Hybrid Quantum Algorithms for Trade Surveillance Analytics
本文将四种量子和混合分类器与用于交易监管的经典基准模型进行了对比测试，发现虽然未观察到量子优势，但一个在噪声硬件上运行的五比特混合神经网络实现了与经过良好调优的经典模型相当的竞争性性能（F1 分数在 55.4–59.8% 之间），这表明随着更大规模设备的出现，未来具有增长潜力。
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
每年，全球金融系统都会因洗钱和市场操纵而损失数千亿美元。为了阻止这些行为，银行和监管机构依赖自动化系统来扫描数百万笔交易以寻找可疑活动。然而，这些系统目前正受到自身成功的困扰：它们生成的警报中有超过 95% 都是误报。这意味着人类分析师几乎把所有时间都花在了调查完全正常的交易上，从而让真正的危险计划隐藏在噪音之中。挑战不仅在于找到坏人，还在于如何在不让调查人员淹没在虚假线索中的情况下找到他们。几十年来，解决方案一直是建立更好的规则或使用标准的计算机程序来识别模式，但这些方法在面对海量数据以及犯罪分子为规避检测而采取的巧妙手段时显得力不从心。
最近，一种来自量子计算领域的新方法出现了，该领域利用原子尺度下的奇异物理定律，以经典计算机无法处理的方式处理信息。研究人员长期以来一直想知道，这些量子机器能否解决金融监管这一特定问题：它们能否发现传统软件所忽略的账户之间微妙且复杂的联系？来自 Vanguard、华盛顿 STEM、创业与研究学院（WISE）以及 Capgemini 的一个研究小组着手测试这一想法。他们没有查看受严格隐私法保护的真实银行记录，而是创建了一个高度逼真的合成数据集。该合成数据模拟了“拉高抛售”（pump-and-dump）计划的行为，这是一种市场欺诈类型，即一群交易者人为抬高股票价格，然后在抛售股票后离场，导致受害者持有毫无价值的股份。该数据集包含 1,000 个交易账户，其中 20% 充当诈骗者，其余为普通参与者。
研究人员将四种不同类型的量子及混合量子-经典算法与四种标准的经典计算机模型进行了对比。目标是观察哪种系统能最好地识别测试集中隐藏的 200 个可疑账户。这些经典模型包括决策树和神经网络等行业内广为人知的工具，它们是目前的行业主力。相比之下，量子竞争者则更具实验性：一种方法类似于寻找人群中最接近的邻居，但通过量子相似性进行衡量；另一种使用了支持向量机，这是一种通过绘制界限来分隔群组的技术，但它是基于数据的量子映射构建的；第三种是全量子神经网络；第四种是混合模型，它使用一台小型经典计算机来控制一个微小的量子电路。
结果清晰且令人惊讶。表现最好的模型并非量子机器，而是一个名为 XGBoost 的经典决策树算法。它在保持误报率处于可控水平的同时，正确识别了 61.4% 的可疑账户。没有任何纯量子模型能接近这一性能。使用 20 个量子比特（量子信息的逻辑单位）的量子神经网络仅找到了 42% 的诈骗者。量子支持向量机的表现甚至更差，未能超过 41%。量子 k-最近邻方法比其经典对应模型表现更好，找到了 43.5% 的诈骗者，但仍远落后于最好的经典工具。
然而，故事并未以量子计算的失败而结束。最有前景的结果来自于混合模型，它将一台小型经典计算机与一个微小的五量子比特量子电路相结合。这个系统使用的量子资源仅为其他量子模型的四分之一，但在完美模拟中实现了 57.9% 的性能，在实际量子硬件上运行时达到了 59.8%。这使其紧随表现最好的经典模型之后，并领先于测试的八个经典配置中的六个。从实际意义上讲，该混合模型标记真实可疑账户的精确度大约比目前的行业标准高出一个数量级，目前的行业标准中每二十个警报中只有一个是真实的。
研究还表明，数据的准备方式与用于分析数据的算法同样重要。研究人员测试了两种不同的简化复杂交易数据的方法，结果根据所选方法的不同而产生巨大差异。对于混合模型和最好的经典工具而言，一种特定的组织数据的方法明显优于另一种。这表明，解锁这些系统潜力的关键不仅在于构建更强大的量子计算机，还在于理解如何向它们输入正确的信息。
虽然这项研究并未发现量子机器优于最佳经典计算机的“量子优势”，但它证明了运行在当今嘈ole（带有噪声）量子硬件上的小型混合系统已经可以与顶尖的传统工具相抗衡。研究人员得出结论，混合方法是处理这一特定任务最有效的途径。通过使用经典计算机来引导微小的量子电路，该系统学会了以一种固定量子映射无法实现的方式来嵌入数据。这表明，未来的金融监管可能不需要庞大的、无误差的量子超级计算机，而是需要能够有效运行在现有的不完美机器上的、巧妙结合了经典与量子工具的系统。这项工作证明，量子方法不再仅仅是理论性的；它们可以被训练、测试并运行在真实的硬件上以解决现实世界的问题，即使它们目前还不是无可争议的冠军。
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。