Nopeuta riskienhallintaa pääomamarkkinoilla kvanttiriskianalyysin avulla (Karthikeyan Rengasamy)

Osakemarkkinoiden volatiliteetti liittyy yleisesti sijoitusriskiin. Kuitenkin, jos riskiä hallitaan tehokkaasti, se voi tuottaa myös vakaata tuottoa sijoittajille. Sijoituksenhoitajat ja sijoittajat tiedostavat, että heidän on otettava huomioon muut tekijät kuin
odotettu tuottoprosentti parempaan ennustamiseen ja päätöksentekoon. Päätöksentekoprosessi on täynnä epävarmuutta, lukuisia mahdollisuuksia ja todennäköisyyksiä, jotka sisältävät monenlaisia ​​etuja ja riskejä. On olemassa tapa tukea investointeja
johtajia ja sijoittajia päätöksenteossa antamalla heille realistinen arvio asiaan liittyvistä riskeistä. Monte Carlo -menetelmä, jota kutsutaan myös Monte Carlo -simulaatioksi, tarjoaa paremman päätöksenteon epävarmoissa tilanteissa mahdollistamalla
kaikki valitsemamme tulokset ja niihin liittyvien riskien arviointi. Monte Carlo -simulaatiota olisi järkevää harkita aina, kun epävarmuustekijöitä on huomattava määrä. Jos ei, ennusteet voivat poiketa merkittävästi, mikä vaikuttaa päätöksiin negatiivisesti.
Yleensä tämä menetelmä yrittää ottaa näytteitä tapahtuman mahdollisia tuloksia kuvaavan todennäköisyysjakauman mukaisesti. Monte Carlo -simulaatiolla tuotetut riippumattomat näytteet eivät välttämättä sovellu kaikkiin ongelmiin. Myös laskennallinen
Monte Carlo -simuloinnin vaatimukset ovat painavin argumentti sitä vastaan. Monet pääomamarkkinoiden käyttötapaukset, jotka tällä hetkellä ratkaistaan ​​Monte Carlo -simulaatiolla, kuten riskianalyysi ja optioiden hinnoittelu, on mahdollista ratkaista nopeammin ajassa.
Quantum Algorithms.

Monte Carlon simulointi ja kvanttialgoritmi riskienhallinnassa

Monte Carlo -menetelmää käytetään yksittäisen tapahtuman tai siihen liittyvien tapahtumien sarjan todennäköisyysavaruuden tutkimiseen. Pääomamarkkinoilla Value at Risk (VaR – kvantifioi mahdollisten taloudellisten tappioiden suuruuden tietyllä ajanjaksolla) ja ehdollinen arvo
at Risk (CVaR-Kvantifioi odotettavissa olevat tappiot, jotka tapahtuvat VaR-raja-ajan ulkopuolella) salkun voidaan määrittää käyttämällä Monte Carlo -simulaatiota. Tämä auttaa ennustamaan pahimman mahdollisen skenaarion riskin laskemiseksi tietyllä luottamusvälillä
aikahorisontti. Näiden mallien käyttäminen suurella tietomäärällä eri ulottuvuuksissa voi kuitenkin olla laskennallisesti kallista. Se voi myös olla nykypäivän klassisten tietokoneiden kykyjen ulkopuolella. Täällä puhumme siitä, kuinka kvanttialgoritmi a
kvanttitietokone voi hallita osakesalkun riskiä, ​​luottoriskiä ja valuuttariskiä tehokkaammin kuin Monte Carlo -simulaatio klassisella tietokoneella.

Osakesalkun riskienhallinta

Riskiarvon ja ehdollisen riskin arvon määritelmien mukaan voi olla kiinnostunut arvioimaan, kuinka todennäköistä on, että tietyn salkun tuleva tappio ylittää ennalta määrätyn arvon. Tämä edellyttää kaiken mahdollisen analysointia
omaisuusparit, jotka voivat olla oletusarvoisia, tai suuri määrä tavanomaisia ​​näytteitä Monte Carlo -simulaatiossa, jonka suorittaminen vaatii suurta laskentatehoa. Tätä voitaisiin nopeuttaa huomattavasti Quantum Computerissa perustuvilla algoritmeilla
Kvanttiamplitudiarvio. Amplitudiarvio on kvanttialgoritmi, jota käytetään estimoimaan tuntematon parametri, joka voi ajaa nopeammin kuin klassinen Monte Carlo -algoritmi. Kvantin voima
tietokone kasvaa eksponentiaalisesti suhteessa niiden määrään
kubittien linkitetty yhteen. Tämä on yksi syistä, miksi kvanttitietokoneet voivat lopulta ylittää klassiset tietokoneet riskianalyysissä suurella datamäärällä.

Luottoriskin hallinta

Rahoituslaitosten on erittäin tärkeää arvioida lainanottajiensa luottoriski, jotta ne voivat täyttää taloudellisen pääomavaatimuksen (ECR). Rahan lainaamiseen erikoistuneet rahoituslaitokset, joita kutsutaan tässä yhteydessä lainanantajiksi, arvioivat
lainan riski ennen hyväksymistä. Lainanantajat arvioivat riskin määrittämällä, jääkö lainanottaja todennäköisesti maksamatta. Luotonantajat arvioivat lainanottajan tämänhetkistä taloudellista asemaa, taloudellista historiaa, vakuuksia ja muita kriteerejä määrittääkseen luottoriskin
heidän lainansa tulee olemaan. Klassisia riskilaskentamenetelmiä suosivat varovaisemmat ja riskejä välttelevät lainanantajat. Nämä klassiset menetelmät ovat kuitenkin jäykkiä ja tuottavat tuloksia vain rajoitetulla määrällä kiinteitä parametreja. 360 asteen näkymä
lainanantajan riskin koko lainanottajaryhmässä voi avata uusia demografisia luotonantoa ja pitää riskikynnyksen matalana. Tämä vaatii lopulta suurta laskentatehoa barrowersin luottoriskin ja lainan laskemiseen. Toisin kuin klassinen Monte
Carlo Simulaatio, Kvanttiamplitudiarvio malli voi arvioida ehdollisen riskin arvon minimaalisilla lisäkustannuksilla ja lähes reaaliajassa. Tämän algoritmin onnistumisen todennäköisyys voi olla
kasvaa nopeasti toistamalla arvio useita kertoja, mikä auttaa saavuttamaan suuremman tarkkuuden.

Valuuttariskin hallinta 

Vaihtelevien valuuttakurssien taloudellisten vaikutusten riskiä kutsutaan valuuttariskiksi tai valuuttakurssiriskiksi. Valuuttariski vaikuttaa myös yrityksiin, joilla on ulkomaan valuutan määräisiä saamisia tai velkoja. Value at Risk on olemassa
käytetään rahoitusrahaston laskemiseen ja sen saatavien tai velkojen turvaamiseen. Monte Carlo -simulaatio on yksinkertainen, helppokäyttöinen ja joustava, jotta voidaan tehdä erilaisia ​​oletuksia yrityksen valuuttariskin ennustamiseen. Kuitenkin kvanttitietokoneet
pystyy tehokkaasti ratkaisemaan joitain valuuttavarannon hallintaan liittyviä tehtäviä, kuten riskien mittaamista Quantum Amplitude Estimation -mallilla. Klassisiin tietokoneisiin verrattuna kvanttitietokoneet ovat alttiimpia virheille. Tämän ongelman ratkaisemiseksi prosessi
toistetaan useita tuhansia kertoja ja tulos lasketaan kaikkien tulosten keskiarvona. Mallin ajaminen eri satunnaismuuttujilla voi parantaa odotetun riskin arvon tarkkuutta.

Tulevaisuuden eteenpäin

Perinteiset lähestymistavat Monte Carlon suorituskyvyn parantamiseen perustuvat tärkeysnäytteenottoon. Ongelma jää kuitenkin yleensä vaikeaksi sen ratkaisemiseksi reaaliajassa tarvittavan laskentatehon suhteen. Tästä johtuen kvanttialgoritmin potentiaali
tehokkuuden lisääminen rahoitusriskien arvioinnin alalla on erityisen pakottavaa. Teoriassa yön yli -laskelmia voidaan lyhentää lyhyemmälle aikakehykselle, mikä mahdollistaa riskin arvioinnin lähempänä reaaliaikaa. Rahoituslaitokset pystyisivät
reagoida muuttuviin markkinaolosuhteisiin ja hyödyntää kaupankäyntimahdollisuuksia nopeammin tällaisen lähes reaaliaikaisen analyysin avulla. Pankit käyttävät Monte Carlo -simulaatiota ensisijaisesti monimutkaisiin malleihin, jotka voivat ottaa huomioon riskianalyysin muuttujien epävarmuuden.
Edellä mainitut väitteet rohkaisevat meitä harkitsemaan kvanttialgoritmisia malleja. Emme voi väittää, että kvanttialgoritmit olisivat klassisia algoritmeja parempia, koska estimointivirheellä on asymptoottinen taipumus suhteessa laskentaaikaan. Kuitenkin,
odotamme, että kvanttivirheen korjaus, joka käyttää kvanttilaskentaa suojaamaan kvanttitiloja virheiltä, ​​on mahdollinen ratkaisu kohinaongelmaan, ja kvanttiamplitudiarvio on parempi kuin perinteiset Monte Carlon simulaatiot.
voittaa nämä virheet. Siksi lupaus kiihdytetystä kvanttinopeudesta tekee erittäin houkuttelevaksi olla yksi ensimmäisistä sovelluksista, jotka kokevat todellisen, käytännöllisen kvanttihyödyn.