Accelerera riskhanteringen på kapitalmarknaderna med hjälp av kvantumriskanalys (Karthikeyan Rengasamy)

Volatilitet på aktiemarknaderna är vanligtvis förknippat med investeringsrisk. Men om risken hanteras effektivt kan den också generera solid avkastning för investerare. Investeringsförvaltarna och investerarna erkänner att de måste beakta andra faktorer än
den förväntade avkastningen för bättre förutsägelse och beslutsfattande. Beslutsprocessen är fylld av osäkerhet, med många möjligheter och sannolikheter som inkluderar ett brett spektrum av belöningar och risker. Det finns ett sätt att hjälpa investeringar
förvaltare och investerare för att fatta beslut genom att ge dem en realistisk bedömning av riskerna. Monte Carlo-metoden, även kallad Monte Carlo-simulering, ger bättre beslutsfattande i osäkra situationer genom att låta oss se
alla resultat av vårt val och bedömning av risken i samband med detta. Det skulle vara klokt att överväga Monte Carlo-simulering när det finns ett stort antal osäkerheter. Om inte, kan förutsägelserna vara avsevärt avvikande, vilket påverkar besluten negativt.
Vanligtvis kommer denna metod att försöka sampla i linje med sannolikhetsfördelningen som illustrerar de möjliga utfallen av en händelse. Oberoende prover producerade av Monte Carlo-simulering kanske inte är lämpliga för alla problem. Även det beräkningsmässiga
kraven i Monte Carlo-simulering är det mest övertygande argumentet mot det. Många användningsfall på kapitalmarknaden som för närvarande löses med Monte Carlo-simulering, såsom riskanalys och optionsprissättning, har potential att lösas snabbare i tid
av Quantum Algorithms.

Monte Carlo-simulering och kvantalgoritm för riskhantering

Monte Carlo-metoden används för att utforska sannolikhetsutrymmet för en enskild händelse eller en sekvens av relaterade händelser. På kapitalmarknader, Value at Risk (VaR – Kvantifierar storleken på potentiella ekonomiska förluster under en specifik period) och villkorligt värde
at Risk (CVaR- Kvantifierar de förväntade förlusterna som inträffar bortom VaR-brytpunkten) för en portfölj kan bestämmas med hjälp av Monte Carlo-simulering. Detta hjälper till att förutsäga det värsta scenariot för att beräkna risk givet ett konfidensintervall över en given
tidshorisont. Men att köra dessa modeller på en betydande mängd data i olika dimensioner kan vara beräkningsmässigt dyrt. Dessutom kan det vara bortom kapaciteten hos dagens klassiska datorer. Här kommer vi att prata om hur kvantalgoritm på a
kvantdator kan hantera aktieportföljrisk, kreditrisk och valutarisk mer effektivt än Monte Carlo-simulering på en klassisk dator.

Riskhantering för aktieportföljer

Enligt definitionen av måtten Value at Risk och Conditional Value at Risk kan man vara intresserad av att bedöma sannolikheten för att få en framtida förlust av den givna portföljen som överstiger ett förutbestämt värde. Detta innebär att analysera alla möjliga
tillgångspar som skulle kunna vara standard eller ett stort antal konventionella sampel i en Monte Carlo-simulering som kräver hög datorkraft för att köras. Detta skulle kunna påskyndas avsevärt i Quantum Computer av algoritmer baserade på
Kvantamplituduppskattning. Amplituduppskattning är en kvantalgoritm som används för att uppskatta en okänd parameter som kan köras snabbare i tiden jämfört med klassisk Monte Carlo-algoritm. Kraften i ett kvantum
dator växer exponentiellt i proportion till antalet
kvantbitar sammanlänkade. Detta är en av anledningarna till att kvantdatorer så småningom kan överträffa klassiska datorer i riskanalys med stora datavolymer.

Kreditriskhantering

Det är avgörande för finansiella institutioner att bedöma kreditriskerna för sina låntagare för att uppfylla kravet på ekonomiskt kapital (ECR). Finansiella institutioner som är specialiserade på att låna ut pengar, i detta sammanhang kallade Lenders, utvärderar
risk för ett lån innan godkännande. Långivare utvärderar risken genom att avgöra om låntagaren sannolikt kommer att missa betalningar. Långivare bedömer en låntagares nuvarande finansiella ställning, finansiella historik, säkerheter och andra kriterier för att avgöra hur mycket kreditrisk.
deras lån blir. Klassiska metoder för riskberäkning föredras av långivare som är mer försiktiga och riskvilliga. Dessa klassiska metoder är dock stela och ger resultat med endast ett begränsat antal fasta parametrar. Med 360 graders vy
av långivarens risk över hela låntagargruppen kan öppna ny demografi för utlåning samtidigt som risktröskeln hålls låg. Detta kräver så småningom hög beräkningskraft för att beräkna barrowers kreditrisk och deras lån. Till skillnad från den klassiska Monte
Carlo Simulation, den Kvantamplituduppskattning modellen kan uppskatta det villkorade värdet i riskzonen med minimal extra omkostnad och i nästan realtid. Sannolikheten för framgång för denna algoritm kan vara
ökade snabbt genom att upprepa uppskattningen flera gånger, vilket hjälper till att uppnå högre noggrannhet.

Valutariskhantering 

Risken för finansiell påverkan från fluktuerande växelkurser kallas valutarisk eller växelkursrisk. Valutarisk påverkar även icke-finansiella företag som har fordringar eller skulder i utländsk valuta. Value at Risk är att vara
används för att beräkna den finansiella reserven och för att säkerställa dess fordringar eller skulder. Monte Carlo-simuleringen är enkel, lätt att implementera och flexibel för att göra olika antaganden för att prognostisera ett företags valutarisk. Däremot kvantdatorer
kan effektivt lösa vissa uppgifter relaterade till förvaltning av valutareserver, såsom riskmätning med Quantum Amplitude Estimation-modellen. Jämfört med klassiska datorer är kvantdatorer mer benägna att göra fel. För att ta itu med denna svårighet, processen
upprepas flera tusen gånger och resultatet beräknas som ett genomsnitt av alla resultat. Att köra modellen med olika slumpvariabler kan förbättra noggrannheten för det förväntade Value at Risk.

Framtida framåt

Traditionella tillvägagångssätt för att förbättra Monte Carlos prestanda förlitar sig på viktighetssampling. Problemet förblir dock vanligtvis svårt när det gäller den nödvändiga datorkraften för att lösa det i realtid. På grund av detta kan kvantalgoritmens potential att
öka effektiviteten inom området för finansiell riskbedömning är särskilt övertygande. I teorin kan övernattningsberäkningar förkortas till en kortare tidsram, vilket möjliggör en mer nära realtidsbedömning av risk. Finansinstituten skulle kunna
reagera på förändrade marknadsförhållanden och dra nytta av handelsmöjligheter snabbare med en sådan nästan realtidsanalys. Banker använder i första hand Monte Carlo-simulering för komplexa modeller som kan ta hänsyn till osäkerhet i variabler i en riskanalys.
Ovannämnda argument uppmuntrar oss att överväga de kvantalgoritmiska modellerna. Vi kan inte hävda att kvantalgoritmer är överlägsna klassiska algoritmer på grund av den asymptotiska tendensen till uppskattningsfel med avseende på beräkningstid. I alla fall,
vi förutser att kvantfelskorrigering, som använder kvantberäkning för att skydda kvanttillstånd från fel, är en potentiell lösning på brusproblemet, och kvantamplituduppskattningen kommer att vara överlägsen konventionella Monte Carlo-simuleringar av
övervinna dessa fel. Därför gör löftet om en accelererad kvanthastighet det extremt tilltalande att vara en av de första applikationerna som upplever en verklig, praktisk kvantfördel.