Gerdab.IR | گرداب

پرونده/ پردازش کوانتومی و بانکداری

پرونده/ پردازش کوانتومی و بانکداری
تاریخ انتشار : ۲۰ شهريور ۱۴۰۱

با وجود پیشرفت‌های بسیار در زمینۀ رایانه‌ها، اما همچنان زمینه‌های بسیاری وجود دارد که رایانه‌های فعلی در انجام آن ضعیف یا به کلی ناتوان هستند.

به گزارش گرداب، ضرورت و نیاز به پردازش و رایانه‌های کوانتومی روز به روز بیشتر احساس می‌شود. در این متن به آن زمینه‌ها و کاربرد رایانۀ کوانتومی در نظام بانکداری کنونی می‌پردازیم.

پردازش کوانتومی و بانکداری

چالش‌های ترکیبی در نظام بانکداری و مالی، از آربیتراژ گرفته تا امتیازدهی اعتباری و توسعه مشتقات اموری رایج هستند. یکی از راه‌های برخورد بانک‌ها و سایر مؤسسات مالی با این مشکلات، محدود کردن آن‌ها برای قابل محاسبه کردن آن‌ها است. به عبارت دیگر، بانک‌ها مشکلات را ساده می‌کنند تا مجموعه راه‌حل‌های ممکن را کاهش دهند.

محدود کردن مجموعه راه‌حل‌های ممکن به این معنی است که گاهی اوقات بهترین راه‌حل هرگز پیدا نمی‌شود. اما این پتانسیل برای رایانه‌های کوانتومی وجود دارد که دربارۀ مشکلات بزرگ‌تر که در آن محدودیت‌ها کاهش می‌یابند و نتایج بیشتری ممکن است، بینش جدیدی ایجاد کنند.

بسیاری از این چالش‌ها به «مشکل فروشنده دوره‌گرد» کلاسیک مربوط می‌شود که برای دهه‌ها جزء اصلی تحقیقات عملیاتی بوده است. ایده مشکل فروشنده دوره‌گرد این است که یک فروشنده تعدادی شهر برای سفر دارد و باید یک بار به هر شهر سفر کند.

هدف یافتن کوتاه‌ترین مسیری است که: (۱) یک بار به هر شهر می‌رود و (۲) به شهر شروع می‌رسد.

از منظر ارزش پیشنهادی، سود استفاده از کوتاه‌ترین مسیر ساده است: فروشنده احتمالاً با سفر به هر شهر درآمد یکسانی ایجاد می‌کند، در حالی که با دنبال کردن کارآمدترین مسیر، هزینه‌های سفر را به حداقل می‌رساند.

زمانی که تعداد شهر‌های نسبتاً کمی برای سفر وجود دارد (به عنوان مثال، چهار شهر) یافتن کوتاه‌ترین مسیر نسبتاً ساده است. با این حال، هر چه شهر‌های بیشتر و بیشتر اضافه می‌شود، مشکل کمتر و کمتر قابل حل می‌شود. هنگامی که تعداد شهر‌هایی که باید برای سفر به آن‌ها سفر کرد به اندازه کافی بزرگ شود، محاسبات کوانتومی ممکن است در نهایت این پتانسیل را برای سرعت بخشیدن به این فرآیند به حدی ارائه دهد که یافتن حداقل یک «مسیر» جهانی از طریق همه شهر‌ها ممکن شود.

 

پرونده/ پردازش کوانتومی و بانکداری

 

تعداد شگفت‌آور زیادی از مشکلات تجاری را می‌توان به عنوان تغییرات فروشنده دوره‌گرد از جمله طراحی مدار، تحویل بسته و برنامه‌ریزی قطار در نظر گرفت.

به طور خاص، محققان مشکلات ترکیبی را در بانکداری و مالی شناسایی کرده‌اند که ممکن است از محاسبات کوانتومی سود ببرند: از جمله بهینه‌سازی پورتفولیو، آربیتراژ ارز خارجی و امتیازدهی اعتباری.

برای مثال، در امتیازدهی اعتباری، بانک‌ها از داده‌ها برای پیش‌بینی این که کدام مشتریان احتمالاً نکول می‌کنند و کدام مشتریان احتمالاً وام‌های خود را بازپرداخت می‌کنند، استفاده می‌کنند. دو نوع خطا وجود دارد که بانک‌ها ممکن است هنگام تصمیم‌گیری وام مرتکب شوند. یک نوع خطا زمانی رخ می‌دهد که مدل امتیازدهی اعتباری بانک، وام دادن به مشتری را پیشنهاد می‌کند و سپس مشتری متعاقباً نکول می-کند. نوع دیگری از خطا زمانی رخ می‌دهد که مدل بانک پیشنهاد می‌کند که به مشتری وام ندهد، اما اگر بانک وام داده بود، مشتری نکول نمی‌کرد. آشکار است که وام دادن به افرادی که نکول می‌کنند، هزینه بر است. همچنین امتناع از مشتریان سودآور پرهزینه است.

با در نظر گرفتن موارد قبلی به عنوان پس‌زمینه، می‌توان فرض کرد که بانک‌ها می‌خواهند تا حد امکان عوامل مختلف را در هنگام امتیازدهی اعتباری لحاظ کنند. در این زمینه، مقاله‌ای به وسیلۀ شرکت نرم افزار محاسبات کوانتومی ۱Qbit ارائه شده که در آن هزینه استفاده از تعداد زیادی از عوامل در تأیید صحت اطلاعات را برجسته می‌کند. در نهایت، بدون تأیید دقیق اطلاعات، وام‌گیرندگان ممکن است اطلاعات کلیدی را حذف کنند یا دروغ بگویند. بنابراین، وام‌دهندگان ممکن است مایل باشند که دقت پیش‌بینی را قربانی کاهش هزینه تأیید صحت درخواست وام کنند. این مقاله با استفاده از داده‌های تصمیم‌های وام دهی و ویژگی‌های مشتری مرتبط، چالش‌های ترکیبی را در تعیین این که کدام اطلاعات باید جمع‌آوری شود تا پیش‌بینی‌های دقیقی را بدون صرف هزینه زیاد برای تأیید صحت داده‌ها جمع‌آوری کنیم، نشان می‌دهد.

اما این‌ها مشکلات ترکیبی هستند، زیرا هر گروه‌بندی ممکن از ویژگی‌های مشتری باید ارزیابی شود. بنابراین، در صورت وجود صد ویژگی احتمالی وام گیرنده، برای مثال عوامل ۱، ۳، و ۱۵ باید با عوامل ۲، ۹، ۲۲، ۵۱، و ۸۵ و ... مقایسه شوند. نکته مهم این است که تعداد ترکیب‌های ممکن برای ارزیابی با هر عامل اضافی به طور تصاعدی افزایش می‌یابد. اکنون روشن می‌شود که رایانه‌های فعلی از انجام این محاسبه ناتوان هستند و تنها رایانه‌های کوانتومی از پس آن برمی‌آیند.

 

پرونده/ پردازش کوانتومی و بانکداری

 

بسیاری از مشکلات مالی دیگر شامل درک مجموعه‌ای از نتایج ممکن برای تعدادی از دارایی‌ها است. به عنوان مثال، تصمیم به سرمایه‌گذاری در یک سبد سهام شامل شبیه‌سازی توزیع قیمت‌های احتمالی آتی از سهام اصلی پرتفوی است. با تعداد کمی از دارایی‌های اساسی برای مدل سازی، این شبیه‌سازی‌ها نسبتا ساده هستند و بانک‌ها و موسسات مالی از ابزاری به نام شبیه‌سازی مونت کارلو استفاده می‌کنند. این شبیه‌سازی‌ها به طور گسترده برای قیمت‌گذاری مشتقات و مدیریت ریسک استفاده می‌شوند.

با افزایش تعداد دارایی‌ها و عوامل اساسی، قیمت‌گذاری مشتقات پیشرفته و ساخت مدل‌های ارزش در معرض خطر به شبیه‌سازی توزیع مشترک تعداد زیادی از دارایی‌ها نیاز است. این‌ها نیز جزو مسائل ترکیبی هستند، زیرا ارزش آتی یک دارایی ممکن است با ارزش دارایی‌های دیگر مرتبط باشد. ارزیابی ریسک به چیزی بیش از دانستن مجموعه احتمالی ارزش‌های آتی دارایی‌های مختلف نیاز دارد، بلکه مستلزم دانستن چگونگی ارتباط آن ارزش‌ها با یکدیگر است. به عنوان مثال، فرض کنید بانکی می‌خواهد ارزیابی ریسک را در پرتفوی وام مسکن برای خانه‌های تهران و مشهد انجام دهد.

اگر قیمت املاک و مستغلات در آن شهر‌ها با هم حرکت کنند، به طوری که سقوط قیمت‌های تهران به معنای سقوط احتمالی قیمت‌های مشهد باشد، در این صورت آن پرتفوی احتمالاً پرخطر خواهد بود. در مقابل، اگر قیمت‌ها مستقل باشند و با هم حرکت نکنند، ریسک آن پرتفوی کمتر است. اگر تمام شهر‌های دیگر ایران، به اضافه بسیاری از کشور‌های دیگر و دارایی‌های غیر وام مسکن را اضافه کنیم، پیچیدگی این محاسبه به طور قابل توجهی افزایش می‌یابد.

در چنین شرایطی، مونت کارلو در یک کامپیوتر کلاسیک بسیار کند می‌شود و این توانایی قیمت‌گذاری به موقع مشتقات پیچیده یا شبیه‌سازی مدل‌های ارزش در معرض خطر را محدود می‌کند. حال جالب توجه است که طبق گزارشها، بسیاری از بانک‌ها میزان استفاده از شبیه‌سازی مونت کارلو را برای محاسبات ارزش در معرض خطر کاهش داده‌اند. این گزارش افزایش پیچیدگی محاسباتی را به عنوان یک دلیل احتمالی ذکر می‌کند و تأکید می‌کند که تعداد عواملی که بانک‌ها باید شبیه‌سازی کنند در طول زمان افزایش یافته است.


با توجه به شدت محاسباتی بسیاری از مشکلات بانکی و مالی، پتانسیل عظیمی برای کاربرد‌های سودآور محاسبات کوانتومی با بلوغ فناوری آن وجود دارد. برخی از شرکت‌ها در حال حاضر پیشرفت‌های مهمی در این زمینه کرده‌اند. به عنوان مثال، Cogniframe در حال توسعه یک «لایه عملیاتی خدمات مالی» است که در بالای ابر کوانتومی قرار می‌گیرد و برای کمک به حل مسائل چالش برانگیز بهینه‌سازی و شبیه‌سازی استفاده می‌شود. علاوه بر این، شرکت Multiverse Computing از الگوریتم‌های کوانتومی و الهام‌گرفته از پردازش کوانتومی برای توسعه یک مجموعه نرم‌افزاری جامع برای حل مشکلات شبیه‌سازی مالی و کلان اقتصادی استفاده می‌کند.

جمع‌بندی:

همانطور که بیان شد به طور کلی، مشکلات ترکیبی در امور مالی و بانکی رایج هستند و حل آن‌ها بسیار ارزشمند خواهد بود. زیرا رایانه‌های فعلی از محاسبۀ آن‌ها ناتوان هستند. با این وجود، حل مشکلات ترکیبی دارای بالاترین ارزش در امور مالی و بانکداری احتمالاً به پیشرفت‌های قابل توجهی در فناوری محاسبات کوانتومی نیاز دارد. تا زمانی که چنین فناوری در دسترس قرار نگیرد، پتانسیل کوتاه مدت برای الگوریتم‌های الهام گرفته از پردازش کوانتومی برای ایجاد فرصت‌های سود وجود دارد.