□吴永飞
党的二十大报告中指出：“一些关键核心技术实现突破，战略性新兴产业发展壮大，载人航天、探月探火、深海深地探测、超级计算机、卫星导航、量子信息、核电技术、新能源技术、大飞机制造、生物医药等取得重大成果，进入创新型国家行列。”其中，量子信息作为关键核心技术被强调。党的二十大前夕，2022年10月4日，诺贝尔物理学奖不负众望地颁给了量子信息科学，法国物理学家阿斯佩（Alain Aspect）、美国物理学家克劳泽（John F. Clauser）以及奥地利物理学家塞林格（Anton Zeilinger）凭借在量子信息科学领域取得的卓越成就获奖，再次引发了全球对量子科技的高度关注。
华夏银行积极拥抱量子科技，自2020年以来，创新提出量子金融科技方法论，为将量子科技批量化引入金融领域奠定了理论基础，并在量子计算、量子通信等关键领域开展了一系列探索，以期为量子科技在金融领域向实用化、工程化转变提供借鉴。
量子计算为银行激发数据价值、释放数据潜能提供新路径
当前量子计算机快速发展，为经典算力瓶颈的突破提供了全新的可能。算法能够为算力赋予灵魂，并能变废为宝，从沉睡的数据中发掘价值。华夏银行积极开展量子算法研究应用，基于量子科技与人工智能新兴技术，在量子计算机、量子算料嵌入、量子AI算法理论、量子AI建模流程、量子金融科技方法论及模型体系、量子算法模型实证分析等方面进行深入研究，创新设计了一系列的量子AI算法模型，并面向典型金融场景开展应用验证和应用实践。
在量子有监督学习方面，创新开展量子神经网络（QNN）算法在智能设备资源配置中的应用研究。该研究中的数据取自ATM机具原始监控报表数据和流水日志数据，ATM机具样本选取自全国范围内的2000余台取款机、存取款一体机和循环机，时间范围为两年。通过使用QNN算法，将4个特征参数下的经典数据嵌入到2个量子比特，量子比特通过量子门的操作后，测量了中心量子线路最后的量子位在Z轴上的投影。实证研究结果显示，QNN算法模型准确率达75.57%，模型对智能机具的资源配置合理性进行了有效的识别，从而实现了以量子科技为基础的智能化决策支持手段。
在量子小样本学习方面，创新开展基于QNN算法在金融风控领域的应用研究。该研究面向智能风控典型业务场景，创新运用前沿的QNN算法对小样本学习建模问题进行研究。将数据集随机平均划分为训练集和测试集两个部分，针对训练集样本量从60下降至10的各种情况进行模型验证，在每个验证样本量下采取50次随机抽样。实证研究结果显示，基于AUC、KS和Recall三个模型评估指标，在训练集样本数量从60到10不断下降的过程中（各组数据集以5个样本递减），QNN算法模型的效果均优于传统的逻辑回归模型、决策树模型、随机森林模型、XGboost模型、神经网络模型和分类关联规则挖掘模型；同时，QNN算法模型的评估效果在各组小样本数据集下均保持较高的稳定水平，且随着样本量的不断下降，QNN算法模型的表现效果较其他经典模型的优势越发凸显。
在量子无监督学习方面，创新开展量子聚类（QK-means）算法在银行智慧运营场景中的应用研究。该研究针对银行智能柜台设备分布范围广、数量多、所在地区客户和环境情况复杂等难点，以解决智能设备高效运营、精准布放的问题。实验结果显示，QK-means算法模型可以有效将700余家支行网点聚为三类，并根据聚类结果情况分别采取措施对网点智能设备进行优化，缩小了对商业银行网点智柜设备业务的关注范围，使关注点聚焦到表现优异的网点集群和表现不理想的网点集群，有助于实现对网点智柜设备运营管理情况的定期评估，为进一步调整资源配置提供决策依据。
在量子组合优化方面，创新开展量子近似优化（QAOA）算法在我国股票和公募基金市场的投资组合管理应用研究。该研究针对金融市场中存在的大量资产组合配置、投资组合构建等优化问题，借鉴QA-OA算法解决最大分割问题的思想，采集一段时间内各只股票的日收盘价，根据投资者的风险偏好程度，基于QAOA算法生成权益类组合。从组合净值曲线和组合指标可见，经过QAOA算法筛选后的策略，与原有等权重配比股票的策略相比，表现更优。我们遵循相同的方法论对我国公募基金市场组合优化问题进行研究，结果显示，QAOA算法筛选出的组合长期来看净值表现优于平均持有组合。特别是在关于策略波动性的标准差与最大回撤这两项指标上，QAOA算法策略遥遥领先于其他参与对比的组合。
在量子自然语言文本挖掘方面，创新开展量子自然语言处理（QNLP）算法在金融新闻情绪识别及银行客户服务评价分析的应用研究。该研究针对金融新闻情绪识别问题，使用233条数据作为训练集来训练模型，测试集由50条数据构成。同时，作为对比，使用TF-IDF作为特征提取器，之后使用Adaboost、Nave Bayes、Neural Network作为分类器来进行情感分类，并将4种方法进行对比。从模型评估指标来看，4种方法在相同的数据条件下进行对比，QNLP的结果展现出训练集样本量从233下降至20，其模型效果的稳定性最佳。通过逐步减少训练集的样本数量，Adaboost、Nave Bayes和Neural Network三类经典模型在测试集上的F1 Score呈现下降趋势。然而，QNLP随着训练集样本量的下降，测试集结果表现稳定，证明其在小样本学习问题上的表现优于传统NLP方法。在银行客户服务评价分析方面，基于相同的方法论进行实证研究，结果表明，随着训练集样本量的下降，QNLP在银行服务评价分析情感分类数据集上的测试结果表现稳定，QNLP在解决小样本学习问题方面已初步展现出良好的应用潜力。（未完待续）（摘自《银行家》2022年第11期）
