本报告提出利用矩阵乘积态(MPS)作为生成模型,高效生成金融资产价格时间序列,解决路径依赖期权定价中量子态制备的高成本问题。以Heston模型为案例,数值实验验证了该MPS模型对价格路径和路径依赖期权定价的良好拟合能力,并展望了将该模型嵌入量子电路实现的潜力 。
期权定价背景与量子算法动机 :
MPS作为时间序列生成的量子态制备方案 :
数值实验设计及参数设置 :
MPS模型拟合能力分析及实验结果 :
| 模型 | 欧式期权价格 | 欧式期权IV | 亚洲期权价格 | 回望期权价格 | 障碍期权价格 |
|---|---|---|---|---|---|
| Heston | 1.1098(0.0052) | — | 0.1967(0.0009) | 0.6195(0.0035) | 0.9894(0.0049) |
| MPS (m=4) | 0.6277(0.0031) | 0.1113(0.0005) | — | 0.2771(0.0020) | 0.5769(0.0028) |
| MPS (m=5) | 0.8626(0.0034) | 0.1529(0.0009) | — | 1.1625(0.0039) | 0.8304(0.0029) |
| MPS (m=6) | 1.0805(0.0041) | 0.1915(0.0007) | — | 1.4612(0.0049) | 0.9160(0.0030) |
量化策略相关性:
报告标题:Time series generation for option pricing on quantum computers using tensor network
作者:Nozomu Kobayash, Yoshiyuki Suimon, Koichi Miyamoto
发布机构:野村证券数据科学部(Nomura Securities Co., Ltd.)与大阪大学量子信息与量子生物中心
发布时间:2024年2月28日
该报告聚焦于量子计算在期权定价中时间序列生成的应用,提出基于矩阵乘积态(Matrix Product State, MPS)作为生成模型生成底层资产价格的时间序列,进而支持路径依赖型期权的定价。期权定价作为金融领域中一个极具实际价值的方向,正逐渐借助量子计算寻求在蒙特卡洛方法上的加速。文章核心主张为:借助MPS这种张量网络模型,不仅能高效地模拟多时间点联合分布,还能为量子态制备提供支撑,减轻量子计算在状态制备上的复杂度。作者通过实验以著名的Heston模型作为标的,验证了MPS模型有效地生成了符合该模型的资产价格路径,并以此计算了包含路径依赖的多种期权价格,表现出较高的精度与实用性。
核心信息传达:
无明确给出投资评级或目标价,但整体对MPS在量子金融计算的应用前景提出积极展望和方法论基础。
关键论点与信息概述:
报告开篇明确量子计算在金融领域的潜力,特别是利用量子蒙特卡洛积分(QMCI)理论上的二次加速。当前主流的量子状态制备方法如Grover-Rudolph方法存在算术运算电路繁重、操作复杂度高等瓶颈,无法满足路径依赖期权中多时间点联合分布的编码需求。报告指出“时间序列分布”量子态制备的缺失正是研究空白。
推理依据:
依据量子幅度估计(Quantum Amplitude Estimation,QAE)的理论可以对期权价格的期望值进行加速求解。[6]提出QMCI可实现加速,但缺陷在于对数据分布的量子状态准备。报告强调时间序列数据的状态制备难度高于单时点分布,需要联合分布的编码。
关键数据点和假设:
报告提出用MPS等张量网络方法简化高维联合分布,提高状态制备效率,基于MPS的生成模型已在量子波函数表征与生成模型领域获得成功。重申准备用经典计算先训练,后用生成模型在量子电路中高效装载。
期权基础:
报告简明扼要地介绍期权基本概念,区分了欧式期权与路径依赖期权,如Asian、Lookback、Barrier期权,清晰给出其对应的支付函数。
定价挑战:
价格表示为在风险中性概率下,支付函数对资产价格路径的期望。对于BS模型,存在解析解,但对于包括随机波动率的Heston模型等更复杂模型,需数值方法求解。
蒙特卡洛方法定义:
路径生成时间序列为离散样本,多个路径(样本)用于支付方差估计,精度误差ϵ对应路径数量需达O(1/ϵ2),计算成本显著,奠定量子蒙特卡洛积分加速需求的基础。
Heston模型介绍:
该模型通过引入随机波动率使资产价格动态表现得更接近现实,系统以两个相关的Wiener过程驱动,参数κ、θ、ξ、ρ控制波动率均值回复及相关性,模型反映波动率动态和波动率微笑现象,比BS模型更具表现力。
量子定价流程:
明确三个步骤:
公式明示状态的数学表达,证明了对测量辅助比特为∣1⟩概率即为期望支付,理论上实现O(1/ϵ)的加速。
挑战:
强调状态制备过程P特别是对路径联合分布的编码是主要瓶颈,高效的实现方式亟待研究。
目标: 利用MPS作为生成模型重构时间序列的联合分布。
模型结构:
数据集T由多个样本组成,每个样本是M个时间点组成的序列,离散化步骤将连续价格映射至0到2m−1的整数集合,适合量子比特编码。
MPS定义:
生成概率由MPS张量网络定义的张量乘积给出:
其中Z为正规化分区函数。每个时间点对应一阶张量的一个物理维,张量间通过“bond dimensions”连接,控制模型表达能力。
创新点:
与传统MPS逐位表示二进制不同,作者选择直接以每个时间点为一个物理维,增强前后时间点之间的相关性表达能力。
训练方法:
采用最小化样本负对数似然函数L,即最小化KL散度。
使用交替更新的“Sweeping Algorithm”,合并相邻张量更新,施加奇异值分解截断调整bond dimensions,类似密度矩阵重正规化群(DMRG),边精度和计算成本间取得平衡。
样本生成:
可计算边缘概率并逐步抽样完成生成,避免了MCMC方法的耗时,直接从MPS模型生成时间序列样本,最终逆离散化恢复为连续值。
实验设计:
实验结果解析:
价格分布匹配(图1和图2):
分布随m和Dmax提升逐渐接近Heston模型真实样本, m=4时网格过稀,分布不均匀,导致局部集中现象, m=6时效果显著改善,显示高物理维度对捕捉真实分布重要。
同理,较大bond dimension能表现更多复杂依赖结构,有助于概率分布的精确拟合。
期权价格和隐含波动率(IV)对比(表1和表2):
对欧式、Asian、Lookback期权价格拟合良好,尤其m=6, Dmax=150组合,IV的误差在实际可接受范围内,表现出MPS模型在路径价格海量模拟条件下可行性。
但Barrier期权价格误差较大,提示MPS对涉及路径极值的条件概率建模存在困难,增加物理维或换用更复杂张量网络可能改进。
潜在误差来源:
Barrier期权价格被低估,可能是MPS模型导致生成路径中过多超过障碍的极值路径,影响期望条件计算,提示模型存在过拟合边缘事件的问题,未来可引入正则化或调整架构。
报告中主要聚焦于路径生成模型和期权定价的蒙特卡洛数值方法,未直接涉及传统金融估值模型如DCF或多因子估值。但在对欧式期权的价格结果中引入了隐含波动率(IV)的概念,作为比较不同模型期权价格的无量纲指标,方便市场实际应用的对比与解释。
IV的反求基于Black-Scholes模型解析解,体现市场对标的资产未来波动率的预期,报告通过比较MPS模型生成的期权价格计算得到的IV与真实模型价值,分析模型性能。此IV应用作为估值准确性衡量的间接指标,提升报告专业性及实用价值。
报告隐含风险包括:
报告虽未直接给出缓解策略,但提出增加物理维、扩展模型体系结构、引入正则化技术作为未来研究方向,隐含对模型提升的方案。
该报告深入探讨了基于矩阵乘积态(MPS)作为生成模型,生成标的资产价格的时间序列以支持量子蒙特卡洛积分(QMCI)中期权定价的可能性。研究基于经典计算机训练MPS模型近似Heston模型中资产价格路径联合概率分布,随后利用该模型生成价格路径进行路径依赖期权(Asian、Lookback、Barrier等)定价。
从整体上看,MPS模型成功重构了路径时间序列的分布特征,尤其在物理维度和bond dimension设定较高时,所生成的资产价格分布及对应期权价格与真实Heston模型计算结果高度吻合,隐含波动率指标表明欧式期权价格拟合良好。
图表中,概率分布直观展示了随着模型参数调整,生成的价格分布逐渐逼近真实模型。定价表格系统展现了MPS在不同超参数下的估值表现,确认了提升模型复杂度对结果准确性的正向贡献。特别是欧式及大多数路径依赖期权价格反馈出极佳拟合,但Barrier期权的较差结果点明模型对路径极值事件捕捉能力有限,提示未来需要更复杂的张量网络结构或训练方法的创新。
报告明确表达了MPS模型作为现有挑战——量子态制备难题——一种极具潜力的解决方案,同时也是从经典生成模型向量子算法过渡的桥梁。结论部分强调了该方法在金融量子计算领域的创新性突破,并展望了未来对多模型适配、量子电路实现,以及全流程端到端量子期权定价实现的研究方向。
综上,报告从金融理论基础、量子算法背景、张量网络技术到实验验证层层铺垫、系统论证了MPS生成模型在路径依赖期权量子定价中的应用前景,并提出了切实的未来探索路径。对于金融科技与量子计算交叉领域研究者具有高参考价值。
整体而言,本报告为金融领域量子算法落地提供了有力方法论支撑与实证,具有高技术含量与创新价值。
引用溯源:,1,2,3,4,5,6,7,8,9,10,11]
2402.17148.pdf