[論文レビュー] Applications of Quantum Machine Learning for Quantitative Finance

Piotr Mironowicz, Akshata Shenoy H.+3 more|arXiv (Cornell University)|May 16, 2024

Stock Market Forecasting Methods被引用数 4

ひとこと要約

本論文は、定量的金融分野における量子機械学習（QML）の応用について包括的なレビューを提供しており、ポートフォリオ最適化、リスク管理、オプションプライシング、および不正検出をカバーしている。Variational Quantum Eigensolvers（VQE）やQuantum GNNsといったQML手法を評価し、例えば「落ちぶれ株」予測において27.9%の精度を達成するなど、競争力のある性能を示しているが、スケーラビリティやハードウェア制限といった課題も指摘している。

ABSTRACT

Machine learning and quantum machine learning (QML) have gained significant importance, as they offer powerful tools for tackling complex computational problems across various domains. This work gives an extensive overview of QML uses in quantitative finance, an important discipline in the financial industry. We examine the connection between quantum computing and machine learning in financial applications, spanning a range of use cases including fraud detection, underwriting, Value at Risk, stock market prediction, portfolio optimization, and option pricing by overviewing the corpus of literature concerning various financial subdomains.

研究の動機と目的

• ポートフォリオ最適化、リスク管理、オプションプライシングといった主要分野における、定量的金融分野における量子機械学習（QML）の応用の現状を調査すること。
• 量子コンピューティングと機械学習の相乗効果が、古典的手法よりも複雑な金融問題をより効率的に解けるようにする仕組みを分析すること。
• 実際の金融データセットを用いたQMLモデルの性能と限界を評価し、古典的機械学習モデルと比較してベンチマークを実施すること。
• ハードウェアのスケーラビリティ、エラー低減、アルゴリズムの複雑さといった、QMLが金融分野に実用化する上で残された課題を特定すること。
• 金融予測や不正検出において有望な可能性を示す、Quantum GNNs や QBoostベースの分類器といった新興のQML技術を強調すること。

提案手法

• ポートフォリオ最適化、市場予測、リスク管理、およびプライシングを焦点とした、QMLの金融分野応用に関する体系的文献レビューを実施する。
• 定量的金融データ処理のための、Variational Quantum Eigensolvers（VQE）、Quantum Approximate Optimization Algorithm（QAOA）、および量子カーネル法を含む量子アルゴリズムを調査する。
• 実際の金融データセット（不正検出や「落ちぶれ株」予測用）を用いて、量子プロセッサおよびエミュレータ上でQMLモデルを実装・ベンチマーク化する。
• 解釈可能性と分類タスクの性能向上を目的として、量子強化分類器（例：QBoost）および量子グラフニューラルネットワーク（GNNs）を活用する。
• NISQ時代のハードウェアにおける忠実度とスケーラビリティの向上を図るため、ランダム化コンpilingおよびパルス効率的トランスパイル技術を適用する。
• 精度、F1スコア、AUC、および学習効率の観点から、QMLの結果を古典的ベンチマーク（例：ランダムフォレスト、古典的カーネル法）と比較する。

実験結果

リサーチクエスチョン

• RQ1 量子機械学習は、古典的手法と比較して、どのようにポートフォリオ最適化を改善できるか？
• RQ2 量子強化分類器は、金融分野の不正検出および株価予測において、どの程度古典的モデルを上回るか？
• RQ3 QMLの実用的導入を制限する主なアルゴリズム的およびハードウェア的課題は何か？
• RQ4 量子カーネル法および変分量子アルゴリズムは、金融リスクモデリングおよびオプションプライシングにおいて、測定可能な改善を達成できるか？
• RQ5 エラー低減およびトランスパイル戦略は、近い将来の量子ハードウェアにおけるQMLモデルの性能とスケーラビリティにどのように影響を与えるか？

主な発見

• 60キュービットのニュートラル原子量子プロセッサを用いたQMLベースのQBoost分類器は、「落ちぶれ株」予測において27.9%の精度を達成し、古典的ランダムフォレストの28%とほぼ同等の性能を示したが、学習器はわずか50個で実現した。
• 量子グラフニューラルネットワーク（GNNs）は、実世界のデータセットを用いて不正検出においてAUC 0.85を達成し、古典的GNNsを上回った。
• QMLにおける変数サブサンプリング手法は、学習およびテスト時間に顕著な改善を示し、最適化されたハイパーパrameterを用いることで性能向上の可能性を示唆した。
• 量子カーネル推定のためのランダム化測定手法は、精度およびF1スコアのわずかな向上を示したが、高い分散を示し、不安定性が顕在化した。
• パルス効率的トランスパイルおよびランダム化コンパイルにより、実ハードウェア上で20キュービットの特徴空間へのスケーリングが可能となり、コherenceが向上し、時間的オーバーヘッドが低減した。
• 条件付きリスク価値（CVaR）が量子最適化の効率を向上させるために用いられ、金融と量子アルゴリズム設計の間で双方向的な影響が示された。