真实量子硬件上信用估值调整的噪声感知量子算法

信用估值调整(CVA)需要重复的风险中性期望估计,使其成为量子振幅估计的自然测试平台,其相干放大原则上可以降低蒙特卡洛采样成本。这种优势是否能在现实金融编码和噪声硬件中存续仍是一个开放问题。我们开发了一个端到端、噪声感知的CVA量子工作流,涵盖市场校准、离散化、预言机构建、硬件执行和误差预算分析。该模型结合了相关的双资产敞口与贴现和违约因子,通过基于QCBM的联合时间-市场分布和受控收益旋转进行编码。我们引入了对比感知贝叶斯迭代量子振幅估计(CABIQAE),它将实验校准的Grover对比损失纳入贝叶斯推断和电路深度选择。硬件校准实验表明,CABIQAE比噪声不可知替代方案更有效地利用当前设备上可用的有限放大,并且比噪声感知的BAE基线实现了更低的经典后处理运行时间。分析进一步将CVA总误差分解为统计、编码、离散化和硬件贡献。完整的CVA预言机仍受电路深度和离散化分辨率的限制。