1. 项目概述当量子机器学习遇见金融定价在金融工程的核心地带期权定价一直是个计算密集型的硬骨头。传统的蒙特卡洛模拟虽然通用但为了达到足够的精度动辄需要百万甚至千万次的路径模拟计算成本高昂。近年来量子计算以其潜在的指数级加速能力吸引了无数目光但当前的噪声量子硬件NISQ设备还远未达到运行复杂量子算法的稳定状态。正是在这种背景下量子机器学习作为一种混合范式脱颖而出它不追求在短期内用纯量子算法“暴力破解”问题而是巧妙地利用参数化量子电路的可训练特性与经典计算协同去解决特定环节的瓶颈。我这次要深入探讨的正是这样一个前沿的交叉点利用基于参数化量子电路的量子机器学习模型来估计概率分布的傅里叶系数进而高效解决期权定价中的积分问题。简单来说我们不再用经典计算机去“猜”无数条资产价格路径而是训练一个量子电路让它学会资产价格最终分布PDF或累积分布CDF的“形状”——这个形状用傅里叶级数来描述。一旦我们拿到了这个级数的系数与期权 payoff 函数的傅里叶系数一结合定价积分就从复杂的数值计算变成了简单的系数点乘求和。这听起来有点绕但其核心思想非常直观把难算的积分转化为好学的函数逼近问题。量子电路在这里扮演了一个强大的、可编程的函数逼近器角色。本文将为你彻底拆解这个方法从背后的数学原理、量子电路的设计到具体的训练策略和避坑指南让你不仅能看懂这篇前沿论文更能理解其每一步的设计逻辑和工程实现中的精妙之处。2. 核心原理拆解为什么是傅里叶为什么是PQC在深入实操之前我们必须先夯实理论基础。这个方法之所以成立依赖于两个关键支柱一是傅里叶级数在函数表示和积分计算中的普适性二是参数化量子电路在特定条件下的函数逼近能力。2.1 期权定价的积分本质与傅里叶解法对于一个欧式期权其在初始时刻t0的价格V(t0, x)在风险中性测度下可以表达为一个条件期望本质上是一个积分V(t0, x) e^{-r(T-t0)} * ∫ h(T, y) * f(y|x) dy其中h(T, y)是到期 payoff 函数f(y|x)是在给定当前价格x下到期价格y的概率密度函数r是无风险利率。难点在于f(y|x)往往没有简单的解析式例如在复杂的随机波动率模型下直接进行高维或路径依赖的数值积分效率极低。傅里叶的妙用如果我们能在区间[a, b]上分别将f(y|x)和h(T, y)用截断的 K 项傅里叶级数近似f(y) ≈ a0/2 Σ_{k1}^{K} [A_k * cos(ωk y) B_k * sin(ωk y)]h(y) ≈ c0/2 Σ_{k1}^{K} [C_k * cos(ωk y) D_k * sin(ωk y)]那么原积分就发生了神奇的转化∫ f(y) * h(y) dy ≈ (b-a)/2 * [ (a0*c0)/2 Σ_{k1}^{K} (A_k*C_k B_k*D_k) ]积分运算简化为了系数之间的乘加运算这意味着只要我们能够高效、准确地获取概率密度函数f(y)的傅里叶系数{A_k, B_k}并且 payoff 函数的系数{C_k, D_k}可以解析或数值预先计算定价问题就迎刃而解。注意对于 payoff 函数不光滑如看涨期权的max(S-K, 0)在行权价 K 处不可导的情况直接对 PDF 展开可能面临吉布斯现象导致逼近不理想。此时论文中提出的第二种方法——对更平滑的累积分布函数进行傅里叶展开再通过分部积分融入定价公式——就显示出了其稳定性优势。这是方法设计中的一个重要细节考量。2.2 PQC量子世界里的万能函数逼近器那么如何得到f(y)的傅里叶系数呢经典方法可能需要大量的样本进行统计估计。这里量子机器学习登场了。一个参数化量子电路通常由三部分组成数据编码层、参数化变分层和测量。对于一个输入数据x和参数θPQC 的输出是某个可观测量M的期望值f_θ(x) 0| U^†(x, θ) M U(x, θ) |0。关键理论突破研究表明当数据编码通过特定的哈密顿量演化如e^{-i x H}实现时这样定义的量子模型f_θ(x)的输出可以被证明是一个有限的傅里叶级数f_θ(x) Σ_{ω ∈ Ω} c_ω(θ) * e^{i ω x}其中频率谱Ω由编码哈密顿量H的本征值决定而系数c_ω(θ)则由整个电路的结构和参数θ决定。这意味着通过调整参数θ我们可以让这个量子电路输出不同的傅里叶级数从而逼近我们想要的函数。更强大的理论保证是通用逼近定理对于一大类“通用哈密顿量族”只要 PQC 有足够的表达能力足够的量子比特数和层数它可以以任意精度一致地逼近紧集上的连续函数、L^p 空间函数乃至索伯列夫空间H^k中的函数。这为我们将 PQC 用作一个强大的函数逼近器提供了坚实的数学基础。所以我们的技术路线图变得清晰目标获取未知概率分布f(y)的傅里叶系数{A_k, B_k}。手段构建一个 PQC其输出设计为逼近f(y)或F(y)。训练使用从市场或模型生成的样本数据(y_i, f(y_i))或(y_i, F(y_i))通过优化算法调整 PQC 的参数θ最小化模型输出与真实函数值之间的损失。提取训练完成后分析最优参数θ*对应的 PQC从其内部表示中解析或通过线性代数方法提取出对应的傅里叶系数{A_k(θ*), B_k(θ*)}。3. 混合方法实战两种训练策略与电路设计理论很美好但如何落地论文中提出了两种具体的训练范式对应着不同的数据获取场景和工程考量。3.1 方法一基于监督学习的PDF系数学习这种方法假设我们能够以某种方式获得概率密度函数f(y)的“真值”或高精度近似值。例如在简单的 Black-Scholes 模型下f(y)是对数正态分布的解析式。我们可以生成一系列点y_i及其对应的密度值f(y_i)构成训练集{(y_i, f(y_i))}。操作流程数据准备与缩放将资产价格区间[a, b]线性映射到[-π, π]。这是为了匹配傅里叶基函数sin(kx), cos(kx)的标准周期。电路构建采用图4所示的量子线路作为 Ansatz拟设。这是一个非常典型的硬件高效变分线路设计每个量子比特首先通过一个Rx(x)门进行数据编码其中x是缩放后的输入。随后是一层参数化的Ry(θ)旋转门θ为可训练参数。之后通常需要添加纠缠门如 CNOT 门来建立量子比特间的关联以增加模型的表达能力。图中未明确画出但在实际实现中至关重要。重复上述“编码层变分层纠缠层”结构 L 次。最后测量某个泡利算符如Z的期望值作为输出。损失函数设计使用均方误差MSE作为损失函数是自然的。但论文中强调并采用了基于H^1范数的经验风险即同时拟合函数值及其一阶导数Loss 1/N Σ_i [ (f_true(y_i) - f_PQC(y_i))^2 (f‘_true(y_i) - f’_PQC(y_i))^2 ]这被称为微分机器学习。强制拟合导数能使 PQC 学习到的函数不仅在点上准确在整个函数形态上也更平滑收敛更快对抑制傅里叶逼近的振荡尤其有效。训练与优化使用经典优化器如 Adam、SPSA在经典计算机上迭代更新 PQC 的参数θ以最小化损失函数。系数提取训练收敛后PQC 的输出f_PQC(y)即为我们所需的傅里叶级数逼近。通过对其输出进行傅里叶分析例如在均匀格点上采样并做离散傅里叶变换即可提取出系数{A_k, B_k}。实操心得在监督学习中生成高质量的训练数据本身可能就是个挑战。对于复杂模型f(y)可能没有闭式解需要先用经典蒙特卡洛模拟大量路径来估计一个“准真实”的密度作为标签。这就引入了新的误差源。确保训练数据足够精确和稠密是该方法成功的前提。3.2 方法二基于自监督学习的样本驱动学习方法一需要已知 PDF这在实际金融市场中几乎不可能。更现实的场景是我们拥有的是资产价格的历史或模拟样本{S_T^i}。方法二正是为此设计直接从样本中学习分布。核心思想我们不再直接学习 PDF 的数值而是让 PQC 学会从输入可以是随机种子或时间映射到符合目标分布的样本。但这篇论文采用了一个更巧妙的视角我们仍然学习一个函数但这个函数是 CDF 或其变换。操作流程数据准备我们有一组资产价格样本{y_i}。我们可以从中构建经验累积分布函数ECDF作为训练目标F_emp(y) (小于等于 y 的样本数) / 总样本数。得到训练集{(y_i, F_emp(y_i))}。相比 PDFCDF 是单调递增且更平滑的函数通常更容易学习。训练区间扩展——一个关键技巧论文强调不要在[-π, π]区间内训练而要在[-2π, 2π]区间内训练。这是对抗傅里叶级数“边界效应”或吉布斯现象的核心策略。我们将数据映射到[-π, π]但在[-2π, 2π]的更大区间上定义损失函数。在[-π, π]之外的数据区域由于没有真实数据约束PQC 可以自由地以平滑的方式延拓函数。这相当于为傅里叶级数提供了一个“缓冲区”迫使模型在关注区间[-π, π]内产生更平滑、振荡更少的逼近。图2和图3的对比清晰地展示了这一技巧的巨大价值。电路与训练电路结构与监督学习相同。损失函数同样推荐使用H^1范数损失同时拟合 CDF 值及其导数即 PDF。训练过程类似。定价计算训练得到 CDF 的傅里叶逼近F_PQC(y)后我们需要将其代入经过分部积分变形后的定价公式对应论文公式(8)。该公式涉及F(y)在端点a, b的值以及F(y)与 payoff 函数导数h(y)的积分。由于我们已有F_PQC(y)的解析形式傅里叶级数这些计算都可以解析或数值高效完成。两种方法对比与选型特性方法一 (监督学习学PDF)方法二 (自监督学习学CDF)数据需求需要 PDF 的真值或高精度近似仅需要资产价格样本现实可行性较低通常仅适用于有解析解的简单模型高直接对接市场或模拟数据函数平滑度PDF 可能有不连续点学习难度较大CDF 是连续单调函数通常更平滑易学数值稳定性直接积分若PDF有尖峰或 payoff 不连续可能不稳定通过分部积分处理不连续 payoff 更稳健训练技巧标准监督训练必须使用扩展训练区间 ([-2π, 2π])3.3 量子电路Ansatz设计细节与参数化图4展示的线路是一个基础构建块。在实际实现中我们需要考虑以下设计维度量子比特数 (n)决定了模型表达能力的宽度。每个量子比特贡献一个频率分量。更多的量子比特意味着可以表达更丰富的频率组合从而逼近更复杂的函数。但也会增加参数数量和训练难度。层数 (L)重复“编码变分”结构的次数。增加层数可以引入更高的频率类似于更细的傅里叶网格是提升模型表达能力的关键。文献中常称之为“深度”。编码策略论文中使用Rx(x)即exp(-i x σ_x / 2)。也可以使用Rz(x)或更复杂的哈密顿量。编码方式直接决定了频率谱Ω。纠缠结构在变分层之间加入纠缠门如线性链式或全连接的 CNOT 门对于产生量子比特间的关联至关重要这使得模型能够表达频率间的相互作用而不仅仅是单个量子比特频率的简单叠加。可观测量选择通常测量所有量子比特在 Z 方向上的期望值即Z⊗n。也可以测量其他泡利算符的线性组合这相当于选择了不同的傅里叶基函数的线性组合。一个典型的、更具表达力的 Ansatz 单层可能如下所示以 3 量子比特为例|0⟩ -- Rx(x) -- Ry(θ₁) -- ● -- |0⟩ -- Rx(x) -- Ry(θ₂) -- X -- |0⟩ -- Rx(x) -- Ry(θ₃) -- ● -- | | X-----------------------------● --其中●和X表示 CNOT 的控制端和目标端。这种结构在数据编码后先进行单比特参数化旋转再通过纠缠门耦合是常见的做法。4. 性能评估、挑战与实战避坑指南任何新方法的提出都需要与现有基准进行对比并明确其优势和面临的挑战。4.1 与量子加速蒙特卡洛的对比论文将所提方法与量子加速蒙特卡洛作为基准进行对比。QAMC 的核心思想是将积分值编码到量子态的振幅中然后通过量子振幅估计算法以O(1/ε)的查询复杂度进行估计经典蒙特卡洛为O(1/ε^2)实现二次加速。对比维度计算成本QAMC 的量子资源消耗电路深度、比特数与精度ε直接相关且需要复杂的量子算术电路来编码 payoff 函数。而 QMLPQC 方法将主要计算负担转移到了经典训练过程。一旦训练完成定价计算系数点乘是极其快速的。在 NISQ 时代避免深电路和复杂量子算法是一个显著优势。精度论文数值实验表明在相同资源下QML 方法在傅里叶系数提取的精度上可以媲美甚至优于 QAMC。这是因为 QML 方法直接学习分布的连续表示而 QAMC 本质上仍是一种采样统计方法。灵活性QML 方法有一个巨大优势一次训练多次定价。同一个学习到的分布傅里叶表示可以与不同的 payoff 函数对应不同的{C_k, D_k}快速结合为不同行权价、不同类型的期权定价。而 QAMC 需要为每个不同的定价问题重新运行整个量子算法。4.2 影响因素深度分析论文通过数值实验重点分析了两个关键因素数据量影响对于自监督学习方法训练样本的数量和质量至关重要。样本不足会导致学习的分布与真实分布偏差较大特别是尾部特征。实验表明需要足够多的样本才能让 PQC 准确捕捉分布的形态尤其是对于肥尾分布。建议在实际应用中应使用尽可能多的历史数据或模拟路径并考虑使用数据增强技术。PQC 维度影响这里维度主要指子比特数n和层数L。实验验证了理论增加n和L可以提升模型的表达能力和逼近精度。但这存在一个权衡表达能力不足电路太简单无法拟合复杂分布导致欠拟合。过参数化电路过于复杂参数远多于有效数据点提供的约束容易导致过拟合即完美拟合训练数据但泛化到新数据时性能下降。在量子机器学习中这还与贫瘠高原问题相关——损失函数的梯度随着电路深度增加而指数级消失使得训练无法进行。4.3 常见问题与实战避坑指南结合理论、论文和实际量子编程经验以下是你很可能遇到并需要警惕的坑1. 贫瘠高原问题这是变分量子算法最大的挑战之一。当你随机初始化一个较深的 PQC 时损失函数相对于参数的梯度几乎处处为零优化器无法找到下降方向。应对策略谨慎初始化不要完全随机初始化参数。可以采用“身份块”初始化即让初始参数使每层电路近似为单位矩阵然后施加微小扰动。使用层数较少的 Ansatz从浅层电路开始逐步增加深度。选择对贫瘠高原更鲁棒的 Ansatz例如采用硬件的原生纠缠结构或使用层状交替的局部纠缠。采用专门的优化器如 SPSA同时扰动随机逼近算法它对梯度噪声不敏感有时能更好地穿越平坦区域。2. 频率谱的限制与编码策略PQC 能产生的频率Ω由编码哈密顿量H的本征值决定。如果H选择不当可能无法生成逼近目标函数所需的关键频率。应对策略理解你的编码。Rx(x)编码产生整数频率。对于需要非整数或更密集频率的情况可能需要更复杂的编码方式如H σ_z σ_x或使用重复编码。如果目标函数带宽很宽你需要确保 PQC 的“频率容量”足够。这通常需要更多的量子比特或更深的电路通过数据重上传。3. 经典模拟的维度诅咒为了在经典计算机上模拟和训练 PQC我们需要存储和操作2^n * 2^n的矩阵量子态向量。当n 20时这变得极其困难。这限制了我们在经典模拟中探索大规模量子优势。应对策略在算法开发和小规模验证阶段n通常限制在 10-15 个量子比特以内。利用张量网络等压缩表示来模拟特定结构的量子电路。最终该方法的目标是运行在真正的量子处理器上以突破经典模拟的限制。4. 训练不稳定与超参数选择量子神经网络的训练对超参数学习率、批大小、优化器选择非常敏感。应对策略进行系统的超参数扫描。使用学习率衰减策略。监控训练损失和验证损失及早发现过拟合或欠拟合。务必实施论文中的扩展区间训练技巧在[-2π, 2π]训练这是提升逼近质量、减少边界振荡的关键且有效的步骤。5. 从PQC输出提取傅里叶系数训练完成后如何从f_PQC(x)中精确提取{A_k, B_k}f_PQC(x)本身是一个黑箱函数。应对策略标准方法在[-π, π]区间上均匀采样大量点x_j计算f_PQC(x_j)然后对离散序列{f_PQC(x_j)}执行离散傅里叶变换从变换结果中读取余弦和正弦项的系数。确保采样率满足奈奎斯特采样定理以避免混叠。采样点数量应至少是最高频率分量K的两倍。量子机器学习在金融定价中的应用是一条充满希望但尚处早期的道路。本文探讨的基于傅里叶和 PQC 的混合方法巧妙地避开了当前量子硬件的限制将量子计算的潜力聚焦于“学习分布”这一核心子任务上。它展示了如何将经典的金融数学、傅里叶分析与前沿的量子变分算法相结合为 NISQ 时代的量子金融应用提供了一个切实可行的框架。虽然面临训练复杂性、理论保证的深度等挑战但随着量子硬件和算法的同步进步这类混合方法很可能成为连接经典金融计算与未来全量子优势的第一座桥梁。
量子机器学习与傅里叶分析：革新期权定价的混合计算范式
1. 项目概述当量子机器学习遇见金融定价在金融工程的核心地带期权定价一直是个计算密集型的硬骨头。传统的蒙特卡洛模拟虽然通用但为了达到足够的精度动辄需要百万甚至千万次的路径模拟计算成本高昂。近年来量子计算以其潜在的指数级加速能力吸引了无数目光但当前的噪声量子硬件NISQ设备还远未达到运行复杂量子算法的稳定状态。正是在这种背景下量子机器学习作为一种混合范式脱颖而出它不追求在短期内用纯量子算法“暴力破解”问题而是巧妙地利用参数化量子电路的可训练特性与经典计算协同去解决特定环节的瓶颈。我这次要深入探讨的正是这样一个前沿的交叉点利用基于参数化量子电路的量子机器学习模型来估计概率分布的傅里叶系数进而高效解决期权定价中的积分问题。简单来说我们不再用经典计算机去“猜”无数条资产价格路径而是训练一个量子电路让它学会资产价格最终分布PDF或累积分布CDF的“形状”——这个形状用傅里叶级数来描述。一旦我们拿到了这个级数的系数与期权 payoff 函数的傅里叶系数一结合定价积分就从复杂的数值计算变成了简单的系数点乘求和。这听起来有点绕但其核心思想非常直观把难算的积分转化为好学的函数逼近问题。量子电路在这里扮演了一个强大的、可编程的函数逼近器角色。本文将为你彻底拆解这个方法从背后的数学原理、量子电路的设计到具体的训练策略和避坑指南让你不仅能看懂这篇前沿论文更能理解其每一步的设计逻辑和工程实现中的精妙之处。2. 核心原理拆解为什么是傅里叶为什么是PQC在深入实操之前我们必须先夯实理论基础。这个方法之所以成立依赖于两个关键支柱一是傅里叶级数在函数表示和积分计算中的普适性二是参数化量子电路在特定条件下的函数逼近能力。2.1 期权定价的积分本质与傅里叶解法对于一个欧式期权其在初始时刻t0的价格V(t0, x)在风险中性测度下可以表达为一个条件期望本质上是一个积分V(t0, x) e^{-r(T-t0)} * ∫ h(T, y) * f(y|x) dy其中h(T, y)是到期 payoff 函数f(y|x)是在给定当前价格x下到期价格y的概率密度函数r是无风险利率。难点在于f(y|x)往往没有简单的解析式例如在复杂的随机波动率模型下直接进行高维或路径依赖的数值积分效率极低。傅里叶的妙用如果我们能在区间[a, b]上分别将f(y|x)和h(T, y)用截断的 K 项傅里叶级数近似f(y) ≈ a0/2 Σ_{k1}^{K} [A_k * cos(ωk y) B_k * sin(ωk y)]h(y) ≈ c0/2 Σ_{k1}^{K} [C_k * cos(ωk y) D_k * sin(ωk y)]那么原积分就发生了神奇的转化∫ f(y) * h(y) dy ≈ (b-a)/2 * [ (a0*c0)/2 Σ_{k1}^{K} (A_k*C_k B_k*D_k) ]积分运算简化为了系数之间的乘加运算这意味着只要我们能够高效、准确地获取概率密度函数f(y)的傅里叶系数{A_k, B_k}并且 payoff 函数的系数{C_k, D_k}可以解析或数值预先计算定价问题就迎刃而解。注意对于 payoff 函数不光滑如看涨期权的max(S-K, 0)在行权价 K 处不可导的情况直接对 PDF 展开可能面临吉布斯现象导致逼近不理想。此时论文中提出的第二种方法——对更平滑的累积分布函数进行傅里叶展开再通过分部积分融入定价公式——就显示出了其稳定性优势。这是方法设计中的一个重要细节考量。2.2 PQC量子世界里的万能函数逼近器那么如何得到f(y)的傅里叶系数呢经典方法可能需要大量的样本进行统计估计。这里量子机器学习登场了。一个参数化量子电路通常由三部分组成数据编码层、参数化变分层和测量。对于一个输入数据x和参数θPQC 的输出是某个可观测量M的期望值f_θ(x) 0| U^†(x, θ) M U(x, θ) |0。关键理论突破研究表明当数据编码通过特定的哈密顿量演化如e^{-i x H}实现时这样定义的量子模型f_θ(x)的输出可以被证明是一个有限的傅里叶级数f_θ(x) Σ_{ω ∈ Ω} c_ω(θ) * e^{i ω x}其中频率谱Ω由编码哈密顿量H的本征值决定而系数c_ω(θ)则由整个电路的结构和参数θ决定。这意味着通过调整参数θ我们可以让这个量子电路输出不同的傅里叶级数从而逼近我们想要的函数。更强大的理论保证是通用逼近定理对于一大类“通用哈密顿量族”只要 PQC 有足够的表达能力足够的量子比特数和层数它可以以任意精度一致地逼近紧集上的连续函数、L^p 空间函数乃至索伯列夫空间H^k中的函数。这为我们将 PQC 用作一个强大的函数逼近器提供了坚实的数学基础。所以我们的技术路线图变得清晰目标获取未知概率分布f(y)的傅里叶系数{A_k, B_k}。手段构建一个 PQC其输出设计为逼近f(y)或F(y)。训练使用从市场或模型生成的样本数据(y_i, f(y_i))或(y_i, F(y_i))通过优化算法调整 PQC 的参数θ最小化模型输出与真实函数值之间的损失。提取训练完成后分析最优参数θ*对应的 PQC从其内部表示中解析或通过线性代数方法提取出对应的傅里叶系数{A_k(θ*), B_k(θ*)}。3. 混合方法实战两种训练策略与电路设计理论很美好但如何落地论文中提出了两种具体的训练范式对应着不同的数据获取场景和工程考量。3.1 方法一基于监督学习的PDF系数学习这种方法假设我们能够以某种方式获得概率密度函数f(y)的“真值”或高精度近似值。例如在简单的 Black-Scholes 模型下f(y)是对数正态分布的解析式。我们可以生成一系列点y_i及其对应的密度值f(y_i)构成训练集{(y_i, f(y_i))}。操作流程数据准备与缩放将资产价格区间[a, b]线性映射到[-π, π]。这是为了匹配傅里叶基函数sin(kx), cos(kx)的标准周期。电路构建采用图4所示的量子线路作为 Ansatz拟设。这是一个非常典型的硬件高效变分线路设计每个量子比特首先通过一个Rx(x)门进行数据编码其中x是缩放后的输入。随后是一层参数化的Ry(θ)旋转门θ为可训练参数。之后通常需要添加纠缠门如 CNOT 门来建立量子比特间的关联以增加模型的表达能力。图中未明确画出但在实际实现中至关重要。重复上述“编码层变分层纠缠层”结构 L 次。最后测量某个泡利算符如Z的期望值作为输出。损失函数设计使用均方误差MSE作为损失函数是自然的。但论文中强调并采用了基于H^1范数的经验风险即同时拟合函数值及其一阶导数Loss 1/N Σ_i [ (f_true(y_i) - f_PQC(y_i))^2 (f‘_true(y_i) - f’_PQC(y_i))^2 ]这被称为微分机器学习。强制拟合导数能使 PQC 学习到的函数不仅在点上准确在整个函数形态上也更平滑收敛更快对抑制傅里叶逼近的振荡尤其有效。训练与优化使用经典优化器如 Adam、SPSA在经典计算机上迭代更新 PQC 的参数θ以最小化损失函数。系数提取训练收敛后PQC 的输出f_PQC(y)即为我们所需的傅里叶级数逼近。通过对其输出进行傅里叶分析例如在均匀格点上采样并做离散傅里叶变换即可提取出系数{A_k, B_k}。实操心得在监督学习中生成高质量的训练数据本身可能就是个挑战。对于复杂模型f(y)可能没有闭式解需要先用经典蒙特卡洛模拟大量路径来估计一个“准真实”的密度作为标签。这就引入了新的误差源。确保训练数据足够精确和稠密是该方法成功的前提。3.2 方法二基于自监督学习的样本驱动学习方法一需要已知 PDF这在实际金融市场中几乎不可能。更现实的场景是我们拥有的是资产价格的历史或模拟样本{S_T^i}。方法二正是为此设计直接从样本中学习分布。核心思想我们不再直接学习 PDF 的数值而是让 PQC 学会从输入可以是随机种子或时间映射到符合目标分布的样本。但这篇论文采用了一个更巧妙的视角我们仍然学习一个函数但这个函数是 CDF 或其变换。操作流程数据准备我们有一组资产价格样本{y_i}。我们可以从中构建经验累积分布函数ECDF作为训练目标F_emp(y) (小于等于 y 的样本数) / 总样本数。得到训练集{(y_i, F_emp(y_i))}。相比 PDFCDF 是单调递增且更平滑的函数通常更容易学习。训练区间扩展——一个关键技巧论文强调不要在[-π, π]区间内训练而要在[-2π, 2π]区间内训练。这是对抗傅里叶级数“边界效应”或吉布斯现象的核心策略。我们将数据映射到[-π, π]但在[-2π, 2π]的更大区间上定义损失函数。在[-π, π]之外的数据区域由于没有真实数据约束PQC 可以自由地以平滑的方式延拓函数。这相当于为傅里叶级数提供了一个“缓冲区”迫使模型在关注区间[-π, π]内产生更平滑、振荡更少的逼近。图2和图3的对比清晰地展示了这一技巧的巨大价值。电路与训练电路结构与监督学习相同。损失函数同样推荐使用H^1范数损失同时拟合 CDF 值及其导数即 PDF。训练过程类似。定价计算训练得到 CDF 的傅里叶逼近F_PQC(y)后我们需要将其代入经过分部积分变形后的定价公式对应论文公式(8)。该公式涉及F(y)在端点a, b的值以及F(y)与 payoff 函数导数h(y)的积分。由于我们已有F_PQC(y)的解析形式傅里叶级数这些计算都可以解析或数值高效完成。两种方法对比与选型特性方法一 (监督学习学PDF)方法二 (自监督学习学CDF)数据需求需要 PDF 的真值或高精度近似仅需要资产价格样本现实可行性较低通常仅适用于有解析解的简单模型高直接对接市场或模拟数据函数平滑度PDF 可能有不连续点学习难度较大CDF 是连续单调函数通常更平滑易学数值稳定性直接积分若PDF有尖峰或 payoff 不连续可能不稳定通过分部积分处理不连续 payoff 更稳健训练技巧标准监督训练必须使用扩展训练区间 ([-2π, 2π])3.3 量子电路Ansatz设计细节与参数化图4展示的线路是一个基础构建块。在实际实现中我们需要考虑以下设计维度量子比特数 (n)决定了模型表达能力的宽度。每个量子比特贡献一个频率分量。更多的量子比特意味着可以表达更丰富的频率组合从而逼近更复杂的函数。但也会增加参数数量和训练难度。层数 (L)重复“编码变分”结构的次数。增加层数可以引入更高的频率类似于更细的傅里叶网格是提升模型表达能力的关键。文献中常称之为“深度”。编码策略论文中使用Rx(x)即exp(-i x σ_x / 2)。也可以使用Rz(x)或更复杂的哈密顿量。编码方式直接决定了频率谱Ω。纠缠结构在变分层之间加入纠缠门如线性链式或全连接的 CNOT 门对于产生量子比特间的关联至关重要这使得模型能够表达频率间的相互作用而不仅仅是单个量子比特频率的简单叠加。可观测量选择通常测量所有量子比特在 Z 方向上的期望值即Z⊗n。也可以测量其他泡利算符的线性组合这相当于选择了不同的傅里叶基函数的线性组合。一个典型的、更具表达力的 Ansatz 单层可能如下所示以 3 量子比特为例|0⟩ -- Rx(x) -- Ry(θ₁) -- ● -- |0⟩ -- Rx(x) -- Ry(θ₂) -- X -- |0⟩ -- Rx(x) -- Ry(θ₃) -- ● -- | | X-----------------------------● --其中●和X表示 CNOT 的控制端和目标端。这种结构在数据编码后先进行单比特参数化旋转再通过纠缠门耦合是常见的做法。4. 性能评估、挑战与实战避坑指南任何新方法的提出都需要与现有基准进行对比并明确其优势和面临的挑战。4.1 与量子加速蒙特卡洛的对比论文将所提方法与量子加速蒙特卡洛作为基准进行对比。QAMC 的核心思想是将积分值编码到量子态的振幅中然后通过量子振幅估计算法以O(1/ε)的查询复杂度进行估计经典蒙特卡洛为O(1/ε^2)实现二次加速。对比维度计算成本QAMC 的量子资源消耗电路深度、比特数与精度ε直接相关且需要复杂的量子算术电路来编码 payoff 函数。而 QMLPQC 方法将主要计算负担转移到了经典训练过程。一旦训练完成定价计算系数点乘是极其快速的。在 NISQ 时代避免深电路和复杂量子算法是一个显著优势。精度论文数值实验表明在相同资源下QML 方法在傅里叶系数提取的精度上可以媲美甚至优于 QAMC。这是因为 QML 方法直接学习分布的连续表示而 QAMC 本质上仍是一种采样统计方法。灵活性QML 方法有一个巨大优势一次训练多次定价。同一个学习到的分布傅里叶表示可以与不同的 payoff 函数对应不同的{C_k, D_k}快速结合为不同行权价、不同类型的期权定价。而 QAMC 需要为每个不同的定价问题重新运行整个量子算法。4.2 影响因素深度分析论文通过数值实验重点分析了两个关键因素数据量影响对于自监督学习方法训练样本的数量和质量至关重要。样本不足会导致学习的分布与真实分布偏差较大特别是尾部特征。实验表明需要足够多的样本才能让 PQC 准确捕捉分布的形态尤其是对于肥尾分布。建议在实际应用中应使用尽可能多的历史数据或模拟路径并考虑使用数据增强技术。PQC 维度影响这里维度主要指子比特数n和层数L。实验验证了理论增加n和L可以提升模型的表达能力和逼近精度。但这存在一个权衡表达能力不足电路太简单无法拟合复杂分布导致欠拟合。过参数化电路过于复杂参数远多于有效数据点提供的约束容易导致过拟合即完美拟合训练数据但泛化到新数据时性能下降。在量子机器学习中这还与贫瘠高原问题相关——损失函数的梯度随着电路深度增加而指数级消失使得训练无法进行。4.3 常见问题与实战避坑指南结合理论、论文和实际量子编程经验以下是你很可能遇到并需要警惕的坑1. 贫瘠高原问题这是变分量子算法最大的挑战之一。当你随机初始化一个较深的 PQC 时损失函数相对于参数的梯度几乎处处为零优化器无法找到下降方向。应对策略谨慎初始化不要完全随机初始化参数。可以采用“身份块”初始化即让初始参数使每层电路近似为单位矩阵然后施加微小扰动。使用层数较少的 Ansatz从浅层电路开始逐步增加深度。选择对贫瘠高原更鲁棒的 Ansatz例如采用硬件的原生纠缠结构或使用层状交替的局部纠缠。采用专门的优化器如 SPSA同时扰动随机逼近算法它对梯度噪声不敏感有时能更好地穿越平坦区域。2. 频率谱的限制与编码策略PQC 能产生的频率Ω由编码哈密顿量H的本征值决定。如果H选择不当可能无法生成逼近目标函数所需的关键频率。应对策略理解你的编码。Rx(x)编码产生整数频率。对于需要非整数或更密集频率的情况可能需要更复杂的编码方式如H σ_z σ_x或使用重复编码。如果目标函数带宽很宽你需要确保 PQC 的“频率容量”足够。这通常需要更多的量子比特或更深的电路通过数据重上传。3. 经典模拟的维度诅咒为了在经典计算机上模拟和训练 PQC我们需要存储和操作2^n * 2^n的矩阵量子态向量。当n 20时这变得极其困难。这限制了我们在经典模拟中探索大规模量子优势。应对策略在算法开发和小规模验证阶段n通常限制在 10-15 个量子比特以内。利用张量网络等压缩表示来模拟特定结构的量子电路。最终该方法的目标是运行在真正的量子处理器上以突破经典模拟的限制。4. 训练不稳定与超参数选择量子神经网络的训练对超参数学习率、批大小、优化器选择非常敏感。应对策略进行系统的超参数扫描。使用学习率衰减策略。监控训练损失和验证损失及早发现过拟合或欠拟合。务必实施论文中的扩展区间训练技巧在[-2π, 2π]训练这是提升逼近质量、减少边界振荡的关键且有效的步骤。5. 从PQC输出提取傅里叶系数训练完成后如何从f_PQC(x)中精确提取{A_k, B_k}f_PQC(x)本身是一个黑箱函数。应对策略标准方法在[-π, π]区间上均匀采样大量点x_j计算f_PQC(x_j)然后对离散序列{f_PQC(x_j)}执行离散傅里叶变换从变换结果中读取余弦和正弦项的系数。确保采样率满足奈奎斯特采样定理以避免混叠。采样点数量应至少是最高频率分量K的两倍。量子机器学习在金融定价中的应用是一条充满希望但尚处早期的道路。本文探讨的基于傅里叶和 PQC 的混合方法巧妙地避开了当前量子硬件的限制将量子计算的潜力聚焦于“学习分布”这一核心子任务上。它展示了如何将经典的金融数学、傅里叶分析与前沿的量子变分算法相结合为 NISQ 时代的量子金融应用提供了一个切实可行的框架。虽然面临训练复杂性、理论保证的深度等挑战但随着量子硬件和算法的同步进步这类混合方法很可能成为连接经典金融计算与未来全量子优势的第一座桥梁。
