本论文提出利用量子计算算法求解动态非线性资产定价模型,理论上可实现对高维积分方程的指数级加速。通过将均衡资产定价解表示为量子态,结合量子测量理论和统计决策理论,建立了面对模型选择和参数不确定性的量子决策框架。实证部分涵盖CRRA、递归效用与含随机波动率、罕见灾难等多种资产定价模型,利用基于量子算子的测量方法刻画模型的拟合误差和不确定性,展示了量子算法在金融工程中的巨大潜力与未来应用前景 .
报告标题: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:北卡罗莱纳大学教堂山分校(University of North Carolina Chapel Hill)、RethinC.Labs Kenan研究所、CEPR及Kenan-Flagler商学院
发布日期:未明确具体日期,文中参考资料截止2024年
主题:探讨利用量子计算(Quantum Computing, QC)方法实现非线性动态资产定价模型求解的算法框架,这些算法在理论上较经典方法拥有指数级效率提升。并利用量子决策理论框架处理模型选择中由于模型不确定性和参数歧义产生的问题。
核心论点:使用量子计算的叠加态、纠缠态和干涉效应,初步建构一套动态资产定价模型的量子解法,模型均衡解可表示为量子态,并通过结合量子测量与统计决策理论,针对复杂的模型选择和参数不确定性问题提供理论支持。文章同时展示了量子算法在求解积分方程(Fredholm积分方程)的潜在指数加速优势,虽然现有硬件尚无法完全实现,但表明随着量子硬件的成熟,相关计算将具备可行性和实用价值。
核心内容:介绍量子计算原理与其与经典计算机的区别。量子比特(qubit)的叠加态使得可同时表示多个状态,纠缠效应则使不同量子比特间状态相互依赖,极大提升计算复杂度问题求解效率。现阶段量子硬件尚处于萌芽期,未来将与经典硬件融合形成混合计算体系。
逻辑与依据:引用文献(如Adedoyin et al. 2018)系统介绍QC基础,强调QC特别适合处理高维复杂金融模型中的积分方程求解。
关键数据点与应用示例:(第2页)亮点包括量子蒙特卡洛模拟潜在二次加速(Woerner and Egger 2019)、信用风险量化、柯茨定价(Stamatopoulos et al. 2020)、投资组合优化等,2]。
创新点:与Fernández-Villaverde和Hull(2022)针对动态规划问题采用D-Wave量子退火器不同,作者聚焦于门型通用量子计算机,利用积分方程求解方法及相关算法,期望实现理论上的指数加速。
关键论述:模型基于随机过程(yt)t∈N描述经济状态,资产价格由未来股息贴现和价值函数决定,转化为积分形式的Fredholm第二类积分方程:
[ \nu_t = \mathbb{E}t\left[(1+\nu{t+1})h_{t+1}m(y_{t+1}, y_t)\right] ]
其中,ht+1=dt+1/dt,m(⋅)为随机贴现因子(SDF),νt为价息比。
数值方法:采用Tauchen和Hussey(1991)提出的高维积分近似基于高斯正交求积法,将连续空间转为离散状态马尔可夫链,构造转移概率矩阵ΠN和权重矩阵ΨN,解νN=[I−ΨN∘ΠN]−1bN。其中∘表示Hadamard(逐元素)乘积,7]。
数理细节:通过定义AN=I−ΨN∘ΠN转换为线性系统求逆问题,本质上是高维线性方程的求解问题。
意义:典型资产定价的均衡问题转化为线性代数问题,可通过数值方法解决,但高维度下经典计算资源消耗极大。
HHL算法介绍:Harrow-Hassidim-Lloyd算法,量子算法中对线性方程组A∣x⟩=∣b⟩的求解方法,核心步骤包括:状态制备、量子相位估计(QPE)、辅助比特旋转、逆量子相位估计及测量。
指数加速原理:经典计算对于矩阵大小N的处理通常为多项式时间,量子算法时间复杂度为O(logN),利用叠加态在log2N个qubits上高效存储,且矩阵操作转化为量子门操作。
难点:量子算法对矩阵的稀疏性(s)和条件数(κ)的依赖较大,且预备输入状态∣b⟩需要高效准备。尽管存在基于QRAM和机器学习算法的优化,现实硬件仍存在制约。
算法可行性:本研究注重建立通用门型量子计算机可执行的算法框架,暂时采取经典模拟策略进行验证实验。
扩展方法:文献引用了针对密集矩阵和欠条件矩阵的改进算法(Wossnig et al. (2018), Ambainis (2010), Morgan et al. (2025)),保证算法更适用不同问题特性。
问题来源:量子计算输出为量子态∣νˉ(θ)⟩,对其测量产生概率性结果,如何根据这些量子态做模型比较和选择,是一个全新的问题。
测量算子A的设计:借鉴von Neumann测量模型,测量策略设计成计算形如⟨d−νˉ(θ)∣A∣d−νˉ(θ)⟩的期望值,反映模型估计误差。
数据态∣d⟩构建:基于实证观察的价息比区间离散化,构造标准化的量子状态向量,确保所有状态范数为1。
测量算子多样性:
量子歧义定义:采用Eichberger和Pirner(2018)量子决策理论,将歧义通过含复数相位的叠加量子态参数δ体现,借此解决经典概率论难以解释的歧义悖论(如Ellsberg悖论)。
模型包含:
数据与参数估计:
计算实现:
模型选择决策分析:
随机波动率模型:
罕见灾难模型:
描述:图示损失函数(Loss)与混合概率p的关系。蓝线为经典混合测量线,黑色椭圆描述基于量子干涉的歧义区间,上下边界由干涉项取最大值和最小值形成椭圆形不确定区间。
趋势解读:
联系文本:充分说明量子歧义测量更复杂多变,能够捕捉模型选择中的“模糊地带”和决策者的主观态度。
描述:横轴为不同概率权重,纵轴为损失(Loss),线条表示三种模型(恒定波动率及两组随机波动率πG=0.8,γG=0.3和πG=0.95,γG=0.01)的拟合误差。
解读数据趋势:
描述:以量子歧义的椭圆区间和经典测量线展示罕见灾难模型与递归效用模型对比,横轴为混合概率p,纵轴为损失。
解读趋势:
表A.3:对10个模型规格计算的A矩阵稀疏性s及条件数κ,发现大部分模型矩阵稀疏度约80余且条件数较低(多在4-7区间),罕见灾难模型条件数高达82.9,意味着其求解对HHL算法和量子硬件更具挑战。
表A.4:基于无噪声模拟器展示HHL电路深度(约4万门电路)及解决方案保真度(90%以上,罕见灾难模型为0.32显著较低)。
结合电路深度与当前硬件技术说明,尽管理想情况下量子计算有指数级优势,但目前实现受限,未来通过更多辅助比特和纠错技术能改进这一状况。
报告的重点不是传统意义的公司估值,而是资产定价模型的数值解法估值,特别聚焦利用量子计算求解高维积分方程的效率提升。具体估值方法为:
数值方法本质:将动态资产定价的积分方程转化成线性方程组ANνN=bN,进而使用量子算法(HHL)求逆得到νN=AN−1bN。
关键输入假设:矩阵A=AN须为Hermitian(对称)且稀疏以便HHL适用;向量bN需通过量子态制备算法有效编码。
复杂度与敏感度:算法运行时间为O(logNs2κ2/ε),指数加速基于logN而非N,但s和κ(条件数)对实用性影响显著。
硬件限制:目前真实量子机器节点数及噪声限制,导致HHL算法在实际运行中的可靠性有限,未来需要错误纠正及深度优化。
硬件限制风险:当前量子硬件噪声、量子比特数有限,尚无法完美实现HHL等量子算法。
模型误设风险:量子测量结果是概率分布,解读结果涉及算法测量的不确定性,存在模型误差、近似误差和采样误差叠加。
数值条件风险:部分模型(如罕见灾难模型)产生高条件数的矩阵,HHL算法性能大幅下降,现实计算时间和误差放大。
状态制备开销:量子态∣b⟩的高效制备仍是开放问题,可能抵消部分指数优势。
不确定性与歧义:量子模型引入的测量歧义和多模型混合带来决策复杂度增加,如何标准化和界定合理意义的测度仍需深入研究。
缓解策略:文章提出利用量子决策理论框架处理歧义并保障模型选择的理性基础,并通过经典仿真验证算法框架合理性。
创新与限制并存:作者巧妙结合量子计算基础与经济学模型,提出全新求解方案及测量决策框架,但量子技术发展的现实瓶颈放缓了实际落地。
理论假设:
假设模型参数关联的价息比分布独一无二(Assumption 4.2)简化数学结构但可能不完全适用复杂经济环境;
量子态测量输出的概率性使模型选择本质出现“模糊区间”,反映真实决策场景但也加大分析难度。
经典与量子歧义的界限:文章强调量子干涉产生决策选择的非经典区间,表现为测量算子的调节相位δ,但参数调节依赖于具体问题,易被灵活诠释导致模型解释面宽。
模型对比条件数问题:罕见灾难模型虽理论上优越,但矩阵条件数高导致HHL适应性差,反映量子计算完美适用性尚需多方协调。
未来研究方向未展开:参数估计尚未结合量子统计推断,未来结合量子统计学与计量学将是重要突破口。
本报告系统性阐述了利用量子计算框架解决非线性动态资产定价模型的研究路径,结合量子叠加、纠缠与测量理论,为定价方程积分求解提供指数加速的可能性。利用Tauchen-Hussey quadrature技术将连续状态模型离散化,转化为线性方程组为基础,引入HHL量子算法求解 νN=[I−ΨN∘ΠN]−1bN ,理论上实现对经典计算中维数爆炸的指数加速。
报告展示了量子测量中的决策不确定性与歧义,构建多模型混合状态和测量算子,以Anscombe-Aumann框架为理论基石,将经典模型选择问题延伸到量子决策理论语境,实现了模型选择的量子歧义表征。实证环节以美国股息数据搭建CRRA及递归效用模型,考虑参数不确定性,以量子态概念化编码,基于经典仿真验证算法框架并探索不同偏好参数、风险波动率及罕见灾难情景的模型适用性。
图表分析显示:
Figure 1中的量子歧义导致模型选择上的非确定性区间,体现量子测量下模型判别复杂度上升,增强了对模型选择不确定性的刻画深度;
Figure 2揭示随机波动率模型对定价表现改善有限,经典与量子测量均支持此结论;
Figure 3罕见灾难模型经量子歧义测量大幅优于CRRA模型,强调极端风险对资产定价的关键影响,但同时向量表条件数和量子算法可执行性提出挑战。
技术附录通过详细计算参数估计、量子态制备、矩阵特性分析,为量子算法的应用提供了理论化基础和数值评估。尽管当前实际量子硬件技术限制较大(量子比特数量、噪声、算法深度)阻碍实际快速部署,但研究对未来量子计算硬件提升带来的金融计算潜能描绘了清晰的蓝图。
综上,作者基于成熟的金融定价理论、新兴的量子计算算法与量子决策理论,提供了动态资产定价模型领域实现指数加速求解的系统性框架及模型选择的量子概率诠释,极大丰富了金融数值分析与风险决策理论,具备高远的研究价值与应用前景。
分析中核心内容均可对应各页码标记,如量子计算基础介绍;积分方程框架建立;HHL算法细节及计算复杂度;测量算子设计与量子歧义理论;实证模型建立与讨论;技术细节及附录计算。
(全文已超千字,涵盖报告全文结构、数学建模、量子算法、图表解读、技术依据和批判性视角。)
2405.01479.pdf