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

想象一下，你正试图预测一只股票的未来价格，但你不仅仅是在看一个数字，而是必须同时计算出成千上万种不同可能价格下的金融合约价值。这就是“期权定价”（option pricing）的世界——这是金融数学的一个分支，科学家们利用复杂的方程来计算今天的一场关于股票未来走势的赌注究竟价值多少。棘手之处在于，这些数学运算通常涉及一种被称为“傅里叶变换”（Fourier Transform）的工具，它就像一个神奇的棱镜，能将一个复杂的信号（比如股票价格的波动）分解成其各自的频率色彩。虽然这个棱镜非常有用，但试图在大规模范围内使用它进行经典计算，就像试图把一座图书馆装进你的背包里一样；所需的内存增长得太快，以至于计算机在完成任务之前就会耗尽空间。

这正是故事变得有趣的地方。科学家们一直在寻找解决这个内存问题的两种截然不同的路径。一条路径通向奇特且超强大的量子计算世界，利用微观粒子的规则来处理大规模计算。另一条路径则留在我们熟悉的经典计算机世界，尝试将数据挤压成一种极其紧凑的格式，称为“张量网络”（tensor network）。大问题在于：我们能否借鉴量子计算机的聪明做法，在不需要真正需要量子机器的情况下，就在我们的普通笔记本电脑上运行它们？

在本文中，Sascha H. Hauck 和 Ivica Turkalj 表示：“是的，我们可以。”他们开发了一种名为“超快速傅里叶变换”（SFFT）的新方法。你可以把它想象成一种将巨大的、难以驾驭的股票价格地图折叠成一只小巧、便携的纸鹤的方法，而这只纸鹤依然保留着所有重要的信息。通过使用这种“折纸”技术，他们证明了该方法在为欧式看涨期权（一种特定的金融合约）定价时，可以像那些沉重的旧方法一样精确，却不需要超级计算机那么大的硬盘。他们在经典计算机和量子模拟器上都进行了测试，发现他们的新方法使用的内存更少，且随着问题规模变大，其复杂度的增长速度也慢得多。虽然他们并没有解决所有的金融奥秘，但他们的工作证明了我们可以借鉴量子物理中的最佳思想，让当前的计算机在处理大规模金融计算时变得更加高效。

该论文的核心发现

作者解决了一个金融数学中的特定瓶颈：“内存墙”（memory wall）。在使用著名的 Carr–Madan 方法（依赖于傅里叶变换）进行期权定价时，当你试图为越来越多的行权价格计算价格时，所需的数据量会呈指数级爆炸。使用标准的快速傅里叶变换（FFT）时，一台经典计算机必须存储一个庞大且稠密的数值向量。如果你只想稍微提高一点精度，所需的内存就会翻倍，然后再翻倍，很快就会变得无法处理。

为了打破这道墙，作者使用张量网络（Tensor Networks），特别是名为张量列（Tensor Train, TT）的结构，重新构建了定价问题。想象一长串手拉手的人，每个人只需要知道自己相邻的人的信息，就能把消息传递下去。在这个类比中，“消息”就是金融数据。与其存储整个庞大的数字列表（整座图书馆），张量列只存储数字之间微小的局部连接。这使得计算机可以用极小的内存来表示一个指数级庞大的数据集。

论文介绍了一种特定的算法，称为超快速傅里叶变换（SFFT）。这是**量子傅里叶变换（QFT）**的一种压缩版本。通常，QFT 是为量子计算机设计的电路，它可以极其快速地处理数据，但需要量子机器才能运行。作者意识到，QFT 的数学结构如此高效，以至于它可以被“翻译”成经典的张量列格式。他们将这种翻译称为 SFFT。

以下是该方法在实践中的运作方式：

1. 压缩： 他们将金融数据（股票价格的特征函数）表示为一个张量列。
2. 魔力操作： 他们不再运行沉重且耗费内存的 FFT，而是直接将 SFFT 算子应用于压缩后的张量列。这就像是在不展开折纸的情况下，直接对折叠后的纸鹤进行复杂的计算。
3. 结果： 输出结果是期权的价格，仍以压缩格式呈现，随后即可读取。

他们的发现与排除的观点

作者使用布莱克-舒尔斯模型（Black-Scholes model，一种标准的、广为人知的股票价格模型）下的欧式看涨期权进行了数值实验。他们对比了三种方法：

1. 传统的 FFT（旧的、沉重的方法）。
2. 新的 SFFT（压缩的、张量网络的方法）。
3. QFT（在计算机和实际量子硬件上运行的量子方法）。

结果如下：

• 内存节省： SFFT 方法在保持高定价精度的同时，大幅降低了内存使用量。在他们的模拟中，随着增加量子比特数（对应于计算的网格大小），标准 FFT 所需的内存呈指数级增长，迅速变得无法处理。相比之下，SFFT 的内存消耗增长非常缓慢，即使对于大型网格也能保持在可控范围内。
• 速度与扩展性： SFFT 的计算成本呈亚指数级缩放。这意味着，随着问题的规模扩大，所需的计算时间和资源并不会像传统 FFT 那样发生爆炸式增长。
• 量子对比： 当他们将经典的 SFFT 与量子的 QFT 进行比较时，发现两者都避免了传统方法的指数级缩放。SFFT 实质上将量子方法的效率带到了经典硬件上。

他们排除了什么：
论文明确反对了“为了实现这种效率水平，我们必须使用物理量子计算机”的观点。他们证明了傅里叶变换的“张量积结构”（正是这种结构让 QFT 如此强大）可以通过张量网络在经典硬件上高效地利用。他们并不是声称 SFFT 在处理小规模问题时比 FFT 更快（因为此时压缩带来的开销可能并不划算），而是展示了对于大规模问题，这种基于张量网络的经典方法是替代暴力 FFT 的更优选择。

我们有多确定？

作者根据他们展示的数据对自己的发现非常有信心。他们不仅仅是提出了这种可能性，还进行了测量。

• 准确性： 他们验证了 SFFT 的价格与已知的布莱克-舒尔斯解析价格高度吻合。他们使用归一化均方根误差（NRMSE）这一指标来证明，即使随着网格大小的增加，误差仍保持在较低水平。
• 模拟与硬件： 他们在经典硬件（计算机集群）上测试了算法，并在量子模拟器和实际量子硬件上运行了对应的量子版本。来自经典 SFFT 和量子 QFT 的结果都符合他们的理论预测，表明两者都避开了指数级的内存瓶颈。
• 局限性： 论文指出，SFFT 依赖于输入数据具有“低秩结构”（即数据可以被很好地压缩）。如果数据过于混乱而无法压缩，该方法可能不会像预想中那样高效。然而，对于他们测试的金融模型（如 Black-Scholes 和 Variance Gamma），数据压缩效果非常好，其“秩”（即链中连接的大小）保持在很小的水平，通常在 10 或 10 以下。

总而言之，这篇论文提供了一个统一的框架，将经典傅里叶定价、张量网络算法和量子计算联系在了一起。它表明，通过将数学运算折叠进张量列，我们可以在使用极少内存的经典计算机上进行大规模期权定价，从而为高维金融计算提供了一种无需等待量子计算机完全成熟即可实现的、具有可扩展性的替代方案。