers van een aandeel vandaag waard is. Het lastige is dat de wiskunde vaak gebruikmaakt van een instrument genaamd de "Fourier-transformatie", wat als een magisch prisma is dat een ingewikkeld signaal (zoals de prijsbeweging van een aandeel) breekt in zijn individuele frequentiekleuren. Hoewel dit prisma ongelooflijk nuttig is, is het proberen te gebruiken op een enorme schaal met klassieke computers als het proberen te dragen van een bibliotheek in je rugzak; de benodigde hoeveelheid geheugen groeit zo snel dat de computer zonder ruimte komt te zitten voordat hij de klus kan klaren.

Hier wordt het verhaal interessant. Wetenschappers hebben gezocht naar twee zeer verschillende manieren om dit geheugenprobleem op te lossen. Eén pad leidt naar de vreemde, superkrachtige wereld van quantumcomputers, die de regels van minuscule deeltjes gebruiken om enorme berekeningen aan te kunnen. Het andere pad blijft op onze vertrouwde, klassieke computers, maar probeert de data in een supercompact formaat te persen dat een "tensor netwerk" wordt genoemd. De grote vraag was: Kunnen we de slimme trucs die gebruikt worden door quantumcomputers nemen en ze op onze gewone laptops draaien zonder dat we daadwerkelijk een quantummachine nodig hebben?

In dit artikel zeggen Sascha H. Hauck en Ivica Turkalj: "Ja, dat kunnen we." Ze hebben een nieuwe methode ontwikkeld genaamd de "Superfast Fourier Transform" (SFFT). Denk aan een manier om een enorme, onhandelbare kaart van aandelenprijzen op te vouwen tot een kleine, zakformaat origami-kraan die nog steeds alle belangrijke informatie bevat. Door deze "origami"-techniek te gebruiken, hebben ze aangetoond dat hun methode Europese call-opties (een specifiel type financieel contract) net zo nauwkeurig kan prijzen als de oude, zware methoden, maar zonder een supercomputerharde schijf nodig te hebben. Ze hebben dit getest op zowel klassieke computers als quantumsimulatoren, waarbij ze vonden dat hun nieuwe aanpak veel minder geheugen gebruikt en veel langzamer in complexiteit groeit naarmate de problemen groter worden. Hoewel ze niet elk financieel mysterie hebben opgelost, bewijst hun werk dat we de beste ideeën uit de quantumfysica kunnen lenen om onze huidige computers veel efficiënter te laten omgaan met enorme financiële berekeningen.

De kernontdekking van het artikel

De auteurs pakken een specifieke flessenhals in de financiële wiskunde aan: de "geheugenmuur". Wanneer opties worden geprijsd met de beroemde Carr–Madan-methode, die steunt op Fourier-transformaties, explodeert de hoeveelheid data die nodig is wanneer men probeert prijzen te berekenen voor steeds meer uitoefenprijzen. Een klassieke computer die dit probeert te doen met een standaard Fast Fourier Transform (FFT), moet een enorme, dichte vector van getallen opslaan. Als men de precisie slechts een klein beetje wil verhogen, verdubbelt de benodigde hoeveelheid geheugen, en verdubbelt deze vervolgens weer, waardoor het snel onmogelijk wordt om te beheren.

Om deze muur te doorbreken, hebben de auteurs het prijsingsprobleem geherformuleerd met behulp van Tensor Netwerken, specifiek een structuur genaamd een Tensor Train (TT). Stel je een lange keten van mensen voor die elkaars handen vasthouden, waarbij elke persoon alleen iets hoeft te weten over zijn directe buren om een bericht door de lijn door te geven. In deze analogie is het "bericht" de financiële data. In plaats van de volledige, enorme lijst met getallen op te slaan (de hele bibliotheek), slaat de Tensor Train alleen de kleine, lokale verbindingen tussen de getallen op. Dit stelt de computer in staat om een exponentieel grote dataset weer te geven met een piepkleine hoeveelheid geheugen.

Het artikel introduceert een specifiek algoritme genaamd de Superfast Fourier Transform (SFFT). Dit is een gecomprimeerde versie van de Quantum Fourier Transform (QFT). Normaal gesproken is de QFT een circuit ontworpen voor quantumcomputers dat gegevens ongelooflijk snel kan verwerken, maar dat vereist een quantummachine om te draaien. De auteurs realiseerden zich dat de wiskundige structuur van de QFT zo efficiënt is dat deze kan worden "vertaald" naar een klassiek Tensor Train-formaat. Ze noemen deze vertaling de SFFT.

Zo werkt hun methode in de praktijk:

1. Compressie: Ze nemen de financiële data (de karakteristieke functie van de aandelenprijs) en stellen deze voor als een Tensor Train.
2. De Magische Operatie: In plaats van een zware, geheugenverslindende FFT uit te voeren, passen ze de SFFT-operator direct toe op de gecomprimeerde Tensor Train. Dit is als het uitvoeren van een complexe berekening op de gevouwen origami zonder deze ooit uit te vouwen.
3. Resultaat: De output is de prijs van de optie, nog steeds in een gecomprimeerd formaat, die vervolgens kan worden uitgelezen.

Wat ze vonden en wat ze uitsloten

De auteurs hebben numerieke experimenten uitgevoerd met Europese call-opties onder het Black-Scholes-model (een standaard, algemeen bekend model voor aandelenprijzen). Ze vergeleken drie benaderingen:

1. De traditionele FFT (de oude, zware manier).
2. De nieuwe SFFT (de gecomprimeerde, tensor netwerk manier).
3. De QFT (de quantum manier, gesimuleerd op een computer en gedraaid op werkelijke quantumhardware).

De resultaten:

• Geheugenbesparing: De SFFT-methode behield een hoge prijsnauwkeurigheid terwijl het geheugengebruik drastisch werd verminderd. In hun simulaties, terwijl ze het aantal qubits verhoogden (wat overeenkomt met de roostergrootte van de berekening), groeide de hoeveelheid geheugen die nodig was voor de standaard FFT exponentieel, waardoor het snel onbeheersbaar werd. In contrast hiermee groeide het geheugengebruik van de SFFT zeer langzaam, en bleef het beheersbaar, zelfs voor grote roosters.
• Snelheid en Schaalbaarheid: De computationele kosten van de SFFT schalen sub-exponentieel. Dit betekent dat naarmate het probleem groter wordt, de tijd en middelen die nodig zijn niet exploderen zoals bij de klassieke FFT.
• Quantumvergelijking: Wanneer ze hun klassieke SFFT vergeleken met de quantum QFT, vonden ze dat beide benaderingen de exponentiële schaling van de conventionele methode vermeden. De SFFT brengt in feite de efficiëntie van de quantumbenadering naar klassieke hardware.

Wat ze uitsloten:
Het artikel voert expliciet aan tegen het idee dat we een fysieke quantumcomputer moeten gebruiken om dit niveau van efficiëntie te bereiken voor deze specifieke problemen. Ze demonstreren dat de "tensor-productstructuur" van de Fourier-transformatie, die de QFT zo krachtig maakt, efficiënt kan worden geëxploiteerd op klassieke hardware met behulp van tensor netwerken. Ze beweren niet dat de SFFT sneller is dan de FFT voor kleine problemen (waarbij de overhead van compressie de moeite misschien niet waard is), maar ze laten zien dat voor grootschalige problemen de klassieke tensor netwerkbenadering een superieur alternatief is voor de brute-force FFT.

Hoe zeker zijn we?

De auteurs zijn zeer zelfverzekerd over hun bevindingen op basis van de gepresenteerde data. Ze hebben niet alleen gesuggereerd dat dit zou kunnen werken; ze hebben het gemeten.

• Nauwkeurigheid: Ze hebben geverifieerd dat de SFFT-prijzen met hoge precisie overeenkomen met de bekende analytische Black-Scholes-prijzen. Ze gebruikten een metriek genaamd de Normalized Root Mean Squared Error (NRMSE) om aan te tonen dat de fout laag bleef, zelfs naarmate de roostergrootte toenam.
• Simulaties en Hardware: Ze hebben hun algoritme getest op klassieke hardware (een computercluster) en hebben ook de quantum tegenhanger gedraaid op quantumsimulatoren en werkelijke quantumhardware. De resultaten van zowel de klassieke SFFT als de quantum QFT kwamen overeen met hun theoretische voorspellingen, wat aantoont dat beide de exponentiële geheugenbottleneck vermijden.
• Beperkingen: Het artikel merkt op dat de SFFT ervan afhankelijk is dat de inputdata een "low-rank structuur" heeft (wat betekent dat de data goed gecomprimeerd kan worden). Als de data te chaotisch is om te comprimeren, zal de methode mogelijk niet even efficiënt zijn. Echter, voor de geteste financiële modellen (zoals Black-Scholes en Variance Gamma) werd de data zeer goed gecomprimeerd, waardoor de "ranks" (de grootte van de verbindingen in de keten) klein bleven, doorgaans rond de 10 of minder.

Samenvattend biedt dit artikel een verenigd kader dat klassieke Fourier-prijsbepaling, tensor netwerkalgoritmen en quantum computing met elkaar verbindt. Het laat zien dat door de wiskunde in een Tensor Train te vouwen, we grootschalige optieprijsbepaling kunnen uitvoeren op klassieke computers met een fractie van het geheugen, wat een schaalbaar alternatief biedt voor hoogdimensionale financiële berekeningen zonder te hoeven wachten tot quantumcomputers volledig volwassen zijn.