本论文提出了一种纯变分量子电路(VQC)方法,用于求解可表示为后向随机微分方程(BSDE)的高维抛物型偏微分方程。该量子BSDE求解器通过时间离散和蒙特卡洛模拟,利用模型驱动的强化学习框架实现路径逐点近似。与传统的深度神经网络(DNN)方法相比,VQC方法在两个典型问题——Black–Scholes方程和非线性Hamilton–Jacobi–Bellman方程的测试中表现出更低的方差和更好的稳定性,尤其是在高度非线性及虚值期权定价场景下更为显著。该研究展示了VQC作为可扩展且稳定的高维随机控制问题求解器的潜力。
| Lambda (λ) | 1 | 10 | 20 | 30 | 40 | 50 | 60 |
|---|---|---|---|---|---|---|---|
| VQC误差(%) | 低且稳定 | 低且稳定 | 低且稳定 | 低且稳定 | 轻微上升 | 轻微上升 | 轻微上升 |
| DNN误差(%) | 低 | 显著升高且波动大 | 高且不稳定 | 高且不稳定 | 高且不稳定 | 高且不稳定 | 高且不稳定 |
此报告的主要目标是概念验证VQC在高维BSDE求解领域的实用价值和可行性,推动量子算法在定量金融及控制理论领域的应用。
PDE概念表达:
[ \frac{\partial u}{\partial t} + \mathcal{L}u + f = 0, \quad u(T,x) = g(x) ]
其中,(\mathcal{L})为含漂移和扩散的二阶微分算子,参数和函数满足一定正则条件确保解的存在和唯一。
关键假设:b,σ,f,g满足线性增长和Lipschitz条件,保证数学解的严谨性和求解稳定性。
将PDE通过前向SDE(状态演化)和后向BSDE(解的反向表达)结合,建立解的概率表达式:
[ \begin{cases} dX_t = b(X_t) dt + \sigma(X_t) dW_t, \quad X_0 = \xi\ dY_t = -f(t,X_t,Y_t,Z_t) dt + Z_t^\top dW_t, \quad Y_T = g(X_T) \end{cases} ]
PDE解可表示为条件期望:
[ u(t,x) = \mathbb{E}[Y_t | X_t = x] ]
空间梯度通过Zt关联,暗示Zt的估计关键。
使用Ito公式导出Yt和Zt的关系,说明BSDE与PDE解的绑定机制,
该BSDE本质上等价于一个随机控制问题:
[ \inf_{(y,Z)} \mathbb{E}[|Y_T^{y,Z} - g(X_T)|^2] ]
解决控制问题等效于求PDE的解并估计Zt。
时间离散方案采用Euler-Maruyama方法模拟前向SDE,时间反向离散BSDE的Yt与Zt递推。
核心计算任务即为拟合映射(tn,Xtn)↦Ztn。
本文创新地使用VQC拟合Ztn映射,完全替代传统DNN。
优化目标为最小化终端期望平方损失,利用蒙特卡洛估计期望:
[ L(\theta) = \mathbb{E}[|Y_T^\theta - g(X_T)|^2] ]
其参数θ即VQC的量子电路可调参。
VQC包含三个阶段:
a) 编码阶段:将输入数据通过数据相关单元(V(x))映射到量子态向量空间。
b) 参数化演化:用参数化的层叠量子门(以Pauli矩阵为基础旋转)构建可训练单元U(θ)。
c) 测量与输出:通过量子测量对若干Hermitian算符期望值进行读取,输出多维实值向量作为模型结果。
示例图Fig. 1生动展示整个量子线路的流程,包括Hadamard初始化层、旋转编码层、纠缠门以及测量。
输入高维数据通过非训练的随机线性层映射到量子比特输入尺寸。
量子回路内所有可训练参数均位于VQC,可训练且学习控制变量映射。
输出通过另一固定线性层映射回原始维度用于BSDE反向更新。
训练时,通过经典优化器调整VQC参数,最小化终端损失。
该设计避免了经典神经网络结构参与训练,突出“纯”量子求解框架。
PDE描述:经典风险中性框架下的欧洲期权定价PDE,包含利率r、波动率σ和行权价K。
BSDE及模拟:资产价格服从几何布朗运动,采用对数变量提高数值稳定性,具体BSDE形式简化为:
[ dY_t = -r Y_t dt + Z_t^\top dW_t, \quad Y_T = g(X_T) ]
数值设置:共16个独立投资组合(100维),分为8个看涨、8个看跌期权,跨多行权价格,参数r=0.1,σ=0.2,终止时间T=1,时间步N=10,10000条路径样本。
算法对比:
DNN:4层隐藏层、每层64神经元、ReLU激活。
VQC:4比特、2层VQC。
Fig. 2(看涨期权)中,VQC和DNN均表现相近的平均误差,但VQC误差方差明显更小,表明VQC模型更稳定。
Fig. 3(看跌期权)中,VQC在平均误差和方差两个维度都明显优于DNN,尤其是在偏离行权价较远(非实值)区域,反映VQC更能应对复杂定价环境。
这一差异凸显VQC在处理高维金融产品定价时的潜在优势。,4]
[ \frac{\partial u}{\partial t} + \Delta u - \lambda |\nabla u|^2 = 0 ]
非线性项随λ增长强化,考察控制强度对求解器的影响。
[ dY_t = \lambda |Z_t|^2 dt + Z_t^\top dW_t, \quad Y_T = g(X_T) ]
利用对数刻画,通过对布朗增量的指数函数期望计算,便于计算参考解。
d=100,T=1,N=10,10,000路径样本,λ取值范围广(1到60),探究非线性程度。
Fig. 4展示相对误差随λ变化。VQC在所有λ水平均表现出更低误差和方差,且在高非线性区域优势明显。
DNN误差随非线性增强快速恶化,训练波动大,表明DNN在高度复杂场景下不稳定。
VQC表现出强鲁棒性和稳定性,适合复杂非线性随机控制问题求解。
这一结果支持VQC作为应对高非线性、高维PDE的有效工具。
VQC与DNN的相对误差随行权价变化波动趋势大体相似,但VQC误差范围明显收窄,尤其在非实值选项附近如K=100,130左右,DNN误差峰值更高且波动剧烈。
说明VQC求解器数值稳定性更强,训练结果波动较小。
VQC的误差和方差明显低于DNN,尤其在远离行权价(70附近)区域,VQC误差控制得出色。
DNN表现不稳定,误差波动大,反映非线性定价问题对模型的挑战。
图表佐证VQC模型在真实金融衍生品定价中的应用潜力。
DNN表现随λ增大错误显著上扬且波动加剧,错误从1%升至约8%。
VQC误差稳定控制于较低水平,约为1-2%且方差极小。
清晰展示非线性越强,VQC优势越明显,显示其对解决复杂最优控制问题的潜力。
虽然报告主要集中算法设计及数值表现,未对传统金融资产估值方法体系展开,但报告提出的框架可辅助高维复杂金融衍生品定价,属于数值求解范畴。
强化学习视角:通过优化终端期望平方误差实现对Yt,Zt近似,等价于求解定价公式和控制参数,隐含对衍生品“价值函数”和“对冲策略”的估计。
VQC作为函数逼近器:替代传统神经网络,通过量子态空间的丰富表达能力和量子纠缠,可有效拟合高维随机过程的策略空间。
因此,报告贡献在于为高维、非线性金融工具提供更稳定、高精度的估值数值方法。
报告未单独章节讨论模型风险,但从内容可推断:
训练与优化风险:VQC虽然表现稳定,但量子电路训练受梯度消失、噪声、参数初始化影响;固定经典层减少过拟合风险,但可能限制模型表达能力。
模型适用性风险:BSDE理论基础强,但假设较为理想,复杂金融市场的非理想行为可能偏离模型假设。
计算资源风险:现阶段采用模拟器方式,真实量子硬件存在噪声限制和规模瓶颈,阻碍广泛应用。
算法泛化风险:两案例虽具代表性,但更多复杂结构的高维PDE是否同样适用尚需进一步验证。
纯VQC架构创新性大,但实际量子硬件支持有限。文章基于量子模拟器,尚未完全展现硬件噪声、误差校正等挑战。
固定随机经典层的设计简单有效,但是否限制学习能力未详细讨论。可能存在提升空间。
DNN配置较简单(10轮训练)对比VQC表现尚算公平,但未来更多训练和优化或使DNN更具竞争力。
表格与图表中未给出训练时间、计算资源消耗,无法直观评判量子方法的实际效率与可扩展性。
报告说明了VQC在非线性更强区域优势明显,背后机理(如量子纠缠提供的表达能力)可进一步详细剖析,以便更清晰理解优越原因。
总体上,研究充分呈现了量子方法的潜力,但仍需延伸实证研究与硬件实验提升可信度。
本报告全面阐述了一种基于纯变分量子电路的BSDE求解器,针对高维抛物型偏微分方程,展示了其相较传统DNN的性能优势。具体如下:
理论基础建立在BSDE与PDE的非线性Feynman-Kac概率框架,连接随机控制理论,实现随时间的前向-后向随机模拟。
量子方法创新采用纯VQC架构,全模型训练过程仅在量子电路参数上进行,避免了经典网络的复杂训练,提高了模型稳定性。
数值验证针对Black–Scholes和HJB方程两个高维实例,设计多样投资组合和非线性强度检测场景。统计误差显示:
在Black–Scholes问题中,VQC在看涨期权稳定性更胜一筹,在看跌期权准确率与稳定性全面优于DNN。
在HJB非线性方程中,VQC随非线性参数提升依旧保持较低误差和方差,而DNN表现波动加剧、误差上升明显。
图表分析直观呈现VQC的误差幅度小、训练波动低优势,支撑纯量子求解策略的有效性。
整体评价VQC BSDE求解器具有显著的稳定性和鲁棒性,适合复杂高维随机问题的数值求解,展现了量子机器学习在定量金融和控制领域的未来应用潜力。
未来展望明确提出向更复杂衍生品定价、路径依赖特征、相关资产及信用风险领域延伸,推动量子算法实用化。
结论显示,VQC不仅技术上可行,且在精度和稳健性方面对传统神经网络具有潜在超越价值,为量子科学与金融数学交叉融合开辟新路径。
本报告以严谨的数学推导结合创新的量子算法设计,并通过充分的数值实验验证,展现了一条未来可能彻底改变高维复杂PDE求解策略的道路。对金融衍生品定价和随机控制领域的研究者均具启发意义,也对量子计算机在科学计算中应用的发展具有参考价值。
2506.14612.pdf