옵션 가격, 양자 컴퓨터로 진짜 매겨봤다 — 큐빗 단 2개로 XGBoost를 이긴 이야기
분류: 정보 · 2026-05-06
안녕하세요. Quniv 커뮤니티 여러분! 🙌
오늘 가져온 논문, 진짜 재밌어요.
한 줄로 말하면 양자 컴퓨터로 옵션 가격을 직접 매겨봤더니, 큐빗 2개짜리 작은 회로가 클래식 머신러닝 강자(XGBoost)를 살짝 이겼다 는 이야기예요.
그것도 시뮬레이터 위가 아니라 IBM·IonQ·Rigetti·IQM 네 종류의 진짜 양자 하드웨어에서요. 😎
🎯 왜 옵션 가격에 양자를 들이밀까?
전 세계 파생상품 명목 잔액이 수백조 달러 규모예요.
은행·자산운용사·보험사가 매일 수백만 번씩 가격을 다시 매겨야 하죠.
단순 유럽형 콜옵션이야 블랙-숄즈-머튼(BSM) 공식 으로 한 줄에 풀리지만, 미국형이나 경로 의존, 다중 자산이 섞이면 닫힌 해가 없어요.
그럼 몬테카를로(느리고)나 유한차분(차원의 저주)에 매달려야 합니다.
그래서 양자 머신러닝(QML)이 차원이 폭발하는 가격 곡면을 더 효율적으로 표현할 수 있을까? 이 질문이 출발점이에요.
논문에서 저자들이 명확히 짚어요:
"Our results demonstrate that Quantum Neural Networks can approximate BSM option prices with high precision, even when implemented on NISQ hardware."
지금 노이지(noisy)하고 작은 NISQ 양자 컴퓨터에서도 옵션 가격을 정밀하게 근사할 수 있다는 걸 보여줬다는 뜻이에요. 🔥
🧪 핵심 무기: "finQbit" 라는 큐빗 2개짜리 회로
이게 진짜 깜찍해요.
보통 양자 신경망(QNN) 논문은 4큐빗 이상 쓰는데, 저자들은 큐빗 2개 + 3 레이어 짜리 미니 회로로 갔어요. 핵심 트릭이 두 가지:
고밀도 인코딩 — 한 큐빗에 두 개 특성을 동시에( Ry · Rx 직교 회전) 박아넣기. 4개 입력(머니니스, 만기, 무위험금리, 변동성)을 큐빗 2개에 우겨넣을 수 있어요.
동적 특성 셔플링 — 레이어마다 어떤 특성이 어느 큐빗에 들어갈지를 바꿔요. 이렇게 하면 적은 큐빗으로도 특성 간 상관을 다양한 방향에서 학습할 수 있어요.
그 결과? 학습 파라미터가 단 36개 입니다.
XGBoost가 약 400개 파라미터를 쓰는 것과 비교하면 한 자릿수가 줄어든 거예요.
📊 결과 1 — 시뮬레이터에서 XGBoost를 살짝 이겼다
모델
파라미터 수
R² (높을수록 좋음)
MSE (낮을수록 좋음)
OLS (선형)
5
0.93291
0.00069
XGBoost
~400
0.97854
0.00022
finQbit (QNN)
36
0.97958
0.00021
이걸 보면 살짝 이긴 정도지만, 더 흥미로운 건 At-The-Money(ATM, 행사가 = 현재가) 영역 이에요.
옵션 가격 곡면이 가장 휘는(곡률 큰) 구간이라 트리 기반 모델은 '계단' 함수라 매끄럽게 못 따라가요.
영역
XGBoost MSE
finQbit MSE
OTM (외가)
0.000171
0.000074
ATM (등가)
0.000328
0.000163 ← 약 50% 감소
ITM (내가)
0.000183
0.000212
ATM 영역에서 양자 모델이 오차를 절반으로 깎아냈어요.
힐베르트 공간의 연속 회전이 매끄러운 곡면을 표현하는 데 트리보다 잘 맞는다는 뜻이죠. 💡
🌐 결과 2 — 진짜 양자 컴퓨터 4종 비교 결과
여기서부터가 진짜 백미예요.
같은 회로를 IBM Fez · IQM Garnet · IonQ Forte · Rigetti Ankaa-3 네 대에서 돌려본 결과:
백엔드
기술
R²
특징
IBM Fez (압축회로)
초전도
0.9300 🥇
가장 정확
IBM Fez (표준)
초전도
0.9234
IonQ Forte
이온 트랩
0.6806
일관된 위쪽 편향
Rigetti Ankaa-3
초전도
0.6720
ITM에서 신호 압축
IQM Garnet
초전도
0.6495
ATM에서 위쪽 편향
재미있는 포인트:
초전도 큐빗(IBM·Rigetti·IQM) 은 ITM(내가) 영역에서 가격을 낮게 추정하는 경향
이온 트랩(IonQ) 은 모든 영역에서 일관되게 높게 추정하는 경향
즉, 하드웨어 종류마다 고유한 노이즈 지문 이 있어요. 양자 금융 모델을 배포할 때는 '플랫폼 중립' 알고리즘만 짜면 안 되고, 하드웨어별 보정 까지 같이 가야 한다는 실무 교훈이 생긴 거죠.
저자들이 마지막에 강조해요:
"the finQbit model maintained a predictive R² > 0.64 across all tested hardware. This architectural robustness confirms that the model's inductive bias, rooted in Hilbert space rotations, remains effective against diverse decoherence profiles."
어떤 양자 머신을 쓰든 R² 0.64는 넘었다 = 포터블한 양자 금융 모델의 첫 번째 실증 이라는 의미예요. 📈
🛠️ 실무자 시점에서 챙길 포인트
샷 수의 함정 : IBM Fez에서 5,000샷이 2,000샷보다 R²가 더 낮았어요. 정밀도는 올라가지만 실행 시간이 길어지면서 하드웨어 캘리브레이션 드리프트 가 누적된 거죠. "샷을 더 박으면 좋다"는 직관이 NISQ에선 깨진다는 신호.
회로 압축이 진짜 효과 있다 : 8개 CX 게이트를 단 1개의 U(4) 블록으로 압축했더니 IBM Fez에서 R²가 0.92 → 0.93으로 올랐어요. 게이트 수 줄이기 = 노이즈 줄이기 공식이 다시 한 번 검증.
경로 의존·다중 자산이 진짜 격전지 : BSM은 클래식 방식으로도 잘 풀려요. 이 논문은 일종의 'POC(개념 증명)'이고, 진짜 가치는 미국형 옵션·로컬 변동성·이종 자산 바스켓 같은 고차원 문제 에서 양자가 본격적으로 빛날 가능성을 깐 거예요.
🤔 마지막 한 가지 질문
지금 IBM Fez에서 R² 0.93을 찍었다는 건 곧, NISQ 시대에도 "양자 컴퓨터가 진짜 돈이 되는 일"의 첫 줄을 쓸 수 있다는 뜻 일 수 있어요.
헤지펀드·은행 퀀트 팀이 양자 백엔드 비용을 진지하게 검토할 시점이 어쩌면 우리가 생각하는 것보다 훨씬 가까울지 모릅니다.
여러분이 양자를 이용한 금융 응용 중에서 '이거는 5년 안에 진짜 쓰일 것 같다' 싶은 분야가 있나요?
👇 댓글로 같이 얘기해봐요!
📎 원문 보기: https://arxiv.org/abs/2604.19832