多资产期权定价，张量能否破维数灾难

你要给一个两只股票的篮子期权定价，可以把两只股票未来可能的价格排成一张表。再添一只股票，就要叠成一摞表；资产继续增加，组合数量很快爆炸。论文《COS-TT-CHF》瞄准的正是这个问题：能否不保存整张高维大表，只留下其中可重复利用的结构。

作者 Lucas Arenstein 和 Michael Kastoryano 的办法，是把多资产定价所需的高维数组压成 Tensor Train（TT）——一种把大数组拆成一串较小、低秩部件的表示。论文研究的是 Lévy 和 affine 特征函数模型下的欧式多资产期权，包括算术篮子期权以及 min/max 期权。它没有宣称彻底消灭维数灾难，而是给出一个有条件的答案：如果关键数组确实可以用不太高的 TT rank（压缩后部件之间的连接规模）表示，高维计算就可能从存满整张表，变成只处理一串较小部件。

本文的效果数字均来自论文作者报告。目前没有第三方复现或独立基准交叉验证，因此下面的性能比较只能理解为特定设置下的实验结果。

先压缩源头，再生成价格

这项工作的起点是 COS 方法。特征函数——描述概率分布的另一种数学形式——在某些 Lévy 和 affine 模型中可以直接计算。COS 方法再用余弦展开，把特征函数转换为期权定价所需的系数。

麻烦出在多资产场景。假设每项资产都取 $n$ 个网格点， $d$ 项资产组成的完整张量就有 $n^{d}$ 个位置。资产数每增加一个，数组规模都要再乘一个 $n$ 。这就是“维数灾难”。

COS-TT-CHF 没有先生成完整的 COS 系数大表。它把压缩步骤往前移：先在频率网格上抽样联合特征函数，再用 TT-cross 从部分条目中寻找低秩结构。TT-cross 可以理解为抽查一张巨大表格里最有信息量的一部分格子，并据此拼出压缩表示；算法实际抽到的每个格子，仍来自一次直接的特征函数计算。随后，方法逐个处理 TT 的小部件，把压缩后的特征函数转换成压缩的 COS 系数。

这个顺序很关键。直接路线需要面对完整的张量积数组；新路线试图让完整数组从头到尾都不必出现。若各维长度相近、TT rank 能维持在适中水平，存储量就不再按完整张量的规模增长。不过论文也明确指出，这种节省取决于低秩假设，最坏情况下 rank 仍可能快速上升。

一套压缩表示，接几种不同任务

对算术篮子期权，方法先把多项资产共同决定的收益，投影成一个篮子价值的单变量分布。得到篮子特征函数后，后面的密度重建和不同执行价定价都变成一维计算。

min/max 期权走另一条路。它们的收益取决于一篮子资产中的最小值或最大值。论文把这类收益改写成尾部概率积分。例如，判断最小值是否高于某个门槛，等价于判断每项资产是否都高于门槛。这个事件在各资产坐标上形成一个矩形区域，正好可以由 TT 部件逐维收缩计算，而不必展开完整系数张量。

真正有实务意味的是复用。压缩表示建好后，改变执行价主要只会改变后续的一维积分或阈值向量，不必重新采样特征函数，也不必重新运行 TT-cross。因此，论文把成本分成两段：前期 setup，也就是压缩表示的构建；以及此后的批量执行价、诊断和部分 Greeks 计算。Greeks 是价格对市场或模型输入的敏感度。论文展示了选定资产分量的 Delta（对初始现货价格的敏感度）和 Vega（对波动率的敏感度），做法是先对特征函数求导，再沿用同一套转换与定价流程。

数字说明了什么

作者把 COS-TT-CHF 与 adaptive-quadrature Fourier、direct COS、tensor-Fourier 的 min-option 基准，以及使用 randomized Sobol points 的准蒙特卡洛（QMC）参考结果作了比较。测试覆盖到 GBM 的 $d = 30$ ，以及 VG、NIG 和 common-Heston 基准族的 $d = 20$ 。这里的 $d$ 是资产数量。

论文报告，相对 direct COS，运行时间的交叉出现在 $d = 2$ 到 $d = 4$ 的低维区间：随着维度增加，压缩路线从承担额外 setup 成本，转为在作者测试中取得更有利的时间表现。但材料没有给出精确交叉维度、完整耗时、硬件和统一误差容限，不能把它概括成固定的性能分界线。

在更具体的比较中，作者报告 COS-TT-CHF 从 $d = 3$ 起对 tensor-Fourier min-option 基准呈现更有利的运行时间；对 QMC common-Heston reference，则从 $d = 2$ 起如此。这两项结论分别只适用于对应的 min-option 和 common-Heston 测试，不能外推到所有期权、模型和精度要求。

论文还报告了 accuracy、TT rank、runtime、特征函数求值次数、控制参数敏感性，以及分量 Delta/Vega 等诊断。这个做法很重要，因为维度本身并不能代表计算难度：若非高斯模型需要更高 rank，一个维度较低的问题也可能比高维、低秩的 Gaussian 问题更贵。

为什么值得关注

这篇工作的价值不只是一笔价格算得更快。它试图把一次定价，变成一项可复用的计算资产：先付出成本，构建压缩的联合 COS 系数；之后再服务于执行价网格、不同收益收缩、数值诊断和部分一阶 Greeks。对于需要重复报价和风险计算的场景，这种“先建表示、再反复调用”的结构，比单看一次运行时间更值得关注。

它也把成败条件摆得很清楚。压缩的对象是一个平滑但可能振荡的频域特征函数。如果频率窗口、节点数量或节点分布不足，TT 即使看起来很小，也可能只是没有解析出真实结构。论文因此同时检查留出特征函数条目、密度质量、第一矩、看涨—看跌平价、价格单调性，以及对频率设置、COS 阶数、rank cap 和 TT-cross 随机种子的敏感度。

局限与未知

所有性能结果都来自作者自己的实现与基准。尚无第三方复现，所谓“更有利的运行时间”不能直接写成普遍更快。
方法的收益依赖适中的 TT rank。达到 $d = 30$ 或 $d = 20$ 只说明实验覆盖到这些维度，不证明复杂度已经摆脱指数增长，也不保证任意相关结构和收益函数都能低秩压缩。
批量执行价和部分 Greeks 的速度优势发生在压缩表示建好之后。评估实际价值时，必须把 setup 成本、目标精度、硬件、模型族和后续复用次数放在一起计算。