Fremskynd risikostyring på kapitalmarkederne ved hjælp af kvanterisikoanalyse (Karthikeyan Rengasamy)

Aktiemarkedernes volatilitet er almindeligvis forbundet med investeringsrisiko. Men hvis risikoen styres effektivt, kan den også generere solide afkast til investorerne. Investeringsforvalterne og investorerne anerkender, at de skal overveje andre faktorer end
det forventede afkast for bedre forudsigelse og beslutningstagning. Beslutningsprocessen er fyldt med usikkerhed, med adskillige muligheder og sandsynligheder, der inkluderer en bred vifte af belønninger og risici. Der er en måde at støtte investeringer på
ledere og investorer i at træffe beslutninger ved at give dem en realistisk vurdering af de involverede risici. Monte Carlo-metoden, også kaldet Monte Carlo-simulering, giver bedre beslutningstagning i usikre situationer ved at give os mulighed for at se
alle resultater af vores valg og vurdering af risikoen forbundet. Det ville være klogt at overveje Monte Carlo-simulering, når der er et betydeligt antal usikkerheder. Hvis ikke, kan forudsigelserne være væsentligt ude, hvilket vil påvirke beslutningerne negativt.
Normalt vil denne metode forsøge at sample i overensstemmelse med sandsynlighedsfordelingen, der illustrerer de mulige udfald af en begivenhed. Uafhængige prøver produceret af Monte Carlo-simulering er muligvis ikke passende til alle problemer. Også det beregningsmæssige
kravene til Monte Carlo-simulering er det mest overbevisende argument imod det. Mange tilfælde af kapitalmarkedsbrug, der i øjeblikket løses ved hjælp af Monte Carlo-simulering, såsom risikoanalyse og optionsprissætning, har potentiale til at blive løst hurtigere i tide
af Quantum Algorithms.

Monte Carlo-simulering og kvantealgoritme til risikostyring

Monte Carlo-metoden bruges til at udforske sandsynlighedsrummet for en enkelt begivenhed eller en sekvens af relaterede begivenheder. På kapitalmarkeder, værdien i risiko (VaR – kvantificerer størrelsen af ​​potentielle økonomiske tab over en bestemt periode) og betinget værdi
at Risk (CVaR- Kvantificerer de forventede tab, der opstår ud over VaR-brudpunktet) for en portefølje kan bestemmes ved at bruge Monte Carlo-simulering. Dette hjælper med at forudsige det værst tænkelige scenarie til beregning af risiko givet et konfidensinterval over en given
tidshorisont. Det kan dog være beregningsmæssigt dyrt at køre disse modeller på en betydelig mængde data i forskellige dimensioner. Det kan også være ud over mulighederne for nutidens klassiske computere. Her vil vi tale om, hvordan kvantealgoritme på en
kvantecomputer kan styre aktieporteføljerisiko, kreditrisiko og valutarisiko mere effektivt end Monte Carlo-simulering på en klassisk computer.

Risikostyring af aktieporteføljer

Ifølge definitionen af ​​Value at Risk og Conditional Value at Risk-målene kan man være interesseret i at vurdere sandsynligheden for at have et fremtidigt tab af den givne portefølje, der overstiger en forudbestemt værdi. Dette indebærer at analysere alt muligt
aktivparringer, der kunne være standard eller et stort antal konventionelle samples i en Monte Carlo-simulering, der kræver høj computerkraft for at køre. Dette kunne i høj grad fremskyndes i Quantum Computer ved hjælp af algoritmer baseret på
Kvanteamplitudeestimering. Amplitudestimering er en kvantealgoritme, som bruges til at estimere en ukendt parameter, som kan køre hurtigere i tid i forhold til klassisk Monte Carlo-algoritme. Kraften af ​​et kvante
computer vokser eksponentielt i forhold til antallet af
qubits knyttet sammen. Dette er en af ​​grundene til, at kvantecomputere i sidste ende kan udkonkurrere klassiske computere i risikoanalyse med høje datamængder.

Kreditrisikostyring

Det er afgørende for finansielle institutioner at vurdere kreditrisikoen for deres låntagere for at opfylde det økonomiske kapitalkrav (ECR). Finansielle institutioner, der har specialiseret sig i at låne penge, i denne sammenhæng kaldet långivere, vurderer
risiko ved et lån inden godkendelse. Långivere vurderer risikoen ved at afgøre, om låntageren sandsynligvis vil gå glip af betalinger. Långivere vurderer en låntagers nuværende finansielle stilling, økonomiske historie, sikkerhedsstillelse og andre kriterier for at bestemme, hvor meget kreditrisiko
deres lån bliver. Klassiske metoder til risikoberegning foretrækkes af långivere, der er mere forsigtige og risikovillige. Disse klassiske metoder er dog stive og giver resultater med kun et begrænset antal faste parametre. Med en 360-graders udsigt
af långivers risiko på tværs af hele låntagergruppen kan åbne ny demografi for udlån og samtidig holde risikotærsklen lav. Dette kræver i sidste ende høj computerkraft til at beregne barrowers kreditrisiko og deres lån. I modsætning til den klassiske Monte
Carlo Simulation, den Kvanteamplitudeestimering model kan estimere den betingede værdi ved risiko med minimal ekstra overhead og i næsten realtid. Sandsynligheden for succes for denne algoritme kan være
øges hurtigt ved at gentage estimeringen flere gange, hvilket hjælper med at opnå højere nøjagtighed.

Valutarisikostyring 

Risikoen for økonomisk påvirkning fra svingende valutakurser er kendt som valutarisiko eller valutakursrisiko. Valutarisiko påvirker også ikke-finansielle virksomheder, der har tilgodehavender eller forpligtelser i fremmed valuta. Value at Risk er at blive
bruges til at beregne den finansielle reserve og til at sikre dens tilgodehavender eller forpligtelser. Monte Carlo-simuleringen er en enkel, nem at implementere og fleksibel til at lave forskellige antagelser til at forudsige en virksomheds valutarisiko. Dog kvantecomputere
kan effektivt løse nogle opgaver relateret til styring af valutareserver, såsom risikomåling ved hjælp af Quantum Amplitude Estimation-modellen. Sammenlignet med klassiske computere er kvantecomputere mere tilbøjelige til at fejle. For at løse denne vanskelighed, processen
gentages flere tusinde gange, og resultatet beregnes som gennemsnit af alle resultaterne. At køre modellen med forskellige tilfældige variable kan forbedre nøjagtigheden af ​​den forventede Value at Risk.

Fremtiden Fremad

Traditionelle tilgange til at forbedre Monte Carlo-ydelsen er afhængige af vigtighedsprøver. Men problemet forbliver normalt vanskeligt med hensyn til den nødvendige computerkraft til at løse det i realtid. På grund af dette kan kvantealgoritmens potentiale
at øge effektiviteten inden for vurdering af finansielle risici er særlig overbevisende. I teorien kan beregninger fra dag til dag forkortes til en kortere tidsramme, hvilket muliggør mere nær realtidsvurdering af risiko. Det ville de finansielle institutioner kunne
reagere på skiftende markedsforhold og drage fordel af handelsmuligheder hurtigere med en sådan næsten realtidsanalyse. Banker anvender primært Monte Carlo-simulering til komplekse modeller, der kan redegøre for usikkerhed i variabler i en risikoanalyse.
De førnævnte argumenter opfordrer os til at overveje de kvantealgoritmiske modeller. Vi kan ikke påstå, at kvantealgoritmer er overlegne i forhold til klassiske algoritmer på grund af den asymptotiske tendens til estimeringsfejl med hensyn til beregningstid. Imidlertid,
vi forudser, at kvantefejlkorrektion, som bruger kvanteberegning til at beskytte kvantetilstande mod fejl, er en potentiel løsning på støjproblemet, og kvanteamplitudeestimeringen vil være overlegen i forhold til konventionelle Monte Carlo-simuleringer
overvinde disse fejl. Derfor gør løftet om en accelereret kvante-speed-up det ekstremt tiltalende at være en af ​​de første applikationer til at opleve en ægte, praktisk kvantefordel.