← 최신 논문
⚛️ 양자물리학

Insurance portfolio simulation with a quantum circuit

본 논문은 복잡한 결합 손실 분포를 효과적으로 모델링하고 양자 하드웨어에서 꼬리 위험(tail risks)을 정확하게 포착하기 위해, 꼬리 중심 이산화(tail-focused discretization), 몬테카를로 방식의 목적 함수, 그리고 2단계 계층적 훈련 체계를 활용하는 보험 포트폴리오 시뮬레이션용 양자 회로 본 머신(QCBM) 접근법을 제안한다.

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

게시일 2026-11-20
📖 5 분 읽기🧠 심층 분석

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

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

보험 회사는 단순한 전제로 운영됩니다. 즉, 소수의 사람에게 발생할 수 있는 드물고 파괴적인 사건을 보장하기 위해 많은 사람으로부터 작고 꾸준한 비용을 징수하는 것입니다. 이 기업들이 지급 능력을 유지하려면 서로 다른 위험들이 어떻게 함께 움직이는지 이해해야 합니다. 허리케인이 발생하면 집과 자동차가 동시에 피해를 입을 수 있으며, 이는 갑작스러운 보험금 청구 급증을 야기할 수 있습니다. 동시에, 동일한 폭풍은 보험사가 투자 자산으로 보유하고 있는 주식과 채권의 가치를 하락시킬 수도 있습니다. 이러한 이중 타격은 회사의 안정성을 위협할 수 있습니다. 이에 대비하기 위해 리스크를 계산하는 전문가인 계리사들은 서로 다른 손실과 자산 가치가 서로 어떤 관계 속에서 움직이는지를 설명하는 수학적 모델을 구축하려고 노력합니다. 문제는 실제 데이터는 매우 지저분하다는 점입니다. 극단적인 사건은 드물게 발생하므로 연구할 데이터가 매우 적지만, 정작 중요한 순간은 바로 이 때입니다. 전통적인 방식은 특히 데이터가 제한적인 상황에서 이러한 드물고 중대한 시나리오를 포착하는 데 어려움을 겪는 경우가 많습니다.

한 연구팀은 이제 이러한 복잡한 관계를 모델링하기 위해 양자 컴퓨터를 사용하는 다른 경로를 탐구했습니다. 그들은 특정 유형의 문제, 즉 보험 손실과 주식 시장 수익률의 결합 분포를 맞추는 것에 집중했습니다. 이 문맥에서 결합 분포란 단순히 여러 변수가 동시에 특정 값을 가질 확률을 보여주는 지도와 같습니다. 연구진은 양자 회로(양자 프로세서에서 실행되는 프로그램)가 표준적인 방법보다 이 지도를 더 효과적으로 학습할 수 있는지, 특히 데이터의 '꼬리(tails)' 부분, 즉 가장 극단적이고 위험한 결과를 나타내는 부분을 중심으로 확인하고자 했습니다. 그들의 연구는 데이터를 조직화하는 영리한 방법과 특화된 훈련 방법을 결격한다면, 양자 기계가 데이터가 희소한 상황에서도 이러한 복잡한 패턴을 실제로 학습할 수 있음을 시사합니다.

연구진은 주식 시장 손실과 세 가지 다른 유형의 보험 청구 기록이 포함된 주간 데이터 세트로 시작했습니다. 그들은 데이터를 컴퓨터에 입력하는 표준적인 방식으로는 최악의 시나리오를 포착하지 못할 것임을 알고 있었습니다. 만약 수치 범위를 동일한 크기의 구간(bucket)으로 나눈다면, 중간 부분의 구간만큼이나 극단적인 끝부분의 구간도 똑같이 넓습니다. 이는 컴퓨터가 완만하게 나쁜 손실과 진정으로 파괴적인 손실을 구분할 여지가 거의 없음을 의미합니다. 이를 해결하기 위해 연구팀은 극단적인 끝부분에 더 많은 세부 정보를 담는 시스템을 설계했습니다. 그들은 전체 관측치의 절반을 첫 번째 구간에, 다음 4분의 1을 두 번째 구간에, 그다음 8분의 1을 세 번째 구간에 배정하는 식으로 진행했습니다. 이러한 지수적 접근 방식은 가장 극단적인 손실을 담고 있는 마지막 구간을 믿을 수 없을 정도로 좁게 만들었으며, 이를 통해 모델이 최악의 사건에 대한 미세한 세부 사항을 볼 수 있게 했습니다.

데이터가 정리된 후, 연구팀은 양자 컴퓨터가 패턴을 인식하도록 가르치는 또 다른 난관에 부딪혔습니다. 보통 머신러닝 모델은 자신의 예측값과 실제 데이터를 비교하고, 그 차이를 줄이기 위해 설정을 조정함으로써 훈련됩니다. 하지만 데이터 포인트가 너무 적고 가능한 결과가 너무 많으면, 이 차이를 측정하는 표준적인 방식은 신뢰할 수 없거나 노이즈가 심해집니다. 연구진은 이 노이즈를 완화하는 새로운 방법을 개발했습니다. 모든 데이터 구간을 한꺼번에 비교하는 대신, 구간들을 무작위로 더 크고 거친 그룹으로 묶어 비교했습니다. 이 무작위 그룹화를 여러 번 반복하고 그 결과를 평균냄으로써, 그들은 컴퓨터가 설정을 개선하기 위해 어느 방향으로 움직여야 하는지를 알려주는 안정적인 신호를 만들어냈습니다. 이를 통해 데이터가 제한적인 상황에서도 훈련이 원활하게 진행될 수 있었습니다.

훈련 과정 자체는 컴퓨터가 효율적으로 학습할 수 있도록 두 단계로 구축되었습니다. 먼저, 연구팀은 클래식 컴퓨터 시뮬레이터에서 더 작은 버전의 모델을 훈련시켰습니다. 이 작은 모델은 양자 컴퓨터의 기본 정보 단위인 '큐비트(qubit)'를 더 적게 사용합니다. 이 작은 모델이 리스크 분포의 일반적인 형태를 학습하고 나면, 연구진은 그 지식을 더 크고 상세한 모델로 전이시켰습니다. 그런 다음 실제 양자 하드웨어에서 더 큰 모델의 새로운 부분만을 미세 조정했습니다. '계층적 학습(hierarchical learning)'이라고 알려진 이 접근 방식은 복잡한 기계에게 처음부터 배우도록 강요하는 대신, 일종의 '웜 스타트(warm start)' 역할을 하여 출발을 용이하게 해주었습니다. 그들이 사용한 하드웨어는 전자기장으로 고정된 개별 원자를 사용하여 계산을 수행하는 트랩 이온(trapped-ion) 양자 컴퓨터였습니다.

결과는 이 접근 방식이 효과적임을 보여주었습니다. 양자 모델은 서로 다른 유형의 리스크 사이의 관계를 성공적으로 학습했습니다. 모델은 나쁜 시기에 서로 다른 보험 라인들이 함께 움직이는 경향이 있는 반면, 주식 시장 수익률은 보험 손실과 대체로 독립적이라는 것을 정확히 식별해 냈습니다. 연구팀이 포트폴리오의 총 잠재 손실을 살펴보았을 때, 지수적 인코딩으로 훈련된 모델은 실제 데이터에서 보이는 극단적인 값들에 도달할 수 있었습니다. 반면, 표준적인 균등 방식(uniform method)을 사용한 모델은 실제 관측된 최악의 손실에 부합하는 높은 값을 생성하지 못했으며, 현실보다 훨씬 낮은 수준에서 상한선에 부로 걸려버렸습니다. 그러나 지수 모델은 중앙값보다 수백 배 더 큰 손실을 표현할 수 있었으며, 꼬리 부분의 진정한 위험을 포착해 냈습니다.

물론 한계도 있었습니다. 양자 하드웨어에서 훈련된 모델은 클래식 컴퓨터에서 시뮬레이션된 모델만큼 성능이 뛰어나지는 않았습니다. 연구진은 이 격차가 주로 양자 기계 자체의 오류 때문이 아니라, 데이터를 수집하기 위해 기계를 실행할 수 있는 횟수가 제한적이었기 때문이라는 것을 발견했습니다. 양자 컴퓨터는 확률의 명확한 그림을 그리기 위해 여러 번 실행되어야 하는데, 현재의 기술로는 시뮬레이션의 정밀도에 도달할 만큼 충분히 많이 실행할 수 없었습니다. 그럼에도 불구하고, 이 실험은 해당 방법이 실행 가능하다는 것을 증명했습니다. 계층적 훈련 체계는 무작위 시도에 비해 최종 모델의 오차를 절반 이상 줄임으로써 초기 단계부터 시작하는 것보다 훨씬 뛰어난 성과를 보였습니다.

본 연구는 양자 회로가 특정 목적에 맞게 설계될 때만 보험 포트폴리오 특유의 헤비 테일(heavy-tailed) 및 희소 데이터를 처리할 수 있다고 결론짓습니다. 더 매끄럽고 흔한 데이터 분포를 위해 개발된 표준 방식은 직접적으로 작동하지 않습니다. 이 프로젝트의 성공은 세 가지 핵심 혁신에 달려 있었습니다: 극단적인 부분에 집중하는 데이터 인코딩 방식, 적은 샘플에서도 안정적으로 유지되는 훈련 목적 함수, 그리고 복잡성을 점진적으로 구축하는 2단계 학습 과정입니다. 연구진은 이 문제가 리스크 모델링을 완전히 해결했다고 주장한 것은 아니지만, 데이터로부터 양자 생성 리스크 모델로 이어지는 작동 가능한 파이프라인을 입증했습니다. 그들은 이 방법이 산업계의 실용적인 도구가 되기 위해서는 향ware를 실행해야 하는 횟수를 다루어야 하며, 더 큰 포트폴리오에서도 이 방법을 테스트해야 한다고 언급했습니다. 현재로서 이 연구는 양자 기계가 드물고 위험한 금융 사건의 형태를 그려내기 시작할 수 있다는 증거로 남아 있습니다.

연구 분야의 논문에 파묻히고 계신가요?

연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.

Digest 사용해 보기 →