📊 statistics

Quantum Amplitude Estimation for Catastrophe Insurance Tail-Risk Pricing: Empirical Convergence and NISQ Noise Analysis

Dit artikel onderzoekt de empirische convergentie en NISQ-ruis van Quantum Amplitude Estimation voor het prikken van staartrisico's in catastrofeverzekeringen en concludeert dat hoewel de kwantummethode een theoretisch voordeel biedt, de huidige beperkingen voornamelijk liggen in discretisatie en niet in schattingsfouten, terwijl sterke klassieke basismodellen nog steeds superieur zijn wanneer analytische toegang beschikbaar is.

Oorspronkelijke auteurs: Alexis Kirke

Gepubliceerd 2026-03-18

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Alexis Kirke

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een verzekeringsmaatschappij bent die zich bezighoudt met catastrofeverzekeringen. Denk aan orkanen, aardbevingen of overstromingen. Het grootste probleem voor deze bedrijven is niet het betalen van kleine schadeclaims (zoals een kapot raam), maar het voorspellen van de extreme, zeldzame rampen die de bankroet kunnen maken.

In de wereld van verzekeringen noemen we dit de "staart" van de verdeling. Het is het uiterst zeldzame, maar dodelijke deel van de grafiek.

Dit artikel, geschreven door Alexis Kirke, onderzoekt of kwantumcomputers ons kunnen helpen om deze zeldzame rampen veel sneller en nauwkeuriger te voorspellen dan de huidige supercomputers.

Hier is de uitleg in simpele taal, met behulp van analogieën:

1. Het Probleem: Het Zoeken naar een Naald in een Hooiberg

Stel je voor dat je een enorme hooiberg hebt (alle mogelijke weerscenario's). Je wilt weten hoe groot de schade is als er een extreem zeldzame orkaan komt (bijvoorbeeld één keer in de 100 jaar).

De oude manier (Klassieke Computers): Je gooit duizenden hooibalen willekeurig op de grond en kijkt of er een naald (de ramp) tussen zit. Omdat de naalden zo zeldzaam zijn, moet je miljoenen hooibalen gooien om er maar een paar te vinden. Dit kost enorm veel tijd en rekenkracht. Als je de precisie wilt verdubbelen, moet je het aantal hooibalen met 100 vermenigvuldigen. Dit is te duur en te traag.
Het gevolg: Omdat er zo weinig data is over deze extreme rampen, zijn de risicoberekeningen vaak onnauwkeurig. Verzekeraars weten niet precies hoeveel geld ze moeten reserveren, wat gevaarlijk is.

2. De Oplossing: De Kwantum-Magie (Amplitude Estimation)

De auteurs gebruiken een techniek genaamd Quantum Amplitude Estimation (QAE).

De Analogie: Stel je voor dat je in plaats van willekeurig hooibalen te gooien, een magische schakelaar hebt.
- Bij de klassieke methode moet je elke hooibal één voor één controleren.
- Bij de kwantummethode gebruik je een truc (de "Grover-versterking") die de kans dat je de "naald" vindt, elke keer dat je de knop indrukt, een stukje vergroot.
- Het resultaat? Je vindt de naald veel sneller. Waar de klassieke computer 100 pogingen nodig heeft, heeft de kwantumcomputer er misschien maar 10 nodig. Dit wordt een kwadratische versnelling genoemd.

3. Wat hebben ze gedaan? (Het Experiment)

De auteurs hebben dit getest met echte data van stormen in de VS (NOAA-data) en met nep-data die op echte stormen leek. Ze bouwden een "kwantum-orakel": een digitale machine die de verdeling van stormschade nabootst.

Ze deden zeven verschillende proeven en kwamen tot drie belangrijke ontdekkingen:

A. De Kwantumcomputer wint (als we eerlijk vergelijken)

Als je de kwantumcomputer vergelijkt met een klassieke computer die exact hetzelfde doet (beide kijken naar dezelfde, ruwe data zonder slimme trucs), wint de kwantumcomputer.

De winst: De kwantumcomputer maakt 2 tot 2,5 keer minder fouten in de voorspelling dan de klassieke computer, bij hetzelfde aantal pogingen.
De metafoor: Het is alsof de kwantumcomputer een scherpere bril heeft om de zeldzame rampen te zien.

B. Maar... de "Slimme Mens" wint als hij de regels kent

Er is een grote "maar". Als de klassieke computer mag gebruiken wat hij al weet over de wiskunde van de stormen (bijvoorbeeld: "We weten dat stormschade meestal zo verloopt, laten we die formule gebruiken"), dan wint de klassieke computer vaak.

De reden: De klassieke computer kan slimme trucs gebruiken (zoals "Importance Sampling") die de kwantumcomputer niet mag gebruiken, omdat de kwantumcomputer de data alleen als een "zwarte doos" ziet.
De les: De kwantumcomputer is supersterk als je de data niet begrijpt en alleen maar kunt "kijken" (zoals bij een complexe simulatie). Maar als je de wiskundige formule al kent, is de klassieke computer vaak slimmer en sneller.

C. Het echte probleem is niet de computer, maar de "Raster"

Dit is de belangrijkste ontdekking van het artikel.
De kwantumcomputer is heel goed in het tellen, maar de manier waarop ze de data in de computer hebben gezet, was niet perfect. Ze hebben de stormschade in vakjes (bins) verdeeld.

Het probleem: De vakjes waren te groot en te onnauwkeurig voor de extreme uitersten. Het was alsof je een heel fijne foto probeert te maken, maar je gebruikt een lens met een te grove pixelstructuur.
De conclusie: De fout in de berekening kwam niet door de kwantumcomputer zelf, maar door hoe ze de data hadden ingevoerd. Als je de "pixels" fijner maakt (bijvoorbeeld met logaritmische indeling in plaats van gelijke vakjes), wordt de kwantumcomputer nog veel beter.

4. De Huidige Realiteit: Te veel Ruis

De auteurs hebben ook gekeken naar wat er gebeurt als je de computer gebruikt zoals die er nu is (de "NISQ"-era: geen foutloze computers, maar wel werkende prototypes).

Het resultaat: De huidige kwantumcomputers zijn nog te "ruisig". De elektrische storingen zijn zo groot dat het voordeel van de snellere berekening volledig verdwijnt. Het is alsof je probeert een fluisterend gesprek te voeren in een stofzuiger.
De toekomst: Pas als we fouttolerante kwantumcomputers hebben (computers die zichzelf corrigeren), zal deze technologie echt de wereld veranderen.

Samenvatting in één zin

Deze paper laat zien dat kwantumcomputers in theorie 2 tot 3 keer beter kunnen voorspellen hoe zeldzame, dodelijke stormen de verzekeringen kosten, mits we de data beter indelen en wachten tot de computers niet meer "ruisig" zijn.

Het is een veelbelovende toekomst voor de verzekeringswereld, maar we moeten nog even wachten tot de hardware volwassen is.

Titel: Quantum Amplitude Estimation voor het Prijsbepalen van Catastrofe-verzekeringstailrisico: Empirische Convergentie en NISQ-ruisanalyse

1. Het Probleem: Tail-Risk Pricing in Verzekeringen

Catastrofe-verzekeringen (bijv. voor orkanen, aardbevingen en overstromingen) zijn uniek omdat het risico wordt gedomineerd door het "staartgedeelte" (tail) van de verliesverdeling. Reassuranten moeten de verwachte uitkeringen schatten boven specifieke drempels (bijv. het 95e of 97e percentiel).

De uitdaging: Klassieke Monte Carlo (MC) simulaties convergeren met een snelheid van $O(1/\sqrt{N})$ , waarbij $N$ het aantal simulaties is. Om de staart van een verliesverdeling nauwkeurig te schatten, zijn enorme rekenbudgetten nodig omdat slechts een klein percentage van de simulaties (bijv. <3% bij het 97e percentiel) bijdraagt aan de staartverwachting.
Gevolgen: Gebrek aan data in de staart leidt tot slecht gekalibreerde risico-inschattingen, wat kan resulteren in verkeerde prijsstelling en zelfs insolventie.
Huidige beperkingen: Klassieke methoden zoals Importance Sampling (IS) of Quasi-Monte Carlo (QMC) werken uitstekend als de verliesverdeling een bekende analytische vorm heeft (bijv. lognormaal), maar falen wanneer de verdeling impliciet is via een complexe simulatiepijplijn (geen gesloten vorm CDF/PDF).

2. Methodologie: Quantum Amplitude Estimation (QAE)

Het paper onderzoekt of Quantum Amplitude Estimation (QAE), gebaseerd op het werk van Montanaro, een kwadratische snelheidswinst ( $O(1/N)$ ) kan bieden ten opzichte van klassieke MC.

Data en Modellering:
- Gebruik van synthetische data (Pareto-verdeling) en reële data (58.028 NOAA Storm Events records, 2020-2024).
- De data wordt gefit op een lognormale verdeling (voor synthetische vergelijkingen) of direct gehistogrammeerd (voor empirische PMF's).
Quantum Oracle Constructie:
- Amplitude Encoding: De verliesverdeling wordt gecodeerd in de amplitudes van qubits. Dit is cruciaal omdat het zorgt voor zeer kleine readout-kansen ( $P(|1\rangle) \sim 0.002–0.05$ ) voor staartgebeurtenissen.
- Grover Amplificatie: Een Grover-operator wordt toegepast om de amplitude van de gewenste uitkomst te versterken. De maximale veilige iteraties ( $k$ ) worden bepaald door de grootte van de initiële amplitude.
- Schakeling: Een custom state-preparation methode (gecontroleerde $R_y$ -rotaties) wordt gebruikt om de verdeling te laden, wat crashen van de simulator voorkomt die optreedt bij standaard Qiskit-instructies.
Experimenteel Protocol:
- Zeven experimenten uitgevoerd met een Qiskit Aer-simulator.
- Vergelijkingen tussen QAE en klassieke MC (naief, conditioneel, importance sampling, QMC) met een strikt gelijk budget aan queries/samples.
- Analyse van ruis (NISQ) met depolariserende fouten.

3. Belangrijkste Bijdragen

Volledige Pijplijn: De auteurs hebben een end-to-end pipeline ontwikkeld die catastrofale verdelingen codeert in quantum orakels met veilige Grover-versterking.
Empirische Validatie: Zeer uitgebreide tests op zowel synthetische als reële data, met een volledige decompositie van fouten in schattingfout (estimation error) en discretisatiefout (discretisation error).
Nuancering van het "Quantum Advantage": Het paper onderscheidt duidelijk tussen het Oracle-model (zwarte doos toegang tot de verdeling) en situaties met Analytische Toegang. Het toont aan dat QAE wint in het oracle-model, maar niet noodzakelijk als klassieke methoden de gesloten vorm van de verdeling kunnen benutten.

4. Resultaten en Bevindingen

A. Oracle-Model Voordeel (Zonder Ruis)

Wanneer QAE en klassieke MC worden vergeleken op dezelfde gediscretiseerde verdeling (eerlijke vergelijking), bereikt QAE een 1,5x tot 2,5x lagere RMSE (Root Mean Squared Error) dan klassieke MC.
De convergentie volgt de theoretische $O(1/N)$ trend, terwijl klassieke MC $O(1/\sqrt{N})$ volgt.
Dit voordeel is consistent voor zowel synthetische als reële NOAA-data.

B. Dominantie van Klassieke Baselines bij Analytische Toegang

Wanneer de verdeling een bekende analytische vorm heeft (lognormaal), winnen geavanceerde klassieke methoden (Conditionele Tail MC, Importance Sampling, en Quasi-Monte Carlo met Sobol-sequenties) het van QAE.
QMC bereikt bijna $O(1/N)$ convergentie in 1D en levert betere resultaten dan QAE omdat deze methoden de gesloten vorm CDF/inverse CDF kunnen gebruiken, wat QAE (als oracle) niet kan.

C. De Bottleneck: Discretisatie, niet Schatting

De grootste bron van fouten is niet de quantum-schatting zelf, maar de discretisatie.
Bij gebruik van gelijke breedte bins (equal-width binning) is de truncatiefout van de staart (bijv. boven het 99,9e percentiel) dominant.
Oplossing: Het gebruik van log-spaced bins (logaritmisch gespatieerd) verlaagt de discretisatiefout met een factor 10 bij $n \geq 4$ qubits, terwijl het de kleine $P(|1\rangle)$ behoudt die nodig is voor Grover-versterking.

D. NISQ Ruis en Hardware Beperkingen

Ruisgevoeligheid: In Experiment 2 wordt aangetoond dat huidige NISQ-ruisniveaus (depolariserende ruis) het voordeel volledig vernietigen. Zelfs bij lage ruisniveaus ( $p_{2q} = 0.01$ ) neemt de RMSE met een factor 66 toe door de diepte van de schakeling (ca. 700 poorten voor $k=3$ ).
Conclusie: Voor praktische toepassing is fouttolerante hardware of agressieve foutmitigatie noodzakelijk. Huidige hardware is niet geschikt voor de diepte die nodig is voor significante versterking.

E. Empirische PMF (Geen Parametrisch Model)

Bij het gebruik van ruwe empirische data (zonder parametrische fit) kunnen klassieke methoden zoals IS en CT niet direct worden toegepast zonder extra modellering.
In dit "oracle-only" scenario behoudt QAE een voordeel van 1,6x tot 2,4x lagere RMSE ten opzichte van klassieke MC op dezelfde bins.

5. Betekenis en Conclusie

Dit paper biedt het eerste rigoureuze empirische bewijs dat Quantum Amplitude Estimation een reëel voordeel biedt voor het prijsbepalen van catastroferisico's, maar onder specifieke voorwaarden:

Het Voordeel is Real: In het oracle-model (waar de verliesverdeling een complexe, niet-analytische simulator is), biedt QAE een kwadratische snelheidswinst.
Geen Magische Oplossing voor Alles: Als de verdeling analytisch bekend is, zijn klassieke geoptimaliseerde methoden (QMC, IS) superieur.
Praktische Uitdagingen: De huidige beperkingen liggen niet bij het algoritme, maar bij:
- Hardware: NISQ-ruis maakt diepe schakelingen onbruikbaar.
- Discretisatie: De manier waarop data wordt gebinned is momenteel de grootste foutbron. Log-spaced binning is essentieel.
- State Preparation: Het efficiënt laden van complexe, hoogdimensionale verdelingen in quantum circuits blijft een uitdaging.

Toekomstperspectief:
Voor een praktische doorbraak zijn drie stappen nodig: (1) de komst van fouttolerante quantumcomputers, (2) verbeterde discretisatiestrategieën (zoals log-spaced bins), en (3) efficiënte methoden voor het compileren van complexe catastrofesimulators naar quantum orakels. Als deze obstakels worden overwonnen, zou QAE de rekenkosten voor staartrisico-analyse met factoren van duizenden kunnen verminderen.