Percepatan Manajemen Risiko di Pasar Modal dengan Analisis Risiko Kuantum (Karthikeyan Rengasamy)

Volatilitas pasar saham umumnya dikaitkan dengan risiko investasi. Namun, jika risikonya dikelola secara efektif, itu juga dapat menghasilkan pengembalian yang solid bagi investor. Manajer investasi dan investor mengakui bahwa mereka harus mempertimbangkan faktor selain
tingkat pengembalian yang diharapkan untuk prediksi dan pengambilan keputusan yang lebih baik. Proses pengambilan keputusan penuh dengan ketidakpastian, dengan banyak kemungkinan dan probabilitas yang mencakup berbagai imbalan dan risiko. Ada cara untuk membantu investasi
manajer dan investor dalam membuat keputusan dengan memberi mereka penilaian yang realistis atas risiko yang terlibat. Metode Monte Carlo, juga disebut sebagai simulasi Monte Carlo, memberikan pengambilan keputusan yang lebih baik dalam situasi yang tidak pasti dengan memungkinkan kita untuk melihat
semua hasil pilihan kami dan menilai risiko yang terkait. Akan bijaksana untuk mempertimbangkan simulasi Monte Carlo setiap kali ada sejumlah besar ketidakpastian. Jika tidak, prediksi mungkin meleset secara signifikan, memengaruhi keputusan secara negatif.
Biasanya metode ini akan mencoba mengambil sampel sesuai dengan distribusi probabilitas yang menggambarkan kemungkinan hasil dari suatu kejadian. Sampel independen yang dihasilkan oleh simulasi Monte Carlo mungkin tidak cocok untuk semua masalah. Juga, komputasi
persyaratan simulasi Monte Carlo adalah argumen paling kuat yang menentangnya. Banyak kasus penggunaan pasar modal yang saat ini diselesaikan menggunakan simulasi Monte Carlo, seperti analisis risiko dan penetapan harga opsi, berpotensi untuk diselesaikan lebih cepat dalam waktu.
oleh Algoritma Quantum.

Simulasi Monte Carlo dan Algoritma Kuantum untuk Manajemen Risiko

Metode Monte Carlo digunakan untuk mengeksplorasi ruang probabilitas dari satu kejadian atau rangkaian kejadian yang berhubungan. Di Pasar Modal, Value at Risk (VaR – Menghitung besarnya potensi kerugian finansial selama periode tertentu) dan Conditional Value
at Risk (CVaR- Menghitung perkiraan kerugian yang terjadi di luar breakpoint VaR) portofolio dapat ditentukan dengan menggunakan simulasi Monte Carlo. Ini membantu dalam memprediksi skenario terburuk untuk menghitung risiko dengan interval kepercayaan tertentu
cakrawala waktu. Namun, menjalankan model ini pada sejumlah besar data dalam berbagai dimensi dapat menjadi mahal secara komputasi. Juga, mungkin di luar kemampuan komputer klasik saat ini. Di sini, kita akan berbicara tentang bagaimana algoritma kuantum pada a
komputer kuantum dapat mengelola risiko portofolio ekuitas, risiko kredit, dan risiko mata uang lebih efektif daripada simulasi Monte Carlo pada komputer klasik.

Manajemen Risiko Portofolio Ekuitas

Menurut definisi pengukuran Value at Risk dan Conditional Value at Risk, seseorang mungkin tertarik untuk menilai kemungkinan kerugian masa depan dari portofolio tertentu yang melebihi nilai yang telah ditentukan sebelumnya. Ini memerlukan analisis semua kemungkinan
pasangan aset yang dapat default atau sejumlah besar sampel konvensional dalam simulasi Monte Carlo yang membutuhkan daya komputasi tinggi untuk dijalankan. Ini bisa sangat dipercepat di Quantum Computer dengan algoritma berdasarkan
Estimasi Amplitudo Kuantum. Estimasi amplitudo adalah algoritma kuantum yang digunakan untuk memperkirakan parameter yang tidak diketahui yang dapat berjalan lebih cepat dari waktu ke waktu dibandingkan algoritma Monte Carlo klasik. Kekuatan kuantum
komputer tumbuh secara eksponensial sebanding dengan jumlah
qubit dihubungkan bersama. Inilah salah satu alasan mengapa komputer kuantum pada akhirnya dapat mengungguli komputer klasik dalam analisis risiko dengan volume data yang tinggi.

Manajemen Risiko Kredit

Sangat penting bagi Lembaga Keuangan untuk menilai risiko kredit peminjam mereka untuk memenuhi Persyaratan Modal Ekonomi (ECR). Lembaga keuangan yang berspesialisasi dalam meminjamkan uang, dalam konteks ini disebut sebagai Pemberi Pinjaman, mengevaluasi
risiko pinjaman sebelum disetujui. Pemberi pinjaman mengevaluasi risiko dengan menentukan apakah peminjam kemungkinan akan melewatkan pembayaran. Pemberi pinjaman menilai posisi keuangan peminjam saat ini, riwayat keuangan, agunan, dan kriteria lain untuk menentukan seberapa besar risiko kredit
pinjaman mereka akan. Metode perhitungan risiko klasik lebih disukai oleh pemberi pinjaman yang lebih berhati-hati dan menolak risiko. Namun, metode klasik ini kaku dan menghasilkan hasil dengan jumlah parameter tetap yang terbatas. Memiliki pandangan 360 derajat
risiko pemberi pinjaman di seluruh kelompok peminjam dapat membuka demografi baru untuk pinjaman sambil menjaga ambang risiko tetap rendah. Ini pada akhirnya membutuhkan daya komputasi yang tinggi untuk menghitung risiko kredit barrower dan pinjaman mereka. Berbeda dengan Monte klasik
Simulasi Carlo, itu Estimasi Amplitudo Kuantum model dapat mengestimasi Conditional Value at Risk dengan biaya tambahan minimal dan mendekati waktu nyata. Probabilitas keberhasilan algoritma ini dapat
cepat meningkat dengan mengulang estimasi beberapa kali, yang membantu dalam mencapai akurasi yang lebih tinggi.

Manajemen Risiko Mata Uang 

Risiko dampak finansial dari fluktuasi nilai tukar dikenal sebagai risiko valuta asing atau risiko nilai tukar. Risiko mata uang juga mempengaruhi perusahaan non-keuangan yang memiliki piutang atau kewajiban dalam mata uang asing. Nilai Beresiko sedang
digunakan untuk menghitung cadangan keuangan dan untuk mengamankan piutang atau kewajibannya. Simulasi Monte Carlo sederhana, mudah diterapkan, dan fleksibel untuk membuat asumsi yang berbeda untuk meramalkan risiko mata uang perusahaan. Namun, komputer kuantum
dapat secara efisien menyelesaikan beberapa tugas yang terkait dengan pengelolaan cadangan devisa, seperti pengukuran risiko menggunakan model Quantum Amplitude Estimation. Dibandingkan dengan komputer klasik, komputer kuantum lebih rentan terhadap kesalahan. Untuk mengatasi kesulitan ini, prosesnya
diulang beberapa ribu kali dan hasilnya dihitung sebagai rata-rata dari semua hasil. Menjalankan model dengan berbagai variabel acak dapat meningkatkan akurasi Value at Risk yang diharapkan.

Masa depan

Pendekatan tradisional untuk meningkatkan performa Monte Carlo bergantung pada pengambilan sampel penting. Namun, masalahnya biasanya tetap sulit dalam hal daya komputasi yang diperlukan untuk menyelesaikannya secara real time. Karena itu, potensi algoritme kuantum untuk
meningkatkan efisiensi di bidang penilaian risiko keuangan sangat menarik. Secara teori, perhitungan semalam dapat dipersingkat menjadi kerangka waktu yang lebih pendek, memungkinkan penilaian risiko yang lebih mendekati waktu nyata. Lembaga keuangan akan mampu
menanggapi keadaan pasar yang berubah dan memanfaatkan peluang perdagangan lebih cepat dengan analisis hampir waktu nyata. Bank terutama menggunakan simulasi Monte Carlo untuk model kompleks yang dapat memperhitungkan ketidakpastian dalam variabel analisis risiko.
Argumen yang disebutkan di atas mendorong kita untuk mempertimbangkan model algoritmik kuantum. Kami tidak dapat mengklaim bahwa algoritme kuantum lebih unggul daripada algoritme klasik karena kecenderungan asimptotik kesalahan estimasi sehubungan dengan waktu kalkulasi. Namun,
kami mengantisipasi bahwa koreksi kesalahan kuantum, yang menggunakan perhitungan kuantum untuk melindungi keadaan kuantum dari kesalahan, adalah solusi potensial untuk masalah kebisingan, dan Estimasi Amplitudo Kuantum akan lebih unggul daripada simulasi Monte Carlo konvensional dengan
mengatasi kesalahan tersebut. Oleh karena itu, janji percepatan kuantum yang dipercepat membuatnya sangat menarik untuk menjadi salah satu aplikasi pertama yang mengalami manfaat kuantum yang nyata dan praktis.