如今金融市場(chǎng)發(fā)展迅猛，數(shù)據(jù)量和指標(biāo)規(guī)模的擴(kuò)大使得傳統(tǒng)的算法越來(lái)越力不從心，隨著量子計(jì)算硬件設(shè)備的成熟與完善，相關(guān)技術(shù)人員在深入研究量子算法時(shí)發(fā)現(xiàn)，量子計(jì)算可持續(xù)提供嶄新的金融服務(wù)，在改變金融行業(yè)格局上擁有巨大潛力。

近日，本源量子團(tuán)隊(duì)將量子支持向量機(jī)運(yùn)用到股票的振幅預(yù)測(cè)、多因子選股模型等金融領(lǐng)域的實(shí)際場(chǎng)景并完成算法驗(yàn)證，研發(fā)的量子支持向量機(jī)（后稱QSVM）相較經(jīng)典支持向量機(jī)（后稱SVM）有指數(shù)級(jí)加速效果，同時(shí)經(jīng)測(cè)試發(fā)現(xiàn)該應(yīng)用分類預(yù)測(cè)效果也非常優(yōu)秀。這一研發(fā)成果將進(jìn)一步推動(dòng)量子優(yōu)勢(shì)的運(yùn)用，也證明了量子支持向量機(jī)在金融領(lǐng)域擁有極為廣泛的應(yīng)用前景。

研究團(tuán)隊(duì)選擇了股票的振幅預(yù)測(cè)、多因子選股模型兩個(gè)研究案例，具體如下：

研究場(chǎng)景——股票振幅預(yù)測(cè)

股票的振幅是用來(lái)形容股票日波動(dòng)情況的一種量化指標(biāo)，該指標(biāo)反應(yīng)了股票的活性，和漲跌情況無(wú)關(guān)。我們使用最高價(jià)減去最低價(jià)的差值除以最低價(jià)得到的數(shù)值表示振幅的大小，若該數(shù)值超過(guò)以往振幅的平均水平就歸類為大振幅，反之為小振幅，從而將振幅預(yù)測(cè)轉(zhuǎn)化為一個(gè)二分類問(wèn)題。使用QSVM的目的就是預(yù)測(cè)未來(lái)一日股票振幅的大小。準(zhǔn)確預(yù)測(cè)振幅將為股票在未來(lái)的走勢(shì)以及投資風(fēng)險(xiǎn)領(lǐng)域提供重要參考，可以為相關(guān)的金融機(jī)構(gòu)提供套利的機(jī)會(huì)，這在實(shí)際生活中有著重要的應(yīng)用。

本次應(yīng)用使用了6個(gè)指標(biāo)作為學(xué)習(xí)特征，振幅的大小作為訓(xùn)練和預(yù)測(cè)的類別。其中特征為股票前一日的振幅、股票歷史波動(dòng)率等股價(jià)變化歷史信息。我們使用的QSVM算法可以給SVM計(jì)算過(guò)程提供指數(shù)級(jí)的加速。測(cè)試中我們分別在幾個(gè)板塊下預(yù)測(cè)了若干幾只股票從2021年8月初開(kāi)始的的每日振幅情況。以下為測(cè)試結(jié)果：

圖示1. stock-000上圖中左邊表示的是測(cè)試的預(yù)測(cè)誤差，即預(yù)測(cè)錯(cuò)誤股票數(shù)所占的比例（紅色代表QSVM，黑色代表SVM），預(yù)測(cè)誤差越小，說(shuō)明預(yù)測(cè)效果越好。在連續(xù)30日的測(cè)試中，可以看出整體上QSVM的結(jié)果是優(yōu)于SVM的，誤差較低，說(shuō)明QSVM提升計(jì)算效率的同時(shí)還給出了較優(yōu)的結(jié)果。右圖是我們給出的QSVM和SVM的每日存在預(yù)測(cè)差異的股票比例。出于模型的泛化性質(zhì)考慮，我們還進(jìn)行了其他板塊上的測(cè)試。結(jié)果如下圖所示，結(jié)果均表明QSVM的優(yōu)勢(shì)是穩(wěn)定的。

圖示2. stock-002

圖示3. stock-600

研究場(chǎng)景——多因子選股模型

除了估計(jì)上述的股票振幅，我們還在多因子選股模型上使用了該QSVM算法，并獲得了較好的預(yù)測(cè)表現(xiàn)。

股票市場(chǎng)中，能夠準(zhǔn)確預(yù)測(cè)出股票的漲跌情況是不太可能的。這是因?yàn)楣善北旧頃?huì)受各種各樣繁亂復(fù)雜的元素影響，加之人為的干預(yù)，準(zhǔn)確預(yù)測(cè)所有股票漲跌情況的可能性變得微乎其微。在量化研究之前，人們通常采用主觀的感受來(lái)判斷股票是否值得買(mǎi)入或者及時(shí)賣(mài)出，但是人為的選擇比較主觀，偏差較大，并且門(mén)檻非常高，需要有經(jīng)驗(yàn)的人才能夠做出相對(duì)準(zhǔn)確的判斷。而對(duì)于一般情況來(lái)說(shuō)，需要使用固定的模型來(lái)建立已有數(shù)據(jù)與股票漲跌之間的聯(lián)系，來(lái)進(jìn)行量化選股。多因子選股模型即人為選取多個(gè)因子（因子是指對(duì)股票未來(lái)漲幅趨勢(shì)有明顯影響的數(shù)據(jù)），從而預(yù)測(cè)未來(lái)股票的漲跌情況。

本次試驗(yàn)進(jìn)行多因子選股時(shí)并未做主成分分析，而是直接使用上一年財(cái)務(wù)指標(biāo)等共8個(gè)指標(biāo)輸入，來(lái)預(yù)測(cè)下一季度的股票漲跌情況，最終得到了70%的準(zhǔn)確率。該準(zhǔn)確率相對(duì)于SVM提升了約17%。

圖示4. 多因子模型選股

上圖為我們對(duì)10只股票的測(cè)試結(jié)果，橘色表示真實(shí)情況下未來(lái)實(shí)際上漲的股票，而藍(lán)色表示未來(lái)實(shí)際下跌的股票?？v坐標(biāo)值為我們模型分類的數(shù)值結(jié)果，正值為預(yù)測(cè)漲，負(fù)值為預(yù)測(cè)跌，數(shù)值大小則反應(yīng)了靈敏程度（可理解為漲跌趨勢(shì)的概率大?。?。我們通過(guò)對(duì)比預(yù)測(cè)得到的結(jié)果可以看出，大部分股票都被準(zhǔn)確預(yù)測(cè)。處在0軸上方的大部分為橘色，處在下方的大部分為藍(lán)色，總體達(dá)到了70%的準(zhǔn)確率。而事實(shí)上，由于股票走勢(shì)十分復(fù)雜，預(yù)測(cè)很難成功，經(jīng)典模型中60%的準(zhǔn)確率的預(yù)測(cè)程度已經(jīng)是相當(dāng)優(yōu)秀的結(jié)果了。此外，本源量子團(tuán)隊(duì)在今年初就利用原理相似的量子線路加速無(wú)監(jiān)督的One-Class SVM異常檢測(cè)算法，并應(yīng)用于檢測(cè)金融領(lǐng)域異常行為，該量子異常檢測(cè)算法基于量子計(jì)算的并行性原理，可快速分析識(shí)別金融風(fēng)控領(lǐng)域企業(yè)債務(wù)違約行為，相比傳統(tǒng)檢測(cè)方法更為快速、有效。本源量子作為國(guó)內(nèi)量子計(jì)算龍頭企業(yè)，不僅在量子計(jì)算機(jī)硬件方面做到自主可控；在量子算法研發(fā)和儲(chǔ)備層面，也位列國(guó)內(nèi)外第一研究梯隊(duì)。近年來(lái)，本源量子一直致力于量子計(jì)算在金融領(lǐng)域的相關(guān)研究與開(kāi)發(fā)，持續(xù)同各大銀行和金融機(jī)構(gòu)共同探索、挖掘潛在的金融場(chǎng)景，不斷加大基于特定金融場(chǎng)景的量子算法研究和產(chǎn)出，推動(dòng)量子計(jì)算在金融行業(yè)的落地應(yīng)用，志在為金融行業(yè)的發(fā)展貢獻(xiàn)量子力量。