如今金融市場發展迅猛，數據量和指標規模的擴大使得傳統的算法越來越力不從心，隨著量子計算硬件設備的成熟與完善，相關技術人員在深入研究量子算法時發現，量子計算可持續提供嶄新的金融服務，在改變金融行業格局上擁有巨大潛力。

近日，本源量子團隊將量子支持向量機運用到股票的振幅預測、多因子選股模型等金融領域的實際場景并完成算法驗證，研發的量子支持向量機（后稱QSVM）相較經典支持向量機（后稱SVM）有指數級加速效果，同時經測試發現該應用分類預測效果也非常優秀。這一研發成果將進一步推動量子優勢的運用，也證明了量子支持向量機在金融領域擁有極為廣泛的應用前景。

研究團隊選擇了股票的振幅預測、多因子選股模型兩個研究案例，具體如下：

研究場景——股票振幅預測

股票的振幅是用來形容股票日波動情況的一種量化指標，該指標反應了股票的活性，和漲跌情況無關。我們使用最高價減去最低價的差值除以最低價得到的數值表示振幅的大小，若該數值超過以往振幅的平均水平就歸類為大振幅，反之為小振幅，從而將振幅預測轉化為一個二分類問題。使用QSVM的目的就是預測未來一日股票振幅的大小。準確預測振幅將為股票在未來的走勢以及投資風險領域提供重要參考，可以為相關的金融機構提供套利的機會，這在實際生活中有著重要的應用。

本次應用使用了6個指標作為學習特征，振幅的大小作為訓練和預測的類別。其中特征為股票前一日的振幅、股票歷史波動率等股價變化歷史信息。我們使用的QSVM算法可以給SVM計算過程提供指數級的加速。測試中我們分別在幾個板塊下預測了若干幾只股票從2021年8月初開始的的每日振幅情況。以下為測試結果：

圖示1. stock-000上圖中左邊表示的是測試的預測誤差，即預測錯誤股票數所占的比例（紅色代表QSVM，黑色代表SVM），預測誤差越小，說明預測效果越好。在連續30日的測試中，可以看出整體上QSVM的結果是優于SVM的，誤差較低，說明QSVM提升計算效率的同時還給出了較優的結果。右圖是我們給出的QSVM和SVM的每日存在預測差異的股票比例。出于模型的泛化性質考慮，我們還進行了其他板塊上的測試。結果如下圖所示，結果均表明QSVM的優勢是穩定的。

圖示2. stock-002

圖示3. stock-600

研究場景——多因子選股模型

除了估計上述的股票振幅，我們還在多因子選股模型上使用了該QSVM算法，并獲得了較好的預測表現。

股票市場中，能夠準確預測出股票的漲跌情況是不太可能的。這是因為股票本身會受各種各樣繁亂復雜的元素影響，加之人為的干預，準確預測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判斷股票是否值得買入或者及時賣出，但是人為的選擇比較主觀，偏差較大，并且門檻非常高，需要有經驗的人才能夠做出相對準確的判斷。而對于一般情況來說，需要使用固定的模型來建立已有數據與股票漲跌之間的聯系，來進行量化選股。多因子選股模型即人為選取多個因子（因子是指對股票未來漲幅趨勢有明顯影響的數據），從而預測未來股票的漲跌情況。

本次試驗進行多因子選股時并未做主成分分析，而是直接使用上一年財務指標等共8個指標輸入，來預測下一季度的股票漲跌情況，最終得到了70%的準確率。該準確率相對于SVM提升了約17%。

圖示4. 多因子模型選股

上圖為我們對10只股票的測試結果，橘色表示真實情況下未來實際上漲的股票，而藍色表示未來實際下跌的股票。縱坐標值為我們模型分類的數值結果，正值為預測漲，負值為預測跌，數值大小則反應了靈敏程度（可理解為漲跌趨勢的概率大小）。我們通過對比預測得到的結果可以看出，大部分股票都被準確預測。處在0軸上方的大部分為橘色，處在下方的大部分為藍色，總體達到了70%的準確率。而事實上，由于股票走勢十分復雜，預測很難成功，經典模型中60%的準確率的預測程度已經是相當優秀的結果了。此外，本源量子團隊在今年初就利用原理相似的量子線路加速無監督的One-Class SVM異常檢測算法，并應用于檢測金融領域異常行為，該量子異常檢測算法基于量子計算的并行性原理，可快速分析識別金融風控領域企業債務違約行為，相比傳統檢測方法更為快速、有效。本源量子作為國內量子計算龍頭企業，不僅在量子計算機硬件方面做到自主可控；在量子算法研發和儲備層面，也位列國內外第一研究梯隊。近年來，本源量子一直致力于量子計算在金融領域的相關研究與開發，持續同各大銀行和金融機構共同探索、挖掘潛在的金融場景，不斷加大基于特定金融場景的量子算法研究和產出，推動量子計算在金融行業的落地應用，志在為金融行業的發展貢獻量子力量。