💰 quantitative finance

Landscape-Dependent Performance of Photonic Quantum Solvers in QUBO Feature Selection for Financial Risk Detection

이 논문은 금융 리스크 탐지를 위한 특성 선택(feature selection)에 대해 고전적, 광학적 및 시뮬레이션된 광학적 솔버를 벤치마킹하며, QCI Dirac-3와 같은 광학 시스템이 특정 작업에서 고전적 성능과 대등하거나 이를 능가할 수 있음에도 불구하고, 특성 선택 방법의 선택과 데이터셋 내 예측 신호의 집중도가 근본적인 컴퓨팅 패러다임보다 성공의 더 결정적인 요인임을 밝히고 있다.

원저자: Nirvik Sahoo, Paul Robert Griffin

게시일 2026-10-05

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Nirvik Sahoo, Paul Robert Griffin

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

금융의 고위험 세계에서 은행과 신용카드 회사들은 사기와 대출 채무 불이행이라는 보이지 않는 전쟁에 끊임없이 맞서고 있습니다. 이 전쟁에서 승리하기 위해 그들은 고객이 얼마나 지출하는지부터 얼마나 자주 공과금을 납부하는지에 이르기까지 모든 것을 추적하며 방대한 양의 데이터에 의존합니다. 하지만 데이터가 너무 많은 것도 문제가 될 수 있습니다. 컴퓨터 모델에 수천 개의 잠재적인 단서가 입력되면, 모델은 실제 신호가 아닌 노이즈를 포착하여 혼란을 겪곤 하는데, 이는 마치 북적이는 경기장에서 단 하나의 대화를 들으려고 노력하는 사람과 같습니다. 해결책은 가장 중요하고 구체적인 단서들을 찾아내고 나머지는 무시하는 것입니다. 이 과정을 '특징 선택(feature selection)'이라고 부릅니다. 수십 년 동안 전문가들은 이 데이터를 걸러내기 위해 표준적인 수학적 도구들을 사용해 왔지만, 새로운 기술의 물결은 이 작업을 더 빠르고 다르게 수행할 것을 약속하고 있습니다. 이 기술에는 복잡한 퍼즐을 풀기 위해 전기가 아닌 빛의 입자를 사용하는 광자 컴퓨터(photonic computers)와 동시에 많은 가능성을 탐색하는 양자 영감 기계(quantum-inspired machines)가 포함됩니다. 연구자들이 던져온 질문은 이 새로운 이국적인 기계들이, 특히 데이터가 사례마다 매우 다르게 보일 때도 기존의 신뢰할 수 있는 방법들보다 더 나은 단서들을 실제로 찾아낼 수 있느냐는 것이었습니다.

싱가포르 경영대학교(Singapore Management University)의 한 연구팀은 세 가지 서로 다른 컴퓨팅 접근 방식을 실제 환경 테스트에서 서로 맞붙여 이 질문에 답하고자 했습니다. 그들은 결과가 전반적으로 유지되는지 확인하기 위해 매우 다른 두 가지 금융 데이터셋을 선택했습니다. 첫 번째 데이터셋은 유럽의 신용카드 거래 약 285,000건을 포함하며, 여기서 사기는 1,000건 중 2건 미만으로 매우 드물게 발생했습니다. 두 두 번째 데이터셋은 훨씬 더 컸으며, 대출을 불이행할 가능성이 있는 소비자들에 대한 150가지 이상의 다양한 금융 지표 정보를 담고 있었습니다. 연구진은 열세 가지의 서로 다른 최적의 단서 선택 방식을 테스트했으며, 이를 정밀도가 높은 전통적인 고전 컴퓨터, 빛을 사용하여 솔루션을 찾는 광자 엔트로피 컴퓨터, 그리고 복잡한 수학적 규칙에 따라 조합을 무작위로 선택하는 광자 보존 샘플러(photonic boson sampler)를 통해 실행했습니다. 그들의 목표는 어떤 방식과 기계의 조합이 가장 적은 수의 단서를 사용하면서도 가장 정확한 예측을 만들어내는지 확인하는 것이었습니다.

결과는 두 개의 매우 다른 세계를 보여주었습니다. 신용카드 사기 데이터셋의 경우, 연구진은 공격적인 압축이 매우 효과적이라는 것을 발견했습니다. 그들은 예측력을 잃지 않으면서 단서의 수를 30개에서 단 13개로 줄일 수 있다는 것을 발견했습니다. 실제로 보존 샘플링(boson sampling) 기법을 사용한 한 광자 방식은 단 5개의 단서만을 선택하도록 강제되었을 때 매우 뛰어난 성능을 보였습니다. 이 방식은 높은 정확도로 사기를 식별해 냈으며, 허용된 단서의 수가 매우 적을 때는 전통적인 컴퓨터보다 더 나은 성능을 보이기도 했습니다. 이는 이 데이터셋의 사기 신호가 몇 개의 특정되고 상관관계가 없는 영역에 집중되어 있었기 때문입니다. 광자 샘플러는 이 희귀하고 가치 있는 조합들을 빠르게 찾아낼 수 있었는데, 이는 마치 특정 사건에서 중요한 몇 개의 지문이 무엇인지 정확히 알고 있는 숙련된 형사처럼 행동한 것과 같았습니다.

하지만 연구진이 동일한 논리를 소비자 대출 불이행 데이터셋에 적용했을 때, 이야기는 완전히 바뀌었습니다. 이 데이터셋은 더 크고 복잡했으며, 불이행의 경고 신호가 수십 개의 다양한 지표에 걸쳐 흩어져 있었습니다. 여기서는 소수의 단서만을 선택하는 전략이 실패했습니다. 어떤 컴퓨터나 방식을 사용하더라도, 모델은 거의 159개의 가용한 지표를 모두 사용할 수 있을 때 비로소 정점에 도달했습니다. 광자 기계들은 이 환경에서 특별한 이점을 보여주지 못했습니다. 연구진은 새로운 기술의 '마법'이 전적으로 데이터의 구조에 달려 있다는 점을 관찰했습니다. 정보가 분산되어 있고 중복되는 소비자 대출 사례와 같이 중요한 정보가 흩어져 있을 때, 새로운 기계들은 문제를 효과적으로 압축할 수 없었습니다. 그들은 솔버(solver)의 선택보다 데이터 자체의 성격이 훨씬 더 중요하다는 것을 발견했습니다.

아마도 가장 놀라운 발견은 수학적으로 완벽한 솔루션을 찾는 것이 항상 실제 세계에서 최고의 예측으로 이어지지는 않는다는 점이었습니다. 전통적인 컴퓨터는 주어진 수학적 퍼즐에 대해 인증된 단 하나의 최적의 답을 찾도록 설계되었습니다. 그러나 여러 차례, 이 '완벽한' 답은 사기나 불이행에 대해 좋지 않은 예측 결과를 낳았습니다. 한 사례에서 전통적인 컴퓨터는 특정 방법에 대해 최적의 솔루션을 찾아냈음에도 불구하고, 그 예측 점수는 광자 엔트로피 컴퓨터가 찾은 솔루션보다 절반에도 미치지 못했습니다. 이는 컴퓨터를 안내하는 데 사용된 수학적 공식이 은행이 실제로 필요로 하는 것의 근사치에 불과했기 때문입니다. 단 하나의 수학적 최적점에 고정되는 대신 더 넓은 범위의 가능성을 탐색하는 광자 기계는, 비록 그것이 방정식에 대한 '완벽한' 답은 아닐지라도 실무에서 더 잘 작동하는 단서의 집합을 우연히 발견하곤 했습니다.

본 연구는 만능 승자는 없다는 결론을 내립니다. 이러한 첨단 컴퓨팅 도구의 효과는 분석하는 데이터의 지형에 전적으로 달려 있습니다. 중요한 신호가 집중되어 있는 작고 깨끗한 데이터셋의 경우, 특화된 광자 솔버는 매우 적은 수의 단서로 고품질의 솔루션을 찾아내며 상당한 이점을 제공할 수 있습니다. 그러나 신호가 널리 퍼져 있고 중복되는 더 크고 무질서한 데이터셋의 경우, 압축의 이점은 사라지며 기계의 선택보다는 방법의 선택이 더 중요해집니다. 연구진은 이러한 새로운 기술에 투자하기 전에 분석가들이 먼저 데이터의 구조를 이해해야 한다고 제안합니다. 만약 신호가 집중되어 있다면, 새로운 기계는 강력한 도구가 될 수 있습니다. 만약 신호가 흩어져 있다면, 사용 가능한 모든 데이터를 사용하는 전통적인 방식이 여전히 가장 신뢰할 수 있는 경로입니다. 이 논문은 양자 또는 광자 컴퓨팅이 금융 리스크 문제를 해결했다고 주장하는 것이 아니라, 이 도구들이 어디에서 빛을 발하고 어디에서 그렇지 않은지를 보여주는 명확한 지도를 제공함으로써 미래의 금융 모델링을 위한 실질적인 가이드를 제시하고 있습니다.

기술 요약: 금융 리스크 탐지를 위한 QUBO 특성 선택에서의 광자 양자 솔버의 지형 의존적 성능

문제 정의
신용카드 사기 탐지 및 소비자 채무 불이행 예측과 같은 불균형한 금융 분류 작업에 대한 특성 선택(Feature selection)은 예측 관련성, 특성 간 중복성, 그리고 계산 가능성 사이의 균형을 맞추는 것을 요구한다. 이 과제는 "차원의 저주"와 금융 데이터 특유의 구조적 속성으로 인해 더욱 심화된다. 본 논문은 이차 무제약 이진 최적화(QUBO) 형식의 특성 선택에 적용될 때, 세 가지 서로 다른 컴퓨팅 패러다임—고전적 정밀 최적화(Classical exact optimization), 광자 엔트로피 컴퓨팅(Photonic entropic computing), 그리고 광자 보손 샘플링(Photonic boson sampling)—의 성능을 다룬다. 본 연구는 컴팩트하고 저차원인 특성 공간에서 관찰된 성능 추세가 더 크고 중복성이 높은 데이터셋으로 일반화될 수 있는지, 그리고 솔버의 선택이 다운스트림 예측 지표(F1 점수 및 지니 계수)에 유의미한 영향을 미치는지 조사한다.

방법론
저자들은 대조적인 구조를 가진 두 가지 데이터셋을 통해 13가지 특성 선택 방법을 벤치마킹하였다:

ULB 신용카드 사기(ULB Credit Card Fraud): 30개의 특성(시간, 금액, 그리고 28개의 PCA 익명화 성분)으로 구성된 데이터셋으로, 사기 발생률은 0.17%이다. 신호는 상관관계가 낮은 소수의 성분에 집중되어 있다.
AmEx 소비자 채무 불이행(AmEx Consumer Default): 5개의 의미론적 범주(결제, 잔액, 지출, 연체, 리스크)에 걸쳐 있는 159개의 특성 데이터셋이다. 신호는 다수의 중간 정도 상관관계를 가진 특성들에 분산되어 있다.

세 가지 솔버 패러다임이 사용되었으며, 방법론의 수학적 구조에 가장 잘 부합하는 솔버로 경로를 지정하는 "솔버 인지형(solver-aware)" 설계 원칙이 적용되었다:

Gurobi (고전적): 표준 및 그래프 이론적 QUBO(Tier 1 및 Tier 2)를 분기 한정법(branch-and-bound)을 통해 인증된 전역 최적해까지 해결한다.
QCI Dirac-3 (광자 엔트로피): 표준, 그래프 이론적, 그리고 하드웨어 네이티브 방식(Tier 3)을 해결한다. Tier 3 방식은 다단계 큐디트(qudit) 변수 및 3차 목적 함수(HUBO, Integer-Weighted, Community-Poly)와 같은 네이티브 기능을 활용한다.
Piquasso (광자 보손 샘플링): 명시적인 최적화 목적 함수 없이 퍼머넌트 가중치 삼중항 샘플링(permanent-weighted triplet sampling)을 사용하는 샘플링 기반 접근 방식이다.

평가는 공격적인 압축(예: ULB의 경우 $k=5$ , AmEx의 경우 $k=25$ )부터 전체 특성 집합에 가까운 범위까지 특성 예산( $k$ )을 훑으며 수행되었다. 성능은 F1 점수(불균형 클래스를 위한 주요 지표)와 지니 계수(순위 품질)로 측정되었다. 또한, 솔버 간 선택된 특성 부분 집합의 다양성을 분석하기 위해 자카드 유사도(Jaccard similarity)가 사용되었다.

주요 기여

솔버 인지형 방법론 라우팅: 특성 선택 공식이 특정 수학적 구조를 처리할 수 있는 솔버(예: 고차 목적 함수를 이차 형식으로 축소하는 대신 Dirac-3로 라우팅)와 일치하도록 하는 프레임워크를 도입한다.
포괄적 경험적 스윕: 13가지 방법론과 3가지 솔버 패러다임을 두 가지 구조적으로 구별되는 데이터셋에 대해 체계적으로 비교하여, 압축-성능 경계선을 추적한다.
다양성 분석: 선택된 특성 부분 집합 간의 중복을 자카드 유사도를 통해 정량화하여, 우연에 의한 일치와 실제 방법론 간의 일치를 구분하기 위해 관찰된 중복을 무작위 부분 집합에 대한 기대치와 비교한다.
지형 의존적 통찰: 특성 선택의 효능과 공격적인 특성 압축의 영향은 밑바닥의 데이터 구조(신호 집중형 vs 신호 분산형)에 크게 의존함을 입증한다.

결과

ULB 데이터셋 (컴팩트하고 신호가 집중된 경우):
- 압축의 이점: 공격적인 압축은 상당한 성능 향상을 가져왔다. $k=13$ (특성의 43%)에서 MI-Spearman을 사용한 Dirac-3는 평균 F1 $0.873 \pm 0.023$ 을 달성하여 모든 특성을 사용한 모델과 일치하는 성능을 보였다.
- Piquasso의 특이점: Piquasso는 가장 작은 예산( $k=5$ , F1=0.874)에서 최고의 F1을 달성하였으며, 이는 다른 모든 방법론을 능가하고 모든 특성을 사용한 모델을 약간 상회하는 결과였다. 이러한 이점은 퍼머넌트 가중치(permanent-weighting) 덕분에 단순한 주변적 관련성이 아닌 공동 관련성이 있는 특성을 선택했기 때문으로 분석되었다.
- 솔버 민감도: 타이트한 예산 상황에서는 방법론의 선택이 성능에 큰 영향을 미쳤다. ULB에서의 F1 점수 편차는 AmEx보다 약 10배 더 컸다.
- 최적성 vs 성능: Gurobi에 의한 인증된 최적성이 반드시 최상의 다운스트림 F1을 보장하는 것은 아니었다. 예를 들어, $k=5$ 에서 Dist-Corr에 대한 Gurobi의 최적해는 F1 0.448을 기록한 반면, Dirac-3의 확률적 탐색은 더 높은 F1을 가진 부분 집합을 찾아냈다.
AmEx 데이터셋 (대규모이고 중복된 신호의 경우):
- 압축 이점 없음: 더 많은 특성을 유지할수록 성능이 꾸준히 향상되었다. 어떤 방법론도 압축 이점을 얻지 못했으며, 모든 패러다임은 큰 예산( $k=125$ –$150 $)에서야 모든 특성을 사용한 F1($ \approx 0.80$)에 도달했다.
- 솔버 견고성: 솔버의 선택은 성능에 미미한 영향을 미쳤다. Gurobi의 인증된 최적해와 Dirac-3의 확률적 샘플은 유사한 F1 점수를 생성하였으며, 방법론 간의 편차도 좁았다.
- 최적성 괴리: 최적화 목적 함수 값과 예측 성능 사이에 상당한 괴리가 관찰되었다. $k=25$ 인 Dist-Corr 방법론에 대해, Gurovi의 전역 최적해는 F1=0.422를 달성한 반면, Dirac-3는 동일한 방법론에서 평균 F1 0.746을 달성했다.
부분 집합 다양성:
- 서로 다른 방법론과 솔버 간에 선택된 특성 부분 집합은 두 데이터셋 모두에서 무작위 기대치에 가까운 수준으로 중복되었다.
- 낮은 중복에도 불구하고, 이러한 차이에 따른 성능 영향은 데이터셋에 따라 달랐다: ULB에서는 서로 다른 부분 집합이 매우 다른 F1 점수로 이어졌으나, AmEx에서는 서로 다른 부분 집합들이 성능 측면에서 대체로 상호 교환 가능했다.

의의 및 주장
본 논문은 효과적인 특성 선택을 위해서는 예측 관련성과 중복성을 특정 계산 능력(솔버)과 균형을 맞추어야 한다고 주장한다. 주요 발견은 컴팩트하고 상관관계가 낮은 특성 공간(ULB와 같이 신호가 집중된 경우)에서는 특화된 솔버와 방법론의 선택이 가장 중요하며, 여기서 공격적인 압축이 가능하다는 것이다. 반대로, 더 크고 중복된 특성 공간(AmEx와 같이 신호가 분산된 경우)에서는 솔버의 선택이 덜 중요하며, 공격적인 압축은 종종 필수적인 신호를 버리게 되어 성능 저하를 초래한다.

저자들은 광자 솔버(Dirac-3 및 Piquasso)가 특정 영역(특히 집중된 데이터를 가진 작은 예산 환경)에서 경쟁력 있거나 우수한 성능을 제공하지만, 모든 경우에 고전적 정밀 솔버를 보편적으로 능가하는 것은 아니라고 겸허히 결론짓는다. 본 연구는 "인증된 QUBO 최적성"이 반드시 다운스트림 예측 성능을 보장하지는 않는다는 점을 강조하는데, 이는 최적화 목적 함수가 실제 분류 목표의 근사치인 경우가 많기 때문이다. 또한, 문제의 솔버 및 방법론에 대한 민감도는 전체 벤치마크를 실행하기 전에 저렴한 서브셋을 사용하여 사전에 추정할 수 있다는 점을 시사한다.

유사한 논문