[论文解读] 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 4

一句话总结

本文全面综述了量子机器学习（QML）在量化金融中的应用，涵盖投资组合优化、风险管理、期权定价和欺诈检测。文章评估了VQE和量子图神经网络（GNN）等QML方法，展示了具有竞争力的性能表现——例如在‘坠落的天使’股票预测中达到27.9%的精确率——同时指出了可扩展性与硬件限制等挑战。

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.

研究动机与目标

• 综述当前量子机器学习（QML）在量化金融关键领域（如投资组合优化、风险管理与期权定价）中的应用现状。
• 分析量子计算与机器学习之间的协同作用，以比经典方法更高效地解决复杂金融问题。
• 在真实金融数据集上评估QML模型的性能与局限性，包括与经典机器学习模型的基准对比。
• 识别QML在金融领域面临的关键挑战，如硬件可扩展性、错误缓解与算法复杂性。
• 突出展示量子图神经网络（Quantum GNNs）与基于QBoost的分类器等新兴QML技术在金融预测与欺诈检测中的潜力。

提出的方法

• 对QML在金融领域的应用进行系统性文献综述，重点关注投资组合优化、市场预测、风险管理与定价。
• 调研包括变分量子特征值求解器（VQE）、量子近似优化算法（QAOA）以及用于金融数据处理的量子核方法在内的量子算法。
• 在真实金融数据集上实现并基准化QML模型，包括用于欺诈检测与‘坠落的天使’预测的数据，使用量子处理器与模拟器。
• 利用量子增强型分类器（如QBoost）与量子图神经网络（GNNs）提升金融分类任务中的可解释性与性能。
• 应用错误缓解技术（如随机编译与脉冲高效编译）以提升NISQ时代硬件上的保真度与可扩展性。
• 从精确率、F1分数、AUC与训练效率等方面，将QML结果与经典基准（如随机森林、经典核方法）进行对比。

实验结果

研究问题

• RQ1 与经典方法相比，量子机器学习在投资组合优化方面有何改进？
• RQ2 在金融欺诈检测与股票表现预测中，量子增强型分类器在多大程度上优于经典模型？
• RQ3 哪些关键的算法与硬件挑战限制了QML在量化金融中的实际部署？
• RQ4 量子核方法与变分量子算法能否在金融风险建模与期权定价中实现可测量的性能提升？
• RQ5 错误缓解与编译策略如何影响QML模型在近期量子硬件上的性能与可扩展性？

主要发现

• 基于QML的QBoost分类器在60量子比特中性原子量子处理器上对‘坠落的天使’预测实现了27.9%的精确率，与使用50个弱学习器的经典随机森林模型（28%精确率）表现相近。
• 量子图神经网络（GNNs）在真实世界数据集上的金融欺诈检测中实现了0.85的AUC，优于经典GNNs。
• QML中采用的可变子采样方法显著提升了训练与测试时间，表明通过优化超参数可能获得性能提升。
• 用于量子核估计的随机测量方法表现出较高方差，表明尽管在精确率与F1分数上较经典核方法略有提升，但其稳定性较差。
• 脉冲高效编译与随机编译使特征空间在真实硬件上成功扩展至20量子比特，提升了相干性并减少了时间开销。
• 条件性预期损失（CVaR）被用于提升量子优化效率，体现了金融与量子算法设计之间的双向影响。