A Survey Of Quantum Computing For Finance

1. Thông tin Nghiên cứu khoa học

• Tên nghiên cứu tiếng Anh: A Survey of Quantum Computing for Finance
• Tên nghiên cứu tiếng Việt: Tổng quan về Điện toán Lượng tử trong Tài chính
• Tác giả: Dylan A. Herman, Cody Googin, Xiaoyuan Liu, Alexey Galda, Ilya Safro, Yue Sun, Marco Pistoia, and Yuri Alexeev
• Số trang file pdf: 40
• Năm: 2022
• Nơi xuất bản: arXiv
• Chuyên ngành học: Vật lý lượng tử (quant-ph)
• Từ khoá: Điện toán lượng tử, tài chính, mô hình hóa ngẫu nhiên, tối ưu hóa, học máy.

2. Nội dung chính

Bài viết “Tổng quan về Điện toán Lượng tử trong Tài chính” trình bày một cái nhìn toàn diện về ứng dụng của điện toán lượng tử trong lĩnh vực tài chính, một lĩnh vực được dự đoán sẽ hưởng lợi sớm nhất từ công nghệ này. Nghiên cứu này không chỉ tổng hợp các thành tựu gần đây mà còn thảo luận về những hạn chế của các thiết bị lượng tử và các phương pháp tiếp cận thuật toán, những điều thường bị thổi phồng trên các phương tiện truyền thông.

Bài viết bắt đầu bằng việc giới thiệu các thách thức kinh tế vĩ mô mà các tổ chức tài chính đang đối mặt, như tuân thủ các quy định ngày càng khắt khe, đáp ứng kỳ vọng của khách hàng và nhu cầu xử lý dữ liệu lớn, và đảm bảo an ninh dữ liệu. Điện toán lượng tử được kỳ vọng sẽ đóng vai trò quan trọng trong việc giải quyết những thách thức này. Cụ thể, bài viết tập trung vào ba lĩnh vực chính mà điện toán lượng tử có thể tạo ra sự khác biệt lớn: mô hình hóa ngẫu nhiên, tối ưu hóa và học máy.

Trong lĩnh vực mô hình hóa ngẫu nhiên, bài viết đi sâu vào hai kỹ thuật phổ biến là phương pháp Monte Carlo và giải pháp số cho các phương trình vi phân. Điện toán lượng tử có thể tăng tốc đáng kể các phương pháp Monte Carlo thông qua tích hợp Monte Carlo lượng tử (QMCI), mang lại tốc độ nhanh hơn so với các phương pháp cổ điển. Tương tự, các bộ giải phương trình đạo hàm riêng (PDE) lượng tử có thể giải các phương trình vi phân phức tạp nhanh hơn. Bài viết cũng thảo luận về việc áp dụng các phương pháp lượng tử này vào định giá các công cụ phái sinh và mô hình hóa rủi ro, bao gồm các vấn đề như định giá quyền chọn, mô hình hóa giá trị rủi ro (VaR) và các điều chỉnh giá trị tín dụng (CVA). Ví dụ, bằng việc sử dụng QAE (Quantum Amplitude Estimation) để đánh giá VaR và CVaR nhanh hơn so với MCI cổ điển.

Về tối ưu hóa, bài viết xem xét các kỹ thuật lượng tử hiện hành để giải quyết các bài toán tối ưu hóa tổ hợp và lồi. Các thuật toán lượng tử đoạn nhiệt và biến phân, cùng với các phương pháp lai cổ điển-lượng tử khác, có khả năng giải quyết một loạt các bài toán tài chính liên quan đến tối ưu hóa, bao gồm tối ưu hóa danh mục đầu tư, phòng ngừa rủi ro, cân bằng bù trừ, phân tích tín dụng và dự đoán khủng hoảng tài chính. Một ví dụ cụ thể là việc ứng dụng QAOA (Quantum Approximate Optimization Algorithm) để giải quyết các bài toán tối ưu hóa danh mục đầu tư.

Trong lĩnh vực học máy, bài viết khám phá các kỹ thuật học máy lượng tử có thể tăng tốc quá trình huấn luyện thuật toán hoặc một số thành phần của quá trình. Các ứng dụng phổ biến nhất của học máy trong tài chính là phát hiện các điểm bất thường, mô hình hóa ngôn ngữ tự nhiên, định giá tài sản và tính toán độ biến động ngụ ý. Bài viết đi sâu vào các thuật toán học máy lượng tử khác nhau, bao gồm Máy vectơ hỗ trợ lượng tử (QSVM), thuật toán láng giềng gần nhất lượng tử, các phương pháp phân cụm lượng tử (Quantum k-Means Clustering và Quantum Spectral Clustering), và các mô hình sinh lượng tử (Quantum Circuit Born Machine, Quantum Bayesian Networks, Quantum Boltzmann Machines và Quantum Generative Adversarial Networks).

Bài viết cũng thảo luận về các ứng dụng cụ thể của học máy lượng tử trong tài chính, chẳng hạn như phát hiện gian lận, mô hình hóa ngôn ngữ tự nhiên để phân tích tài liệu tài chính và dự đoán giá tài sản. Các mô hình học máy lượng tử, như QNN (Quantum Neural Network), QCL (Quantum Circuit Learning), có khả năng cải thiện việc học dữ liệu chuỗi thời gian và mô hình hóa dữ liệu tài chính phức tạp.

Cuối cùng, bài viết xem xét các triển khai phần cứng của các trường hợp sử dụng khác nhau, bao gồm phân tích rủi ro lượng tử trên thiết bị transmon, tối ưu hóa danh mục đầu tư với lượng tử đảo ngược và tối ưu hóa danh mục đầu tư trên thiết bị ion bị mắc kẹt. Những thử nghiệm này cung cấp cái nhìn sâu sắc về khả năng và những hạn chế của các thiết bị lượng tử hiện tại trong việc giải quyết các bài toán tài chính thực tế. Ví dụ, việc sử dụng QAE để ước tính VaR và CVaR nhanh hơn so với MCI cổ điển (Woerner và Egger, 2019).

Nghiên cứu chỉ ra rằng việc sử dụng kỹ thuật ước tính biên độ lượng tử có thể mang lại lợi thế đáng kể so với các phương pháp Monte Carlo cổ điển trong việc tính toán rủi ro tài chính và định giá các công cụ phái sinh phức tạp. Tuy nhiên, bài báo cũng chỉ ra rằng việc đạt được lợi thế lượng tử thực tế trên các thiết bị NISQ hiện tại gặp nhiều thách thức do giới hạn về số lượng qubit, chất lượng qubit và thời gian kết hợp. Các phương pháp kết hợp giữa lượng tử và cổ điển, kết hợp các thuật toán lượng tử với các kỹ thuật cổ điển, cho thấy tiềm năng trong việc giải quyết các vấn đề tối ưu hóa quy mô lớn trong tài chính, chẳng hạn như tối ưu hóa danh mục đầu tư. Tuy nhiên, cần có những cải tiến đáng kể về phần cứng lượng tử và các thuật toán để vượt qua các phương pháp cổ điển trong các ứng dụng thực tế.

3. Kết luận

Điện toán lượng tử có tiềm năng cách mạng hóa lĩnh vực tài chính bằng cách cung cấp các giải pháp hiệu quả và chính xác hơn cho các bài toán phức tạp. Mặc dù còn nhiều thách thức phía trước, nhưng những tiến bộ gần đây trong thuật toán lượng tử và công nghệ phần cứng đang mở đường cho các ứng dụng thực tế trong tương lai. Nghiên cứu này nhấn mạnh tầm quan trọng của việc tiếp tục khám phá và phát triển các thuật toán lượng tử mới, cũng như xây dựng các nền tảng phần cứng mạnh mẽ hơn để khai thác toàn bộ tiềm năng của điện toán lượng tử trong tài chính. Các tổ chức tài chính nên chủ động tìm hiểu và chuẩn bị cho sự chuyển đổi này để duy trì tính cạnh tranh và tận dụng các cơ hội mà điện toán lượng tử mang lại.