Industries de l'informatique quantique - Finances

Le secteur financier, et tous ceux qu'il touche, a beaucoup à gagner de l'informatique quantique, et peut bénéficier du déploiement réfléchi de l'informatique quantique plus tôt que n'importe quel autre secteur. Qu'une analyse de risque justifie qu'une famille reçoive un prêt pour lequel elle aurait normalement été rejetée ou qu'un individu gagne en compétence financière et en indépendance grâce à une meilleure évaluation des actifs ou des options, les avantages de l'informatique quantique dans l'industrie financière sont d'une grande portée. 

Comme de nombreuses entreprises financières interagissent avec d'autres secteurs, il y a souvent un chevauchement dans les applications quantiques qui sont importantes pour elles. L'adoption précoce de l'informatique quantique profite à la fois à l'entreprise, qui acquiert une compétence quantique, et à ses clients, qui comptent déjà sur leur assureur pour les conseiller. 

L'informatique quantique permet souvent d'accélérer considérablement l'analyse de grands ensembles de données non structurées. Les propriétés inhérentes aux systèmes quantiques permettent d'analyser simultanément de nombreux scénarios. Nous voyons déjà des indices de cette application dans le domaine financier avec les simulations Monte Carlo, qui utilisent le caractère aléatoire de la nature pour prédire les résultats de systèmes complexes. Les optimisations et les simulations couvrent de nombreuses utilisations dans le domaine financier, telles que la minimisation des pertes, la maximisation des gains ou la simulation d'investissements dans des options exotiques. Il convient de noter que bon nombre de ces calculs peuvent être effectués même dans l'état actuel du matériel NISQ à l'aide d'algorithmes hybrides classiques/quantiques tels que VQE, de sorte que même les appareils d'aujourd'hui ne sont pas loin d'offrir des récompenses. 

Intéressé par des exemples en direct ? Regardez un récent webinaire démontrant comment la plateforme Classiq utilise l'informatique quantique pour résoudre des problèmes financiers ici, regardez une démonstration d'optimisation de portefeuille ici, ou planifiez une démonstration ici.

Il convient également de noter que les accélérations de l'informatique quantique peuvent grandement contribuer à l'apprentissage automatique quantique - un domaine où l'on trouve partout de grands ensembles de données non structurées et des approches couramment utilisées pour les solutions financières. Tout problème pouvant être mis en correspondance avec un modèle classique d'apprentissage automatique pourrait être résolu par des machines quantiques. 

L'approche Classiq de la valeur en risque

Utilisons la plateforme Classiq pour résoudre un problème d'analyse du risque quantique, dans lequel un investisseur doit quantifier l'ampleur d'une perte sur investissement, compte tenu d'un certain niveau de confiance, sur une période donnée.

Pour résoudre ce problème, il faut créer une fonction de distribution qui représente le portefeuille d'actifs, construire l'opérateur de valeur à risque et extraire la valeur à risque à l'aide de l'estimation de l'amplitude. Supposons que nous ayons un portefeuille de deux actifs représenté par un modèle gaussien conditionné.

Pour utiliser la plateforme Classiq, utilisez soit une extension de Visual Studio Code, soit un SDK Python, les deux offrant à peu près les mêmes fonctionnalités. Vous aurez besoin d'une licence Classiq, bien sûr.

Avec le modèle textuel dans VS Code, l'utilisateur spécifie simplement les contraintes et la fonctionnalité du circuit et utilise la commande "Generate Quantum Circuit".

{
	"constraints:{
    "max_width": 8,
    "max_depth": 120
   },
  "logic_flow": [
    {
      "function": "Finance",
      "function_params": {
        "model": {
          "name": "gaussian",
          "params": {
            "num_qubits": 2,
            "normal_max_value": 2,
            "default_probabilities": [
              0.15,
              0.25
            ],
            "rhos": [
              0.1,
              0.05
            ],
            "loss": [
              1,
              2
            ],
            "min_loss": 0
          }
        },
        "finance_function": {
          "f": "var",
          "condition": {
            "threshold": 2,
            "larger": true
          }
        }
      }
    }
  ]
}

Et avec le SDK Python :

from classiq import ModelDesigner
from classiq.builtin_functions import Finance
from classiq_interface.finance import (
    entrée_modèle,
    entrée_fonction,
    entrée_modèle_gaussien
)

model_designer = ModelDesigner()
gaussian_input = gaussian_model_input.GaussianModelInput(
    num_qubits=2,
    normal_max_value=2,
    default_probabilities=[0.15, 0.25],
    rhos=[0.1, 0.05],
    perte=[1, 2],
    min_perte=0
)
model = model_input.FinanceModelInput(name="gaussian", params=gaussian_input)

condition = function_input.FunctionCondition(threshold=2, larger=True)
finance_function = function_input.FinanceFunctionInput(
    f="var",
    condition=condition,
)
model_designer.Finance(params=Finance(model=model, finance_function=finance_function))

circuit = model_designer.synthesize()

Nous pouvons maintenant générer notre circuit.

Et voici le circuit interactif, où l'on peut explorer les différents blocs fonctionnels de ce circuit en cliquant sur les icônes plus dans le coin supérieur gauche de chaque bloc.

Nous exécutons maintenant ce circuit en utilisant l'estimation d'amplitude. Pour trouver la valeur à risque, nous utilisons la recherche binaire. La valeur à risque est la valeur de perte qui correspond au centile que nous avons inséré au seuil de recherche binaire.

Avec le modèle textuel, nous créons un fichier de préférences d'exécution et utilisons la commande "Exécuter le circuit quantique généré".

{
    "preferences": {
        "num_shots": 100,
        "amplitude_estimation": {
            "alpha": 0.05,
            "epsilon": 0.01,
            "binary_search_threshold": 0.05
        }
    }
}

Et avec le SDK Python, nous spécifions ce qui suit :

res = Executor(
    amplitude_estimation=execution_preferences.AmplitudeEstimation(
        alpha=0.5, epsilon=0.5, binary_search_threshold=0.05
    )
).execute_circuit_généré(generation_result=circuit)

Et le résultat ?

"var_results": {
   "var": 2,
   "alpha": 0.040910419136997445
}

Vous voulez en savoir plus sur la façon dont Classiq peut vous aider avec l'analyse du risque Quantum ? Planifiez une démonstration sans engagement ici!