本报告提出利用量子计算理论和算法解决动态非线性资产定价模型,展示了量子算法通过叠加和纠缠态有潜力实现指数级计算加速。量子态形式的均衡资产定价解结合统计决策理论引入了量子歧义的概念,区分了传统的经典歧义与量子引入的新型歧义,赋能模型选择与不确定性处理,为未来量子加速的金融计量分析提供理论框架和实证示范 。
On Quantum Ambiguity and Potential Exponential Computational Speed-Ups to Solving Dynamic Asset Pricing Models
作者:Eric Ghysels 与 Jack Morgan
发布机构:UNC Chapel Hill、Rethink.Labs Kenan Institute、CEPR及Kenan-Flagler商学院
第一稿日期:2023年5月15日
当前版本日期:2024年5月7日
本报告旨在探讨利用量子计算方法解决动态非线性资产定价模型的数值问题,强调其理论上的指数级计算加速潜力,同时引入了量子决策理论基础以处理模型选择中的不确定性和歧义。报告的核心论点为:
报告尚未给出具体评级,但目标在于推动经济计量和资产定价领域对量子计算的理论和实务认识。
报告首先介绍量子计算作为计算范式的崛起,强调将量子计算与经典计算混合使用的未来趋势。作者提出两项主要贡献:
动态资产定价模型核心为Fredholm第二类积分方程,记为
ν(xt)=∫ψ(xt+1,xt)ν(xt+1)f(xt+1∣xt)dxt+1+g(xt),其中ψ关联股息增长和随机贴现因子(SDF),ν为价格-股息比,经典数值计算涉及高维矩阵求逆。使用经典共轭梯度法复杂度为线性,但量子算法可获得对维度指数的对数级别加速,复杂度从O(N)降为O(logN)级别,同时精度和条件数影响较大。尽管当前量子硬件尚不成熟,但该潜力令人关注。
此外,测量量子输出非经典且本质上是概率性的,报告突破性地将测量过程视为决策问题,建立量子决策理论基础,为经济计量提供新的模型选择工具。
报告详细阐述基于Tauchen和Hussey(1991)的多维积分求解与高维量化(quadrature)方法。经济状态由ny维Markov过程驱动,价格-股息比分布描述为
ν(x)=∫[1+ν(y)]ψ(y,x)f(y∣x)dy,其中ψ(y,x)=h(y)×m(y,x),h(y)为股息增长率,m(y,x)为随机贴现因子。
通过将积分算子离散化为N点高斯量化规则,转化为离散Markov链,得到矩阵形式的线性方程组
νˉN=[IN−ΨN∘ΠN]−1bN,其中ΨN结合股息及贴现因子矩阵,ΠN为转移概率矩阵,要求矩阵满足可逆性(Assumption 2.2)。
该离散化为经典数值解法的基础,但随着N增大,计算复杂度急剧增加。此时,量子算法设计成为突破瓶颈的关键。报告还提及利用Perron-Frobenius定理和特征向量分析随机贴现因子长期风险的连接。
借鉴Hansen和Sargent (2023)框架,将模型参数θ视为潜在状态空间,定义概率空间,强调基于Anscombe和Aumann(1963)理论结合决策统计的模型不确定性研究。作者指出在具体问题中参数可分为客观可信度和主观歧义两部分。多模型和参数分布扩展意味着计算负担进一步加重,而量子计算可大幅降低组合模型计算成本(乘法复杂度转为加法复杂度的对数)。
报告介绍著名的HHL(2009)量子线性系统求解算法,及其基于量子叠加态储存向量,实现矩阵反演的潜在指数加速。强调当前NISQ时代硬件受噪声限制,直接实现仍具挑战,但有若干混合和改良HHL算法被提出,现实应用逐步可能。
举例说明状态变量维度和量化点数的指数增长,如仅4维状态但5点量化即成54=625维度,9点量化两过程8维度则高达数千万维。经典计算不可行,量子算法优越度由log2N体现,特别是在多模型和不确定性情境下。
算法关键步骤包括量子态准备,量子相位估计(QPE),受控旋转,逆QPE和测量,最终获取线性系统解的量子态。解向量为量子态∣νˉ(θ)⟩,编码价格股息比的均衡解(已规范化单元矢)。同时定义数据量子态∣d⟩作为经验量价分布,二者均为单位范数向量,模型与数据的差异体现模型拟合度和误差。
报告创新地将量子态测量解释为决策操作,将测量过程中的概率性和干涉视为决策者(经济学家)的主观“歧义”态度。将经典决策理论和量子决策理论结合,区分:
定义纯态对应单一模型解,混合态为不同模型的统计混合。引入“经典歧义类行为”(CD级)和“量子歧义类行为”(QD级),体现模型信心程度与测量算子的不确定性。消除歧义的定理(Theorem 4.1)表明无歧义时数据和模型行为期望相等,存在歧义则不同。定义了模型间横向比较的缩放指标(Definition 4.3),以基准模型为规范。
报告通过构造量子混合态和混合算子,刻画多模型不确定性和不同源头的混合概率,表述“彩票”(lottery)和“马赛跑”(horse race)两类概率情境。
报告进一步阐释量子歧义的实质,强调复数幅度和相位的干涉效应,用一维两个基态叠加示例说明不同量子态的内在差异不可由经典概率解释。定义量子歧义算子(Definition 5.1),表示量子态为两个状态的叠加与相位因子组合。
通过投影算子测量期望分解(定理5.1),将歧义分为两部分
此结构解释Ellsberg悖论等行为异常,并提出量子歧义优劣排序方法(Definition 5.2)。报告进一步通过图示(Figure 5.1)直观展示经典歧义与量子歧义在期望损失量化上的差异。量子歧义产生的“不确定区间”明显扩展了决策选择模糊区域。可通过限制相位范围调整模糊度大小。
实证模型基于Hansen等(2008)提出的季度对数股息增长AR(1)模型:
dt+1−dt=a+xt+1+bet+1,xt+1=ρ1xt+cϵt+1参数θL=(a,b,c,ρ1)通过最大似然估计获得,使用美国1964Q1-2020Q4季度股息数据,参数估计及误差详见附录。参数置信区间引入参数不确定性,利用1000次抽样产生混合态模型集合,反映参数统计变异。
随机贴现因子(SDF)参数ξ基于不同偏好假设CRRA和递归效用计算,涉及风险厌恶系数γ调节。
利用典型的4×4状态转移矩阵,总维度N=16对应一个16维量子线性系统,使用Qiskit模拟量子算法完成数据和模型态的编码与量子测量期望计算,作为理想噪声无误差下HHL算法的代理。
图6.1显示量子歧义下基于模型与数据和基准状态投影的期望损失曲线,分析参数γ和混合权重对不确定区间[pL,pU]的影响。结果显示增加γ对区间长度影响有限,说明SDF参数估计难度大。通过调节经典概率混合比例p,表明量子态测量为模型选择引入了更丰富的模糊和决策边界。
此图含三个子图,X轴为概率混合权重,Y轴为期望损失。
该图生动展示量子歧义扩展了模型选择中的模糊与非确定区域,提供比经典概率更灵活的调节机制。
4个面板分别对应不同参数组合,X轴为权重p,Y轴为期望损失,曲线与图5.1结构类似:
该图体现了量子决策框架对现实经济模型不确定性处理的灵活度和解释力。
尽管报告未聚焦于具体资产估值指标,但报告中提出的ν(x)即价格-股息比率本质上是估值函数。通过量子算法实现对迭代方程的高效求解,间接完成估值模型中价格的计算。
报告转化为线性方程组求逆问题,构造算子AN=[IN−HN∘MN∘ΠN],其逆作用于权重向量bN,获得近似均衡估值解。量子算法赋予求解逆操作O(logN)的速度优势,极大提升估值模型复杂度和精度。
报告指出两类主要风险:
报告未详细给出缓解策略,但提出了结合统计决策理论与量子决策的创新框架,为未来风险缓解提供理论基础。
本报告开创性地将量子计算与资产定价模型结合起来,在理论与方法论层面实现了:
总体来看,作者态度谨慎客观,强调量子计算尚处于发展初期,现实加速尚未实现,但理论潜力巨大,为未来经济计量学加入量子计算提供了严谨而富有前瞻性的起点。
(a) Classical Ambiguity
(b) Quantum Ambiguity I
(c) Quantum Ambiguity II
(a) Benchmark CRRA with p=0.5, Target IES=1, γ=2, pL=0.09, pC=0.49, pU=0.90
(b) Benchmark CRRA with p=0.5, Target IES=1, γ=10, pL=0.09, pC=0.49, pU=0.89
(c) Benchmark CRRA with p=0.9, Target IES=1, γ=10, pL=0.28, pC=0.89, pU=0.99
(d) Benchmark CRRA with p=0.1, Target IES=1, γ=10, pL=0.00, pC=0.10, pU=0.71
本报告提出并系统论证了利用量子计算为动态资产定价模型提供具有理论驱动的指数加速算法,同时引入以量子概率框架为基础的经济计量决策理论,开辟跨领域交叉创新,是将前沿量子技术导入复杂金融模型分析的重要突破。其理论框架完善、技术路径明确、实证示范合理,为未来量子经济学和量子计量经济学的研究奠定了坚实基础。
,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50]
2405.01479.pdf