市場星報、安徽財經(jīng)網(wǎng)(m.zgstyb.cn)、掌中安徽訊(張夢怡 楊夏)近日，國內量子計算龍頭企業(yè)本源量子在量子算法上又取得新進展。該團隊利用量子線路加速無監(jiān)督的One-Class SVM異常檢測算法并應用于檢測金融領域的異常行為，該量子異常檢測算法基于量子計算的并行性原理，可快速分析識別金融風控領域企業(yè)債務違約行為，相比傳統(tǒng)檢測方法更為快速、有效。據(jù)悉，當前國際上量子計算團隊在此類領域尚未開始應用量子算法進行加速。此次，本源量子團隊對該類算法的開發(fā)不僅進一步推動了量子優(yōu)勢的運用，更是率先證明了量子異常檢測算法在金融風控領域極具廣闊的應用前景。
打個比方，如果計算機想要參考100張、1000張、10000張信用卡的使用習慣并尋找出一張違約的信用卡可能可以很快完成，可是當這個數(shù)字再擴大上千倍、上萬倍的時候，經(jīng)典計算機就會極其緩慢甚至很難完成。這時，相較于經(jīng)典計算機在算法上有指數(shù)級提升的量子計算機就可以迅速完成任務。
同樣是金融領域，這一次本源量子團隊帶來的是針對金融風控領域的企業(yè)債務違約行為的識別應用。
在金融風控中，針對企業(yè)債務違約的檢測至關重要。企業(yè)債務的違約往往會造成很多負面的影響，首當其沖的便是提供融資的金融機構，造成貸款損失，甚至影響與其關聯(lián)的上下游企業(yè)，產(chǎn)生嚴重的連鎖反應。目前現(xiàn)有的傳統(tǒng)檢測方法一般有兩類。一是有監(jiān)督的分類模型分析，模型數(shù)據(jù)來自已有的歷史數(shù)據(jù)，這類方法只能識別歷史數(shù)據(jù)中已經(jīng)存在的詐騙手段，而新的企業(yè)債務違約信息由于不在歷史數(shù)據(jù)中故難以識別。另一類是一種無監(jiān)督的異常檢測方法，只需樣本點的特征，無需確定樣本點的所屬類別，對歷史數(shù)據(jù)的依賴性大大減小，這特別適用于金融風控領域中企業(yè)債務違約行為的識別。然而訓練大量高維的歷史數(shù)據(jù)是經(jīng)典計算的一大痛點，因此本源量子將目光轉向量子計算。
在金融領域，量子計算可以加快風險分析計算速度，甚至能考慮到大量變量和約束，快速處理復雜計算。該進展中，本源量子研發(fā)團隊選擇使用量子線路加速，將無監(jiān)督的one-class SVM異常檢測算法應用于金融風控領域中企業(yè)異常行為的檢測。該異常檢測算法可以利用量子計算的并行性，在訓練數(shù)據(jù)量和特征維度上的計算復雜度分別進行指數(shù)級加速。如下圖所示，研究人員利用QOCSVM算法，根據(jù)30家企業(yè)的財報數(shù)據(jù)對企業(yè)債務違約的欺詐風險系數(shù)進行判斷。
近年來，本源量子一直致力于量子計算在金融領域的相關研究與開發(fā)，并不斷推動量子計算在金融行業(yè)的落地應用，包括聯(lián)合建信金融科技推出國內首批量子金融應用——量子期權定價應用與量子VaR值計算應用，發(fā)布可用于金融衍生品收益計算的量子期權策略應用，上線可預測金融概率、進行網(wǎng)絡監(jiān)控和故障溯因新量子貝葉斯算法應用程序等。
此次，本源量子研發(fā)團隊還整體優(yōu)化了上述各量子金融應用(已上線至本源量子云云端)的模擬速度。在算法優(yōu)化后，其中的投資組合優(yōu)化應用可以取得更為精確的效用值(效用值越大代表此證券投資組合是高收益低風險)，讓用戶更能直觀的感受到風險偏好對所選的投資組合收益的影響。
