Hybrid Quantum Algorithms for Trade Surveillance Analytics

Elk jaar verliest het wereldwijde financiële systeem honderden miljarden dollars aan witwassen en marktmanipulatie. Om dit te stoppen, vertrouwen banken en toezichthouders op geautomatiseerde systemen die miljoenen transacties scannen op verdachte activiteiten. Deze systemen worden echter momenteel overspoeld door hun eigen succes; ze markeren meer dan 95 procent van de gegenereerde meldingen als vals alarm. Dit betekent dat menselijke analisten bijna al hun tijd besteden aan het onderzoeken van volkomen normale transacties, waardoor de werkelijk gevaarlijke schema's verborgen blijven in de ruis. De uitdaging is niet alleen het vinden van de kwaadwillenden, maar dit doen zonder de onderzoekers te verdrinken in valse sporen. Decennialang was de oplossing om betere regels te bouwen of standaard computerprogramma's te gebruiken om patronen te herkennen, maar deze methoden worstelen met de enorme hoeveelheid data en de slimme manieren waarop criminelen zich aanpassen om detectie te vermijden.

Onlangs is er een nieuwe benadering opgekomen uit de wereld van quantumcomputing, een vakgebied dat gebruikmaakt van de vreemde wetten van de fysica op atomaire schaal om informatie te verwerken op manieren die klassieke computers niet kunnen. Onderzoekers vroegen zich al lang af of deze quantummachines het specifieke probleem van financieel toezicht zouden kunnen oplossen: zouden ze de subtiele, complexe connecties tussen rekeningen kunnen ontdekken die traditionele software mist? Een team van onderzoekers van Vanguard, het Washington Institute for STEM, Entrepreneurship, and Research, en Capgemini zette zich af om dit idee te testen. Ze keken niet naar echte bankgegevens, die beschermd worden door strikte privacywetten, maar creëerden in plaats daarvan een zeer realistische, kunstmatige dataset. Deze synthetische data imiteerde het gedrag van een "pump-and-dump"-schema, een type marktfraude waarbij een groep handelaren de aandelenprijs kunstmatig opdrijft voordat ze de aandelen verkopen, waardoor slachtoffers achterblijven met waardeloze aandelen. De dataset bevatte 1.000 handelsrekeningen, waarvan 20 procent fungeerde als de fraudeurs en de rest als onschuldige deelnemers.

De onderzoekers zetten vier verschillende soorten quantum- en hybride quantum-klassieke algoritmen af tegen vier standaard, klassieke computermodellen. Het doel was om te zien welk systeem het beste de 200 verdachte rekeningen kon identificeren die verborgen zaten in de testset. De klassieke modellen bevatten bekende hulpmiddelen zoals beslisbomen en neurale netwerken, die de huidige werkpaarden van de industrie zijn. De quantum-concurrenten waren meer experimenteel: de een gebruikte een methode die vergelijkbaar is met het vinden van de dichtstbijzijnde buren in een menigte, maar gemeten door quantum-gelijkenis; een ander gebruikte een support vector machine, een techniek die een lijn trekt om groepen te scheiden, maar gebouwd op een quantumkaart van de data; een derde was een volledige quantum neurale netwerk; en de vierde was een hybride model dat een kleine klassieke computer gebruikte om een kleine quantum-circuit aan te sturen.

De resultaten waren duidelijk en verrassend. Het best presterende model was geen quantummachine, maar een klassiek model: een beslisboomalgoritme genaamd XGBoost. Het identificeerde correct 61,4 procent van de verdachte rekeningen terwijl het valse alarm op een beheersbaar niveau hield. Geen van de zuivere quantummodellen kwam in de buurt van deze prestatie. Het quantum neurale netwerk, dat 20 qubits (de basiseenheden van quantuminformatie) gebruikte, vond slechts 42 procent van de fraudeurs. De quantum support vector machine presteerde nog slechter en slaagde er niet in de 41 procent te overschrijden. De quantum k-nearest neighbors methode deed het beter dan zijn klassieke tegenhanger en vond 43,5 procent van de fraudeurs, maar bleef nog steeds achter bij de beste klassieke tools.

Echter, het verhaal eindigde niet met een nederlaag voor quantumcomputing. Het meest veelbelovende resultaat kwam van het hybride model, dat een kleine klassieke computer combineerde met een kleine vijf-qubit quantum-circuit. Dit systeem, dat slechts een kwart van de quantumbronnen vereiste van de andere quantummodellen, behaalde een prestatie van 57,9 procent op een perfecte simulatie en 59,8 procent wanneer het op daadwerkelijke quantumhardware werd uitgevoerd. Dit plaatste het net achter het beste klassieke model en voor de zes van de acht geteste klassieke configuraties uit. In praktische termen was dit hybride model in staat om echte verdachte rekeningen te markeren met een precisie die ongeveer een orde van grootte beter was dan de huidige industriestandaard, waarbij slechts één op de twintig meldingen echt is.

De studie onthulde ook dat de manier waarop data wordt voorbereid even belangrijk is als het algoritme dat wordt gebruikt om het te analyseren. De onderzoekers testten twee verschillende manieren om de complexe handelsdata te vereenvoudigen, en de resultaten varieerden sterk afhankelijk van de gekozen methode. Voor het hybride model en de beste klassieke tools werkte één specifieke methode om de data te organiseren aanzienlijk beter dan de andere. Dit suggereert dat de sleutel tot het ontsluiten van het potentieel van deze systemen niet alleen ligt in het bouwen van krachtigere quantumcomputers, maar in het begrijpen van hoe je ze de juiste informatie voert.

Hoewel de studie geen quantumvoordeel vond waarbij een quantummachine de beste klassieke computer versloeg, toonde het aan dat een klein, hybride systeem dat draait op de huidige ruisige quantumhardware, nu al kan concurreren met de beste traditionele tools. De onderzoekers concludeerden dat de hybride benadering de meest effectieve weg voorwaarts is voor deze specifieke taak. Door een klassieke computer te gebruiken om een klein quantum-circuit te sturen, leerde het systeem de data in te bedden op een manier die een vaste quantumkaart niet kon. Dit suggereert dat de toekomst van financieel toezicht misschien geen massieve, foutvrije quantumsupercomputers vereist, maar eerder slimme combinaties van klassieke en quantumtools die effectief kunnen opereren op de imperfecte machines die vandaag de dag beschikbaar zijn. Het werk bewijst dat quantummethoden niet langer alleen theoretisch zijn; ze kunnen getraind, getest en uitgevoerd worden op echte hardware om echte wereldproblemen op te lossen, zelfs als ze nog niet de onbetwiste kampioenen zijn.