💰 quantitative finance

COS-TT-CHF: A Tensor-Train Characteristic-Function COS Method for Multi-Asset Option Pricing

本文介绍了 COS-TT-CHF，这是一种低秩张量列（Tensor-Train）方法，通过压缩特征函数张量，克服了在莱维（Lévy）和仿射模型下多资产期权定价中的维度灾难，从而实现了对多达 30 种资产的篮子期权及最大/最小期权的高精度、高效率定价，且其性能优于直接 COS、张量傅里叶（tensor-Fourier）以及 QMC 基准方法。

原作者： Lucas Arenstein, Michael Kastoryano

发布于 2026-08-19

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Lucas Arenstein, Michael Kastoryano

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

在金融领域，预测单个股票的未来价值已经是一项复杂的任务，但现代市场通常要求投资者为包含数十种资产的篮子期权进行定价。这些被称为“期权”的金融合约赋予持有者在未来以特定价格买入或卖出一组股票的权利。当资产数量增加时，计算这些合约的公允价格就会变得非常困难。传统的数学工具在面对这种增长时显得极其吃力；每增加一种新资产，所需的计算量并不仅仅是小幅增加，而是呈指数级爆炸式增长。这种被称为“维度诅咒”的现象，长期以来迫使分析师不得不依赖缓慢的近似方法，或者将分析限制在非常小的资产组内，从而在准确且快速地为复杂的多资产金融产品定价方面留下了巨大的空白。

哥本哈根大学的研究人员开发了一种新方法来填补这一空白，该方法能够实现对包含多达三十种不同资产的篮子期权的快速定价。他们的研究成果发表在题为“COS–TT–CHF”的论文中，重点研究了一种特定的金融模型，该模型使用一种称为“特征函数”的数学工具来描述资产价格的变动。该团队并没有试图通过观察资产变动的每一种可能组合来计算价格（随着资产数量增加，这会变得无法实现），而是采用了名为“张量列（tensor-train）近似”的技术。这种方法通过将用于计算的海量高维数据压缩成更小、更易于处理的格式，将数据量精简。这类似于将一张高分辨率照片压缩成较小的文件大小，同时又不丢失识别图像所需的关键细节，从而使计算机能够高效地处理信息，而不会被庞大的数据量所困扰。

研究人员将他们的新方法与几种成熟的基准进行了对比，包括旧有的直接计算技术以及依赖随机抽样的复杂模拟方法。他们发现，对于仅包含两到三个资产的篮子，新方法并不一定比现有技术更快。然而，一旦资产数量增加到四个或更多，新方法就开始显著优于旧的直接计算方法。在涉及二十种资产的测试中，该方法在几秒钟内即可完成计算，而传统的直接方法达到类似的准确度则需要几分钟甚至几小时。团队还证明了该方法适用于不同类型的市场模型，包括那些考虑了价格突发跳跃或波动率变化的模型，而这些都是现实世界金融市场中的常见特征。

除了单纯寻找期权价格外，该方法还能快速计算“希腊字母”（Greeks），即衡量期权价格对底层资产或市场条件变化敏感程度的指标。这对于风险管理至关重要，因为交易员需要了解其投资组合会对市场变化做出何种反应。研究人员展示了，一旦构建好初始的压缩数据结构，针对不同的行权价格或市场情景计算这些敏感度几乎是瞬间完成的。这种可重用性是一个关键优势，这意味着繁重的计算工作只需进行一次，其结果即可应用于广泛的问题，而无需从头开始重新计算。

该研究还探讨了一种特殊的期权，其赔付基于一组资产中表现最好或最差的资产，即“最大/最小期权”（min/max options）。这类期权的定价难度极大，因为其收益取决于资产之间的相互作用，这种相互作用不符合标准的计算模式。研究人员成功地调整了他们的方法以处理这些复杂的赔付情况，证明了其压缩表示法能够捕捉资产间的联合行为。在测试中，即使在处理三十种资产时，该方法仍能保持高度的准确性，而这在以前是此类定价技术无法企及的规模。结果表明，通过在过程早期将计算复杂度转化为压缩格式，可以绕过长期阻碍多资产衍生品定价的计算成本指数级增长的问题。

研究人员将他们的发现与由其他高精度方法生成的参考数据进行了对比，这些方法（如随机抽样技术）被认为是准确性的黄金标准，但速度极慢。新方法在高维情况下达到了与参考价格一致的高精度，且速度快了几个数量级。例如，在涉及二十种资产的常见金融模型的压力测试中，新方法大约在六十三秒内完成了计算，而参考模拟方法则耗时超过五百秒。在包括发生极端价格运动概率更高的“重尾分布”模型在内的不同资产类型和市场条件下，其准确性始终保持一致。

这项工作并不声称解决了金融数学中的所有问题，也不意味着所有的定价挑战都已成为过去。该方法依赖于底层数据可以被有效压缩的假设，这在许多常见的市场模型中是成立的，但在更奇特的场景下可能会有所不同。然而，结果清楚地表明，对于广泛的实际应用而言，维度的障碍是可以降低的。通过将问题转化为压缩表示，研究人员提供了一个工具，使得以以往无法实现的的速度和准确度为复杂的、多资产的期权定价成为可能。这一进展为那些需要在日益互联且复杂的市场中管理风险并进行产品定价的金融机构提供了一条切实可行的路径。

技术摘要：用于多资产期权定价的 COS–TT–CHF 方法

问题陈述
本文研究了在 Lévy 过程和仿射特征函数模型下欧洲多资产期权的定价问题。主要障碍在于“维度诅咒”：直接的多维傅里叶或 COS（余弦）方法会在张量积网格上构建系数阵列，其规模随资产数量 $d$ 呈指数级增长（ $N^d$ ）。虽然现有的方法如自适应稀疏网格求积、阻尼 COS 公式和拟蒙特卡洛（QMC）缓解了这一问题，但它们要么通过采样估计期望，要么构建的谱表示在面对不同行权价或希腊字母（Greeks）时难以重复使用。本文指出，目前的空白在于如何使高维下的谱系数表示本身具备可用性，而无需针对每个新查询进行重新采样或重新计算整个张量。

方法论：COS–TT–CHF
作者提出了 COS–TT–CHF（张量列——特征函数 COS），这是一种将张量列（Tensor-Train, TT）近似前置的低秩构建方法。与以往压缩最终 COS 系数张量的方法不同，该方法在转换为 COS 系数之前，先对采样的**联合特征函数（CHF）**张量进行压缩。

工作流程如下：

采样： 在张量积频率网格上对联合特征函数 $\phi_X(\omega)$ 进行采样，形成一个高维张量 $\Phi$ 。
TT-Cross 压缩： 使用 TT-cross 算法将采样的张量 $\Phi$ 压缩为张量列（TT）格式。该算法利用一系列低秩核心（cores） $G_m$ 来近似 $\Phi$ ，从而避免存储完整的 $N^d$ 个条目。
逐核转换： 通过一个将频率节点转换为 COS 模式的一维映射，将 TT 核心转换为 COS 系数核心 $B_m$ 。此步骤在每个核心上局部执行，从而保持低秩结构。
收益函数收缩（Payoff Contraction）：
- 算术篮子期权（Arithmetic Baskets）： 将压缩后的 COS 系数张量与一维篮子变换因子进行收缩，以恢复标量篮子特征函数 $\phi_H$ 。这使得可以使用标准的 1D COS 方法对篮子看涨和看跌期权进行定价。
- Min/Max 期权： 该方法直接从联合 COS 系数 TT 中计算矩形概率（尾部积分）。通过将 min/max 收益改写为尾部概率的积分，该方法利用积分区域的笛卡尔积结构进行高效的低秩收缩。
希腊字母（Greeks）： 通过对模型参数（如标的价格、波动率）关于特征函数求导来计算一阶希腊字母（Delta, Vega），从而形成导数张量，随后通过与定价阶段相同的线性映射和收缩过程进行传播。

核心贡献

前置近似（Upstream Approximation）： 本文引入了一种通过压缩特征函数张量而非系数张量来工作的流程。这避免了在系数阶段处理振荡频率域对象时遇到的瓶颈（Schaap 2025）。
统一的收益处理： 该方法不仅适用于算术篮子期权，还扩展到了 min/max 期权。它通过直接从压缩的 COS 系数 TT 计算联合尾部概率来得出 min/max 价格，而不是将其投影到标量密度上。
高效的希腊字母计算： 该框架允许通过对 CHF 张量求导并将其结果通过现有的线性映射和收缩过程进行传播，从而计算分量 Delta 和 Vega 向量，避免了有限差分噪声或单独的路径估计器。
可重用性： 一旦构建了压缩的 COS 表示，即可支持在构建完后，针对任意行权价网格和选定的希腊字母进行快速的后期计算，而无需重新运行昂贵的 TT-cross 压缩。

数值结果
本文通过自适应求积傅里叶基准（Bayer et al. 2023）、直接 COS 方法（Junike and Stier 2025）、张量-傅里叶 min-option 基准（Kastoryano and Pancotti 2022）以及随机化 QMC 参考进行验证。

准确性： 该方法在既定容差内重现了已发表的篮子期权基准（GBM 和 VG 模型）。在高维测试中，对于几何布朗运动（GBM）可达 $d=30$ ，对于方差伽马（VG）、正态逆高斯（NIG）及常见 Heston 模型可达 $d=20$ ，并保持了相对于 QMC 参考的准确性。
运行时间性能：
- 交叉点（Crossover）： 与直接 COS 方法相比，存在低维运行时间的交叉现象：在 $d=2$ 时 COS–TT–CHF 较慢，但在 $d=4$ 时更快。
- 高维表现： 相对于张量-傅里叶 min-option 基准，COS–TT–CHF 从 $d=3$ 起表现出更有利的耗时。相对于常见 Heston 模型的 QMC 参考，它在 $d=2$ 时就已经更快。
- 可扩展性： 该方法在 GBM（ $d=30$ ）以及跳跃扩散和随机波动率模型（ $d=20$ ）中展示了良好的扩展性，运行时间根据模型复杂度和所需秩的大小，保持在亚秒级至数十秒范围内。
诊断指标： 文中报告了广泛的诊断信息，包括恢复的质量（recovered mass）、看涨-看跌平价关系残差以及对数值控制变量（频率窗口、求积节点、TT 秩上限）的敏感性。

意义与主张
本文声称 COS–TT–CHF 提供了一种用于多资产定价的“可重用状态”。通过压缩特征函数，该方法创建了一个求解器，其输出是一个压缩的 COS 表示，可用于多种行权价、多种收益类型（篮子和 min/max）以及希腊字母。作者强调，该方法不仅仅是一个系数压缩工具，而是一个基于特征函数的求解器，通过低秩张量近似解决了张量积网格的维度增长问题。数值证据表明，对于有效 TT 秩保持在适中水平的模型，该方法为直接张量法和基于采样的 QMC 提供了一种计算高效的替代方案，特别是在直接方法变得难以处理的高维情况下。

技术摘要：用于多资产期权定价的 COS–TT–CHF 方法

类似论文