量子计算赋能金融科技 「图灵量子」硬核发布两大应用模块
The following article is from 图灵量子 Author TuringQ
FUTURE | 远见 闵青云 选编
受疫情影响，不少企业被迫按下「暂停键」，生存发展面临严峻挑战，「图灵量子」作为量子计算领域的头部企业，却按下了「快进键」。继量子计算赋能AI制药 「图灵量子」硬核发布四大应用模块之后，又在量子计算赋能金融科技的工作上取得最新进展。
近日，「图灵量子」官方发布两大量子金融应用模块！将量子计算和人工智能技术相结合，「图灵量子」在金融科技领域推出量子计算应用模块产品和商用服务系列-「图灵金科」。本次率先发布QuFraudDetection（信用卡欺诈预判）和 QuPortfolio（投资组合优化）两大模块，均已实现一定程度的量子算法增强。
「图灵金科」融合量子计算和AI，赋能金融科技。回顾金融科技的发展历程，始终与信息科技紧密相连。1980年代以来，集成电路计算机的发展带来的算力提升，促进了金融量化学科体系的建成。21世纪逐渐火热的大数据和机器学习技术，也被广泛用于金融科技中。现在，量子计算蓬勃发展，相比经典电子计算机，可以提供平方级至指数级的算力提升，这无疑又将为金融科技带来新的机遇。「图灵金科」正是在这样的背景下应运而生，充分运用最前沿的信息科技，为「降低系统性金融风险、发展普惠金融」的行业目标贡献一份科技力量。
1 金融行业重点关注量子计算
随着「金融科技」浪潮的兴起，量子技术与金融领域的融合不断提速，这也被业内视为新阶段弯道超车的制胜法宝，世界各大顶尖金融机构早已纷纷布局。如摩根大通、高盛集团、亚马逊、巴克莱银行等各大机构、财团、银行等，与IBM量子计算部门、以及Xanadu、D-Wave等一系列量子计算初创公司达成一系列战略合作，开展将量子计算技术运用于投资组合优化、金融资产风险评估、资产衍生品定价等广泛的金融应用中，交叉研究场景正在快速拓展并持续深入，在提升金融交易效率、优化实时风控、定价等需求上将带来日益增多的实质性提升作用。
2 「图灵量子」推出两大金融应用模块，瞄准产业落地
在量子算力助力金融的实践中，量子的解决方案和软件工具的形成是必不可少的。不论是借助人工智能还是量子算法，实现一款金融应用从头设计、到最终实现行业意义，都非一日之功。「图灵量子」目前已初步推出QuFraudDetection、QuPortfolio两大应用模块。QuFraudDetection可实现信用卡交易欺诈预判，模块中可展示模型参数可视化调控等功能。QuPortfolio可实现投资组合高效高精度优化，模块包含内外盘投资组合收益回测、持仓模拟展示等功能。
应用模块一 QuFraudDetection：提供一种适用于高维数据集的信用卡反欺诈途径
对于拥有信用卡业务的公司，识别欺诈性信用卡交易非常重要。通过预测信用卡交易欺诈、盗刷等风险，能够及时保护客户权益，避免其为没有购买的商品付费，或各类直接或间接损失。
1）信用卡交易数据，急需高性能方案处理复杂高维特征
信用卡交易数据包含数据量巨大、信息维度高、数据集高度不平衡等为数据分析带来挑战的特点。以一个数据集为例，它包含了约两天内发生的信用卡交易，其中284,807笔交易中有492笔欺诈。数据集高度不平衡，正类（欺诈）占所有交易的 0.172%。它仅包含作为PCA转换结果的数字输入变量。由于保密处理原因，无法提供有关数据的原始特征和更多背景信息。特征 V1、V2、... V28 是使用 PCA 获得的主要成分，唯一没有使用 PCA 转换的特征是「Time时间」和「Amount金额」。特征「时间」包含每笔交易与数据集中第一笔交易之间经过的秒数。特征「金额」是交易金额。特征「Class类别」是响应变量，在欺诈的情况下取值为1，否则为-1。
2）使用图灵自主研发量子SVM求解器，对比经典模型准确度可提升22.5%
针对这一问题，图灵金科开发了基于量子支持向量机(QSVM）的信用卡交易欺诈预测分类功能。不同于传统算法中的SVM模型，QSVM将向量机训练转化为二次无约束二元优化（QUBO）问题。一个QUBO问题被定义为能量函数的最小化 , 式中 是优化问题的二进制变量，Q是实数的上三角矩阵，称为QUBO权重矩阵，QUBO问题特别适合通过量子退火及各种量子启发优化算法高效求解。
「图灵量子」自主研发的量子启发优化器，对于这一类问题可以带来高效的求解方案，其基本算法基于模拟非线性相互作用振子网络量子绝热演化。它的一个显著特点是算法的高度并行性，这为大规模并行处理快速解决QUBO问题提供了机会，可以有效缩短NP难问题的计算时间。
基于「图灵量子」优化器的QSVM求解器，已可实现一定的量子算法增强。Scikit-learn中的SVC（C-Support Vector Classification）是一类常用的经典分类器，它基于libsvm的支持向量机，且由于其时间复杂度为O( )，所以当样本数量超过两万时难以实现，而QSVM算法不受此规模限制。本示例展示1000条样本的分类结果，直观展示了「图灵量子」QSVM求解器在相同条件下对比SVC经典求解器的分类准确度有22.5%以上提升，并已通过理论验证该优势将随问题规模及复杂度上升而进一步显著扩大，相关研究及应用场景正在稳步推进。
3）高适应性个性化便捷操作模块
当前版本示例运行时提取一千条样本，并允许用户自行调节「坏账率」参数指定正类（欺诈）占比，经过清洗及预处理后均为非空实数，去除了时间特征，采用剩余29列（特征）预测类别（目标）。模型超参数gamma，其为嵌入优化器的强耦合器数量，根据不同问题场景允许用户自行调节以观察分类效果。此方案揭示的可调整分类边界耦合度在一些非精度导向的预分类场景中也具有启示意义。
4）QuFraudDetection可广泛拓展金融领域应用场景
QuFraudDetection模块是QSVM对于信用卡坏账预判的一个应用示例。QSVM建立在经典计算机中研究最广泛的机器学习算法之上,从数据集进行训练，用以预测、识别和分类观察是否与特定类别相匹配。因此，QSVM可以拓展到完全不同的操作结构和计算架构下进行训练，以识别和分类给定数据集中的某种特征类，在金融领域中还可拓展更加广泛的应用场景。QSVM以及图灵金科的一系列量子智算应用将助力金融各类预测分类场景，诸如智能反洗钱，信贷坏账预判，以及智能风控的一系列贯穿贷前、贷中、贷后领域的信用风险，构建各类解决方案，为全面识别、防范和化解风险提供有力支撑。
应用模块二 QuPortfolio：高效优化投资组合，有效提升风险收益
投资组合优化问题在量化金融中是最为典型的一类问题。它可以为在给定的投资方式及资产中选定合适的组合及资产配置方式，从而在最大化投资收益的同时最小化投资风险，是诸如养老基金、指数股票型基金(ETF)、投资基金等投资方式的核心优化问题。当投资产品只能以离散形式购买时（如股票只能以每股为单位购买，房产等不动产只能以规定单位购买），该问题通过遍历寻求最优解，即使解决单一时间点的组合优化问题对算力的要求也会变得高昂，需要消耗大量的计算资源。还有汇率套利、交易清算优化、ETF复制等大量的金融应用场景，对高效的优化求解方案具有广泛的需求。
因此我们需要运用量子算法为金融优化带来提升。我们将投资组合优化问题抽象为二元二次优化问题（QUBO），展示量子启发算法在解决这类问题时的广阔应用前景和优势。
1）QUBO模型求解投资组合优化问题：
经济学家Harry Markowitz在1952 年的一篇论文中提出了 Modern Portfolio Theory (MPT)，也因此获得1990年诺贝尔经济学奖。著名的Markowitz 模型是一种投资组合优化模型，它通过分析给定证券的各种可能的投资组合来帮助选择最有效的投资组合。
广义均值方差模型
在资产配置框架中的典型代表是传统的均值方差模型，即马科维茨的均值-方差组合模型(Markovitz Mean-Variance Model)。它是用收益率序列均值来代表投资组合的收益，用收益率序列方差来代表投资组合的风险，以此来平衡投资组合的风险和收益。
将其转化为QUBO形式，投资组合优化问题最终需要在每一期求解如下二次优化问题的最小值：
其中 为第n项资产是否被选为该期投资资产的指示变量。 为风险厌恶系数， 越大则代表投资人越希望最小化投资风险(即收益曲线的波动率)。 即为协方差矩阵，代表投资组合的风险； 即为收益率序列均值，代表各资产收益回报。
图中蓝线称为有效边界。它是一组有效的投资组合，或在任何给定风险水平（风险/回报）下具有最高回报水平的投资组合，最优投资组合是从线上的任何一点中选出的。
2）「图灵量子」QUBO求解效率相比D-Wave量子退火提升1000倍以上
对于投资组合优化这一类复杂计算问题，运用量子优化算法进行提升，已成为目前国际上金融科技与量子技术深度融合探究的重要应用方向。
「图灵量子」的量子启发优化算法运用于投资组合优化应用问题，相比同行业目前主流量子退火公司D-Wave方案具有明显的优势，根据不同规模的问题，求解用时均有明显提升，且对于更大问题规模更是具有高达1000倍以上速度优势。
3）「图灵量子」QuPortfolio收益优势明显
我们从美国标准普尔500指数中随机选择8支股票构成投资组合，分别为苹果，微软，谷歌，特斯拉，亚马逊，英伟达，脸书和摩根大通。我们采用2021年1月1日到2021年9月1日的数据，使用图灵的量子启发式优化器结合上述QUBO形式的马科维茨最小方差模型来确定投资组合中每种资产的日频持仓分配，并对比期间随机持仓的收益。
「图灵量子」QuPortfolio模块在用时比D-Wave量子退火求解器明显占优的情况下，（考虑到网络数据传递、排队等待可用QPU、实际求解与解后处理，获得几乎一样性能的解，D-wave实际用时为40分钟，远远多于「图灵量子」自研量子模拟算法的数秒用时），得到一致的收益效果。「图灵量子」QuPortfolio取得收益显著高于随机持仓策略，也高于大盘整体水平。我们进一步对比了三者的夏普比率（Sharpe Ratio），QuPortfolio策略、随机持仓策略以及大盘的夏普比率依次为0.3233、0.1416、0.0557，「图灵量子」投资组合优化方案对于提升夏普比率具有明显优势。
4）通用性便捷化操作模块
当前版本示例展示了量子算法在投资组合优化问题中的应用高自由度及高效率。演示版本对例如待选资产数，资金权重分配等作了一定限制，内部版本可针对更多资产以及指定数额资金进行更精细高效的投资组合优化，不仅限于输出买卖信号，可同时输出具体买卖数量单位等。
「图灵量子」金融科技应用倍道兼进，与多家银行达成战略合作
目前，国内从事量子计算的创业公司并不多，「图灵量子」是少有的同时掌握光量子芯片和光量子计算核心技术的科研公司。「图灵量子」自创立之始，就把量子计算赋能金融科技作为一个核心应用方向，紧密围绕「降低系统性金融风险、发展普惠金融」的行业目标，在一系列金融场景中展示量子计算的应用，例如量子算法带来的更准确的衍生品定价，量子优化更高效地解决汇率套利、交易清算、投资组合管理等各种金融优化问题，量子机器学习更快速准确地实现信用违约、欺诈等风险预测。面向不同的金融大数据和场景需求带来精准对应的量子计算解决方案。「图灵量子」开发的光子、光量子芯片致力于在未来接力GPU，为后摩尔时代提供智能算力支持。
目前「图灵量子」已与中国银行、招商银行等多家银行达成战略合作，共同推进量子计算在金融中的深度应用，提供一系列量子计算应用模块产品和商用服务，为金融稳定发展保驾护航。
--图灵量子
End