量子科技中心_量科网

在一个名义价值高达数百万亿美元的全球衍生品市场中，定价模型的准确性和效率具有根本性意义，直接影响风险管理、资本配置和监管合规。本研究采用布莱克-斯科尔斯-默顿（BSM）框架并非作为最终目标，而是将其作为严格评估量子机器学习方法能力的基准环境。研究团队提出了一种基于量子神经网络（QNN）的完全量子化期权定价方法，据文献考证，这是在当前可用量子硬件上实现此类方法的首次尝试之一。具体而言，该工作探究了QNN能否通过利用希尔伯特空间的几何结构有效逼近期权定价函数。实施方案采用紧凑型2量子比特QNN架构，在包括IBM Fez、IQM Garnet、IonQ Forte和Rigetti Ankaa-3在内的多款前沿量子处理器上进行评估。这项跨平台研究不仅揭示了不同硬件依赖的性能特征，还证明在噪声中等规模量子（NISQ）硬件的限制下，仍可在不同设备上持续实现精确的定价逼近。研究结果为基于QNN的衍生品定价框架提供了实证依据。虽然分析基于BSM模型开展，但其更广泛的意义在于这些方法有望扩展到更贴近现实且计算要求更高的模型，包括实践中常用的局部波动率模型、随机波动率模型和利率模型框架。