OQC 与 Trust Base 研究助力绘制金融量子优势路径

内情简报

• Oxford Quantum Circuits 和 Trust Base 发现，金融领域迈向量子优势的进展将取决于强大的经典算法对比、混合工作流以及涵盖完整定价和风险流程的评估。
• 在测试的方法中，经典物理信息神经网络在准确性、速度和灵活性之间提供了最佳平衡，而混合量子模型尽管在某些指标上表现出前景，但仍然较慢。
• OQC 报告称，未来的收益将取决于硬件的改进、更低的资源需求以及在真实市场条件下能产生稳定价格、敏感度和风险计算的量子方法。
• 图片：Adam Śmigielski 拍摄，源自 Unsplash

Oxford Quantum Circuits 和 Trust Base 的研究表明，在金融领域寻找量子优势，不仅仅是演示量子算法可以执行定价计算。

这些公司研究了量子方法在金融工作流中的适用位置，它们与经典方法的对比情况，以及使其在操作上发挥作用所需的条件。根据 OQC 最近发布的一篇技术博客文章，这项工作涵盖了衍生品定价、风险价值（Value-at-Risk）和信用估值调整（Credit Valuation Adjustment，简称 CVA）。

Trust Base 是 Sumitomo Mitsui Trust Group 的一家数字化子公司。OQC 是一家英国量子计算公司，为该项目提供了量子技术专长。

合作伙伴比较了经典蒙特卡罗（Monte Carlo）方法、物理信息神经网络、混合量子-经典神经网络以及量子增强蒙特卡罗技术。尽管他们的发现尚未确立量子优势，但该项目为金融机构在量子硬件改进过程中如何寻找应用提供了经验教训。

OQC 在文中报告称，在测试的方法中，经典物理信息神经网络目前在数值质量、灵活性和运行时间方面提供了最实用的组合。包含量子电路的混合模型在某些指标上具有竞争力，但重复执行和微分这些电路的成本使得模型速度明显变慢。

结果指向了一种分阶段的方法，即量子处理器在以经典系统为主的环境中执行选定的任务。研究还表明，任何关于优势的声明都必须考虑整个金融工作流，而不仅仅是单个算法的性能或单个价格的准确性。

准确的价格仅仅是开始

衍生品定价提供了一个有用的测试场，因为模型产生的必须不仅仅是金融合约在特定时刻的价值。

衍生品的价值源自另一种资产、利率或金融指标。它们的价格取决于这些底层价值随时间的变化情况、是否跨越某些阈值，以及波动率等变量在不同市场条件下的变化方式。

简单产品可以使用 Black-Scholes 模型、有限差分求解器和 Monte Carlo 模拟等成熟方法进行定价。对于路径依赖型产品（其价值取决于资产价格走势）、波动率变化（预期价格波动随时间或不同价格水平而变化）、障碍期权（跨越预设水平可激活或取消合约）以及非线性收益（不随基础资产移动而恒速变化）等情况，问题会变得更加复杂。

根据博客文章，OQC 和 Trust Base 在涵盖股票和货币期权、市场波动率变化和利率波动的几种常见金融模型上测试了这些方法。其中包括 Black-Scholes、Garman-Kohlhagen、Dupire 和 Hull-White 模型。几种方法在选定示例中产生了预期价格，但仅凭该结果并不能说明它们在更广泛的市场条件下是否表现一致。