Quantencomputer-Industrie - Finanzen

Die Finanzbranche und all diejenigen, die von ihr betroffen sind, können von der Quanteninformatik profitieren, und zwar schneller als jede andere Branche, wenn sie sie überlegt einsetzt. Ob eine Risikoanalyse es rechtfertigt, dass eine Familie einen Kredit erhält, der normalerweise abgelehnt würde, oder ob eine Einzelperson durch eine bessere Preisgestaltung von Vermögenswerten oder Optionen an finanzieller Kompetenz und Unabhängigkeit gewinnt - die Vorteile des Quantencomputings in der Finanzbranche sind weitreichend. 

Da viele Finanzunternehmen mit anderen Branchen interagieren, kommt es häufig zu Überschneidungen bei den für sie wichtigen Quantenanwendungen. AXA, eine der weltweit führenden Versicherungsgesellschaften, stellt zwar keine Arzneimittel her, doch einige ihrer Kunden tun dies. Der frühzeitige Einsatz von Quantencomputing kommt sowohl dem Unternehmen zugute, da es Quantenkompetenz erlangt, als auch seinen Kunden, die sich bereits auf die Beratung durch ihren Versicherer verlassen. 

Die Quanteninformatik bietet bei großen, unstrukturierten Datensätzen oft einen erheblichen Geschwindigkeitszuwachs. Die den Quantensystemen innewohnenden Eigenschaften ermöglichen die gleichzeitige Analyse vieler Szenarien. Im Finanzbereich wird dies bereits durch Monte-Carlo-Simulationen angedeutet, bei denen die Zufälligkeit der Natur genutzt wird, um die Ergebnisse komplexer Systeme vorherzusagen. Optimierungen und Simulationen finden im Finanzbereich in vielen Bereichen Anwendung, z. B. bei der Minimierung von Verlusten, der Maximierung von Gewinnen oder der Simulation von Investitionen in exotische Optionen. Es ist bemerkenswert, dass viele dieser Berechnungen sogar mit dem gegenwärtigen Stand der NISQ-Hardware unter Verwendung hybrider klassischer/quantischer Algorithmen wie VQE durchgeführt werden können, so dass selbst die heutigen Geräte nicht weit davon entfernt sind, einen Nutzen zu bringen. 

Interessieren Sie sich für Live-Beispiele? Sehen Sie sich hier ein aktuelles Webinar an, das zeigt, wie die Classiq-Plattform Quantencomputing zur Lösung von Finanzproblemen einsetzt, sehen Sie sich hier eine Demo zur Portfoliooptimierung an oder vereinbaren Sie hier einen Termin für eine Demo.

Bemerkenswert ist auch, dass die Geschwindigkeitssteigerungen durch Quantencomputer einen großen Beitrag zum maschinellen Lernen mit Quanten leisten können - einem Bereich, in dem es überall große, unstrukturierte Datensätze gibt und in dem häufig Ansätze für finanzielle Lösungen verwendet werden. Jedes Problem, das in ein klassisches maschinelles Lernmodell eingeordnet werden kann, könnte ein Kandidat für die Lösung mit Quantencomputern werden. 

Der Classiq-Ansatz zum Value at Risk

Verwenden wir die Classiq-Plattform, um ein Problem der Quanten-Risikoanalyse zu lösen, bei dem ein Anleger quantifizieren muss, wie hoch der Verlust einer Investition bei einem bestimmten Vertrauensniveau über einen bestimmten Zeitraum sein könnte.

Um dieses Problem zu lösen, muss man eine Verteilungsfunktion erstellen, die das Vermögensportfolio repräsentiert, den Value-at-Risk-Operator konstruieren und den Value-at-Risk mittels Amplitudenschätzung extrahieren. Angenommen, wir haben ein Portfolio mit zwei Vermögenswerten, das durch ein konditioniertes Gauß-Modell dargestellt wird.

Um die Classiq-Plattform zu nutzen, verwenden Sie entweder eine Erweiterung für Visual Studio Code oder ein Python-SDK, die beide so ziemlich die gleiche Funktionalität bieten. Sie benötigen natürlich eine Classiq-Lizenz.

Beim textuellen Modell in VS Code gibt der Benutzer einfach die Randbedingungen und die Funktionalität der Schaltung an und verwendet den Befehl "Quantenschaltung generieren".

{
	"constraints:{
    "max_width": 8,
    "max_depth": 120
   },
  "logic_flow": [
    {
      "function": "Finance",
      "function_params": {
        "model": {
          "name": "gaussian",
          "params": {
            "num_qubits": 2,
            "normal_max_value": 2,
            "default_probabilities": [
              0.15,
              0.25
            ],
            "rhos": [
              0.1,
              0.05
            ],
            "loss": [
              1,
              2
            ],
            "min_loss": 0
          }
        },
        "finance_function": {
          "f": "var",
          "condition": {
            "threshold": 2,
            "larger": true
          }
        }
      }
    }
  ]
}

Und mit dem Python-SDK:

from classiq importieren ModelDesigner
from classiq.builtin_functions importieren Finanzwesen
from classiq_interface.finance import (
    model_input,
    Funktion_Eingabe,
    gaussian_model_input
)

model_designer = ModelDesigner()
gaussian_input = gaussian_model_input.GaussianModelInput(
    num_qubits=2,
    normal_max_value=2,
    default_probabilities=[0.15, 0.25],
    rhos=[0.1, 0.05],
    loss=[1, 2],
    min_loss=0
)
model = model_input.FinanceModelInput(name="gaussian", params=gaussian_input)

condition = function_input.FunctionCondition(threshold=2, larger=True)
finance_function = function_input.FinanceFunctionInput(
    f="var",
    condition=Bedingung,
)
model_designer.Finance(params=Finance(model=model, finance_function=finance_function))

Schaltkreis = model_designer.synthesize()

Wir können nun unsere Schaltung erstellen.

Und hier ist die interaktive Schaltung, bei der man die verschiedenen Funktionsblöcke dieser Schaltung erkunden kann, indem man auf die Plus-Symbole in der oberen linken Ecke jedes Blocks klickt.

Jetzt führen wir diese Schaltung mit Hilfe der Amplitudenschätzung aus. Um den Risikowert zu finden, verwenden wir die binäre Suche. Der Risikowert ist der Verlustwert, der dem Perzentil entspricht, das wir am Schwellenwert der binären Suche eingefügt haben.

Mit dem textuellen Modell erstellen wir eine Datei mit Ausführungseinstellungen und verwenden den Befehl "Generierte Quantenschaltung ausführen".

{
    "preferences": {
        "num_shots": 100,
        "amplitude_estimation": {
            "alpha": 0.05,
            "epsilon": 0.01,
            "binary_search_threshold": 0.05
        }
    }
}

Und mit dem Python SDK geben wir Folgendes an:

res = Executor(
    amplitude_estimation=execution_preferences.AmplitudeEstimation(
        alpha=0.5, epsilon=0.5, binary_search_threshold=0.05
    )
).execute_generated_circuit(generation_result=circuit)

Und das Ergebnis?

"var_results": {
   "var": 2,
   "alpha": 0.040910419136997445
}

Möchten Sie mehr darüber erfahren, wie Classiq Sie bei der Quantum Risk Analysis unterstützen kann? Vereinbaren Sie hier einen Termin für eine unverbindliche Demo!