核心概念
본 연구는 중성 원자 양자 프로세서를 활용하여 신용등급 하락 예측을 위한 하이브리드 클래식-양자 분류 모델을 제안한다. 이 모델은 기존 Random Forest 모델과 경쟁력 있는 성능을 보이면서도 해석 가능성이 높고 실행 시간이 빠르다.
要約
본 연구는 신용등급 하락 예측을 위한 양자 기반 기계 학습 솔루션을 제안한다. 이 솔루션은 QBoost 알고리즘을 기반으로 하며, 중성 원자 양자 플랫폼에서 테스트되었고 금융 산업에서 널리 사용되는 Random Forest 모델과 벤치마크되었다.
제안된 분류기는 중성 원자 양자 프로세서에서 학습되었으며, 약 83%의 recall에 대해 27.9%의 정밀도를 달성했다. 이는 Random Forest의 28% 정밀도와 경쟁력 있는 성과이다. 또한 제안된 접근 방식은 해석 가능성 면에서 Random Forest보다 우수하며, 50개의 학습기만을 사용했지만 실행 시간은 유사했다.
제안된 양자 분류기의 두 가지 변형이 구현되었다. 첫 번째는 하위 샘플링 기반으로, 중성 원자 양자 프로세서에서 최대 60큐비트까지 구현되었다. 두 번째는 부스팅 기반으로, 텐서 네트워크 최적화기를 사용하여 최대 90큐비트까지 구현되었다. 부스팅 기반 모델은 이미 Random Forest 성능을 능가하는 수준의 정밀도를 보였다.
향후 중성 원자 양자 하드웨어의 발전으로 더 많은 큐비트를 활용할 수 있게 되면, 제안된 양자 분류기가 Random Forest 벤치마크를 능가할 것으로 기대된다.
統計
본 연구에서 사용된 데이터셋은 2001년부터 2020년까지 20년간의 공개 데이터로 구성되어 있다.
데이터셋에는 90,000개 이상의 인스턴스와 약 150개의 특징이 포함되어 있다.
학습 데이터셋은 약 65,000개의 예제로 구성되며, 테스트 데이터셋은 약 26,000개의 예제로 구성된다.
데이터셋의 클래스 분포는 매우 불균형하여, 학습 데이터셋에서 신용등급 하락 사례는 9%, 테스트 데이터셋에서는 12%만을 차지한다.
引用
"Machine Learning models capable of handling the large datasets collected in the financial world can often become black boxes expensive to run."
"Quantum computing offers a new computational paradigm promising advances in computational efficiency for particular types of tasks."
"Quantum and quantum-inspired approaches have already shown many promising applications in financial problems."