Quantum Machine Learning for Finance
这篇综述论文概述了金融领域量子算法的现状，特别强调了可通过机器学习解决的使用案例，并指出金融业是准备好从量子计算中获得早期且颠覆性收益的行业。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一个这样的世界：计算机不再仅仅是按照单一指令逐行执行，而是能够同时探索多种可能性，就像一位旅行者可以同时走遍森林中的每一条路径以寻找出口一样。这就是量子计算的承诺——这一领域利用微观世界的奇特规则，以经典机器无法实现的方式来处理信息。尽管这些机器仍处于早期且充满噪声的阶段，但科学家们相信，它们很快就能解决目前即使是最强大的超级计算机也无法解决的问题。寻找这种力量最令人兴奋的领域之一便是金融业，这是一个处理海量数据、复杂风险以及不断需要预测未来的行业。问题不仅在于这些新机器能否发挥作用，还在于如何教它们像人类一样从数据中学习，从而在金钱、市场和风险方面做出更好的决策。
来自摩根大通（JPMorgan Chase）的一个研究团队撰写了一篇全面的综述，详细描绘了这些量子机器是如何被训练成为金融专家的。他们并不声称这项技术明天就能取代每一位交易员或分析师。相反，他们提供了一个清晰、现实的现状图景，展示了哪些金融任务在今天可以得到改进，而哪些可能需要更长的时间。该论文聚焦于一种特定类型的人工智能——机器学习，即计算机通过从数据中学习模式而非遵循僵化规则来进行学习。研究人员考察了量子机器应用的七个主要领域：价格预测、信息分类、发现隐藏模式、创建新数据、提取重要特征、进行时序决策以及理解人类语言。
他们探讨的第一领域是数值预测，即回归任务。在金融领域，这被用于根据历史数据预测未来的股票价格或债券价值。经典计算机通过寻找最符合数据点云的最佳直线来完成此任务，但在处理海量数据时速度可能较慢。研究人员解释说，量子算法可以更快地解决这些问题中的特定数学子程序，潜在地提供一种随着数据规模增大而呈指数级增长的速度优势。然而，他们谨慎地指出一个重大障碍：首先将数据输入量子计算机本身仍然既困难又缓慢。虽然机器内部的数学运算很快，但加载信息和读取答案的过程有时会抵消掉这些优势。论文指出，目前尚未发现任何具有超越其经典对应方案之指数级加速的端到端量子机器学习应用。尽管如此，论文仍建议，对于特定类型的金融模型，只要解决了数据加载挑战，量子方法最终有望在效率上提供提升。
接下来，团队研究了分类，即将事物归类为不同类别的艺术。在金融世界中，这可能意味着判断贷款申请人是否可能偿还债务，或者判断一只股票是“买入”还是“卖出”。经典计算机使用诸如支持向量机等方法在这些组别之间划定界限。研究人员描述了量子版本的这些工具如何创建更复杂的边界，从而能够分离那些在经典计算机看来杂乱无章的数据。他们强调了一种名为“量子特征映射”的特定技术，它将简单的数据提升到一个广阔的多维空间，使模式变得清晰可见。虽然这些方法已在小型数据集上进行了测试，但论文表明，它们在处理银行和投资中混乱的现实世界数据方面具有前景，尽管实际的加速效果取决于克服数据访问瓶颈。
随后，该综述转向了聚类，即在杂乱的数据中寻找自然形成的群体，而无需预先告知寻找目标。这对于识别欺诈或对相似股票进行分组非常有用。研究人员讨论了一种称为“量子聚类”的方法，它将数据点视为物理系统中的粒子，寻找它们自然聚集的区域。他们还提到了一种称为“动态量子聚类”的技术，它观察这些群体随时间的变化。这种方法已经被用于分析股市数据并对不同类型的投资基金进行分类，帮助投资者看到原本可能被隐藏的联系。论文指出，虽然这些方法仍在完善中，但它们提供了观察金融市场结构的新途径，尽管其全部潜力受限于当前的硬件约束。
另一个主要章节涵盖了生成式建模，即计算机学习创建与真实数据极其相似的新数据。这对于在不冒真实资金风险的情况下测试策略非常有用。研究人员解释了量子机器如何学习金融事件的概率分布，本质上是在学习市场的“形状”。他们描述了这些机器如何生成虚假但真实的模拟市场场景，以测试投资组合在危机中的表现。这是通过量子版本的神经网络实现的，这些网络在特定的子程序中可以比经典计算机更快地从复杂分布中进行采样。论文建议，这最终可能有助于银行进行压力测试，使他们能更清晰地观察到罕见但危险的事件，尽管目前尚未发现具有指数级加速的端到端应用。
该团队还研究了量子计算机如何帮助从大量信息中挑选最重要的事实，这一过程被称为特征提取。在金融领域，变量过多会干扰模型，因此找到真正关键的变量至关重要。研究人员描述了量子算法如何分析数千个数据点之间的关系，以找到其中最显著的部分，从而有效地将庞大的数据集缩减到其核心。这对于信用评分特别有帮助，因为系统必须决定哪些因素真正能预测一个人是否会偿还贷款。通过使用量子方法，系统理论上可以更高效地识别这些关键因素，尽管论文强调，在这些优势得以在实践中充分实现之前，数据加载仍然是一个瓶颈。
随时间进行的决策是另一个关键领域，称为强化学习。这是指计算机学习通过一系列选择来最大化奖励的过程，类似于交易员逐日调整投资组合的方式。论文解释说，量子计算机理论上可以加速这一学习过程，使智能体能更快地找到最佳交易策略。然而，研究人员指出，由于目前的硬件限制，量子强化学习方法尚未直接应用于自动化交易。他们认为，虽然理论基础很扎实，算法交易的部分组件最终可能会受益于量子优势，但我们尚未达到实现完全自动化量子交易的阶段。
最后，该综述涉及了这些机器如何理解人类语言。金融市场由新闻、报告和社交媒体驱动，这些都包含非结构化文本。研究人员描述了量子算法如何分析句子的语法和含义，以评估情绪或检测金融文件中的欺诈行为。通过使用一种将单词视为更大结构组成部分的方法，这些系统理论上可以提高句子相似度计算的复杂度，从而实现相对于经典方法的改进。这可以帮助银行通过阅读成千上万份贷款申请或审计报告来评估风险，尽管论文澄清，这种加速源于特定算法在相似度计算方面的改进，而非在所有场景下都能比简单的关键词搜索更好地理解语境。
论文以一个冷静但乐观的总结结束。研究人员明确表示，虽然量子机器学习并不是解决每一个金融问题的万灵药，但它是一个正在迅速演进的强大新工具。他们承认，目前的机器受到噪声和规模较小的限制，且数据加载仍然是一个挑战。然而，他们认为速度和准确性的潜力是真实的，特别是对于金融领域中这类特定类型的复杂问题。该综述充当了一份路线图，表明我们正从理论迈向实践，并且金融业已做好准备，成为最早从这个计算新时代中获益的行业之一。旅程才刚刚开始，但目的地承诺将是一个决策深度远超以往、能够洞察未竟之志的金融世界。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。