一家金融机构的倒闭可能引发更多银行倒闭的多米诺骨牌效应，从而引发系统性风险。正如我们现在看到的硅谷银行事件和 2008 年金融危机所证明的那样，这种风险可能威胁到整个全球经济，这是一个由金融机构组成的紧密而复杂的网络。
来自纽约大学和多伦多大学的一组研究人员报告称，量子计算机可能在制定有效策略以减轻系统性风险方面发挥作用，这可能是近年来最及时的研究发现。
该研究团队在《科学报告》上发表了他们的研究结果，报告称，减轻风险的一种方法是优化金融网络中机构之间的联系，例如调整贷款、持有股份和连接银行的其他负债。然而，由于金融系统的复杂性以及可能发生的非线性和不连续损失，这项任务具有挑战性。
研究人员对这种复杂性提出了一些想法，他们写道：“决策变量的总数随着网络的规模呈二次方增长。一般来说，优化问题的复杂性随着决策变量的数量急剧增加，而决策变量的数量又随着网络规模的二次方增长而急剧增加。因此，当银行间网络规模很大时，使用单阶段优化算法可能会变得棘手，而现实生活中的银行网络通常就是这种情况。例如，根据联邦存款保险公司的 FDIC 季度报告，目前北美大约有 5,000 家商业银行。”
为了应对这一挑战，研究人员开发了一种两阶段优化算法。在第一阶段，金融网络被划分为高度互连的银行模块，这种方法提高了可扩展性，因为优化较小的银行模块比优化整个网络要容易得多。为了对网络进行分区，研究人员开发了用于有向图和加权图的经典分区和量子分区的新算法。
在第二阶段，研究人员开发了一种新方法来解决具有系统风险背景约束的混合整数线性规划问题。该方法用于优化银行每个模块内的连接，同时确保整个系统保持稳定。
据使用各种D-Wave量子设备并依靠量子退火方法的研究人员称，量子计算机特别有希望解决这些类型的问题。该团队补充说，这些设备在解决复杂优化问题的计算能力和效率方面具有显著优势。
该团队研究了这些问题的一阶段和两阶段解决方案，以及经典方法和量子方法的混合。最后，研究人员表示，两阶段量子划分的性能最好。
他们写道：“具有量子划分的两阶段优于两种经典方法。它击败了经典分区的两阶段，因为它能够找到能够更有效地减轻级联的更好的分区。它出人意料地击败了一级优化，表明适当的网络分区实际上比全局一级优化产生更好的交叉持股优化，因为通过准确的网络分区，两级优化正在优化更重要的交叉持股并更准确地限制级联的来源。”
这些实验结果表明，具有量子划分的两阶段优化方法对金融冲击具有更强的弹性。它延迟了级联故障阶段的转换，减少了系统风险下收敛时的故障总数，同时降低了时间复杂度。
研究人员补充说，通过优化银行之间的联系并使用先进的算法进行分区和优化，政策制定者可以降低连锁失败的可能性，并保护全球经济免受金融冲击。
关键是，由于量子硬件的限制，该团队最多只能测试 50 个组织。一般来说，量子硬件和量子技术的提升对于开发工具非常重要，例如这种金融崩溃抑制系统。
在他们自己的研究中，研究人员发现，当他们从 2,000 量子比特系统升级到 5,000 量子比特系统时，性能有所提高。
研究人员使用合成数据和真实数据来评估算法并展示该方法的优势和计算优势。
他们写道：“真实世界的结果与我们的合成结果一致，我们证明了我们的两阶段量子算法更能抵御金融冲击，并在系统风险下延迟级联失效相变，同时降低了时间复杂性。”
