Insurance portfolio simulation with a quantum circuit
Cet article propose une approche par Machine de Born à Circuits Quantiques (QCBM) pour la simulation de portefeuilles d'assurance qui utilise une discrétisation axée sur la queue, un objectif de type Monte Carlo, et un schéma d'entraînement hiérarchique à deux étapes afin de modéliser efficacement les distributions de pertes conjointes complexes et de capturer avec précision les risques de queue sur le matériel quantique.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par l'auteur. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Les compagnies d'assurance fonctionnent sur un principe simple : elles collectent des paiements réguliers et modérés auprès de nombreuses personnes pour couvrir les événements rares et catastrophiques qui pourraient frapper quelques individus. Pour rester solvables, ces entreprises doivent comprendre comment différents risques se comportent ensemble. Si un ouragan frappe, il peut endommager simultanément des maisons et des voitures, provoquant une augmentation soudaine des sinistres. En même temps, cette même tempête peut faire chuter la valeur des actions et des obligations que l'assureur détient en tant qu'investissements. Ce double coup peut menacer la stabilité de l'entreprise. Pour se préparer, les actuaires — des spécialistes qui calculent le risque — tentent de construire des modèles mathématiques décrivant comment ces différentes pertes et valeurs d'actifs évoluent les unes par rapport aux autres. Le défi est que les données du monde réel sont désordonnées. Les événements extrêmes sont rares, ce qui signifie qu'il y a très peu de données à étudier, pourtant ce sont ces moments qui comptent le plus. Les méthodes traditionnelles peinent souvent à captifier ces scénarios rares et à enjeux élevés, surtout lorsque les données sont limitées.
Une équipe de chercheurs a maintenant exploré une voie différente, en utilisant un ordinateur quantique pour modéliser ces relations complexes. Ils se sont concentrés sur un type spécifique de problème : l'ajustement d'une distribution jointe à un mélange de pertes d'assurance et de rendements boursiers. Dans ce contexte, une distribution jointe est simplement une carte qui montre la probabilité que différentes variables prennent des valeurs spécifiques simultanément. Les chercheurs voulaient voir si un circuit quantique — un programme s'exécutant sur un processeur quantique — pouvait apprendre cette carte plus efficacement que les méthodes standard, particulièrement dans les « queues » des données, qui représentent les résultats les plus extrêmes et les plus dangereux. Leur travail suggère qu'en combinant une manière astucieuse d'organiser les données avec une méthode d'entraînement spécialisée, les machines quantiques peuvent effectivement apprendre ces motifs complexes, même lorsque les données sont éparses.
Les chercheurs ont commencé avec un ensemble de données contenant des enregistrements hebdomadaires de pertes boursières et de trois types différents de sinistres d'assurance. Ils savaient que les méthodes standard pour injecter ces données dans un ordinateur échoueraient à capturer les pires scénarios. Si l'on divise une plage de nombres en compartiments de taille égale, les compartiments couvrant les extrémités extrêmes sont aussi larges que ceux du milieu. Cela signifie que l'ordinateur dispose de très peu de place pour distinguer une perte modérément mauvaise d'une perte véritablement catastrophique. Pour résoudre cela, l'équipe a conçu un système qui intègre plus de détails dans les extrémités extrêmes. Ils ont assigné la première moitié de toutes les observations au premier compartiment, le quart suivant au deuxième, le huitième suivant au troisième, et ainsi de suite. Cette approche exponentielle signifiait que le dernier compartiment, qui contenait les pertes les plus extrêmes, était incroyablement étroit, permettant au modèle de percevoir les détails fins des événements les plus graves.
Une fois les données organisées, l'équipe a été confrontée à un autre obstacle : comment enseigner à l'ordinateur quantique à reconnaître les motifs. Habituellement, un modèle d'apprentissage automatique est entraîné en comparant ses prédictions aux données réelles et en ajustant ses paramètres pour réduire la différence. Cependant, avec si peu de points de données et tant de résultats possibles, la méthode standard pour mesurer cette différence devient peu fiable et bruyante. Les chercheurs ont développé une nouvelle méthode pour lisser ce bruit. Au lieu d'essayer de comparer chaque compartiment de données à la fois, ils ont regroupé aléatoirement les compartiments en groupes plus larges et plus grossiers, et ont comparé ceux-ci. En répétant ce regroupement aléatoire de nombreuses fois et en faisant la moyenne des résultats, ils ont créé un signal stable qui indiquait à l'ordinateur la direction à prendre pour améliorer ses réglages. Cela a permis à l'entraînement de progresser sereinement malgré des données limitées.
Le processus d'entraînement lui-même a été construit en deux étapes pour garantir que l'ordinateur apprenne efficacement. D'abord, l'équipe a entraîné une version plus petite du modèle sur un simulateur classique. Ce modèle plus petit utilisait moins de « qubits », les unités de base de l'information d'un ordinateur quantique. Une fois que ce modèle plus petit a appris la forme générale de la distribution du risque, les chercheurs ont transféré ses connaissances vers un modèle plus grand et plus détaillé. Ils ont ensuite affiné uniquement les nouvelles parties du modèle plus grand sur un matériel quantique réel. Cette approche, connue sous le nom d'apprentissage hiérarchique, a agi comme un « démarrage à chaud », donnant à la machine complexe un coup d'avance plutôt que de la forcer à apprendre à partir de zéro. Le matériel utilisé était un ordinateur quantique à ions piégés, qui utilise des atomes individuels maintenus en place par des champs électromagnétiques pour effectuer des calculs.
Les résultats ont montré que cette approche fonctionnait. Le modèle quantique a réussi à apprendre les relations entre les différents types de risques. Il a correctement identifié que les différentes lignes d'assurance avaient tendance à évoluer ensemble lors des périodes difficiles, tandis que les rendements boursiers restaient largement indépendants des pertes d'assurance. Lorsque l'équipe a examiné la perte potentielle totale du portefeuille, le modèle entraîné avec le codage exponentiel a pu atteindre les valeurs extrêmes observées dans les données réelles. En revanche, un modèle utilisant la méthode uniforme standard ne pouvait pas produire des valeurs assez élevées pour correspondre aux pires pertes observées ; il atteignait simplement un plafond bien en dessous de la réalité. Le modèle exponentiel, cependant, pouvait représenter des pertes des centaines de fois supérieures à la médiane, capturant ainsi le véritable danger de la queue de distribution.
Il y avait, bien sûr, des limites. Le modèle entraîné sur le matériel quantique n'a pas performé aussi bien que celui simulé sur un ordinateur classique. Les chercheurs ont constaté que cet écart n'était pas principalement dû aux erreurs de la machine quantique elle-même, mais plutôt au fait qu'ils ne pouvaient exécuter la machine qu'un nombre limité de fois pour recueillir des données. L'ordinateur quantique doit être exécuté de nombreuses fois pour construire une image claire des probabilités, et avec la technologie actuelle, ils ne pouvaient pas l'exécuter suffisamment pour égaler la précision de la simulation. Néanmoins, l'expérience a prouvé que la méthode est viable. Le schéma d'entraînement hiérarchique a nettement surpassé un départ de zéro, réduisant l'erreur du modèle final de plus de la moitié par rapport aux tentatives aléatoires.
L'étude conclut que les circuits quantiques peuvent être adaptés pour gérer les données à queues lourdes et éparses typiques des portefeuilles d'assurance, mais seulement si l'ensemble du processus est conçu avec ces défis spécifiques à l'esprit. Les méthodes standard développées pour des distributions de données plus lisses et plus communes ne fonctionnent pas directement. Le succès de ce projet a reposé sur trois innovations clés : une façon de coder les données qui se concentre sur les extrêmes, un objectif d'entraînement qui reste stable avec peu d'échantillons, et un processus d'apprentissage en deux étapes qui construit la complexité graduellement. Bien que les chercheurs n'aient pas prétendu avoir résolu entièrement le problème de la modélisation des risques, ils ont démontré un pipeline opérationnel allant des données vers un modèle de risque généré par voie quantique. Ils ont noté que pour devenir un outil pratique pour l'industrie, les travaux futurs devront traiter le nombre de fois où le matériel doit être exécuté et tester la méthode sur des portefeuilles encore plus vastes. Pour l'instant, ce travail constitue la preuve que les machines quantiques peuvent commencer à cartographier la forme des événements financiers rares et dangereux.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.