💰 quantitative finance

A Noise-Aware Quantum Algorithm for Credit Valuation Adjustments on Real Quantum Hardware

Dit artikel presenteert een ruisbewuste kwantumworkflow voor Credit Valuation Adjustments (CVA) die een nieuw contrastbewust iteratief Bayesiaans amplitude-schattingalgoritme gebruikt om hardwareruis effectief te mitigeren en ruisongevoelige methoden op huidige kwantumapparaten te overtreffen.

Oorspronkelijke auteurs: Guillem Borràs Espert, Francisco Gómez Casanova, Luis de Pedro Sánchez, Senaida Hernández Santana, Pablo Serrano Molinero

Gepubliceerd 2026-07-15

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Guillem Borràs Espert, Francisco Gómez Casanova, Luis de Pedro Sánchez, Senaida Hernández Santana, Pablo Serrano Molinero

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 probeert de gemiddelde lengte te raden van iedereen in een enorme, chaotische stadion. In de ouderwetse manier (een Monte Carlo-simulatie genoemd), zou je rondlopen, een paar mensen meten, gokken, nog een paar mensen meten, en doorgaan totdat je er zeker van bent. Het is traag, en om tot een superprecies antwoord te komen, moet je veel mensen meten.

Stel je nu een "Quantum Super-Scanner" voor die de hele menigte in één keer kan bekijken en een speciale truc gebruikt genaamd Quantum Amplitude Estimation. In een perfecte, ruisvrije wereld zou deze scanner het antwoord met veel minder stappen kunnen geven—zoals het vinden van een naald in een hooiberg door de naald steeds feller te laten gloeien totdat het onmogelijk is om hem te missen. Dit is de "kwadratische versnelling" die quantumcomputing zo spannend maakt voor de financiële sector.

Maar hier komt de twist: we leven niet in een perfecte wereld. We leven in een ruisige wereld. De quantumcomputers die we nu hebben (genaamd "ruisige hardware") zijn als die Super-Scanner als je hem probeert te gebruiken terwijl hij schudt, trilt en de batterij bijna leeg is. Als je probeert de naald te laten gloeien met meer kracht (door de scanner te veel vaak te laten draaien), wordt het schudden zo erg dat de gloed juist vervaagt en je niets nieuws leert.

Het Probleem: De "Schuddende Scanner"

De auteurs van dit artikel wilden een heel specifiek financieel probleem testen: Credit Valuation Adjustment (CVA). Denk aan CVA als een "veiligheidstoeslag" die banken in rekening brengen om zichzelf te beschermen als een lener wanbetaling heeft (stopt met betalen). Het berekenen van deze toeslag is als het proberen te voorspellen van de gemiddelde lengte van de menigte, maar dan met extra lagen complexiteit: je moet ook raden hoe de menigte beweegt, hoe waarschijnlijk het is dat ze vertrekken, en hoeveel geld ze nog verschuldigd zijn, en dat alles tegelijkertijd.

Vorig onderzoek suggereerde dat quantumcomputers dit sneller zouden kunnen oplossen. Echter, die studies vonden grotendeels plaats in perfecte computersimulaties. Ze hebben niet getest wat er gebeurt als je de code daadwerkelijk draait op een echte, wankele quantummachine.

De Oplossing: Een "Ruis-bewuste" Detective

Het team bouwde een volledige workflow om deze veiligheidstoeslag op echte IBM quantum hardware te berekenen. Maar ze wisten dat als ze gewoon de standaard "maak het feller aan het gloeien"-methode zouden gebruiken, de ruis het antwoord zou verpesten.

Daarom hebben ze een nieuwe methodemethode uitgevonden genaamd CABIQAE (Contrast-Aware Bayesian Iterative Quantum Amplitude Estimation).

Hier is de analogie:

De Oude Manier (BIQAE): Stel je een detective voor die steeds blijft roepen: "Ik weet zeker dat het antwoord hier is!" en steeds harder het volume (versterking) opzet van zijn zoektocht. Maar in een lawaaierige kamer zorgt harder roepen er alleen maar voor dat het signaal verandert in statische ruis. De detective blijft roepen totdat zijn stem volledig wordt overstemd door de ruis, wat tijd en energie verspilt.
De Nieuwe Manier (CABIQAE): Deze detective is slim. Hij heeft een speciale microfoon die precies meet hoeveel "statische ruis" er in de kamer is. Hij weet dat als hij voorbij een bepaalt volume gaat schreeuwen, het signaal slechter wordt. Dus hij stopt met schreeuwen wanneer de statische ruis te hard wordt. Hij gebruikt een slimme wiskundige truc (Bayesiaanse inferentie) om de aanwijzingen die hij wel kreeg voordat de ruis het overnam, te combineren, waardoor hij een beter antwoord krijgt met minder inspanning.

Wat ze daadwerkelijk vonden

De auteurs voerden hun experiment uit op echte quantumhardware en vergeleken hun nieuwe "Ruis-bewuste" detective met de oude "Harder-roepen"-detective en een simpele "Iedereen-tellen"-methode.

De "Harder-roepen"-detective faalde: De standaardmethode (BIQAE) probeerde diepe, versterkte circuits te gebruiken. Op de echte hardware werd het signaal zo ruisig dat de methode niet meer verbeterde. Het raakte een "ruisvloer" waarbij het toevoegen van meer stappen het antwoord alleen maar slechter maakte.
De Nieuwe Detective won (deels): De nieuwe CABIQAE-methode was veel beter in weten wanneer hij moest stoppen. Het vond een "sweet spot" waar de quantumversterking nog steeds nuttig was voordat de ruis de overhand nam.
- Het bereikte een uiteindelijke foutmarge van ongeveer 1,82 × 10⁻³ (een zeer klein getal, maar niet nul).
- Het was veel sneller in de "denkfase" (klassieke post-processing), waarbij het slechts 1,25 seconden duurde vergeleken met 45,72 seconden voor de andere ruis-bewuste methode.
- Het gebruikte minder diepe circuits (een maximale versterkingsfactor van 23) vergeleken met de andere methode's 33, waardoor het de ergste ruis vermeed.

Wat ze expliciet uitsloten

Het is cruciaal om te begrijpen wat dit artikel niet heeft gedaan:

Geen "Magische Overwinning": De auteurs stellen expliciet dat ze niet hebben bewezen dat quantumcomputers nu sneller zijn dan klassieke computers voor deze taak in een echte, end-to-end zin. Ze hebben de klassieke supercomputers niet ingehaald in totale tijd.
Geen Universele Superioriteit: Ze beweren niet dat hun nieuwe algoritme (CABIQAE) theoretisch beter is dan alle andere methoden in een perfecte, ruisvrije wereld. Het is alleen beter in de specifieke, rommelige realiteit van de huidige ruisige hardware.
Geen Opgelost Probleem: Het artikel geeft toe dat de totale fout nog steeds beperkt wordt door hoe goed ze de financiële wiskunde naar quantumcode kunnen vertalen (discretisatie) en de diepte van de circuits. De "volledige CVA-oracle" wordt nog steeds beperkt door deze factoren.

De Kern van de Zaak

Het artikel suggereert dat hoewel de droom van een perfecte, instant quantumversnelling voor de financiële sector nog even op pauze staat, we huidige, ruisige quantumcomputers veel nuttiger kunnen maken door "ruis-bewust" te zijn.

Door het algoritme te leren om naar de ruis te luisteren en te stoppen met versterken wanneer het signaal te wazig wordt, lieten het team zien dat we meer bruikbare informatie kunnen halen uit de huidige, wankele quantummachines dan voorheen. Het is geen toverstaf die alles oplost, maar het is een zeer slim paar ruisonderdrukkende koptelefoons dat ons helpt het signaal iets beter te horen.

Ze hebben dit gemeten op echte hardware, waarmee ze lieten zien dat hun methode beter werkt dan de alternatieven in deze specifieke, ruisige context, maar ze blijven voorzichtig: de volledige weg naar een quantumvoordeel in de financiële sector is nog steeds een werk in uitvoering.

Technische Samenvatting: Een Ruisbewust Quantumalgoritme voor Credit Valuation Adjustments op Werkelijke Quantumhardware

Probleemstelling
Credit Valuation Adjustment (CVA) is een cruciaal onderdeel van de waardering van derivaten dat rekening houdt met het kredietrisico van de tegenpartij. Kwantitatief vereist CVA de herhaalde schatting van risiconeutrale verwachtingen over complexe, multi-asset portfolio's, een taak die traditioneel wordt afgehandeld door Monte Carlo (MC) simulatie. Terwijl klassieke MC schaalt als $O(N^{-1/2})$ , biedt Quantum Amplitude Estimation (QAE) een theoretische kwadratische versnelling, schalend als $O(N^{-1})$ . Het vertalen van dit asymptotische voordeel naar een praktische financiële workflow op huidige Noisy Intermediate-Scale Quantum (NISQ) apparaten blijft echter een open uitdaging. Eerdere circuit-niveau voorstellen, zoals die van Alcazar et al. (2022), richtten zich op vereenvoudigde single-option instanties en vertrouwden op ideale simulaties, waarbij de degradatie van quantuminformatie door hardware-ruis, eindige discretisatie en de specifieke complexiteiten van multi-asset gecorreleerde dynamiek onbehandeld bleven.

Methodologie
De auteurs presenteren een end-to-end, ruisbewuste quantumworkflow voor CVA, uitgevoerd op echte IBM Quantum hardware. De methodologie is gestructureerd in drie primaire componenten:

Financiële Modellering en Quantum Codering:
- Model: De studie breidt eerder werk van een enkele optie uit naar een gecorreleerde twee-asset netting set. Het incorporeert risiconeutrale multi-asset lognormale dynamiek, gekalibreerd aan marktdata (equity closes, implied volatility surfaces, CDS spreads en discount factoren).
- Discretisatie: Het continue tijd-markt domein wordt afgekapt en gediscretiseerd op een eindig rooster compatibel met qubit-registers.
- Circuit Constructie: De CVA-functionaliteit wordt gecodeerd in een quantumcircuit $A$ $A$ . Dit omvat:
  - State Preparation: Een Quantum Circuit Born Machine (QCBM) wordt getraind om een gezamenlijke tijd–markt waarschijnlijkheidsverdeling te bereiden die de gecorreleerde asset-dynamiek representeert.
  - Payoff Encoding: Controlled-rotation circuits (CRCA) coderen de positieve exposure, discount factoren en default waarschijnlijkheden in drie ancilla qubits.
  - Target: De CVA-waarde wordt teruggewonnen uit de waarschijnlijkheid van het meten van de "goede" staat (alle drie de ancilla's in $|1\rangle$ ).
Contrast-Bewuste Bayesiaanse Iteratieve Quantum Amplitude Estimation (CABIQAE):
- In het besef dat Grover-amplificatie contrast (signaal-ruisverhouding) verliest naarmate de circuitdiepte toeneemt op echte hardware, introduceren de auteurs CABIQAE.
- In tegenstelling tot standaard Bayesian Amplitude Estimation (BAE) of Iterative QAE (IQAE) die uitgaan van ideale oscillatie, incorporeert CABIQAE een gekalibreerd contrast-decay model. Het behandelt het experimenteel geobserveerde verlies van Grover-contrast niet als een fout, maar als een parameter in het inferentieprobleem.
- Het algoritme gebruikt een door hardware gekalibreerd likelihood model waarbij de succeswaarschijnlijkheid exponentieel afneemt met de Grover-kracht $k$ . Het selecteert dynamisch Grover-dieptes die de informatie-winst maximaliseren binnen het "contrastvenster" voordat de ruis domineert.
Experimentele Validatie:
- De workflow wordt gevalideerd met behulp van een "hardware-replay" methodologie. De auteurs karakteriseren eerst de hardware-respons van de geamplificeerde circuits en spelen vervolgens adaptieve estimatie-trajecten (CABIQAE, BIQAE, en BAE) af met behulp van deze empirische data. Dit maakt robuuste statistische vergelijking mogelijk zonder elke adaptieve traject live op de quantumprocessor uit te voeren.
- Vergelijkingen worden gemaakt met Direct Circuit Sampling (DCS) en ruis-agnostische baselines (BIQAE, BAE).

Belangrijkste Resultaten

Algoritmische Prestaties: In het hardware-replay regime falen ruis-agnostische algoritmen (specifiek BIQAE) om te verbeteren voorbij een bepaalde query-kost, waarbij ze instorten naar een ruisvloer omdat ze blindelings diepe Grover-iteraties toepassen. In contrast hiermee blijven CABIQAE en BAE de fout verminderen over een breder bereik.
Efficiëntie: CABIQAE bereikt een mediane relatieve fout van $1.82 \times 10^{-3}$ met een mediane query-kost van $4.95 \times 10^4$ . Hoewel de uiteindelijke fout vergelijkbaar is met BAE ( $1.77 \times 10^{-3}$ ), werkt CABIQAE met aanzienlijk minder diepe circuits (mediane maximale Grover-factor $K=23$ versus $K=33$ voor BAE) en een drastisch lagere klassieke post-processing runtime (1.25s versus 45.72s).
Foutdecompositie: De studie deelt de totale CVA-fout op in statistische, encoding, discretisatie en hardware bijdragen. De analyse onthult dat de volledige CVA oracle momenteel beperkt wordt door circuitdiepte en discretisatieresolutie in plaats van enkel door statistische sampling.
Schaling: In het ruisgevoelige regime behoudt CABIQAE een convergentie-exponent van $\beta \approx -0.69$ , wat superieur is aan de hardware-replay DCS ( $\beta \approx -0.30$ ) en de ruis-agnostische BIQAE ( $\beta \approx -0.25$ ), hoewel het de ideale Heisenberg-limiet ( $\beta = -1$ ) niet bereikt.

Significantie en Claims
De auteurs verklaren expliciet dat dit werk geen claim legt voor een end-to-end quantum runtime voordeel ten opzichte van klassieke Monte Carlo voor de volledige CVA-berekening. In plaats daarvan ligt de significantie in:

Realisme: Het bieden van een volledige, end-to-end pipeline die verder gaat dan single-option benchmarks naar een gekalibreerde, multi-asset netting set op echte hardware.
Ruisbewustzijn: Het demonstreren dat het incorporeren van gekalibreerd contrastverlies in de amplitude estimation loop (via CABIQAE) de estimator beter geschikt maakt voor het specifieke regime van huidige NISQ-apparaten, waar amplificatie alleen nuttig is binnen een eindig dieptevenster.
Praktische Schaalbaarheid: Het aantonen dat een ruisbewuste benadering een lagere klassieke post-processing overhead kan bereiken en minder diepe circuits kan gebruiken vergeleken met ruis-agnostische Bayesiaanse baselines, wat de praktische schaalbaarheid van quantum CVA-workflows verbetert.

De paper concludeert dat hoewel het volledige quantumvoordeel momenteel beperkt wordt door hardwarebeperkingen en discretisatie, het voorgestelde ruisbewuste framework een levensvatbaar pad biedt om nuttige informatie te extraheren uit geamplificeerde circuits in de aanwezigheid van realistische hardware-ruis.

Het Probleem: De "Schuddende Scanner"

De Oplossing: Een "Ruis-bewuste" Detective

Wat ze daadwerkelijk vonden

Wat ze expliciet uitsloten

De Kern van de Zaak

Meer zoals dit