近年来，债券违约案例陆续出现，建立债券违约预警模型对稳定经济健康发展的重要作用不言而喻，选择有效的检测指标可以提高模型的学习效率和准确率，从而加快检测速度。近日，产业基金投资企业合肥本源量子计算科技有限责任公司（以下简称“本源量子”）团队开发出量子mRMR算法（QmRMR），能加速分析识别金融风控领域企业债务违约行为。在筛选预警模型中有效指标时，团队利用量子近似优化算法（QAOA）对全局最优指标的选取进行平方级加速，改进了最大相关最小冗余（mRMR）算法，这一方法大大减少了债务监测中的冗余分析指标，将成功降低预测债券违约模型中的过拟合风险。

　　减少债务信息“冗余”。金融数据分析中，数据维度过高时，高维数据的各个维度间极易存在较强的相关性，易产生大量冗余信息，从而出现无法直观理解数据、模型难以收敛、内存消耗大以及过拟合的现象，直接干扰后续分析的结论。

　　最大相关最小冗余（mRMR）算法与主成分分析（PCA），奇异值分解（SVD)等经典降维方法不同，针对线性组合的现存数据与历史数据无法并存的缺点，它可以直接选取和剔除指标，能够在样本指标与目标指标（债券是否违约的标签）之间的交互信息达到最大的同时，使得选取指标内部的平均交互信息较少。而在选取指标之前，因无法预先知道能够选取的指标个数，所以需要对mRMR模型进行改进，从而自由控制指标选取个数的同时还能够将问题转化为二次二值无约束的优化问题，也就是QUBO问题，该改进的正确性可通过数学的原理证明。

　　利用量子近似优化算法（QAOA）加速挖掘全局最优指标。目前，原有的mRMR算法选取指标所使用的增量搜索方法往往只能得到一个局部最优结果，而本源量子团队通过对算法的改进可以在无约束的情况下自由选取指标个数且具稳定性。相比于经典计算，本源量子团队在此次研究中开发出的QmRMR算法能够为全局优化指标选取带来二次加速，这对未来处理违约检测等场景中的大规模金融数据有着重要意义。

 

新闻延展：

    本源量子作为国内量子计算龙头企业，不仅在量子计算机硬件方面做到自主可控；在量子算法研发和储备层面，也位列国内外第一研究梯队。近年来，本源量子一直致力于量子计算在金融领域的相关研究与开发，持续同各大银行和金融机构共同探索、挖掘潜在的金融场景，不断加大基于特定金融场景的量子算法研究和产出，推动量子计算在金融行业的落地应用。