⚛️ quantum physics

Option Pricing on Noisy Intermediate-Scale Quantum Computers: A Quantum Neural Network Approach

该论文提出了一种基于量子神经网络（QNN）的期权定价方法，并在 IBM、IonQ 和 Rigetti 等多种含噪声中等规模量子（NISQ）硬件上进行了跨平台验证，证明了利用希尔伯特空间几何结构进行衍生品定价的可行性。

原作者： Sebastian Zając, Rafał Pracht

发布于 2026-04-23

📖 1 分钟阅读🧠 深度阅读

原作者： Sebastian Zając, Rafał Pracht

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个非常前沿的故事：科学家们正在尝试用“量子计算机”来给金融衍生品（比如股票期权）定价，而且他们是在目前这种“有点吵、不太完美”的早期量子计算机上完成的。

为了让你轻松理解，我们可以把这篇论文想象成一场**“在暴风雨中驾驶微型潜艇寻找宝藏”**的探险。

1. 背景：巨大的海洋与复杂的地图

现实世界： 全球衍生品市场像一片浩瀚的汪洋，价值高达数百万亿美元。银行和保险公司每天需要计算成千上万种“期权”（一种未来买卖资产的合约）的价格。
传统方法： 以前，大家用经典的数学公式（比如著名的 Black-Scholes 模型）或者超级计算机来算。这就像用老式海图和指南针在平静的水面上航行，虽然准，但如果遇到特别复杂、多变的洋流（比如涉及很多变量、路径依赖的复杂产品），计算就会变得极慢，甚至算不出来。
新想法： 科学家们想：“能不能用量子计算机这艘新式潜艇，利用量子力学的特殊能力，更快地找到价格？”

2. 核心挑战：潜艇有点“漏风”（NISQ 时代）

现状： 现在的量子计算机还处在NISQ（含噪声中等规模量子）阶段。这就好比我们的潜艇虽然很先进，但外壳有点漏风，内部仪器偶尔会受干扰（噪声），而且空间很小（只有很少的“量子比特”，就像潜艇只有几个座位）。
任务： 作者的目标不是造一艘完美的潜艇，而是测试：在这样漏风、拥挤的潜艇里，能不能依然准确地画出海图（算出期权价格）？

3. 他们的解决方案：神奇的“量子神经网络” (QNN)

作者设计了一种叫 finQbit 的微型量子神经网络。我们可以把它想象成一种**“量子魔法透镜”**。

压缩空间（2 个量子比特）： 通常算这种问题需要很多“座位”（量子比特），但他们很聪明，只用了2 个座位。
- 比喻： 就像把 4 个乘客（4 个输入参数：股价、时间、利率、波动率）巧妙地安排进只有 2 个座位的潜艇里。他们让每个座位同时承载两个乘客的信息，并且让乘客在潜艇里不断交换位置（特征重排），这样就能在极小的空间里捕捉到复杂的信息。
利用“量子几何”： 经典计算机像是在平地上走路，而量子计算机像是在高维的球面上跳舞。作者发现，期权价格的变化曲线（像山丘一样弯曲）在量子力学的“球面”上更容易被平滑地描绘出来，不需要像经典计算机那样用无数个小台阶（树状模型）去硬凑。

4. 实验过程：在真实的“暴风雨”中测试

为了验证这个想法，他们没有只在电脑模拟器里跑（那是风平浪静的），而是真的把程序上传到了4 家不同的真实量子计算机上：

IBM Fez (超导技术，像快速但易受干扰的陀螺)
IQM Garnet (欧洲制造的超导系统)
IonQ Forte (离子阱技术，像被激光锁住的原子，非常稳定但有点“飘”)
Rigetti Ankaa-3 (另一种超导系统)

他们发现了什么？

惊人的准确度： 尽管这些机器有噪声，但 finQbit 模型算出的价格，竟然和经典超级计算机算出的“标准答案”非常接近（准确率高达 93% 以上）。
不同的性格：
- IBM 和 Rigetti 的潜艇在计算“深度价内”（很赚钱的期权）时，价格会稍微偏低（像是被水压压扁了一点）。
- IonQ 的潜艇则总是偏高（像是浮力太大），但它的稳定性极好，不会乱跳。
纠错魔法： 作者还用了“读出错位校正”（就像给潜艇的仪表盘加个滤镜），把 IBM 机器上的误差修正了，让结果更准。

5. 结论与意义：虽然只是“原型机”，但未来可期

这不是要取代现在的银行系统： 作者很诚实，他们承认现在的量子计算机还不足以处理所有复杂的金融业务。
真正的突破： 这是一次**“概念验证”**。它证明了：
1. 即使在漏风、有噪声的早期量子计算机上，也能算出复杂的金融价格。
2. 量子神经网络（QNN）有一种独特的“直觉”，能比经典算法更优雅地处理那些弯曲的、非线性的价格曲线。
3. 这种技术不需要巨大的量子计算机，2 个量子比特就能干大事。

总结

这就好比在第一次造出飞机的时候，飞行员就敢在暴风雨中试飞，并且发现虽然飞机有点抖，但确实能飞起来，而且比骑马（经典计算机）在某些地形上更有潜力。

这篇论文告诉我们要对量子金融保持乐观：虽然现在的量子计算机还很“幼稚”，但它们已经准备好在金融定价的深海中，开始发挥独特的作用了。未来，当量子计算机变得更强大时，它们将能解决那些让超级计算机都头疼的复杂金融难题。

论文技术总结：基于量子神经网络的噪声中等规模量子（NISQ）设备期权定价

1. 研究背景与问题定义

在规模达数十万亿美元的全球衍生品市场中，定价模型的准确性与效率对风险管理、资本配置及合规至关重要。尽管经典数值方法（如蒙特卡洛模拟、有限差分法）广泛应用，但在处理高维、路径依赖或美式期权等复杂金融工具时，面临“维数灾难”和收敛速度慢的瓶颈。

本文旨在解决的核心问题是：在当前的噪声中等规模量子（NISQ）硬件限制下，量子机器学习（QML）方法，特别是量子神经网络（QNN），是否能够有效且准确地近似期权定价函数？

作者选择Black-Scholes-Merton (BSM) 模型作为受控基准环境。虽然 BSM 本身有解析解，但其作为更复杂模型（如随机波动率、局部波动率模型）的数学基准，能够提供一个严谨的测试平台，用于评估量子模型在捕捉非线性定价曲面（特别是平值区域的凸性）方面的能力，而不受经典计算瓶颈的干扰。

2. 方法论

2.1 数据框架

输入特征：基于 BSM 欧式看涨期权，提取四个关键参数：实虚比（Moneyness, $m=S/K$ ）、到期时间（ $T$ ）、无风险利率（ $r$ ）和波动率（ $\sigma$ ）。
数据生成：在均匀分布范围内生成合成数据集（训练集 500 条，测试集 1001 条），覆盖从深度虚值到深度实值的各种市场状态。
目标变量：归一化的期权价格 $\hat{C} = C/K$ 。

2.2 经典基准模型

为了评估量子模型的性能，建立了两个经典基准：

普通最小二乘法 (OLS)：线性模型，用于量化 BSM 曲面与线性超平面之间的“非线性差距”。
XGBoost 回归器：高容量非线性模型，作为经典机器学习的性能上限参考。

发现：XGBoost 在平值（ATM）区域（Gamma 最大处）表现不佳，存在显著的近似误差，这归因于树模型基于轴对齐的阶梯状近似难以平滑插值期权 Delta 的快速变化。

2.3 量子神经网络架构 (finQbit)

作者提出了一种名为 finQbit 的紧凑型 2 量子比特 QNN 架构，旨在克服 NISQ 设备的资源限制：

核心创新：
1. 高密度编码：每个量子比特通过正交旋转轴（ $R_y, R_x$ ）同时编码两个特征，最大化信息密度。
2. 动态特征重排 (Dynamic Feature Permutation)：在 3 层数据重上传（Data Re-uploading）方案中，每层对输入特征对进行不同的排列映射（例如第一层映射 $m, \sigma$ ，第二层映射 $T, m$ 等），以捕捉特征间多样化的相关性。
电路结构：包含 3 层变分块（ $W$ ）和数据编码块（ $S$ ）。变分块使用通用 $U3$ 旋转和双向纠缠（CNOT），编码块将特征映射到旋转角度。
输出：读取量子比特的 $\hat{Z}$ 算符期望值，并应用 $\max(0, \cdot)$ 后处理以确保价格非负。
参数效率：整个模型仅包含 36 个可训练参数，远少于经典 XGBoost 的约 400 个参数。

2.4 硬件优化与压缩

为了适应 NISQ 设备的噪声，作者对原始 4 量子比特架构进行了压缩：

单元分解：将原始的多门结构压缩为单个 2 量子比特的 $U(4)$ 单元块，显著降低了电路深度和相干错误积累。
误差缓解：在部分硬件上实施了读取误差缓解（Readout Error Mitigation）协议。

3. 实验设置与硬件平台

研究在多个最先进的量子处理器上进行了跨平台验证，涵盖了不同的技术路线：

IBM Fez (超导量子比特)
IQM Garnet (超导量子比特)
IonQ Forte (离子阱技术)
Rigetti Ankaa-3 (超导量子比特)

实验采用了分层评估策略：

理想状态向量模拟：建立理论基准。
散粒噪声模拟：评估统计采样误差。
物理 QPU 执行：评估真实的硬件噪声、退相干和门保真度影响。

4. 关键结果

4.1 模拟与经典对比

精度：finQbit 模型在测试集上的 $R^2$ 达到 0.97958，略优于 XGBoost (0.97854)。
平值区域表现：在最具挑战性的平值（ATM）区域，finQbit 的均方误差（MSE）约为 XGBoost 的 50%。这证明了连续幺正变换（Hilbert 空间旋转）比树模型的阶梯状近似更能捕捉高凸性曲面。
资源效率：finQbit 仅用 36 个参数实现了优于 400 个参数 XGBoost 模型的性能。

4.2 物理硬件执行结果

IBM Fez (超导)：表现最佳，优化后的压缩架构实现了 $R^2 = 0.9300$ 。尽管存在系统性的向下偏差（ITM 区域），但整体精度极高。
IonQ Forte (离子阱)：表现出极高的时间稳定性，但存在系统性的向上偏差。在虚值（OTM）区域，离子阱未出现超导系统常见的“价格归零”崩溃现象，信号保持较好。
Rigetti Ankaa-3 & IQM Garnet：均显示出特定的噪声特征（如 Rigetti 的向下偏差，IQM 的向上偏差），但在所有硬件上，finQbit 模型均保持了 $R^2 > 0.64$ 的预测能力。
采样优化：实验确定了最佳采样配置（如 50 次重复，每次 2000 次测量），在精度和成本之间取得了平衡。过高的采样量（如 5000 次）在某些硬件上因累积校准漂移反而导致精度下降。

5. 主要贡献与意义

首个端到端实现：据作者所知，这是首个在现有量子硬件上完全实现并验证的量子期权定价工作流，使用了 QNN 作为核心定价引擎，而非混合方案中的子程序。
跨平台鲁棒性验证：通过在四种不同技术路线（超导、离子阱）的硬件上运行，证明了 finQbit 架构对不同噪声特征和原生门集的适应性，确立了其在多平台金融部署中的可行性。
NISQ 时代的可行性证明：结果表明，即使在噪声严重的 NISQ 设备上，利用希尔伯特空间的几何结构，QNN 也能以极高的精度和极少的参数近似复杂的金融定价函数。
架构创新：提出的“高密度编码”和“动态特征重排”策略，为在有限量子比特资源下处理多变量金融问题提供了新的设计范式。

6. 结论与展望

本文证明了量子神经网络不仅是未来容错量子计算的愿景，更是当前 NISQ 时代具有实际意义的建模工具。虽然目前研究基于简化的 BSM 模型，但其成功为扩展至更复杂的随机波动率模型（如 Heston）、路径依赖期权（如亚式、障碍期权）以及高维利率模型奠定了基础。未来的工作将集中在扩展模型复杂度、集成量子幅度估计（QAE）以减少采样负担，以及进一步优化误差缓解技术，以缩小理想模拟与物理设备性能之间的差距。