[论文解读] Application of deep quantum neural networks to finance
本文将深度量子神经网络（DQNN）应用于金融问题，展示了其能够学习期权价格并解析计算希腊值（如delta和gamma）的能力。数值实验表明，DQNN能高效解决关键的量化金融问题，且在NISQ设备上具有潜在的量子优势。
The recent development of quantum computing gives us an opportunity to explore its potential applications to many fields, with the field of finance being no exception. In this paper, we apply the deep quantum neural network proposed by Beer et al. (2020) and discuss such potential in the context of simple experiments such as learning implied volatilities and option prices. Furthermore, Greeks such as delta and gamma, which are important measures in risk management, can be computed analytically with the neural network, and our numerical experiments show that the deep quantum neural network is a promising technique for solving such numerical problems arising in finance efficiently.
研究动机与目标
- 研究深度量子神经网络（DQNN）在金融建模中的应用，特别是期权定价与风险度量。
- 评估DQNN从训练数据中学习隐含波动率和期权价格的能力，基于Black–Scholes模型。
- 展示利用DQNN框架解析计算金融希腊值（delta和gamma）的方法。
- 评估DQNN在近期量子设备（NISQ）上解决数值金融问题的鲁棒性与效率。
- 识别实现金融量子机器学习时的关键挑战，如稀释高原问题，并提出相应的缓解策略。
提出的方法
- DQNN采用输入层、隐藏层和输出层结构，通过酉操作和密度矩阵实现量子态在各层间的传播。
- 信息流通过Kraus算符和迹运算建模，模拟经典神经网络中的反向传播。
- 代价函数定义为预测输出态与目标输出态之间的保真度，通过优化最小化差异。
- 利用微扰理论对密度矩阵进行求导，实现对希腊值（delta和gamma）的解析计算，并推导出输出态对标的资产价格导数的显式公式。
- 采用包含反余弦和幂函数的参数化变换，将量子输出映射为期权价格。
- DQNN使用包含一个输入量子比特、一个输出量子比特和三个隐藏量子比特的量子线路实现，基于Black–Scholes模型在七个数据点上进行训练。
实验结果
研究问题
- RQ1在Black–Scholes框架下，DQNN能否仅用少量数据有效学习期权价格和隐含波动率？
- RQ2DQNN能否在不使用数值微分的情况下，实现对delta和gamma等金融希腊值的解析计算？
- RQ3当在有限的金融数据上训练时，DQNN在准确性和鲁棒性方面表现如何？
- RQ4在近期量子硬件上实现DQNN时，主要挑战是什么，特别是噪声和稀释高原问题？
- RQ5DQNN在求解衍生品定价问题时，能否实现相对于经典方法的计算优势？
主要发现
- DQNN仅使用七个训练数据点，即可高精度地学习期权价格，并计算delta和gamma。
- 希腊值的解析计算是可行且数值稳定的，已基于量子态导数推导出delta和gamma的显式公式。
- DQNN对噪声表现出鲁棒性，这是在NISQ设备上实现的关键要求，此前Beer等人（2020）已证实。
- 高阶希腊值（如gamma）的精度高度依赖于低阶导数（如delta）的精度，强调了准确一阶学习的重要性。
- 该方法可通过量子振幅估计算法实现高效的期权价格计算，预测价格由输出密度矩阵的(1,1)元素得出。
- DQNN的性能对超参数ν_d和ν_f敏感，这些参数控制导数的学习率，价格预测中若出现收敛不良，将降低导数计算的精度。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。