[论文解读] A Structured Survey of Quantum Computing for the Financial Industry

Franco D. Albareti, Thomas Ankenbrand+5 more|arXiv (Cornell University)|Apr 21, 2022

Stock Market Forecasting Methods被引用 8

一句话总结

本文提出了一套结构化框架，用于分析量子计算在金融领域的应用，重点关注优化、蒙特卡洛模拟和风险管理。该研究评估了HHL、QAOA和QAE等量子算法在基于门的量子硬件和绝热量子硬件上的表现，展示了其在加速投资组合优化和衍生品定价方面的潜力，尽管受当前硬件限制以及金融领域缺乏量子机器学习应用场景的影响，实际部署仍有限。

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.

研究动机与目标

• 为评估金融行业中量子计算应用提供一个系统性框架。
• 评估与金融应用场景相关的当前量子硬件与算法状态。
• 识别并分析关键金融应用场景，如投资组合优化、衍生品定价与风险估计。
• 评估现有量子算法在真实金融场景中的可行性及其量子优势潜力。
• 突出文献中的研究空白，特别是尽管在经典金融中量子机器学习应用广泛，但在金融领域却缺乏相关报道。

提出的方法

• 提出一种分层框架，用于分析金融领域的量子计算应用场景，重点聚焦于问题类型、算法、硬件与实现方式。
• 根据问题结构与量子算法的适用性，将金融应用划分为优化、蒙特卡洛模拟与风险管理三类。
• 评估包括HHL（用于求解线性系统）、QUBO与QAOA（用于组合优化）以及QAE（用于蒙特卡洛方法中的幅值估计）在内的量子算法。
• 根据算法需求，将每种应用场景映射到特定的量子硬件类型——基于门的量子计算机与量子退火器。
• 回顾现有文献与真实量子设备上的实验实现，评估其可行性与局限性。
• 排除如张量网络等量子启发方法，仅关注依赖真实量子硬件的算法。

实验结果

研究问题

• RQ1 在投资组合管理、风险评估与衍生品定价中，哪些金融问题最有可能从量子加速中受益？
• RQ2 在金融应用场景中，不同量子算法（如HHL、QAOA、QAE）在性能与硬件需求方面如何比较？
• RQ3 金融领域的量子算法在真实量子硬件上已实现到何种程度？当前存在哪些限制？
• RQ4 尽管在经典金融中量子机器学习应用广泛，为何在金融领域却缺乏相关报道？
• RQ5 哪些关键的硬件与算法障碍阻碍了金融计算中量子优势的实现？

主要发现

• HHL、QAOA与QAE等量子算法在理论上展现出加速投资组合优化与衍生品定价的潜力，特别是在蒙特卡洛模拟中。
• 多个基于优化的应用场景，包括约束型投资组合选择与交易清算，已在真实量子硬件上实现，主要使用量子退火器与基于门的系统。
• 使用量子幅值估计（QAE）可实现对风险度量（如风险价值VaR与信用违约风险）的更快、更精确估计。
• 尽管理论潜力显著，但目前尚无已发表的研究展示金融领域的量子机器学习应用，凸显了重要的研究空白。
• 当前量子硬件限制——如量子比特数量、相干时间与错误率——仍是金融领域量子算法实际部署的主要障碍。
• 本文提出的框架可实现对金融领域各类量子应用的系统性比较，识别出高潜力应用场景与实施挑战。