← Nieuwste papers
⚛️ kwantumfysica

Insurance portfolio simulation with a quantum circuit

Dit artikel stelt een Quantum Circuit Born Machine (QCBM)-aanpak voor voor de simulatie van verzekeringsportefeuilles die gebruikmaakt van tail-georiënteerde discretisatie, een Monte Carlo-stijl objectief en een tweestaps hiërarchisch trainingsschema om complexe gezamenlijke verliesverdelingen effectief te modelleren en staartrisico's nauwkeurig te vangen op quantumhardware.

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

Gepubliceerd 2026-11-20
📖 7 min leestijd🧠 Diepgaand

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

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 auteur. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Verzekeringsmaatschappijen werken volgens een eenvoudig principe: ze innen kleine, regelmatige betalingen van veel mensen om de zeldzame, catastrofale gebeurtenissen te dekken die een enkeling kunnen treffen. Om solvabel te blijven, moeten deze bedrijven begrijpen hoe verschillende risico's gezamenlijk gedrag vertonen. Als een orkaan toeslaat, kan dit tegelijkertijd huizen en auto's beschadigen, wat zorgt voor een plotselinge piek in de claims. Tegelijkertijd kan diezelfde storm de waarde van de aandelen en obligaties die de verzekeraar als beleggingen aanhoudt, doen dalen. Deze dubbele klap kan de stabiliteit van het bedrijf bedreigen. Om zich voor te bereiden, proberen actuarissen — specialisten die risico's berekenen — wiskundige modellen te bouwen die beschrijven hoe deze verschillende verliezen en activawaarden in relatie tot elkaar bewegen. De uitdaging is dat gegevens uit de echte wereld rommelig zijn. Extreme gebeurtenissen zijn zeldzaam, wat betekent dat er zeer weinig gegevens zijn om te bestuderen, terwijl dit juist de momenten zijn die er het meest toe doen. Traditionele methoden hebben vaak moeite om deze zeldzame, risicovolle scenario's te vatten, vooral wanneer de gegevens beperkt zijn.

Een team van onderzoekers heeft nu een ander pad verkend door een quantumcomputer te gebruiken om deze complexe relaties te modelleren. Ze richtten zich op een specifiek type probleem: het fitten van een gezamenlijke verdeling op een mix van verzekeringsverliezen en aandelenmarktrendementen. In deze context is een gezamenlijke verdeling simpelweg een kaart die laat zien hoe waarschijnlijk het is dat verschillende variabelen op hetzelfde moment specifieke waarden aannemen. De onderzoekers wilden zien of een quantumcircuit — een programma dat draait op een quantumprocessor — deze kaart effectiever kan leren dan standaardmethoden, met name in de "staarten" van de gegevens, die de meest extreme en gevaarlijke uitkomsten vertegenwoordigen. Hun werk suggereert dat quantummachines, door een slimme manier van het organiseren van de gegevens te combineren met een gespecialiseerde trainingsmethode, deze ingewikkelde patronen inderdaad kunnen leren, zelfs wanneer de gegevens schaars zijn.

De onderzoekers begonnen met een dataset die wekelijkse gegevens bevatte van aandelenmarktverliezen en drie verschillende soorten verzekeringsclaims. Ze wisten dat standaardmanieren om deze gegevens in een computer te voeren, zouden falen in het vastleggen van de slechtste scenario's. Als je een reeks getallen verdeelt in even grote bakjes, zijn de bakjes die de uiterste uiteinden beslaan net zo breed als de bakjes in het midden. Dit betekent dat de computer heel weinig ruimte heeft om onderscheid te maken tussen een matig slecht verlies en een werkelijk catastrofaal verlies. Om dit op te lossen, ontwierp het team een systeem dat meer detail in de uiterste uiteinden stopte. Ze wijsden de eerste helft van alle waarnemingen toe aan het eerste bakje, het volgende kwart aan het tweede, het volgende achtste aan het derde, enzovoort. Deze exponentiële aanpak betekende dat het laatste bakje, dat de meest extreme verliezen bevatte, ongelooflijk smal was, waardoor het model de fijne details van de ergste gebeurtenissen kon zien.

Zodra de gegevens waren georganiseerd, kreeg het team te maken met een andere hindernis: hoe leer je de quantumcomputer de patronen te herkennen. Normaal gesproken wordt een machine learning-model getraind door zijn voorspellingen te vergelijken met de werkelijke gegevens en de instellingen aan te passen om het verschil te verkleinen. Echter, met zo weinig datapunten en zoveel mogelijke uitkomsten, wordt de standaardmanier om dit verschil te meten onbetrouwbaar en ruisachtig. De onderzoekers ontwikkelden een nieuwe methode om deze ruis te verzachten. In plaats van te proberen alle bakjes met gegevens tegelijkertijd te vergelijken, groepeerden ze de bakjes willekeurig in grotere, grovere groepen en vergeleken zij die. Door deze willekeurige groepering vele malen te herhalen en de resultaten te middelen, creëerden ze een stabiel signaal dat de computer vertelde in welke richting hij zijn instellingen moest aanpassen om te verbeteren. Dit zorgde ervoor dat de training soepel kon verlopen, zelfs met beperkte gegevens.

Het trainingsproces zelf werd in twee fasen opgebouwd om ervoor te zorgen dat de computer efficiënt leert. Eerst trainden het team een kleinere versie van het model op een klassieke computersimulator. Dit kleinere model gebruikte minder "qubits", de basisunits van informatie in een quantumcomputer. Zodra dit kleinere model de algemene vorm van de risicoverdeling had geleerd, brachten de onderzoekers deze kennis over naar een groter, gedetailleerder model. Vervolgens verfijnden ze alleen de nieuwe onderdelen van het grotere model op daadwerkelijke quantumhardware. Deze aanpak, bekend als hiërarchisch leren, fungeerde als een "warm start", waardoor het complexe systeem een voorsprong kreeg in plaats van dat het vanaf nul moest leren. De hardware die ze gebruikten, was een trapped-ion quantumcomputer, die individuele atomen gebruikt die op hun plaats worden gehouden door elektromagnetische velden om berekeningen uit te voeren.

De resultaten toonden aan dat deze aanpak werkte. Het quantummodel slaagde erin de relaties tussen de verschillende soorten risico's te leren. Het identificeerde correct dat de verschillende verzekeringslijnen tijdens slechte tijden de neiging hadden om samen te bewegen, terwijl de aandelenmarktrendementen grotendeels onafhankelijk bleven van de verzekeringsverliezen. Wanneer het team naar het totale potentiële verlies van de portefeuille keek, was het model dat getraind was met de exponentiële codering in staat om de extreme waarden te bereiken die in de echte gegevens werden gezien. In tegen tegenstelling hiertoe kon een model dat de standaard, uniforme methode gebruikte, niet de hoogste waarden produceren die overeenkwamen met de ergste geobserveerde verliezen; het raakte simpelweg een plafond dat ver onder de realiteit lag. Het exponentiële model kon echter verliezen vertegenwoordigen die honderden malen groter waren dan het mediaan, waardoor het ware gevaar van de staart vastlegde.

Er waren natuurlijk beperkingen. Het model dat op de quantumhardware werd getraind, presteerde niet zo goed als het model dat op een klassieke computer werd gesimuleerd. De onderzoekers ontdekten dat dit gat niet primair te wijten was aan fouten in de quantummachine zelf, maar aan het feit dat ze de machine slechts een beperkt aantal keren konden laten draaien om gegevens te verzamelen. De quantumcomputer moet vele malen worden uitgevoerd om een duidelijk beeld van de waarschijnlijkheden op te bouwen, en met de huidige technologie konden ze het niet vaak genoeg uitvoeren om de precisie van de simulatie te evenaren. Desalniettemin bewees het experiment dat de methode levensvatbaar is. Het hiërarchische trainingsschema presteerde aanzienlijk beter dan starten vanaf nul, waarbij de fout in het uiteindelijke model met meer dan de helft werd verminderd vergeleken met willekeurige pogingen.

De studie concludeert dat quantumcircuits kunnen worden aangepast om de zware staarten en schaarse gegevens die typerend zijn voor verzekeringsportefeuilles te verwerken, maar alleen als het gehele proces met deze specifieke uitdagingen in gedachten is ontworpen. Standaardmethoden ontwikkeld voor gladdere, meer voorkomende gegevensverdelingen werken niet direct. Het succes van dit project rustte op drie belangrijke innovaties: een manier om de gegevens te coderen die zich richt op de extremen, een trainingsdoel dat stabiel blijft met weinig monsters, en een tweestaps leerproces dat complexiteit geleidelijk opbouwt. Hoewel de onderzoekers niet beweerden het probleem van risicomodellering volledig te hebben opgelost, hebben ze een werkende pijplijn gedemonstreerd die van gegevens naar een door quantum gegenereerd risicomodel leidt. Ze merkten op dat voor dit een praktisch hulpmiddel voor de sector te worden, toekomstig werk zich moet richten op het aantal keren dat de hardware moet worden uitgevoerd en het testen van de methode op nog grotere portfolio's. Voor nu staat het werk als een bewijs dat quantummachines kunnen beginnen met het in kaart brengen van de vorm van zeldzame en gevaarlijke financiële gebeurtenissen.

Verdrinkt u in papers in uw vakgebied?

Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.

Probeer Digest →