面向少样本信用风险评估的混合量子-经典神经网络
机器学习
2025-09-18 v1 量子物理
摘要
量子机器学习 (QML) 提供了一种全新范式，用于解决经典方法难以解决的复杂金融问题。本文特别针对少样本信用风险评估问题进行研究，这是包容性金融中的关键问题，数据稀缺和不平衡限制了传统模型的有效性。为此，我们设计并实现了一种新型的混合量子-经典工作流程。该方法首先采用经典机器学习模型（Logistic 回归、随机森林、XGBoost）进行智能特征工程和降维。随后，基于参数位移规则训练的量子神经网络 (QNN) 作为核心分类器。该框架通过数值仿真进行评估，并在 Quafu 量子云平台的 ScQ-P21 超导处理器上进行部署。在279个样本的真实世界信用数据集上，我们的 QNN 在仿真中实现了 0.852 ± 0.027 的稳健平均 AUC，在硬件实验中实现了令人印象深刻的 0.88 的 AUC 值。该性能超越了一系列经典基准模型，在召回率指标上表现尤为出色。本研究为在 NISQ 时代应用于数据受限金融场景提供了务实的蓝图，并为其在高风险应用领域（如包容性金融）的潜力提供了宝贵的实证证据。
引用
@article{arxiv.2509.13818,
title = {Hybrid Quantum-Classical Neural Networks for Few-Shot Credit Risk Assessment},
author = {Zheng-an Wang and Yanbo J. Wang and Jiachi Zhang and Qi Xu and Yilun Zhao and Jintao Li and Yipeng Zhang and Bo Yang and Xinkai Gao and Xiaofeng Cao and Kai Xu and Pengpeng Hao and Xuan Yang and Heng Fan},
journal= {arXiv preprint arXiv:2509.13818},
year = {2025}
}