💰 quantitative finance

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

本文提出了一种用于信用估值调整（CVA）的噪声感知量子工作流，该工作流利用一种新颖的对比感知贝叶斯迭代振幅估计算法，以有效地减轻硬件噪声，并在当前量子设备上超越噪声无关的方法。

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

发布于 2026-07-15

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

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

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

想象一下，你正试图猜测一个巨大且混乱的体育场内所有人的平均身高。如果你用传统的方法（被称为蒙特卡洛模拟），你必须在人群中走动，测量一些人，做出猜测，再测量一些人，如此循环往复，直到你感到足够自信。这非常缓慢，而且为了获得超高精度的答案，你必须测量极其庞大的人数。

现在，想象有一个“量子超级扫描仪”，它可以同时观察整个观众席，并使用一种特殊的技巧，叫做量子振幅估计（Quantum Amplitude Estimation）。在一个完美的、无噪声的世界里，这个扫描仪可以用更少的步骤给出答案——就像通过让针头变得越来越亮来寻找草堆里的针一样，直到它变得无法被忽视。这就是这种“二次加速”带来的魅力，也是为什么量子计算让金融领域如此兴奋的原因。

但转折点在于：我们并不生活在一个完美的世界里。我们生活在一个充满噪声的世界。我们现在的这些量子计算机（被称为“嘈杂硬件”）就像是如果你试图在身体剧烈晃动、震动且电池即将耗尽时去使用那个超级扫描仪。如果你试图让针头变得太亮（通过运行扫描器次数过多），晃动就会变得如此严重，以至于光芒反而会消散，让你一无所获。

问题所在：“摇晃的扫描仪”

本文作者测试了一个非常具体的金融问题：信用估值调整（CVA）。你可以把 CVA 理解为银行收取的“安全费”，以保护自己免受借款人违约（停止还款）带来的损失。计算这个费用就像尝试预测观众席的平均身高，但又多了一层复杂的维度：你必须同时猜测人群的移动方式、他们离开的可能性以及他们欠了多少钱。

之前的研究表明，量子计算机可以更快地解决这个问题。然而，那些研究大多发生在完美的计算机模拟中。它们并没有测试在实际运行于一台摇晃的真实量子机器上时会发生什么。

解决方案：“感知噪声”的侦探

团队构建了一个完整的流程，用于在真实的 IBM 量子硬件上计算这项安全费用。但他们知道，如果他们只是使用标准的“加大音量使其变亮”的方法，噪声将会毁掉答案。

因此，他们发明了一种新的侦探方法，叫做 CABIQAE（对比感知贝叶斯迭代量子振幅估计）。

以下是类比：

旧方法 (BIQAE)： 想象一位侦探不断大喊：“我确定答案就在这里！”并不断提高音量（放大倍数）来进行搜索。但在一个嘈杂的房间里，大声喊叫只会让回声听起来像静电噪音。这位侦探会一直喊叫，直到他的声音完全被噪音淹没，从而浪费了时间和精力。
新方法 (CABIQAE)： 这位侦探很聪明。他拥有一个特殊的麦克风，可以测量房间里到底有多少“静电噪音”。他知道如果他的喊叫音量超过某个界限，信号就会变差。所以，当静电噪音变得太大时，他会停止喊叫。他使用一种聪明的数学技巧（贝叶斯推断）来结合他在噪音接管之前所获得的线索，从而以更少的努力获得更好的答案。

他们究竟发现了什么

作者在真实的量子硬件上运行了实验，并将他们新的“感知噪声”侦探与旧的“大声喊叫”侦探以及简单的“计数法”进行了对比。

“大声喊叫”侦探失败了： 标准方法 (BIQAE) 试图使用深层的、经过放大的电路。在真实的硬件上，信号变得非常嘈杂，导致该方法不再进步。它撞到了一个“噪声底线”，即增加更多步骤只会让答案变得更糟。
新侦探胜出了（某种程度上）： 新的 CABIQAE 方法更擅长判断何时停止。它找到了一个“甜点区（sweet spot）”，在这个区域，量子放大仍然有效，尚未被噪声吞噬。
- 它实现了约 1.82 × 10⁻³ 的最终误差率（这是一个非常小的数字，但并非零）。
- 它在“思考”阶段（经典后处理）的速度更快，仅用了 1.25 秒，而另一种感知噪声的方法则用了 45.72 秒。
- 它使用了更浅的电路（最大放大因子为 23），相比之下，另一种方法的放大因子为 33，从而避开了最严重的噪声。

他们明确排除了什么

理解本文没有做的事情至关重要：

并非“魔法胜利”： 作者明确指出，他们并未证明量子计算机现在比经典计算机在处理这项任务时更快。在端到端的总时长上，他们并没有击败经典超级计算机。
并非“普遍优越性”： 他们并不声称其新算法 (CABIQAE) 在完美的、无噪声的世界里在理论上优于所有其他方法。它仅在当前嘈杂硬件的特定现实环境下表现更好。
并非“已解决的问题”： 论文承认，总误差仍受限于如何将金融数学转化为量子代码（离散化）以及电路的深度。所谓的“完整 CVA Oracle”仍然受到这些因素的限制。

核心结论

本文表明，虽然实现完美的、即时的金融量子加速的梦想仍处于搁置状态，但我们可以通过变得“感知噪声”来让当前的嘈杂量子计算机变得更有用。

通过教算法去倾听噪声，并在信号变得模糊之前停止放大，团队展示了我们可以从今天的这些摇晃的量子机器中提取出比以前更多的有用信息。这并不是一个解决一切的魔杖，但它是一副非常聪明的降噪耳机，能帮助我们更好地听到信号。

他们在真实硬件上测量了这一点，证明了在特定的、嘈杂的机制下，他们的方法比替代方案更有效，但他们也保持着谨慎：通往金融领域量子优势的完整旅程仍是一个正在进行中的工程。

技术摘要：一种针对真实量子硬件的噪声感知型信用估值调整（CVA）量子算法

问题陈述
信用估值调整（CVA）是衍生品定价中的一个关键组成部分，用于衡量交易对手信用风险。从定量角度来看，CVA 需要对复杂的、多资产组合进行重复的风险中性期望估计，这在传统上通过蒙特卡洛（MC）模拟来处理。虽然量子振幅估计（QAE）在理论上具有 $O(N^{-1})$ 的缩放效率，相比于经典 MC 的 $O(N^{-1/2})$ 提供了二次加速，但如何将这种渐近优势转化为当前噪声中等规模量子（NISQ）设备上的实际金融工作流，仍然是一个开放性挑战。先前的电路级方案（如 Alcazar 等人，2022）侧重于简化的单期期权实例，并依赖于理想模拟，未能解决由于硬件噪声、有限离散化以及特定多资产相关动态复杂性导致的量子信息退化问题。

方法论
作者提出了一个端到端的、噪声感知的 CVA 量子工作流，并在真实的 IBM 量子硬件上进行了执行。该方法由三个主要部分组成：

金融建模与量子编码：
- 模型： 本研究将前人的工作从单期期权扩展到了相关的双资产净额结算集（netting set）。它结合了风险中性的多资产对数正态动力学，并根据市场数据（股票收盘价、隐含波动率曲面、CDS 价差和贴现因子）进行了校准。
- 离散化： 将连续的时间-市场域截断并离散化到与量子比特寄存器兼容的有限网格上。
- 电路构建： 将 CVA 函数编码进量子电路 $A$ $A$ 。这包括：
  - 状态准备： 训练一个量子电路玻尔兹曼机（QCBM）来准备代表相关资产动态的联合时间-市场概率分布。
  - 收益编码： 通过受控旋转电路（CRCA）将正向风险敞口、贴现因子和违约概率编码进三个辅助量子比特中。
  - 目标： 从测量到“好”状态（所有三个辅助量子比特均为 $|1\rangle$ ）的概率中恢复 CVA 值。
对比度感知贝叶斯迭代量子振幅估计（CABIQAE）：
- 意识到在真实硬件上，随着电路深度的增加，Grover 放大过程会损失对比度（信噪比），作者引入了 CABIQAE。
- 与假设理想振荡的标准贝叶斯振幅估计（BAE）或迭代振幅估计（IQAE）不同，CABIQAE 引入了一个校准后的对比度衰减模型。它将实验观察到的 Grover 对比度损失视为推断问题中的一个参数，而非单纯的误差。
- 该算法使用一个经过硬件校准的似然模型，其中成功概率随 Grover 幂次 $k$ 指数级衰减。它能够动态选择 Grover 深度，以在噪声占据主导地位之前的“对比度窗口”内最大化信息增益。
实验验证：
- 该工作流使用“硬件重放”方法进行验证。作者首先表征了放大电路的硬件响应，然后使用这些经验数据重放自适应估计轨迹（CABIQAE、BIQAE 和 BAE）。这使得可以在不直接在量子处理器上实时执行每个自适应轨迹的情况下，进行稳健的统计比较。
- 与直接电路采样（DCS）以及噪声不可知基准（BIQAE、BAE）进行了对比。

关键结果

算法性能： 在硬件重放机制下，噪声不可知算法（特别是 BIQAE）无法在超过一定查询成本后实现改进，由于盲目应用深层 Grover 迭代，其性能会坍塌至噪声底限。相比之下，CABIQAE 和 BAE 则能继续降低误差。
效率： CABIQAE 在中值查询成本为 $4.95 \times 10^4$ 时，实现了 $1.82 \times 10^{-3}$ 的中值相对误差。虽然其最终误差与 BAE（ $1.77 \times 10^{-3}$ ）相当，但 CABIQAE 使用的电路明显更浅（中值最大 Grover 因子 $K=23$ ，而 BAE 为 $K=33$ ），且经典后处理运行时间大幅降低（1.25s 对比 45.72s）。
误差分解： 研究将总 CVA 误差分解为统计、编码、离散化和硬件贡献。分析表明，当前的完整 CVA Oracle 受限于电路深度和离散化分辨率，而非仅仅是统计采样。
缩放特性： 在噪声环境下，CABIQAE 保持了 $\beta \approx -0.69$ 的收敛指数，优于硬件重放下的 DCS（ $\beta \approx -0.30$ ）和噪声不可知的 BIQAE（ $\beta \approx -0.25$ ），尽管尚未达到理想的海森堡极限（ $\beta = -1$ ）。

意义与主张
作者明确指出，这项工作并不声称在完整的 CVA 计算上实现了相对于经典蒙特卡洛的端到端量子运行时优势。其意义在于：

现实性： 提供了一个完整的、端到端的流水线，超越了单期期权的基准测试，实现了在真实硬件上的校准多资产净额结算集。
噪声感知： 证明了通过将实验校准的对比度损失引入振幅估计循环（通过 CABIQAE），可以使估计器更好地适应当前的 NISQ 设备环境——在这些设备中，放大效应仅在有限的深度窗口内有效。
实际可扩展性： 展示了噪声感知方法如何实现比噪声不可知贝叶斯基准更低的经典后处理开销，并利用更浅的电路，从而提高量子 CVA 工作流的实际可扩展性。

研究结论认为，尽管目前的硬件约束和离散化限制了完整的量子优势，但所提出的噪声感知框架为从存在现实硬件噪声的放大电路中提取有用信息提供了一条可行路径。

问题所在：“摇晃的扫描仪”

解决方案：“感知噪声”的侦探

他们究竟发现了什么

他们明确排除了什么

核心结论

类似论文