[论文解读] A Brief Review of Quantum Machine Learning for Financial Services

Mina Doosti, Petros Wallden+4 more|arXiv (Cornell University)|Jul 17, 2024

Blockchain Technology Applications and Security被引用 4

一句话总结

本文综述了量子机器学习（QML）技术——特别是量子变分分类器、量子核估计和量子图神经网络——在金融领域的应用，如信用评分、风险管理、欺诈检测和股票预测。评估了在NISQ设备上的近期可行性，并指出QML虽具前景但仍处于发展初期，长期在金融领域具有创新潜力。

ABSTRACT

This review paper examines state-of-the-art algorithms and techniques in quantum machine learning with potential applications in finance. We discuss QML techniques in supervised learning tasks, such as Quantum Variational Classifiers, Quantum Kernel Estimation, and Quantum Neural Networks (QNNs), along with quantum generative AI techniques like Quantum Transformers and Quantum Graph Neural Networks (QGNNs). The financial applications considered include risk management, credit scoring, fraud detection, and stock price prediction. We also provide an overview of the challenges, potential, and limitations of QML, both in these specific areas and more broadly across the field. We hope that this can serve as a quick guide for data scientists, professionals in the financial sector, and enthusiasts in this area to understand why quantum computing and QML in particular could be interesting to explore in their field of expertise.

研究动机与目标

• 评估适用于金融服务的量子机器学习（QML）技术的当前状态。
• 识别哪些QML算法在近期可在含噪声中等规模量子（NISQ）设备上实现可行部署。
• 评估QML在提升信用评分、风险管理、欺诈检测和股价预测等金融任务方面的潜力。
• 概述QML在金融领域的挑战、局限性及未来前景，包括数据加载和可扩展性问题。
• 为金融数据科学家和专业人士提供一份实用指南，说明采用QML技术的真实机遇与风险。

提出的方法

• 聚焦于在量子硬件上处理经典数据的QML技术，特别是混合量子-经典算法。
• 综述了量子变分分类器（QVC）和量子核估计作为金融领域监督学习的近期候选方案。
• 研究了量子神经网络（QNNs）、量子变换器和量子图神经网络（QGNNs）在生成式和基于图的金融建模中的应用。
• 分析基于环图的QGNN（egoQGNN）架构，该架构通过分层处理和k跳邻域分解实现更优的图分类性能。
• 通过模拟和理论框架比较QML与经典方法的性能，强调数据映射与分类能力。
• 借鉴金融领域经典机器学习的实践经验（如梯度提升树、GNNs）以指导量子对应模型的选择与评估。

实验结果

研究问题

• RQ1 哪些QML算法在当前NISQ硬件上展现出在金融服务业实际部署的近期可行性？
• RQ2 在信用评分和风险评估任务中，量子增强模型如量子变分分类器和量子核估计与经典模型相比表现如何？
• RQ3 与经典图模型相比，量子图神经网络（QGNNs）在欺诈检测和股价预测方面的改进程度如何？
• RQ4 在数据加载、训练和可扩展性方面，哪些关键挑战限制了QML在金融领域的实际应用？
• RQ5 QNNs和量子变换器在长期对金融预测与决策系统变革方面具有怎样的潜力？

主要发现

• 量子变分分类器和量子核估计在NISQ设备上对信用评分和风险管理等金融应用展现出近期潜力。
• 基于环图的QGNN（egoQGNN）架构为图分类提供了理论框架，并通过分层k跳邻域处理显著提升了对现实世界数据集的处理能力。
• 尽管部分QML算法在模拟中实现了高分类准确率，但真实硬件验证仍是确认其相对于经典方法性能优势的关键。
• 量子神经网络（QNNs）和量子变换器在监督学习、生成式AI和基于图的问题中展现出强大的长期潜力，但目前仍难以在现有量子硬件上实现。
• 量子图神经网络（QGNNs）在欺诈检测和股价预测方面具有显著前景，但可扩展性和数据映射挑战仍未解决。
• 尽管金融任务中尚未证明存在指数级量子优势，但混合QML方法为在精度和效率方面实现渐进式改进提供了可行路径，尤其需进一步实验验证。