← Ultimi articoli
⚛️ fisica quantistica

Insurance portfolio simulation with a quantum circuit

Questo articolo propone un approccio basato su Quantum Circuit Born Machine (QCBM) per la simulazione di portafogli assicurativi che utilizza la discretizzazione focalizzata sulla coda, un obiettivo di tipo Monte Carlo e uno schema di addestramento gerarchico a due stadi per modellare efficacemente distribuzioni di perdita congiunte complesse e catturare accuratamente i rischi di coda su hardware quantistico.

Autore originale: William Cashman, Marco Caselli, Saad Hamid, Daniel Mills, Pavel Stishenko

Pubblicato 2026-11-20
📖 7 min di lettura🧠 Approfondimento

Autore originale: William Cashman, Marco Caselli, Saad Hamid, Daniel Mills, Pavel Stishenko

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dall'autore. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Le compagnie di assicurazioni operano su un principio semplice: raccolgono pagamenti piccoli e costanti da molte persone per coprire gli eventi rari e catastrofici che potrebbero colpire pochi. Per rimanere solvibili, queste imprese devono comprendere come i diversi rischi si comportino insieme. Se un uragano colpisce, potrebbe danneggiare case e auto simultaneamente, causando un improvviso aumento dei sinistri. Allo stesso tempo, la stessa tempesta potrebbe deprimere il valore delle azioni e delle obbligazioni che l'assicuratore detiene come investimenti. Questo doppio colpo può minacciare la stabilità della compagnia. Per prepararsi, gli attuari — specialisti che calcolano il rischio — cercano di costruire modelli matematici che descrivano come questi diversi tipi di perdite e valori degli asset si muovano in relazione l'uno all'altro. La sfida è che i dati del mondo reale sono disordinati. Gli eventi estremi sono rari, il che significa che ci sono pochissimi dati da studiare, eppure sono proprio questi i momenti che contano di più. I metodi tradizionali spesso faticano a catturare questi scenari rari e ad alto rischio, specialmente quando i dati sono limitati.

Un team di ricercatori ha ora esplorato una strada diversa, utilizzando un computer quantistico per modellare queste relazioni complesse. Si sono concentrati su un tipo specifico di problema: l'adattamento di una distribuzione congiunta a un mix di perdite assicurative e rendimenti del mercato azionario. In questo contesto, una distribuzione congiunta è semplicemente una mappa che mostra quanto sia probabile che diverse variabili assumano valori specifici contemporaneamente. I ricercatori volevano vedere se un circuito quantistico — un programma in esecuzione su un processore quantistico — potesse apprendere questa mappa in modo più efficace rispetto ai metodi standard, in particolare nelle "code" dei dati, che rappresentano gli esiti più estremi e pericolosi. Il loro lavoro suggerisce che, combinando un modo intelligente di organizzare i dati con un metodo di addestramento specializzato, le macchine quantistiche possono effettivamente apprendere questi intricati schemi, anche quando i dati sono scarsi.

I ricercatori sono partiti con un set di dati contenente record settimanali di perdite del mercato azionario e tre diversi tipi di richieste di risarcimento assicurativo. Sapevano che i modi standard di alimentare un computer con questi dati avrebbero fallito nel catturare gli scenari peggiori. Se si divide un intervallo di numeri in contenitori di dimensioni uguali, i contenitori che coprono le estremità estreme sono larghi quanto quelli centrali. Ciò significa che il computer ha pochissimo spazio per distinguere tra una perdita moderatamente cattiva e una veramente catastrofica. Per risolvere questo problema, il team ha progettato un sistema che concentrasse più dettagli nelle estremità estreme. Hanno assegnato la prima metà di tutte le osservazioni al primo contenitore, il quarto successivo al secondo, l'ottavo al terzo, e così via. Questo approccio esponenziale significava che l'ultimo contenitore, che conteneva le perdite più estreme, era incredibilmente stretto, permettendo al modello di vedere i dettagli fini degli eventi peggiori.

Una volta organizzati i dati, il team ha affrontato un altro ostacolo: come insegnare al computer quantistico a riconoscere gli schemi. Di solito, un modello di apprendimento automatico viene addestrato confrontando le sue ipotesi con i dati reali e regolando le sue impostazioni per ridurre la differenza. Tuttavia, con così pochi punti dati e così tanti risultati possibili, il modo standard di misurare questa differenza diventa inaffidabile e rumoroso. I ricercatori hanno sviluppato un nuovo metodo per attenuare questo rumore. Inve invece di cercare di confrontare ogni singolo contenitore di dati in una volta sola, hanno raggruppato casualmente i contenitori in gruppi più grandi e grossolani e hanno confrontato quelli. Ripetendo questo raggruppamento casuale molte volte e facendo la media dei risultati, hanno creato un segnale stabile che diceva al computer in quale direzione spostare le sue impostazioni per migliorare. Ciò ha permesso all'addestramento di procedere regolarmente anche con dati limitati.

Il processo di addestramento stesso è stato costruito in due fasi per garantire che il computer apprendesse in modo efficiente. Prima, il team ha addestrato una versione più piccola del modello su un simulatore classico. Questo modello più piccolo utilizzava meno "qubit", le unità di informazione di base di un computer quantistico. Una volta che questo modello più piccolo avesse appreso la forma generale della distribuzione del rischio, i ricercatori hanno trasferito la sua conoscenza a un modello più grande e dettagliato. Hanno poi perfezionato solo le nuove parti del modello più grande su un hardware quantistico reale. Questo approccio, noto come apprendimento gerarchico, ha agito come un "warm start" (avvio a caldo), dando alla complessa macchina una marcia in più invece di costringerla a imparare da zero. L'hardware che hanno utilizzato era un computer quantistico a ioni intrappolati, che utilizza singoli atomi tenuti in posizione da campi elettromagnetici per eseguire i calcoli.

I risultati hanno dimostrato che questo approccio funziona. Il modello quantistico ha appreso con successo le relazioni tra i diversi tipi di rischio. Ha identificato correttamente che le diverse linee assicurative tendevano a muoversi insieme durante i periodi negativi, mentre i rendimenti del mercato azionario rimanevano ampiamente indipendenti dalle perdite assicurative. Quando il team ha esaminato la perdita potenziale totale del portafoglio, il modello addestrato con la codifica esponenziale è stato in grado di raggiungere i valori estremi visti nei dati reali. Al contrario, un modello che utilizzava il metodo standard e uniforme non riusciva a produrre valori abbastanza alti da corrispondere alle peggiori perdite osservate; raggiungeva semplicemente un tetto molto al di sotto della realtà. Il modello esponenziale, tuttavia, poteva rappresentare perdite centinaia di volte superiori alla mediana, catturando il vero pericolo della coda.

C'erano, naturalmente, dei limiti. Il modello addestrato sull'hardware quantistico non è stato performante quanto quello simulato su un computer classico. I ricercatori hanno scoperto che questo divario non era dovuto principalmente agli errori della macchina quantistica stessa, ma piuttosto al fatto che potevano eseguire la macchina solo un numero limitato di volte per raccogliere i dati. Il computer quantistico deve essere eseguito molte volte per costruire un quadro chiaro delle probabilità, e con la tecnologia attuale, non potevano eseguirlo abbastanza per eguagliare la precisione della simulazione. Tuttavia, l'esperimento ha dimostrato che il metodo è praticabile. Lo schema di addestramento gerarchico ha superato significativamente l'inizio da zero, riducendo l'errore nel modello finale di oltre la metà rispetto ai tentativi casuali.

Lo studio conclude che i circuiti quantistici possono essere adattati per gestire i dati a "coda pesante" e scarsi, tipici dei portafogli assicurativi, ma solo se l'intero processo è progettato con questi problemi specifici in mente. I metodi standard sviluppati per distribuzioni di dati più fluide e comuni non funzionano direttamente. Il successo di questo progetto è dipeso da tre innovazioni chiave: un modo per codificare i dati che si concentra sugli estremi, un obiettivo di addestramento che rimanga stabile con pochi campioni e un processo di apprendimento in due fasi che costruisce la complessità gradualmente. Sebbene i ricercatori non abbiano sostenuto di aver risolto interamente il problema della modellazione del rischio, hanno dimostrato una pipeline funzionante che va dai dati a un modello di rischio generato dal computer quantistico. Hanno osservato che, affinché questo diventi uno strumento pratico per il settore, il lavoro futuro dovrà affrontare il numero di volte in cui l'hardware deve essere eseguito e testare il metodo su portafogli ancora più ampi. Per ora, il lavoro rappresenta una prova che le macchine quantistiche possono iniziare a mappare la forma di eventi finanziari rari e pericolosi.

Sommerso dagli articoli nel tuo campo?

Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.

Prova Digest →