← 最新论文
⚛️ 量子物理

Insurance portfolio simulation with a quantum circuit

本文提出了一种用于保险组合模拟的量子电路玻恩机(QCBM)方法,该方法利用聚焦尾部的离散化、蒙特卡洛风格的目标函数以及两阶段分层训练方案,以在量子硬件上有效建模复杂的联合损失分布并准确捕捉尾部风险。

原作者: William Cashman, Marco Caselli, Saad Hamid, Daniel Mills, Pavel Stishenko

发布于 2026-11-20
📖 1 分钟阅读🧠 深度阅读

原作者: William Cashman, Marco Caselli, Saad Hamid, Daniel Mills, Pavel Stishenko

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

保险公司运作的基础是一个简单的逻辑:它们向许多人收取小额且稳定的费用,以覆盖极少数人可能遭遇的罕见灾难性事件。为了保持偿付能力,这些公司必须了解不同风险是如何相互作用的。如果发生飓风,它可能会同时破坏房屋和汽车,导致赔付请求突然激增。与此同时,同一场风暴还可能压低保险公司持有的投资品(如股票和债券)的价值。这种“双重打击”会威胁到公司的稳定性。为了应对这一挑战,精算师(计算风险的专家)试图构建数学模型,来描述这些不同的损失与资产价值如何相互关联。挑战在于,现实世界的数据是杂乱无章的。极端事件非常罕见,这意味着用于研究的数据极少,然而这些时刻恰恰是最重要的。传统方法在处理这些数据稀缺且具有高风险的场景时往往表现不佳。

现在,一支研究团队探索了一条不同的路径,利用量子计算机来模拟这些复杂的相互关系。他们专注于一个特定类型的问题:将一个联合分布拟合到保险损失与股市回报的混合体中。在这种语境下,联合分布简单来说就是一张地图,展示了不同变量在同一时间取特定值的可能性。研究人员想要观察量子电路(在量子处理器上运行的程序)是否能比标准方法更有效地学习这张地图,特别是在代表最极端、最危险结果的“尾部”数据方面。他们的工作表明,通过一种巧妙的数据组织方式结合专门的训练方法,量子机器确实可以学习这些复杂的模式,即使在数据稀疏的情况下也是如此。

研究人员首先使用了一个包含股市损失和三种不同类型保险理赔周度记录的数据集。他们意识到,使用标准方式将这些数据输入计算机,将无法捕捉到最坏的情况。如果你将一组数字范围划分为大小相等的区间(桶),那么覆盖极端端的区间与中间部分的区间一样宽。这意味着计算机很难区分一次中度的损失和一次真正的灾难性损失。为了解决这个问题,团队设计了一个系统,在极端端填充了更多的细节。他们将前一半的观测值分配给第一个区间,接下来的四分之一分配给第二个,接下来的八分之一分配给第三个,以此类推。这种指数级的方法意味着,持有最极端损失的最后一个区间变得极其狭窄,从而使模型能够观察到最严重事件的微观细节。

一旦数据组织完毕,团队面临着另一个障碍:如何教量子计算机识别这些模式。通常,机器学习模型的训练是通过将它的预测值与实际数据进行比较,并调整其参数以缩小差异。然而,由于数据点过少且可能的结果过多,衡量这种差异的标准方法会变得不可靠且充满噪声。研究人员开发了一种新方法来平滑这种噪声。他们并没有尝试一次性比较每一个数据区间,而是将这些区间随机分组为更大的、更粗略的组,并对这些组进行比较。通过多次重复这种随机分组并对结果取平均值,他们创造了一个稳定的信号,告诉计算机应该朝哪个方向调整其参数以进行改进。这使得即使在数据有限的情况下,训练也能顺利进行。

训练过程本身采用了两个阶段,以确保计算机能够高效学习。首先,团队在经典计算机模拟器上训练了一个较小版本的模型。这个较小的模型使用了较少的“量子比特”(即量子计算的基本信息单位)。一旦这个较小的模型学习到了风险分布的总体形状,研究人员就会将其知识迁移到一个更大、更详细的模型中。然后,他们仅在实际的量子硬件上对较大模型的全新部分进行微调。这种被称为“分层学习”的方法起到了“热启动”的作用,让复杂的机器有一个良好的开端,而不是被迫从零开始学习。他们使用的硬件是俘获离子(trapped-ion)量子计算机,这种计算机利用由电磁场固定的单个原子来进行计算。

结果表明,这种方法是有效的。量子模型成功学习了不同类型风险之间的关系。它正确地识别出,在糟糕时期,不同的保险业务线倾向于同步波动,而股市回报则与保险损失基本保持独立。当团队观察投资组合的总潜在损失时,使用指数编码训练的模型能够达到现实数据中的极端值。相比之下,使用标准均匀方法的模型无法产生足以匹配最坏观测损失的高值;它仅仅撞到了一个远低于现实的“天花板”。然而,指数模型却可以表示比中位数大数百倍的损失,捕捉到了真实的危险程度。

当然,这也存在局限性。在量子硬件上训练的模型表现并不完全等同于在经典计算机上模拟的模型。研究人员发现,这种差距并非主要源于量子机器本身的误差,而是因为他们只能运行该机器有限的次数来收集数据。量子计算机需要多次运行才能构建出清晰的概率图景,而以目前的技术水平,他们无法运行足够多次以达到模拟实验的精度。尽管如此,实验证明了该方法的可行性。分层训练方案的表现显著优于从零开始的尝试,与随机尝试相比,它将最终模型的误差降低了一半以上。

研究结论指出,量子电路可以被用来处理保险投资组合中常见的重尾、稀疏数据,但前提是整个过程必须针对这些特定挑战进行设计。针对平滑且常见的数据分布而开发的标准方法无法直接适用。该项目的成功依赖于三个关键创新:一种聚焦于极端情况的数据编码方式、一种在样本较少时仍能保持稳定的训练目标,以及一个循序渐进构建复杂性的两步学习过程。虽然研究人员并未声称已经彻底解决了风险建模问题,但他们展示了一个从数据到量子生成风险模型的完整工作流程。他们指出,要使该方法成为行业的实用工具,未来的工作需要解决硬件运行次数的问题,并测试该方法在更大规模投资组合上的表现。目前,这项工作证明了量子机器可以开始描绘金融领域罕见且危险事件的轮廓。

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。

试用 Digest →