Akselerer risikostyring i kapitalmarkeder ved å bruke kvanterisikoanalyse (Karthikeyan Rengasamy)

Volatilitet i aksjemarkedene er ofte forbundet med investeringsrisiko. Men hvis risikoen styres effektivt, kan den også generere solid avkastning for investorer. Investeringsforvalterne og investorene erkjenner at de må vurdere andre faktorer enn
forventet avkastning for bedre prediksjon og beslutningstaking. Beslutningsprosessen er fylt med usikkerhet, med mange muligheter og sannsynligheter som inkluderer et bredt spekter av belønninger og risikoer. Det er en måte å hjelpe investeringer på
forvaltere og investorer i å ta beslutninger ved å gi dem en realistisk vurdering av risikoene involvert. Monte Carlo-metoden, også referert til som Monte Carlo-simulering, gir bedre beslutningstaking i usikre situasjoner ved å la oss se
alle resultatene av vårt valg og vurdering av risikoen forbundet med dette. Det vil være klokt å vurdere Monte Carlo-simulering når det er et betydelig antall usikkerhetsmomenter. Hvis ikke, kan spådommene være betydelig dårligere, og påvirke beslutningene negativt.
Vanligvis vil denne metoden prøve å sample i tråd med sannsynlighetsfordelingen som illustrerer mulige utfall av en hendelse. Uavhengige prøver produsert av Monte Carlo-simulering er kanskje ikke passende for alle problemer. Også den beregningsmessige
kravene til Monte Carlo-simulering er det mest overbevisende argumentet mot det. Mange tilfeller av kapitalmarkedsbruk som for tiden løses ved hjelp av Monte Carlo-simulering, som risikoanalyse og opsjonsprising, har potensial til å løses raskere i tid
av Quantum Algorithms.

Monte Carlo-simulering og kvantealgoritme for risikostyring

Monte Carlo-metoden brukes til å utforske sannsynlighetsrommet for en enkelt hendelse eller en sekvens av relaterte hendelser. I kapitalmarkeder, verdi ved risiko (VaR – kvantifiserer størrelsen på potensielle økonomiske tap over en bestemt periode) og betinget verdi
at Risk (CVaR- Kvantifiserer de forventede tapene som oppstår utover VaR-bruddpunktet) for en portefølje kan bestemmes ved å bruke Monte Carlo-simulering. Dette hjelper til med å forutsi det verste scenarioet for å beregne risiko gitt et konfidensintervall over et gitt
tidshorisont. Men å kjøre disse modellene på en betydelig mengde data i ulike dimensjoner kan være beregningsmessig kostbart. Dessuten kan det være utenfor mulighetene til dagens klassiske datamaskiner. Her vil vi snakke om hvordan kvantealgoritme på en
kvantedatamaskin kan håndtere aksjeporteføljerisiko, kredittrisiko og valutarisiko mer effektivt enn Monte Carlo-simulering på en klassisk datamaskin.

Aksjeporteføljerisikostyring

I henhold til definisjonen av Value at Risk og Conditional Value at Risk-målene kan man være interessert i å vurdere sannsynligheten for å ha et fremtidig tap av den gitte porteføljen som overstiger en forhåndsbestemt verdi. Dette innebærer å analysere alt mulig
aktiva-paringer som kan være standard eller et stort antall konvensjonelle prøver i en Monte Carlo-simulering som krever høy datakraft for å kjøre. Dette kan bli kraftig fremskyndet i Quantum Computer av algoritmer basert på
Kvanteamplitudeestimering. Amplitudeestimering er en kvantealgoritme som brukes til å estimere en ukjent parameter som kan kjøre raskere i tid over klassisk Monte Carlo-algoritme. Kraften til et kvante
datamaskinen vokser eksponentielt i forhold til antallet
qubits knyttet sammen. Dette er en av grunnene til at kvantedatamaskiner til slutt kan utkonkurrere klassiske datamaskiner i risikoanalyse med høye datamengder.

Kredittrisikostyring

Det er avgjørende for finansinstitusjoner å vurdere kredittrisikoen til sine låntakere for å oppfylle økonomisk kapitalkrav (ECR). Finansinstitusjoner som spesialiserer seg på å låne ut penger, i denne sammenheng referert til som långivere, vurderer
risiko for et lån før godkjenning. Långivere vurderer risikoen ved å avgjøre om det er sannsynlig at låntakeren går glipp av betalinger. Långivere vurderer en låntakers nåværende økonomiske stilling, økonomiske historie, sikkerheter og andre kriterier for å bestemme hvor mye kredittrisiko
deres lån vil være. Klassiske metoder for risikoberegning foretrekkes av långivere som er mer forsiktige og risikovillige. Disse klassiske metodene er imidlertid stive og gir resultater med et begrenset antall faste parametere. Har en 360-graders utsikt
av långivers risiko på tvers av hele låntakergruppen kan åpne ny demografi for utlån samtidig som risikoterskelen holdes lav. Dette krever til slutt høy datakraft for å beregne kredittrisikoen og lånet deres. I motsetning til den klassiske Monte
Carlo Simulation, den Kvanteamplitudeestimering Modellen kan estimere den betingede verdien ved risiko med minimal ekstra overhead og i nesten sanntid. Sannsynligheten for suksess for denne algoritmen kan være
raskt økt ved å gjenta estimeringen flere ganger, noe som bidrar til å oppnå høyere nøyaktighet.

Valutarisikostyring 

Risikoen for økonomisk påvirkning fra svingende valutakurser er kjent som valutarisiko eller valutakursrisiko. Valutarisiko påvirker også ikke-finansielle foretak som har fordringer eller gjeld i utenlandsk valuta. Value at Risk er å være
brukes til å beregne den økonomiske reserven og for å sikre dens fordringer eller gjeld. Monte Carlo-simuleringen er en enkel, enkel å implementere og fleksibel for å gjøre forskjellige forutsetninger for å forutsi en virksomhets valutarisiko. Imidlertid kvantedatamaskiner
kan effektivt løse enkelte oppgaver knyttet til forvaltning av valutareserver, for eksempel risikomåling ved bruk av Quantum Amplitude Estimation-modellen. Sammenlignet med klassiske datamaskiner er kvantedatamaskiner mer utsatt for feil. For å løse denne vanskeligheten, prosessen
gjentas flere tusen ganger og resultatet beregnes som gjennomsnitt av alle resultatene. Å kjøre modellen med ulike tilfeldige variabler kan forbedre nøyaktigheten til forventet Value at Risk.

Fremtid fremover

Tradisjonelle tilnærminger for å forbedre Monte Carlo-ytelsen er avhengig av viktighetsprøver. Imidlertid forblir problemet vanligvis vanskelig med tanke på nødvendig datakraft for å løse det i sanntid. På grunn av dette kan kvantealgoritmens potensiale
økt effektivitet innen finansiell risikovurdering er spesielt overbevisende. I teorien kan beregninger over natten forkortes til en kortere tidsramme, noe som muliggjør mer nær sanntidsvurdering av risiko. Finansinstitusjonene ville kunne
reagere på skiftende markedsforhold og dra nytte av handelsmuligheter raskere med slike nær-sanntidsanalyser. Banker bruker først og fremst Monte Carlo-simulering for komplekse modeller som kan redegjøre for usikkerhet i variabler i en risikoanalyse.
De nevnte argumentene oppmuntrer oss til å vurdere de kvantealgoritmiske modellene. Vi kan ikke påstå at kvantealgoritmer er overlegne klassiske algoritmer på grunn av den asymptotiske tendensen til estimeringsfeil med hensyn til beregningstid. Derimot,
vi forventer at kvantefeilkorreksjon, som bruker kvanteberegning for å beskytte kvantetilstander mot feil, er en potensiell løsning på støyproblemet, og kvanteamplitudeestimeringen vil være overlegen konvensjonelle Monte Carlo-simuleringer av
overvinne disse feilene. Derfor gjør løftet om en akselerert kvantehastighet det ekstremt attraktivt å være en av de første applikasjonene som opplever en ekte, praktisk kvantefordel.