Original Research | Carbon market risk estimation using quantum conditional generative adversarial network and amplitude estimation
基于量子条件生成对抗网络和振幅估计的碳市场风险评估
温馨提示
原文发表在《Energy Conversion and Economics》2024年第4期，欢迎转发、下载与引用。
本文创新点
1）准确、高效地估计碳市场风险对于确保金融市场稳定和促进环境可持续发展具有重要意义。碳市场作为实现全球减排目标的关键机制，其价格波动性给市场参与者带来了巨大的财务风险。
2）现有的风险评估方法存在局限，难以全面、准确地反映市场的真实动态。传统方法如时间序列模型、资本资产定价模型和蒙特卡洛模拟等，通常依赖于隐含的分布假设，且在准确性和计算效率之间难以平衡。
3）量子计算为提高风险评估的效率和准确性提供了新的可能性。利用量子算法，可以在量子计算机上在更短的时间内处理复杂的金融数据，突破传统方法的限制，实现对碳市场风险的更精准预测。
研究背景
1）提出了一个基于QCGAN和QAE的碳市场风险评估框架，显著提升了价值风险（VaR）和条件价值风险（CVaR）的估计效率和准确性。该框架首先通过QCGAN模拟未来的损失率分布，然后利用QAE测量量子态，获取关键的风险指标。
图1 - 基于QCGAN-QAE的碳市场风险评估框架图
2）在欧洲碳排放交易体系（EU ETS）的实际数据上进行了验证，结果显示该框架具有更高的准确性和效率。在不同的置信水平下，QCGAN-QAE框架都表现出优异的风险估计性能。
表1 - 不同方法在VaR和CVaR估计上的表现对比
3）与传统的蒙特卡洛模拟方法相比，基于QCGAN-QAE的框架在计算效率上具有显著优势。得益于量子计算的并行性和高效性，实现了对复杂金融数据的快速处理。
仿真/实验结果
1）QCGAN用于模拟未来的损失率分布，提升风险预测的准确性。通过结合历史损失率作为条件数据和量子噪声，QCGAN的生成器能够生成符合市场特征的未来损失率分布。
2）改进了QCGAN的生成器量子电路设计，提高了模型的表达能力。具体而言，重新排列了数据纠缠层和旋转层的顺序，并引入了量子全连接层（QFC），使量子比特之间的信息交流更加充分，增强了模型对复杂市场数据的捕捉能力。
图2 - 生成器的量子电路(以4个量子比特为例)
3）改进后的QCGAN在实验中表现出色，生成的损失率分布更接近真实市场情况。这为风险评估提供了强有力的支持。
结论
1）QAE用于高效地测量QCGAN生成的量子态的概率分布。相比传统测量方法，QAE利用量子叠加和干涉原理，可以更快速地估计量子态的振幅。
2）将二分搜索算法与QAE相结合，进一步提升了计算效率。在确定特定置信水平下的VaR时，二分搜索可以快速锁定对应的量子态，减少了计算复杂度。
图3 - QAE与二分搜索结合的流程图
3）这种方法有效解决了直接测量低概率极端事件时的效率低下问题。对于评估碳市场中的极端风险事件，能够提供更加精确和高效的解决方案。
研究展望
1）未来研究可进一步优化量子电路设计，提高模型的效率和精度。随着量子计算技术的发展，更多的量子比特和更稳定的量子态将使模型能够处理更复杂的数据。
2）将该框架应用于其他金融市场的风险评估，拓展其适用性。例如，股票市场、外汇市场等，验证模型的通用性。
3）探索其他量子机器学习算法在风险评估中的潜力，为金融行业提供更多高效的风险管理工具。
6
论文原文
7
引用与下载
https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/enc2.12122
或点击页面底部“阅读原文”
作者简介
周茜缘
本科生，香港中文大学（深圳）理工学院，主要研究方向为人工智能、能源经济。
赵焕
博士后研究员，新加坡南洋理工大学电气与电子工程学院，主要研究方向为智能电网，能源管理，机器学习，强化学习。
赵俊华
教授，香港中文大学（深圳）理工学院，深圳人工智能与机器人研究院研究员，深圳高等金融研究院能源市场与能源金融实验室主任。主要研究方向：电力系统分析与计算、智能电网、能源经济、低碳转型、人工智能。
9
ECE内容推荐
REVIEW | Deep learning for cybersecurity in smart grids: Review and perspectives
智能电网网络安全的深度学习：综述与展望
长按识别二维码 阅读论文
或复制网址访问
https://doi.org/10.1049/enc2.12091
维护网络安全对保障智能电网稳定运行具有至关重要的战略意义。近年来深度学习技术的兴起已为提高智能电网网络安全做出了显著贡献。该领域仍面临着一系列未解决的挑战，主要包括样本不平衡问题、深度学习模型的选择与优化、数据隐私与保护等。香港中文大学（深圳）赵俊华等本文深入探讨了智能电网中存在的网络威胁，全面回顾了深度学习技术在智能电网网络安全领域的应用，提出解决思路并展望未来发展方向，并通过评估深度学习在网络安全的应用潜力，提出了通用深度学习模型框架和指南以协助研究人员开发高性能网络攻击检测系统。
期刊简介
Energy Conversion and Economics
能源转换与经济
主编(以姓氏首字母为序)：
董朝阳、汤广福、文福拴
ISSN：2634-1581
收录信息：能源电力领域高质量科技期刊分级目录（2022年版）、Ei Compendex、Inspec、DOAJ、知网
创刊时间：2020年
官网：http://wileyonlinelibrary.com/iet-ece
点击下方“阅读原文”获取论文原文
