論文の概要: Quantum Risk Analysis: Beyond (Conditional) Value-at-Risk

• arxiv url: http://arxiv.org/abs/2211.04456v2
• Date: Thu, 14 Mar 2024 09:33:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-16 03:23:03.674096
• Title: Quantum Risk Analysis: Beyond (Conditional) Value-at-Risk
• Title（参考訳）: 量子リスク分析:(概念的)バリュー・アット・リスクを超えて
• Authors: Christian Laudagé, Ivica Turkalj,
• Abstract要約: 我々は量子ベースのアルゴリズムを構築し、VaR(Value-at-Risk)とCVaR(Conditional Value-at-Risk)の代替品を計算する。 ケーススタディでは,VaRとCVaRの量子ベースアルゴリズムとの性能を比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Risk measures are important key figures to measure the adequacy of the reserves of a company. The most common risk measures in practice are Value-at-Risk (VaR) and Conditional Value-at-Risk (CVaR). Recently, quantum-based algorithms are introduced to calculate them. These procedures are based on the so-called quantum amplitude estimation algorithm which lead to a quadratic speed up compared to classical Monte-Carlo based methods. Based on these ideas, we construct quantum-based algorithms to calculate alternatives for VaR and CVaR, namely the Expectile Value-at-Risk (EVaR) and the Range Value-at-Risk (RVaR). We construct quantum algorithms to calculate them. These algorithms are based on quantum amplitude estimation. In a case study, we compare their performance with the quantum-based algorithms for VaR and CVaR. We find that all of the algorithms perform sufficiently well on a quantum simulator. Further, the calculations of EVaR and VaR are robust against noise on a real quantum device. This is not the case for CVaR and RVaR.
• Abstract（参考訳）: リスク対策は、企業のリザーブの充実度を測定する上で重要な指標である。 最も一般的なリスク対策は、バリュー・アット・リスク(VaR)と条件付きバリュー・アット・リスク(CVaR)である。 近年、量子ベースのアルゴリズムを導入して計算している。 これらの手順は、古典的モンテカルロ法に比べて2次速度を上回るいわゆる量子振幅推定アルゴリズムに基づいている。 これらのアイデアに基づいて,VaR と CVaR の代替案,すなわち expectile Value-at-Risk (EVaR) と Range Value-at-Risk (RVaR) を計算するための量子ベースのアルゴリズムを構築した。 量子アルゴリズムを構築して計算する。 これらのアルゴリズムは量子振幅推定に基づいている。 ケーススタディでは,VaRとCVaRの量子ベースアルゴリズムとの性能を比較した。 量子シミュレータでは,全てのアルゴリズムが十分に動作することがわかった。 さらに、EVaRとVaRの計算は、実量子デバイス上のノイズに対して堅牢である。 CVaRとRVaRはそうではない。

関連論文リスト

• Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
  量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。 どの場の量子スピードアップが達成できるかという新たな課題が生じる。 量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
  論文  参考訳（メタデータ） (2024-02-26T09:32:07Z)
• Energy risk analysis with Dynamic Amplitude Estimation and Piecewise Approximate Quantum Compiling [0.0]
  我々は、近似量子コンパイルアルゴリズムをCNOT深度低減のための新しい方法に一般化する。 量子コンピュータ上での反復振幅推定の10量子ビット実験例を示す。 目標は、エネルギー産業における契約ポートフォリオの期待値の導出である。
  論文  参考訳（メタデータ） (2023-05-16T14:53:08Z)
• Quantum Annealing for Single Image Super-Resolution [86.69338893753886]
  単一画像超解像(SISR)問題を解くために,量子コンピューティングに基づくアルゴリズムを提案する。 提案したAQCアルゴリズムは、SISRの精度を維持しつつ、古典的なアナログよりも向上したスピードアップを実現する。
  論文  参考訳（メタデータ） (2023-04-18T11:57:15Z)
• Forward-PECVaR Algorithm: Exact Evaluation for CVaR SSPs [1.347733333991357]
  Conditional Value at Risk (CVaR)は、任意のレベルのリスクをモデリングできる基準である。 非一様コストでCVaR-SSPの定常ポリシーを正確に評価するアルゴリズムであるForward-PECVaRを提案する。
  論文  参考訳（メタデータ） (2023-03-01T17:10:22Z)
• Reducing the cost of energy estimation in the variational quantum eigensolver algorithm with robust amplitude estimation [50.591267188664666]
  量子化学と材料は、量子コンピューティングの最も有望な応用の1つである。 これらの領域における産業関連問題とそれを解決する量子アルゴリズムとの整合性については、まだ多くの研究が続けられている。
  論文  参考訳（メタデータ） (2022-03-14T16:51:36Z)
• Low depth amplitude estimation on a trapped ion quantum computer [5.443245599372994]
  振幅推定は、量子コンピュータが二次的なスピードアップを達成できる基本的な量子アルゴリズムプリミティブである。 近年の研究は、低深さ回路の高速化と引き換えに、そのようなアルゴリズムに必要な資源を幾らか削減することに成功している。 我々は,最先端のイオン量子コンピュータにおける振幅推定実験の結果を報告する。
  論文  参考訳（メタデータ） (2021-09-20T16:57:19Z)
• An optimal quantum sampling regression algorithm for variational eigensolving in the low qubit number regime [0.0]
  量子サンプリング回帰(QSR)は、代替の量子古典的アルゴリズムである。 低量子ビット数構造における時間的複雑さに基づいて,その利用事例を分析した。 ベンチマーク問題に対するアルゴリズムの有効性を示す。
  論文  参考訳（メタデータ） (2020-12-04T00:01:15Z)
• Risk-Constrained Thompson Sampling for CVaR Bandits [82.47796318548306]
  CVaR(Conditional Value at Risk)として知られる量的ファイナンスにおける一般的なリスク尺度について考察する。 本稿では,トンプソンサンプリングに基づくCVaR-TSアルゴリズムの性能について検討する。
  論文  参考訳（メタデータ） (2020-11-16T15:53:22Z)
• Large-Scale Methods for Distributionally Robust Optimization [53.98643772533416]
  我々のアルゴリズムは、トレーニングセットのサイズとパラメータの数によらず、多くの評価勾配を必要とすることを証明している。 MNIST と ImageNet の実験により,本手法の 9-36 倍の効率性を持つアルゴリズムの理論的スケーリングが確認された。
  論文  参考訳（メタデータ） (2020-10-12T17:41:44Z)
• Deep Reinforcement Learning with Weighted Q-Learning [43.823659028488876]
  Q-learningに基づく強化学習アルゴリズムは、複雑な問題の解決に向けて、Deep Reinforcement Learning (DRL)研究を推進している。 Q-Learningは、期待値の雑音の最大過度推定を用いて学習するため、正の偏りがあることが知られている。 提案手法は, 提案手法により, バイアスw.r.t.関連ベースラインを減らし, その優位性を示す実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2020-03-20T13:57:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。