[论文解读] Quantum Machine Learning for Finance

Marco Pistoia, Syed Farhan Ahmad+11 more|arXiv (Cornell University)|Sep 9, 2021

Quantum Computing Algorithms and Architecture参考文献 137被引用 11

一句话总结

本文综述了专为金融应用设计的量子机器学习（QML）算法，重点涵盖回归、分类、聚类、生成建模、特征提取、序列决策和自然语言处理（NLP）。研究表明，量子算法在某些条件下可相较于经典方法实现多项式或潜在的指数级加速，尤其是在计算密集型线性代数任务中，同时探讨了在 noisy intermediate-scale quantum（NISQ）时代面临的数据加载和硬件限制等实际挑战。

ABSTRACT

Quantum computers are expected to surpass the computational capabilities of classical computers during this decade, and achieve disruptive impact on numerous industry sectors, particularly finance. In fact, finance is estimated to be the first industry sector to benefit from Quantum Computing not only in the medium and long terms, but even in the short term. This review paper presents the state of the art of quantum algorithms for financial applications, with particular focus to those use cases that can be solved via Machine Learning.

研究动机与目标

• 综述适用于金融应用场景的最先进量子算法，特别是可通过机器学习求解的任务。
• 识别在 NISQ 硬件限制下仍能实现量子加速（尤其是多项式或指数级）的金融应用场景。
• 弥合通用量子机器学习研究与金融特定实现之间的差距，特别是在文献较为匮乏的领域。
• 分析在考虑数据加载、输出读出和算法瓶颈的前提下，将量子机器学习部署于金融领域的实际可行性。
• 为金融服务业在 NISQ 时代及以后采用量子机器学习提供路线图。

提出的方法

• 调研用于线性代数的量子算法，包括在特定条件下复杂度为 Õ(log N) 的 HHL 类求解器，用于求解线性方程组。
• 将量子算法应用于监督学习任务，如 L2 回归、分类和聚类，利用量子态制备和振幅放大技术。
• 将变分量子线路（VQCs）和参数化量子线路（PQCs）适配于 NLP 任务（如句子相似度和情感分析），以实现 NISQ 兼容处理。
• 整合量子增强的特征提取与降维技术，以减少高维金融数据中的计算开销。
• 利用量子最近邻算法加速金融 NLP 中的相似性计算，实现复杂度 O(√(MN) log M)，优于经典方法的 O(NM)。
• 通过将经典机器学习流程映射为量子等效形式，评估量子加速在真实金融工作负载（如信用风险评估、金融预测和欺诈检测）中的影响。

实验结果

研究问题

• RQ1 哪些金融机器学习任务最适于实现量子加速？在何种条件下可实现指数级或多项式加速？
• RQ2 NISQ 设备的硬件限制（如量子比特相干性、噪声和数据加载限制）如何影响量子机器学习在金融领域中的实际部署？
• RQ3 现有通用量子机器学习算法在多大程度上可被适配于特定金融应用场景（如投资组合优化、风险建模和信用评分）？
• RQ4 金融端到端量子机器学习流程中的关键瓶颈是什么？如何通过算法或架构创新加以缓解？
• RQ5 量子 NLP 技术（如 DisCo 框架或量子 CSC 模型）在金融文本分析任务（如情感检测或异常识别）中是否能超越经典方法？

主要发现

• 针对线性系统的量子算法（如 HHL）可在特定条件下以 Õ(log N) 时间求解回归问题，相较于经典方法的 O(N) 实现潜在的指数级加速。
• 对于 L2 回归，Wang 的算法可在 poly(log N, d, κ, 1/ε) 时间内恢复经典解，代表在数据处理子程序中实现显著的多项式加速。
• 量子 NLP 技术（如 DisCo 框架中的量子最近邻算法）可在 O(√(MN) log M) 时间内将句子分类为 M 个类别，优于经典方法的 O(NM) 复杂度。
• 变分量子线路可高效编码金融文本和语言结构，使量子 NLP 在 NISQ 设备上具备可行性。
• 尽管存在理论加速优势，实际量子优势仍受限于数据加载（如 QRAM 要求）和输出态读出等挑战，后者通常需要 O(d) 份量子态副本。
• 在信用风险评估、金融预测和欺诈检测等应用中，量子加速展现出强劲潜力，尤其当结合量子增强的 NLP 和聚类技术时。