本文针对欧州公司债券市场算法交易中的订单成交概率估计问题,提出利用量子计算生成特征,配合统计学习模型进行填充概率预测。基于真实大规模交易数据,采用IBM量子硬件与无噪声模拟对比实验,结果显示量子硬件生成的特征能够显著提升机器学习模型预测效果,测试AUC较经典特征提升高达34%。该研究展示了量子计算在金融量化模型增强中的潜力及探索价值
| 数据集来源 | 模型 | 无盲区测试AUC | 1天盲区测试AUC | 相比经典无盲区提升(%) |
|---|---|---|---|---|
| 无噪声模拟 | 全部 | 0.60 ± 0.03 | 0.60 ± 0.03 | -3 / -4 |
| LR | 0.61 ± 0.01 | 0.64 ± 0.02 | -1 / +2 | |
| XGB | 0.59 ± 0.03 | 0.61 ± 0.03 | -6 / -5 | |
| RF | 0.59 ± 0.02 | 0.59 ± 0.02 | -7 / -7 | |
| NN | 0.58 ± 0.02 | 0.59 ± 0.01 | ±0 / +1 | |
| 量子硬件(短电路) | 全部 | 0.75 ± 0.02 | 0.62 ± 0.03 | +12 / -2 |
| LR | 0.75 ± 0.02 | 0.61 ± 0.02 | +13 / -1 | |
| XGB | 0.77 ± 0.02 | 0.63 ± 0.03 | +12 / -3 | |
| RF | 0.75 ± 0.02 | 0.64 ± 0.03 | +9 / -2 | |
| NN | 0.74 ± 0.02 | 0.62 ± 0.03 | +16 / +4 | |
| 量子硬件(长电路) | 全部 | 0.97 ± 0.02 | 0.88 ± 0.06 | +34 / +24 |
| LR | 0.95 ± 0.03 | 0.81 ± 0.06 | +33 / +19 | |
| XGB | 0.96 ± 0.02 | 0.89 ± 0.06 | +31 / +23 | |
| RF | 0.98 ± 0.01 | 0.93 ± 0.03 | +32 / +27 | |
| NN | 0.97 ± 0.02 | 0.86 ± 0.04 | +39 / +28 |
报告题目:Enhanced fill probability estimates in institutional algorithmic bond trading using statistical learning algorithms with quantum computers
作者:Axel Ciceria 等多位作者,HSBC与IBM Quantum合作团队
发布机构:HSBC Holdings Plc. 与 IBM Quantum联合发布
发布时间:2025年
研究主题:基于量子计算机的量化统计学习算法在机构算法化公司债券交易中提升成交概率估计的实证研究
本报告聚焦于机构算法化交易中对企业债成交概率(fill probability)的估计问题,创新地引入了量子计算生成的特征作为机器学习模型的输入,以期提高模型的预测精度。传统金融市场的复杂性、多变量时间序列的随机性以及隐藏的时间模式,让成交概率的准确估计成为一大挑战。报告提出了一套利用IBM量子计算机通过特定量子电路(Heisenberg Ansatz)转换交易数据获得“量子特征”的方法框架。该框架将量子转换作为脱离在线交易决策模块的独立组件,可被机器学习模型调用。
核心结论是:使用量子硬件生成的特征输入后,模型在真实欧债交易数据上的成交概率预测准确度(以AUC衡量)的表现比使用原始数据或无噪声量子模拟数据均有显著提升,最高提升约34%。该结果暗示量子硬件的噪声反而在这一特定问题上有利于模型性能,报告对此未知原因提出进一步研究需求。报告肯定了量子计算作为金融量化工具的潜力,尤其在交易领域的应用探索价值。,1]
报告指出,企业债券算法交易策略的核心在于估计提交报价被成交的概率,即fill probability。该指标是策略优化的重要环节,但其准确估计困难重重,因市场数据稀疏、复杂,且存在隐含时序模式难以捕捉。基于物理与统计学的金融建模虽有成效,但由于市场本质上的信息不完备和非静态性,模型存在不可逾越的限制。量子计算机近年的出现开启了新的可能性,提供了高维特征空间转换的能力,从而可能揭示更深层的市场信号。,1]
该图描述了债券做市商在盲拍市场中接受RFQ后,基于当前市场状态和自身库存形成交易策略反应。量子计算作为离线过程,将市场状态信息转换为量子特征,被在线填充概率估计模型查询使用。该流程体现量子转换与线上模型分离,支持低延迟交易响应。图示清晰展示了量子计算的角色和业务流程集成。
概念化地将债券市场视作时间依赖图Mt,展示不同请求者r与做市商d间交互。图中节点代表参与者,边对应RFQ事件,从一个时刻向下一时刻转移体现市场演进。该图辅助理解市场状态时空演化及数据采集逻辑。
通过画面表达随着填充概率估计器精度提高,交易策略优化空间约束子空间的收缩效应。该吸引子子空间“吸引”交易路径向高成交概率区域集中,形成策略的动态偏好。图形化强化了数学定义中的关键目标:降低预测误差,优化交易结果。
展示4个量子比特的特征映射电路,初始随机单比特单元后接以特征调制的成对量子旋转门。清楚体现量子态的参数化方式及特征与量子门关系。为理论构建与硬件实现架构提供具体实例。
展示整个数据采集期内日交易事件数归一化曲线,表明数据集保持相对稳定且波动合理。7月24日标定实际分析活跃窗口,支持时间序列划分与回测设计。
(a)市场状态均值变动图显示事件特征随时间波动,表征市场动态复杂性;(b)标注成交标签事件分布饼图(约37%成交)验证数据标签均衡度,为模型学习提供合理难度。
完整的109量子比特Heisenberg量子电路编译图,展示具体硬件门序列结构,表现出控制门与旋转门复杂剧本,为硬件实验安全、误差抑制和测量奠基。
双坐标轴图呈现,横轴为特征离散化分辨率,纵轴为可表示市场状态数(理论指数级增长)与实际市况下观测状态数(有限且远小于理论)。展示市场状态空间的高维性及数据覆盖不足,同样验证了量子特征转换处理高维度的潜力。
对比经典特征与量子特征的分布,观察量子特征分布更平滑、接近正态分布,且硬件噪声使得分布趋于进一步集中归一。体现量子转换不仅是简单映射,而是对数据进行了“正则化”与特征形态重塑。
展示经典输入,量子仿真和量子硬件(“短”“长”电路版本)的学习模型AUC统计。
细致列出LR、XGB、RF、NN各模型在三类输入与不同时间窗口下的中位数AUC分值及相对于经典输入的差异百分比,均印证“长”量子硬件版本优势最大,最高提升达近40%。同时确认“短”版本提升有限,有些在长时间盲区表现不佳。
分析16k重复输入事件的量子特征在硬件上输出的短时间序列表现,显示少量噪声引起的统计漂移,但整体变化非常微小,验证硬件噪声的稳定性。
利用CQEM方法将量子特征映射到未测事件,模型性能仍显著优于纯经典输入,最高达约0.89的AUC,无盲区情况下性能最好。进一步印证了量子转换生成特征的普适价值。
对比RF模型用经典与量子特征预测的成交概率分布,量子特征模型在正负样本概率分布上展现更好的区分度,支持量子特征提升的实际业务价值。
本报告不涉及传统意义上的企业估值内容,而是“模型估值”层面,即通过统计学习模型对成交概率的预测精度间接衡量“数据输入变换价值”。使用的统计指标为AUC,这里已系统说明其定义与适用性。
作者指出:
该报告系统引入了量子设备生成的量子特征映射作为算法交易中RFQ成交概率预测的输入特征,取得了相较于传统与无噪量子模拟并行模型明显的预测性能提升,升级幅度高达34%。该现象反映量子硬件噪声或复杂量子变换表现出与经典数据截然不同的特征分布,提升了机器学习模型的表达能力及拟合精度。
在实证框架内,基于欧债市场超过百万条真实交易事件和丰富多尺度市场状态特征构建量子映射,展示了量子计算机在金融领域,尤其是市场微观结构及算法交易方案中作为辅助探索工具的巨大潜力。尤其是基于Heisenberg ansatz设计的量子电路为高维复杂时序数据特征转换提供了新思路。
尽管该提升的机理尚不清楚,且缺乏理论一般化保证,但报告清晰划分了线下特征生成与线上模型决策的模块化结构,辅以事件匹配技术保证量子特征的复用性及试验的可控性,防止标签信息简单泄露,增强了实验的说服力。
总体而言,该研究开启了量子计算在复杂金融工程及市场模型中的应用新方向,呼吁深入探讨量子噪声与金融信号交织机制,并预示着未来量子硬件发展成熟后在算法交易系统中应用的巨大空间。
引用标注示例:本报告结论所述性能提升达34%:,11]。使用Heisenberg ansatz作为特征映射的关键设计之一:,6]。事件匹配策略细节及对实验结果影响:,12]。
这篇报告通过严谨的实验设计与多重验证,首次将实操规模的机构算法化债券交易数据与量子计算结合,验证了量子特征映射在成交概率估计中的实际性能优势。其研究不仅推动了量子金融计算的前沿,也为未来量子机器学习与金融市场交叉领域深入探讨提供了范例和实验素材。
2509.17715.pdf