2024年《政府工作报告》中指出，要“开辟量子技术、生命科学等新赛道”。量子金融科技作为量子科技行业应用落地中的重要部分，已展现出广阔的发展前景。华夏银行与北京量子信息科学研究院积极响应国家号召，构建了面向我国金融行业实用需求的量子金融云平台，提供多类型量子云算力、多领域量子金融算法和多场景量子金融科技解决方案，旨在以量子科技赋能金融新质生产力，助力我国金融行业创新发展。

华夏银行首席信息官    吴永飞

一、量子金融云平台概述

量子金融云平台面向金融行业实用需求提供稳定、高性能、高可用的多种量子算力资源，旨在为量子金融科技研究和应用提供支持。在量子算力方面，支持用户在统一的平台上，根据业务场景的特点和待解决问题的不同，通过超导、核磁共振、模拟等多种量子算力进行相应求解。在量子算法方面，平台中配置了10种主流量子算法，支持用户便捷进行量子算法创新研发，极大地提升了量子金融科技研发效率和效能。在量子金融应用方面，平台为包含风险合规、渠道运营、营销管理、产品管理、财务管理等15种金融应用场景提供了量子算法解决方案，支持业务人员实现从经典计算方案向量子计算方案的迁移与应用。具体来看，量子金融云平台主要由算力层、调度层、数据层、算子层、算法层和应用层构成，安全合规及监控管理架构内嵌于平台之中。

二、量子金融云平台技术架构

在算力架构方面，主要通过融合超导量子计算机、核磁共振量子计算机、模拟量子计算机等多种量子算力，构建了异构算力的量子金融云平台。其中，超导量子计算机利用包含约瑟夫森结的超导量子干涉仪在超低温下形成的非线性的分立能级作为量子比特，基于北京量子信息科学研究院发布的百比特以上超导量子计算机，门操作平均时间低于60纳秒，单比特门平均保真度99%，双比特门平均保真度约为95%，支持芯片的快速自动化表征和标定。核磁共振量子计算机利用核磁共振技术，采用在强磁场下核自旋的劈裂能级作为量子比特，通过电磁波操控核自旋，以实现量子门的操作。平台采用化学物质三氟碘乙烯形成3比特核磁共振量子计算机提供量子算力，可支持任意角度门操作。模拟量子计算机的本质是利用经典计算机的程序来模拟量子比特与量子逻辑门，实现对量子态演化的模拟，支持多用户使用，支持国内外多种主流开源量子编程框架，可实现单量子比特门、多量子比特门等操作。

在调度架构方面，主要根据业务应用的需求和资源的可用性，对平台内的所有计算资源进行有效的管理和调度。在资源分配方面，统筹可用计算资源，并进行统一分配管理。通过监测系统中各个部分的资源利用率、负载情况及任务队列的情况，有效进行资源分配和调度。针对量子云平台不同计算资源各自的特点，包括计算容量、计算速度、存储能力等，进行资源调度的决策。在任务调度方面，将应用任务划分到最适配的计算资源上。根据应用任务的数据类型、数据安全等级要求、计算任务类型、优先级和资源要求等情况，综合考量系统中的资源状况，确定任务的执行顺序和目标资源，而后针对特异化需求提供适配应用、任务的算力调度。

在数据架构方面，主要包含数据导入层、数据加工层、数据态转化层等。其中，数据导入层根据数据来源将其分为金融机构内部数据和公开市场外部数据两个类别，面向不同的数据来源采用分别部署在内网私有云和外网公有云的不同量子计算资源，确保数据安全合规使用。数据加工层主要涵盖获取变量的统计量、异常值检测等数据探查功能，去除重复样本等操作，以及对数据进行聚类离散化和数据标准化等处理。数据态转化层旨在将处理好的经典态数据转换为量子态数据，并根据所处理问题的不同选择适用的经典态数据向量子态数据转换嵌入方法。

在算子架构方面，主要包含量子计算的基础算子和基础模块。其中，基础算子主要聚焦实现基础的量子门操作，如单比特门、多比特门等；基础模块供后续在云平台上开发量子算法使用，包括量子傅里叶变换、量子加法器、量子数据增强等。通过设计量子算子架构，可有效提升量子算法模型研发效能。

在算法架构方面，主要涵盖10种主流量子算法，包括量子K最近邻（QKNN）算法、量子聚类（QK-means）算法、量子神经网络（QNN）算法、量子近似优化（QAOA）算法、量子幅度估计（QAE）算法、量子支持向量机（QSVM）算法、量子随机数生成（QRNG）算法、量子卷积神经网络（QCNN）算法、量子社区发现（QCD）算法和量子自然语言处理（QNLP）算法，有效提升了量子算法模型在各类金融场景的易用性和复用性。

在应用架构方面，量子金融云平台面向金融机构业务实践，形成了覆盖风险合规、渠道运营、营销管理、产品管理、财务管理等15个业务场景应用，支持业务人员实现从经典计算方案向量子计算方案的迁移与应用。一是将QKNN算法应用于小样本学习智能风控场景。通过构建量子小样本学习模型，提升了产业数字金融风控建模效率和能力。实证结果显示，通过设计3比特的QKNN算法线路对商业银行风控小样本数据集合进行建模，模型结果较经典算法有明显的提升。二是将QNN算法应用于小样本学习智能风控场景。实证表明，在训练集样本量从60变化到10的情况下，QNN算法模型在AUC、KS、Recall等评估指标上明显优于其他经典算法模型。三是将QSVM算法应用于小样本学习智能风控场景。实证表明，QSVM算法模型在上述评估指标上同样优于其他经典算法模型，甚至有些情况下还要优于QNN算法模型。四是将QCD算法应用于反洗钱欺诈识别场景。实证表明，通过QCD算法可以有效地区分交易异常的账户，并且随着量子比特数的增加，该算法在处理社区发现问题上可以实现有效加速。通过构建QCD算法模型，有效提升了银行反洗钱和欺诈识别能力。五是将QK-means算法应用于网点智慧运营场景。通过构建网点智慧经营量子算法模型，节省了决策时间、提高了服务质量。实证表明，QK-means在88%的样本上和经典K-means结果一致。对于结果不一致的样本，通过专家判断，QK-means模型的结果更加准确，由此实证了QK-means算法模型在无监督学习方面的优越性。六是将QNN算法应用于智能设备裁撤场景。实证表明，QNN算法模型可以对智能设备是否需要裁撤进行识别，准确率达75.57%，应用成效显著，可有效提升智能设备的利用效能。七是将QSVM算法应用于智能设备裁撤场景。实证结果显示，将构建的QSVM算法模型应用于商业银行自助设备管理的智能决策问题上，可对智能机具的资源配置合理性进行准确地预测分析，对银行的智能决策提供了依据。八是将QRNG算法应用于普惠金融客户流失预测场景。实证表明，对于神经网络初始化问题，使用量子随机数较经典随机数在模型评估指标AUC和KS上表现更稳定，以量子随机数升级经典神经网络初始化的随机数，提升了客户流失预测模型应用的稳定性。九是将QNLP算法应用于客户情绪识别分析场景。针对金融新闻进行情绪识别分析，在训练集样本量从233下降至20的小样本数据条件下，模型效果的稳定性优于传统机器学习方法。针对银行客户服务评价进行情绪识别分析，随着训练集样本量从70下降至20，QNLP测试结果表现稳定。十是将QAOA算法应用于股票组合优化场景。实证表明，针对不同风险偏好的投资者，以股票为底层资产标的在所研究的时间窗口内，使用QAOA算法的策略在大多数指标上都优于对照组，仅在风险厌恶的情境下，夏普比率略低于对照组。十一是将QAOA算法应用于基金组合优化场景。实证表明，QAOA算法构建的基金组合在评估策略稳健性的两个关键指标，即波动率和最大回撤上，表现出了超越其他比较组合的优越性。这表明QAOA算法在管理基金投资组合时，能够有效地控制风险，同时可能带来更稳定的投资回报。十二是将QAOA算法应用于行业轮动场景。相关实证结果表明，综合考虑年化收益率、波动性、最大回撤幅度、夏普比率和索提诺比率等多个衡量标准，可以观察到以指数基金为底层资产标的在所研究的时间窗口内，基于QAOA的行业轮动策略优于纯量化的价格噪音策略。十三是将QAE算法应用于期权定价场景。在实证中，分别使用布莱克-斯科尔斯模型、蒙特卡洛模拟以及QAE算法进行欧式看涨期权定价，结果表明，使用量子算法计算出的期权价格置信区间与当日市场价最为吻合。十四是将QCNN算法应用于合同文本识别场景。实证结果显示，在训练集为50、100、300张图像时，经典模型的测试集准确率低于QCNN算法模型，说明在小样本学习场景下，QCNN算法模型精度优于经典模型。此外，QCNN算法模型和经典模型相比，损失下降的速度更快，说明其训练的收敛速度优于经典模型。十五是将QCNN算法应用于宏观因子利率识别预测场景。通过构建宏观因子利率预测QCNN算法模型，助力银行利率定价能力提升。

三、结 语

华夏银行和北京量子信息科学研究院构建的量子金融云平台，响应国家“开辟量子技术新赛道”号召，以新质生产力赋能金融科技；促进了量子金融科技交叉学科发展，具有重要的科学和工程学价值。本平台已逐步面向金融机构提供量子金融云服务，助力量子金融科技应用推广，以期为我国量子金融科技应用落地长足发展贡献力量。