对冲在金融服务中是一种普遍存在的做法，并且有成熟的经典计算方法来实施这种风险缓解策略。对于更复杂的对冲和更长的时间框架，挑战在于计算成本和解决方案的时间。近日，摩根大通和量子算法专家 QC Ware 发表了一篇论文《Quantum Deep Hedging》，为在量子计算机上使用深度对冲开辟了新天地。
摩根大通和 QC Ware 研究了两个问题，即深度对冲的实践——利用考虑市场摩擦和交易约束的数据驱动模型降低投资组合的风险——可能会通过量子计算得到改进。研究人员首先检查了是否可以使用量子深度学习改进现有的经典深度对冲框架。然后，使用量子强化学习，他们研究了是否可以为深度对冲定义新的量子框架。
研究发现，使用量子深度学习对经典框架进行深度对冲可以更有效地训练模型。这项在 Quantinuum 的 H1-1 量子计算机上进行的研究还展示了未来计算加速的潜力，这可以在嘈杂的中等规模量子 (NISQ) 硬件上实现。
对新量子框架的深度对冲也使量子价值函数能够：
- 有效地学习回报的期望和分布。
- 通过量子 actor-critic 强化学习模型提供改进的性能。
- 适当训练量子策略。
量子应用程序可以改进经典和量子环境中的深度对冲——它利用量子机器学习方法来提高高性能 GPU 硬件的准确性和可训练性，随着量子计算变得更加商业化，这将有助于金融服务。
这项工作是在 Quantinuum H1-1 和 H1-2 俘获离子 QPU 上完成的，并使用了最多 16 个量子位的电路。该团队使用两组经过经典预训练的量子深度对冲模型进行推理。论文报告：“首先，我们将基于策略搜索的算法与 LSTM 和 Transformer 架构一起使用，这些架构以 16 量子位正交层实例化。其次，我们使用了使用多达 12 个量子位的复合神经网络实例化的新型分布式actor-critic算法。我们观察到无噪声模拟和硬件实验之间的紧密结合，我们的分布式 actor-critic 模型再次提供了最佳性能。”
研究人员表示：“我们证明了我们使用的量子神经网络是可训练的，我们进行了大量的模拟，结果表明量子模型可以减少可训练参数的数量，同时实现相当的性能，而且分布方法比其他标准方法(包括经典和量子方法)获得了更好的性能。”
金融服务业被认为是量子计算的早期采用者，因为它既有需求也有资源。以下是本文中描述的对冲用例的一些背景知识(稍作编辑)：
“经典金融数学为理想化的无摩擦市场中的衍生品提供了最佳对冲策略，但对于真实市场，必须调整这些策略以考虑交易成本、市场影响、有限的流动性和其他约束。深度对冲是应用现代强化学习技术来解决这一问题的框架。”
“首先要为对冲问题定义一个强化学习环境，以及一个交易目标，即最大化累积未来回报的风险调整指标。然后，可以应用标准的深度强化学习算法，例如政策搜索或演员评论家方法，通过设计神经网络架构来模拟交易策略，并通过定义训练损失函数来找到最大化交易目标的最佳参数。”
“除了深度对冲之外，机器学习在金融领域的应用近年来也有了显著增长，因为高效的机器学习算法随着时间的推移而发展，以支持不同的数据类型并扩展到更大的数据集。例如，监督学习可用于资产定价或投资组合优化，无监督学习可用于投资组合风险分析和选股，强化学习可用于算法交易。”
这项工作着眼于具有正交层和复合层的量子网络。研究人员说：“我们相信我们的量子强化学习方法在深度对冲之外也有应用，例如算法交易或期权定价，为这类问题开发特定的量子方法将是很有趣的。请注意，在这些用例中，训练数据可以有效地产生，消除了将大量数据加载到量子计算机上的瓶颈。”
也就是说，作者承认仍然存在一些悬而未决的问题。
QC Ware的量子算法主管Iordanis Kerenidis表示：“无论是今天通过使用量子思想为经典硬件提供新的模型，还是利用我们预期的未来不断强大的量子硬件，与摩根大通合作的结果证明了量子机器学习的巨大潜力和适用性。”
摩根大通董事总经理兼全球技术应用研究主管 Marco Pistoia 指出。“随着量子计算的不断成熟，摩根大通的领先地位只会通过面向未来的算法得到进一步巩固，这些算法将产生不断改进的结果。”
参考链接：
