Die Studie untersucht die Anwendung von Quantencomputing-Technologien für das Finanzrisikomanagement, insbesondere für die Vorhersage von Kreditausfällen (Fallen Angels).
Zunächst wird ein klassischer Random-Forest-Algorithmus als Benchmark-Lösung präsentiert. Dieser erreicht auf einem Testdatensatz eine Präzision von 28% bei einer Rückrufquote von 83%.
Anschließend wird ein quantengestützter Klassifikator vorgestellt, der auf dem QBoost-Algorithmus basiert. Dieser Ansatz kombiniert klassische Algorithmen mit quantenbasierten Optimierungstechniken, um ein wettbewerbsfähiges, schnelleres und interpretierbareres Modell zu erhalten.
Der quantengestützte Klassifikator wurde auf einem neutralen Atom-Quantenprozessor mit bis zu 60 Qubits implementiert. Er erreicht eine ähnliche Leistung wie der Random-Forest-Benchmark, mit einer Präzision von 27,9% bei einer Rückrufquote von 83%. Dabei benötigt das quantengestützte Modell jedoch nur 50 Basisklassifikatoren im Vergleich zu 1200 beim Random-Forest-Modell, was zu einer besseren Interpretierbarkeit führt.
Darüber hinaus zeigt die Studie, dass durch den Einsatz von Tensor-Netzwerken-basierten Optimierungsverfahren die Leistung des quantengestützten Klassifikators weiter gesteigert werden kann. Mit 90 Basisklassifikatoren erreicht das Tensor-Netzwerke-basierte Modell eine Präzision von 29% bei einer Rückrufquote von 83%.
To Another Language
from source content
arxiv.org
Deeper Inquiries