[논문 리뷰] A Structured Survey of Quantum Computing for the Financial Industry

Franco D. Albareti, Thomas Ankenbrand외 5명|arXiv (Cornell University)|2022. 04. 21.

Stock Market Forecasting Methods인용 수 8

한 줄 요약

이 논문은 금융 분야의 양자 컴퓨팅 응용을 분석하기 위한 구조적 프레임워크를 제시한다. 주로 최적화, 몬테카를로 시뮬레이션, 리스크 관리에 초점을 맞추며, 게이트 기반 및 앤날링 양자 하드웨어에서 HHL, QAOA, QAE 등의 양자 알고리즘을 평가한다. 이는 빠른 포트폴리오 최적화와 파생상품 가격 산정 가능성을 보여주지만, 현재 하드웨어 제약과 금융 분야에서의 양자 머신러닝 응용 사례 부족으로 실용적 구현은 제한되어 있다.

ABSTRACT

Quantum computers can solve specific problems that are not feasible on "classical" hardware. Harvesting the speed-up provided by quantum computers therefore has the potential to change any industry which uses computation, including finance. First quantum applications for the financial industry involving optimization, simulation, and machine learning problems have already been proposed and applied to use cases such as portfolio management, risk management, and pricing derivatives. This survey reviews platforms, algorithms, methodologies, and use cases of quantum computing for various applications in finance in a structured way. It is aimed at people working in the financial industry and serves to gain an overview of the current development and capabilities and understand the potential of quantum computing in the financial industry.

연구 동기 및 목표

• 금융 산업에서의 양자 컴퓨팅 응용을 평가하기 위한 체계적 프레임워크를 제공하기 위해.
• 금융 응용 사례에 관련된 현재의 양자 하드웨어 및 알고리즘 상태를 평가하기 위해.
• 포트폴리오 최적화, 파생상품 가격 산정, 리스크 추정과 같은 핵심 금융 응용 사례를 식별하고 분석하기 위해.
• 실제 금융 시나리오에서 기존 양자 알고리즘의 실현 가능성과 양자 우월성 잠재력을 평가하기 위해.
• 특히 전통적 금융에서의 광범위한 사용에도 불구하고 금융 분야에서의 양자 머신러닝 응용 사례 부재라는 연구 격차를 부각하기 위해.

제안 방법

• 금융 분야의 양자 컴퓨팅 응용 사례를 분석하기 위한 계층적 프레임워크를 제안하며, 문제 유형, 알고리즘, 하드웨어, 구현 방식에 중점을 둔다.
• 문제 구조와 양자 알고리즘 적합성에 기반해 금융 응용 사례를 최적화, 몬테카를로 시뮬레이션, 리스크 관리로 분류한다.
• 선형 시스템 해법을 위한 HHL, 조합 최적화를 위한 QUBO 및 QAOA, 몬테카를로 방법에서의 평균 추정을 위한 QAE를 포함한 양자 알고리즘을 평가한다.
• 알고리즘 요구사항에 따라 각 응용 사례를 게이트 기반 양자 컴퓨터와 양자 앤날링기로 구체화한다.
• 기존 문헌과 실제 양자 장치에서의 실험적 구현을 검토하여 타당성과 한계를 평가한다.
• 텐서 네트워크와 같은 양자 유도 방법은 제외하고 진정으로 양자 하드웨어에 의존하는 알고리즘에만 집중한다.

실험 결과

연구 질문

• RQ1 포트폴리오 관리, 리스크 평가, 파생상품 가격 산정 분야에서 양자 가속화에 가장 적합한 금융 문제는 무엇인가?
• RQ2 HHL, QAOA, QAE 등의 다양한 양자 알고리즘이 금융 응용에 대해 성능과 하드웨어 요구사항 측면에서 어떻게 비교되는가?
• RQ3 금융 분야의 양자 알고리즘이 실제로 양자 하드웨어에 얼마나 구현되었는가? 현재의 제약은 무엇인가?
• RQ4 기존 금융 분야에서 널리 사용되는 양자 머신러닝의 잠재력에도 불구하고, 왜 금융 분야에서는 보고된 양자 머신러닝 응용 사례가 없는가?
• RQ5 금융 컴퓨팅에서의 양자 우월성 실현을 저지르는 주요 하드웨어 및 알고리즘적 장벽은 무엇인가?

주요 결과

• HHL, QAOA, QAE 등의 양자 알고리즘은 포트폴리오 최적화와 파생상품 가격 산정, 특히 몬테카를로 시뮬레이션에서 이론적으로 가속화 잠재력을 보인다.
• 제약 조건이 있는 포트폴리오 선택 및 거래 정산과 같은 최적화 기반 응용 사례들이 주로 양자 앤날링기와 게이트 기반 시스템을 사용해 실제 양자 하드웨어에 구현된 바 있다.
• 양자 평균 추정(QAE)의 사용은 Value at Risk(VaR) 및 신용 디폴트 리스크와 같은 리스크 측정치의 더 빠르고 정확한 추정을 가능하게 한다.
• 상당한 이론적 잠재력에도 불구하고, 아직 금융 분야에서 양자 머신러닝 응용 사례가 보고된 바 없어 뚜렷한 연구 격차를 드러낸다.
• 현재의 양자 하드웨어 제약—큐비트 수, 코herence 시간, 오류율—은 실용적 구현을 위한 주요 장벽으로 남아 있다.
• 이 논문에서 제안한 프레임워크는 금융 분야의 다양한 응용 사례 간의 체계적 비교를 가능하게 하여 잠재력이 높은 응용 사례와 구현 과제를 식별한다.