量子科技中心_量科网

贷款违约的准确预测是提供信用额度的金融机构的关键能力。对于发行和管理大量贷款的机构而言，即使是违约预测精度的略微提升，也能显著增强财务稳定性和监管合规性，从而带来更好的客户体验和满意度。 与信用违约预测相关的数据集通常表现出时间相关性和高维度特征。这些特性在扩展针对这些数据集定制的经典预测算法时，可能导致准确性下降和性能问题。鉴于这些局限性，量子算法凭借其处理高维问题的固有能力，成为与经典方法并行的有前景的新途径。 为评估量子方法的可行性和有效性，该研究团队研究了一种混合量子-经典算法，利用第三方数据科学竞赛发布的公开“违约预测数据集”。具体而言，该工作采用基于投影量子特征图的混合量子-经典机器学习模型，以及它们与经典模型的集成整合，来研究信用卡违约预测问题。 研究结果表明，基于投影量子特征的集成模型能够略微改善通过“综合违约风险”（CDR）指标表达的纯经典结果。此外，该工作讨论了所研究的量子-经典机器学习技术的实际适用性，并解决了有关其实施的开放性问题。