Przyspiesz zarządzanie ryzykiem na rynkach kapitałowych za pomocą kwantowej analizy ryzyka (Karthikeyan Rengasamy)

Zmienność na rynkach akcji jest powszechnie kojarzona z ryzykiem inwestycyjnym. Jeśli jednak ryzyko jest skutecznie zarządzane, może również generować solidne zwroty dla inwestorów. Zarządzający inwestycjami i inwestorzy przyznają, że muszą brać pod uwagę czynniki inne niż:
oczekiwana stopa zwrotu dla lepszego przewidywania i podejmowania decyzji. Proces podejmowania decyzji jest pełen niepewności, z licznymi możliwościami i prawdopodobieństwem, które obejmują szeroki wachlarz korzyści i zagrożeń. Jest sposób na wsparcie inwestycji
menedżerów i inwestorów w podejmowaniu decyzji poprzez dostarczanie im realistycznej oceny związanego z nimi ryzyka. Metoda Monte Carlo, zwana również symulacją Monte Carlo, zapewnia lepsze podejmowanie decyzji w niepewnych sytuacjach, umożliwiając nam podgląd
wszystkie wybrane przez nas wyniki i ocena związanego z nimi ryzyka. Rozsądnie byłoby rozważyć symulację Monte Carlo, gdy istnieje znaczna liczba niepewności. Jeśli nie, prognozy mogą się znacznie różnić, wpływając negatywnie na decyzje.
Zwykle ta metoda próbuje próbkować zgodnie z rozkładem prawdopodobieństwa, który ilustruje możliwe wyniki zdarzenia. Niezależne próbki wygenerowane przez symulację Monte Carlo mogą nie być odpowiednie dla wszystkich problemów. Również obliczeniowa
wymagania symulacji Monte Carlo są najbardziej przekonującym argumentem przeciwko niemu. Wiele przypadków użycia rynku kapitałowego, które są obecnie rozwiązywane za pomocą symulacji Monte Carlo, takich jak analiza ryzyka i wycena opcji, może zostać rozwiązanych szybciej w czasie
przez algorytmy kwantowe.

Symulacja Monte Carlo i algorytm kwantowy do zarządzania ryzykiem

Metoda Monte Carlo służy do badania przestrzeni prawdopodobieństwa pojedynczego zdarzenia lub sekwencji powiązanych zdarzeń. Na rynkach kapitałowych wartość zagrożona (VaR – określa ilościowo wielkość potencjalnych strat finansowych w określonym okresie) i wartość warunkowa
zagrożony (CVaR – kwantyfikuje oczekiwane straty, które wystąpią poza granicami VaR) portfela można określić za pomocą symulacji Monte Carlo. Pomaga to w przewidywaniu najgorszego scenariusza do obliczania ryzyka przy danym przedziale ufności w danym okresie
horyzont czasowy. Jednak uruchomienie tych modeli na znacznej ilości danych w różnych wymiarach może być kosztowne obliczeniowo. Może też wykraczać poza możliwości dzisiejszych klasycznych komputerów. Tutaj porozmawiamy o tym, jak algorytm kwantowy na a
Komputer kwantowy może skuteczniej zarządzać ryzykiem portfela kapitałowego, ryzykiem kredytowym i ryzykiem walutowym niż symulacja Monte Carlo na klasycznym komputerze.

Zarządzanie ryzykiem portfela kapitałowego

Zgodnie z definicją miar wartości zagrożonej i warunkowej wartości zagrożonej, można być zainteresowanym oszacowaniem prawdopodobieństwa przyszłej straty danego portfela przekraczającej z góry ustaloną wartość. Pociąga to za sobą analizę wszystkich możliwych
parowanie zasobów, które mogą być niewypłacalne lub duża liczba konwencjonalnych próbek w symulacji Monte Carlo, która wymaga dużej mocy obliczeniowej do działania. Można to znacznie przyspieszyć w Komputerze Kwantowym dzięki algorytmom opartym na
Szacowanie amplitudy kwantowej. Estymacja amplitudy to algorytm kwantowy, który służy do szacowania nieznanego parametru, który może działać szybciej w czasie w porównaniu z klasycznym algorytmem Monte Carlo. Moc kwantu
komputer rośnie wykładniczo proporcjonalnie do liczby
kubity połączone ze sobą. Jest to jeden z powodów, dla których komputery kwantowe mogą ostatecznie przewyższyć klasyczne komputery w analizie ryzyka przy dużej ilości danych.

Zarządzanie ryzykiem kredytowym

Dla instytucji finansowych kluczowe znaczenie ma ocena ryzyka kredytowego swoich kredytobiorców w celu spełnienia wymogu kapitału ekonomicznego (ECR). Instytucje finansowe specjalizujące się w pożyczaniu pieniędzy, określane w tym kontekście jako Kredytodawcy, oceniają
ryzyko pożyczki przed zatwierdzeniem. Kredytodawcy oceniają ryzyko, określając, czy kredytobiorca może przegapić płatności. Kredytodawcy oceniają obecną sytuację finansową kredytobiorcy, historię finansową, zabezpieczenia i inne kryteria w celu określenia stopnia ryzyka kredytowego
ich pożyczka będzie. Klasyczne metody obliczania ryzyka są preferowane przez kredytodawców, którzy są bardziej ostrożni i mają awersję do ryzyka. Jednak te klasyczne metody są sztywne i dają wyniki przy ograniczonej liczbie stałych parametrów. Posiadanie widoku 360 stopni
ryzyka pożyczkodawcy w całej grupie pożyczkobiorców może otworzyć nowe dane demograficzne na udzielanie pożyczek, przy jednoczesnym utrzymaniu niskiego progu ryzyka. To ostatecznie wymaga dużej mocy obliczeniowej, aby obliczyć ryzyko kredytowe barrowers i ich pożyczki. W przeciwieństwie do klasycznego Monte
Symulacja Carlo Szacowanie amplitudy kwantowej model może oszacować Warunkową Wartość Zagrożoną przy minimalnym dodatkowym nakładzie pracy i w czasie zbliżonym do rzeczywistego. Prawdopodobieństwo sukcesu tego algorytmu może być
szybko zwiększany poprzez wielokrotne powtarzanie estymacji, co pomaga w osiągnięciu większej dokładności.

Zarządzanie ryzykiem walutowym 

Ryzyko wpływu finansowego wahań kursów walutowych jest znane jako ryzyko walutowe lub ryzyko kursowe. Ryzyko walutowe dotyczy również przedsiębiorstw niefinansowych, które mają należności lub zobowiązania w walucie obcej. Wartość zagrożona jest
służy do wyliczania rezerwy finansowej i zabezpieczenia jej należności lub zobowiązań. Symulacja Monte Carlo jest prosta, łatwa do wdrożenia i elastyczna w przyjmowaniu różnych założeń do prognozowania ryzyka walutowego przedsiębiorstwa. Jednak komputery kwantowe
potrafi sprawnie rozwiązywać niektóre zadania związane z zarządzaniem rezerwami walutowymi, np. pomiar ryzyka za pomocą modelu Quantum Amplitude Estimation. W porównaniu z klasycznymi komputerami komputery kwantowe są bardziej podatne na błędy. Aby rozwiązać ten problem, proces
jest powtarzany kilka tysięcy razy, a wynik jest obliczany jako średnia wszystkich wyników. Uruchomienie modelu z różnymi zmiennymi losowymi może poprawić dokładność oczekiwanej wartości zagrożonej.

Przyszłość naprzód

Tradycyjne podejścia do zwiększania wydajności Monte Carlo opierają się na próbkowaniu ważności. Jednak problem zwykle pozostaje trudny pod względem mocy obliczeniowej niezbędnej do rozwiązania go w czasie rzeczywistym. Z tego powodu potencjał algorytmu kwantowego do:
zwiększenie efektywności w zakresie oceny ryzyka finansowego jest szczególnie atrakcyjne. Teoretycznie obliczenia nocne można skrócić do krótszych ram czasowych, umożliwiając bardziej bliską ocenę ryzyka w czasie rzeczywistym. Instytucje finansowe byłyby w stanie:
Reaguj na zmieniające się warunki rynkowe i szybciej wykorzystuj okazje handlowe dzięki takiej analizie w czasie zbliżonym do rzeczywistego. Banki wykorzystują przede wszystkim symulację Monte Carlo do złożonych modeli, które mogą uwzględniać niepewność zmiennych analizy ryzyka.
Powyższe argumenty skłaniają nas do rozważenia kwantowych modeli algorytmicznych. Nie możemy twierdzić, że algorytmy kwantowe przewyższają algorytmy klasyczne ze względu na asymptotyczną tendencję błędu estymacji względem czasu obliczeń. Jednakże,
przewidujemy, że kwantowa korekcja błędów, która wykorzystuje obliczenia kwantowe do ochrony stanów kwantowych przed błędami, jest potencjalnym rozwiązaniem problemu szumu, a kwantowe szacowanie amplitudy będzie lepsze od konwencjonalnych symulacji Monte Carlo dzięki
przezwyciężenie tych błędów. Dlatego obietnica przyspieszonego przyspieszenia kwantowego sprawia, że ​​niezwykle atrakcyjna jest bycie jedną z pierwszych aplikacji, które doświadczają prawdziwych, praktycznych korzyści kwantowych.