Classification of Financial Data Using Quantum Support Vector Machine

기술 요약: 양자 서포트 벡터 머신을 이용한 금융 데이터 분류

문제 정의
고전적 머신러닝 기법, 특히 서포트 벡터 머신(SVM)은 금융 시장의 특성인 고차원, 비선형성 및 노이즈가 많은 데이터를 처리하는 데 있어 한계에 직면해 있다. 주식 시장 데이터는 통계적 특성이 시간에 따라 변하는 비정상성(non-stationary)을 보이는 경우가 많으며, 이는 일일 지수 변동을 예측하는 데 있어 까다로운 과제가 된다. 고전적 SVM은 특정 작업에서 효과적임이 입증되었으나, 실제 금융 데이터셋에서 발견되는 복잡한 패턴을 파ال 처리하는 데 어려움을 겪는다. 본 연구는 양자 서포트 벡터 머신(QSVM)이 이 영역, 특히 다카 증권 거래소(DSEx) 광범위 지수(Broad Index)에서 고전적 베이스라인을 능가할 가능성에 주목한다.

연구 방법론
본 연구는 양자 커널을 고전적 Radial Basis Function(RBF) 커널 SVM과 벤치마킹하기 위해 경험적 양자 우위(Empirical Quantum Advantage, EQA) 프레임워크를 채택한다. 연구에는 Investing.com에서 추출한 역사적 DSEx 광범위 지수 데이터와 usagold.com의 10년 치 금 가격 데이터를 결합하여 직접 구축한 460개의 데이터 포인트로 구성된 데이터셋을 활용한다. 이 데이터셋은 5개에서 7개의 특징(feature)과 200~400개의 데이터 포인트 하위 집합을 사용하여 지수의 일일 변동을 예측하도록 설계되었다.

• 양자 접근 방식: 저자들은 고전적 입력 데이터를 양자 상태로 인코딩하기 위한 양자 특징 맵(quantum feature maps)을 구축한다. 주요 초점은 Pauli Y YY 특징 맵에 있으며, 이는 Hadamard 게이트, Pauli-Y 연산자로 매개변수화된 단일 큐비트 회전, 그리고 얽힘을 유도하는 2-큐비트 상호작용이 교대로 나타나는 유니터리 연산 $U_\Phi(x)$를 생성한다. 이 맵은 고전적으로 시뮬레이션하기 어렵다고 추정되며, 짧은 깊이의 회로로 구현 가능하다. 또한 비교를 위해 Pauli Z, Pauli ZZ, Pauli Y ZZ, 그리고 Pauli Z ZZ 특징 맵을 테스트하였다.
• 실험 설정: 실험은 Qiskit과 IBM Quantum 시뮬레이터(노이즈 모델이 없는 qasm 시뮬레이터) 및 실제 하드웨어(IBM의 7-큐비트 ibm_nairobi QPU)를 사용하여 수행되었다. 일관성을 보장하기 위해 모든 비교에는 단일 무작위 시드(random seed)를 사용하였다.
• 지표: 성능은 **균형 정확도(Balanced Accuracy)**와 **F1 점수(F1 Score)**를 사용하여 평가되었다. 또한 양자 커널이 이점을 제공할 수 있는 구성 공간을 식별하기 위해 전역 지표로서 **위상 공간 지형 거칠기 지수(Phase Space Terrain Rugness Index, PTRI)**를 사용하였다.
• 자원 추정: 논문은 특징 수($F$)와 회로 반복 횟수($R$)를 기반으로 Y YY 특징 맵에 필요한 양자 자원(게이트 수 및 회로 깊이)을 추정하기 위한 수학적 공식을 제공한다.

주요 결과

• 성능 우위: 대부분의 구성에서 양자 커널은 DSEx 광범위 지수의 일일 변동을 예측하는 데 있어 고전적 RBF 커널 SVM 베이스라인보다 우수한 성능을 보였다.
• 최적의 커널: Pauli Y YY 특징 맵을 사용하여 구축된 양자 커널이 테스트된 모든 특징-데이터셋 구성 공간에서 다른 모든 양자 커널 및 고전적 SVM을 지속적으로 능가하며 가장 우수한 성능을 입증하였다.
• EQA 검증: 연구 결과, 테스트된 구성 공간 내의 모든 문제 사례에 대해 경험적 양자 우위(EQA)가 관찰되었다. PTRI 분석에 따르면, 고전적 SVM 성능은 훈련 세트 크기에 관계없이 비교적 안정적으로 유지된 반면, 양자 커널은 위상 공간 내의 "매끄러운 지형(smoother terrain)"에서 눈에 띄게 더 나은 성능을 보였다.
• 하드웨어 일관성: ibm_nairobi 하드웨어에서 얻은 결과는 최대 1024회의 샷(shots)을 사용하여 실험했음에도 불구하고 노이즈가 없는 시뮬레이션 결과와 일관되게 일치하였다.

핵심 기여

1. 최초의 체계적 연구: 본 연구는 DSEx 광범위 지수 데이터셋에 양자 커널 방법을 체계적으로 적용한 첫 번째 사례이다.
2. 벤치마킹 프레임워크: 금융 기관이 직면한 도전적인 분류 문제를 모사하기 위해 소규모 데이터셋을 활용하여, 다양한 양자 커널을 고전적 베이스라인과 비교하는 견고한 프레임워크를 구축하였다.
3. 자원 추정: 논문은 총 게이트 수, 특정 게이트 수(H, Rx, P, Cx), 그리고 Y YY 특징 맵에 필요한 회로 깊이를 계산하기 위한 명시적인 방정식을 제공하여, 향후 실무자들이 자원 필요량을 추정할 때 사용할 수 있는 실질적인 가이드를 제공한다.
4. PTRI 적용: 본 연구는 금융 데이터셋 내에서 잠재적인 경험적 양자 우위 영역을 구분하기 위한 PTRI 지표의 유효성을 검증하였다.

의의 및 주장
저자들은 본 연구를 다른 분야의 임상 시험과 유사한, 미래 실무자들을 위한 기초적인 프레임워크로 규정한다. 그들은 결과가 복잡한 실제 금융 데이터셋에서 고전적 베이스라인 대비 경험적 양자 우위를 확보할 수 있는 잠재력을 보여준다고 주장한다. 논문은 현재 연구가 소규모 데이터셋과 단일 무작위 시드를 사용한 노이즈 없는 시뮬레이션에 기반하고 있음에도 불구하고, 양자 커널의 본질적인 능력을 성공적으로 기록했다고 강조한다. 저자들은 양자 하드웨어가 발전함에 따라 이러한 기술이 금융 산업에 기여할 수 있는 범위를 완전히 명확히 하기 위해 더 크고 엄격한 연구가 필요할 것이라고 겸허히 결론지었다. 또한 향고 방향으로 고전적으로 시뮬레이션하기 어려운 커널을 탐구하고, 금융 데이터의 특성에 특화된 맞춤형 특징 맵을 개발하는 것을 제안하였다.