光子計(jì)算在金融領(lǐng)域的研究應(yīng)用

吳永飛　王彥博　沈亦晨　楊璇

2023年3月5日，習(xí)近平總書記在參加十四屆全國人大一次會議江蘇代表團(tuán)審議時(shí)強(qiáng)調(diào)“加快實(shí)現(xiàn)高水平科技自立自強(qiáng)，是推動高質(zhì)量發(fā)展的必由之路。在激烈的國際競爭中，我們要開辟發(fā)展新領(lǐng)域新賽道、塑造發(fā)展新動能新優(yōu)勢，從根本上說，還是要依靠科技創(chuàng)新”。近年來，我國以量子科技為代表的一系列前沿科技不僅在科研攻關(guān)中居于全球領(lǐng)先地位，而且已逐步與國內(nèi)產(chǎn)業(yè)相結(jié)合，形成了面向量子金融科技（Quantum FinTech）的一系列落地應(yīng)用，開辟了數(shù)字經(jīng)濟(jì)時(shí)代的全新賽道。

與此同時(shí)，光子計(jì)算作為前沿尖端技術(shù)之一，近年來也蓬勃發(fā)展、逐步成熟，目前已基本具備與行業(yè)應(yīng)用深度結(jié)合的可行性。本文立足金融領(lǐng)域業(yè)務(wù)實(shí)踐，創(chuàng)新提出光子金融科技（Photon FinTech）研究與應(yīng)用領(lǐng)域，并將光子計(jì)算應(yīng)用于風(fēng)險(xiǎn)價(jià)值計(jì)量和賬戶欺詐識別等金融場景，以期為數(shù)字經(jīng)濟(jì)時(shí)代下金融行業(yè)數(shù)字化轉(zhuǎn)型發(fā)展提供基于光子科技路線的新動能。

數(shù)字經(jīng)濟(jì)時(shí)代呼喚光子金融科技

當(dāng)前，隨著ChatGPT的橫空出世，大模型背后的底層算力支撐問題再次受到全球業(yè)界和學(xué)界的高度關(guān)注?？梢灶A(yù)見，數(shù)字經(jīng)濟(jì)時(shí)代下，隨著各行各業(yè)數(shù)字化轉(zhuǎn)型發(fā)展的不斷深化，疊加大模型參數(shù)量和訓(xùn)練效果的進(jìn)一步升級迭代，目前基于電子計(jì)算的經(jīng)典算力體系將面臨巨大挑戰(zhàn)。開辟光子計(jì)算新路徑，已成為提高計(jì)算效率、降低計(jì)算功耗迫在眉睫的重要選項(xiàng)。

一直以來，世界各國都高度重視光子技術(shù)研究。早在2005年，歐盟就將光子技術(shù)定為重點(diǎn)研發(fā)的技術(shù)之一，并組建了“光子科技21”歐洲技術(shù)平臺。以德國為例，光子學(xué)是其國內(nèi)發(fā)展最快的行業(yè)之一，已在半導(dǎo)體和醫(yī)療技術(shù)、光伏、機(jī)械工程、航空等領(lǐng)域發(fā)揮著關(guān)鍵作用。我國同樣高度重視光子計(jì)算相關(guān)研究，從“十二五”規(guī)劃時(shí)期開始，我國以光學(xué)儀器行業(yè)作為著力點(diǎn)，推動光學(xué)技術(shù)的完善與發(fā)展。

光子計(jì)算作為一項(xiàng)快速發(fā)展的新興技術(shù)，不僅在技術(shù)上不斷取得突破，近年來在商業(yè)應(yīng)用方面也日益成熟。特別是對于金融行業(yè)而言，光子計(jì)算所帶來的速度和效能優(yōu)勢天然地與金融行業(yè)的需求相匹配，光子金融科技這一新領(lǐng)域應(yīng)運(yùn)而生。一方面，光子金融科技有望滿足金融機(jī)構(gòu)對計(jì)算速度的嚴(yán)格要求。金融市場瞬息萬變，每一筆資金都具有時(shí)間成本，特別是在金融市場類業(yè)務(wù)中，交易速度的差異往往會對組合收益帶來顯著影響。光子計(jì)算所帶來的顯著速度提升有望為金融機(jī)構(gòu)在交易中提供“天下武功唯快不破”的優(yōu)勢。另一方面，光子金融科技有望滿足金融機(jī)構(gòu)海量數(shù)據(jù)樣本的計(jì)算需求。金融機(jī)構(gòu)是典型的數(shù)據(jù)密集型機(jī)構(gòu)，具有海量的結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù)運(yùn)算需求，亟需探索出一條以低成本來處理海量數(shù)據(jù)的算力提升路徑。光子計(jì)算有望在該領(lǐng)域提出全新的破局思路。

光子計(jì)算的起源與發(fā)展

光子計(jì)算獨(dú)具優(yōu)勢

立足當(dāng)前的數(shù)字經(jīng)濟(jì)時(shí)代，回顧過往幾十年的算力發(fā)展歷程，傳統(tǒng)提高芯片算力的方法是在僅僅只有指甲蓋大小的芯片上集成晶體管，并不斷加大集成密度。然而，隨著人類社會數(shù)據(jù)量爆棚及人工智能的加速發(fā)展，人們對算力的需求激增，而芯片自身受物理極限限制，導(dǎo)致“摩爾定律”也面臨失效的困境。為了突破電子芯片存在的一系列弊端，國內(nèi)外學(xué)者們紛紛考慮從“電”向“光”進(jìn)行轉(zhuǎn)化，即利用光子計(jì)算代替?zhèn)鹘y(tǒng)電子計(jì)算中的計(jì)算密集型操作，從而達(dá)到提高算力、降低能耗的實(shí)用效果。

光子是一種靜止質(zhì)量為零的粒子，具有能量和動量。光子計(jì)算具有超強(qiáng)的并行處理能力及超高的運(yùn)算速度。20世紀(jì)八九十年代，研究學(xué)者發(fā)現(xiàn)光學(xué)技術(shù)在信息處理方面具有巨大優(yōu)勢，而后掀起了光子計(jì)算研究的熱潮。光子計(jì)算是一種基于光學(xué)信號處理的新型計(jì)算技術(shù)，具有高速度、低功耗、高并行度等優(yōu)勢，是未來信息技術(shù)領(lǐng)域的重要發(fā)展方向之一。在光子計(jì)算的諸多優(yōu)勢中，高速度和高效率兩個(gè)優(yōu)點(diǎn)尤為突出。在高速度方面，光子計(jì)算有著傳統(tǒng)電子計(jì)算無法比擬的優(yōu)點(diǎn)，它可以采用新的進(jìn)制，比如三進(jìn)制和四進(jìn)制等，同時(shí)讓成千上萬條光在同一時(shí)刻穿越光子元件的不同通道，而且彼此之間互不干擾，這些優(yōu)點(diǎn)使其具有超強(qiáng)的并行計(jì)算能力，可以對數(shù)據(jù)實(shí)現(xiàn)高速處理。在高效率方面，光子在光介質(zhì)中傳輸信息損失極小，光在傳輸過程中的能量消耗和熱量散發(fā)極低，因此光子計(jì)算可以在大規(guī)模計(jì)算中實(shí)現(xiàn)高效率的數(shù)據(jù)處理。

光子計(jì)算在國內(nèi)外的發(fā)展如火如荼

國內(nèi)外已有許多專家學(xué)者在光子計(jì)算的相關(guān)領(lǐng)域開展了研究探索。1964年，Vander Lugt使用光學(xué)相關(guān)器的方法，通過空間濾波器來對光信號實(shí)現(xiàn)相位補(bǔ)償，并產(chǎn)生光信號計(jì)算結(jié)果。1990年前后，專家學(xué)者參考數(shù)字電子計(jì)算機(jī)的發(fā)展歷史來對光子計(jì)算機(jī)進(jìn)行了研究，主要成果涵蓋邏輯器件、邏輯計(jì)算、時(shí)空編碼及數(shù)字并行算法等各個(gè)領(lǐng)域。此后，研究學(xué)者們也針對光學(xué)計(jì)算中的光學(xué)模式識別、光子神經(jīng)網(wǎng)絡(luò)、邏輯光計(jì)算、光學(xué)全息存儲等技術(shù)方向進(jìn)行了研究，其中光子神經(jīng)網(wǎng)絡(luò)技術(shù)是一個(gè)重要的研究方向。

光子神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了存算一體的結(jié)構(gòu)，有效解決了電子神經(jīng)網(wǎng)絡(luò)下對周期性數(shù)據(jù)讀寫異常的問題，它不僅提高了計(jì)算速度，同時(shí)也使計(jì)算時(shí)延降低。2017年，沈亦晨等人將硅基光電子技術(shù)和深度學(xué)習(xí)進(jìn)行融合，提出一種全光卷積架構(gòu)，在相關(guān)納米光子芯片上實(shí)現(xiàn)了語音識別功能。2018年，Lin等人提出了一種光子深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，該結(jié)構(gòu)基于光的衍射，能對MNIST手寫數(shù)字?jǐn)?shù)據(jù)集和Fashion-MNIST時(shí)尚產(chǎn)品數(shù)據(jù)集進(jìn)行有效分類。2019年，費(fèi)爾德曼等人利用相關(guān)芯片實(shí)現(xiàn)光學(xué)神經(jīng)網(wǎng)絡(luò)，并將其用于簡單的英文字母識別。2022年，胡躍強(qiáng)等人提出了一種基于超構(gòu)表面全光衍射神經(jīng)網(wǎng)絡(luò)的多任務(wù)智能感知芯片，它能在可見光下執(zhí)行多個(gè)通道的低功耗、極速智能圖像識別任務(wù)，其利用亞波長納米結(jié)構(gòu)的偏振復(fù)用方案，構(gòu)建了一種多通道分類器框架，實(shí)現(xiàn)了對MNIST手寫數(shù)字?jǐn)?shù)據(jù)集和Fashion-MNIST時(shí)尚產(chǎn)品數(shù)據(jù)集的識別。

近年來，國內(nèi)相關(guān)光子研究團(tuán)隊(duì)有了創(chuàng)新的技術(shù)突破。2019年，首款光子芯片原型板卡由曦智科技發(fā)布，光子芯片的誕生有效證實(shí)了光子能夠替代電子來進(jìn)行高性能計(jì)算的設(shè)想。2021年，第二代高性能光子計(jì)算處理器PACE（Photonic Arithmetic Computing Engine，光子計(jì)算引擎）的問世再次驗(yàn)證了光子計(jì)算的優(yōu)越性。PACE主要利用了光計(jì)算的低延遲優(yōu)勢，更具體而言，通過矩陣乘法的疊加及受控噪聲的緊密回環(huán)來實(shí)現(xiàn)低延遲，使得“伊辛問題”在PACE下僅在3納秒就可以完成單次迭代計(jì)算，其計(jì)算速度遠(yuǎn)超當(dāng)前頂端GPU計(jì)算。

光子計(jì)算在金融領(lǐng)域的應(yīng)用

光子計(jì)算在風(fēng)險(xiǎn)價(jià)值計(jì)量中的應(yīng)用

業(yè)務(wù)理解

金融機(jī)構(gòu)是經(jīng)營風(fēng)險(xiǎn)的專業(yè)機(jī)構(gòu)，對風(fēng)險(xiǎn)的價(jià)值計(jì)量能力是金融機(jī)構(gòu)的核心競爭力之一。自2022年1月1日《關(guān)于規(guī)范金融機(jī)構(gòu)資產(chǎn)管理業(yè)務(wù)的指導(dǎo)意見》施行以來，理財(cái)產(chǎn)品打破“剛性兌付”，如何有效提升對金融產(chǎn)品的風(fēng)險(xiǎn)管理和風(fēng)險(xiǎn)價(jià)值計(jì)量能力再次引發(fā)了行業(yè)的高度關(guān)注。

風(fēng)險(xiǎn)管理是識別和度量風(fēng)險(xiǎn)、檢驗(yàn)承擔(dān)風(fēng)險(xiǎn)是否與預(yù)期風(fēng)險(xiǎn)一致的重要過程。管理市場風(fēng)險(xiǎn)的過程在很大程度上依賴于模型的使用，金融模型提供了管理投資風(fēng)險(xiǎn)所必需的關(guān)鍵信息。投資風(fēng)險(xiǎn)模型可以幫助投資組合管理者洞察風(fēng)險(xiǎn)因子發(fā)生變化時(shí)對投資組合的影響，了解投資組合未來收益和波動，以及可能發(fā)生的重大損失，在已打破“剛兌”的當(dāng)前具有現(xiàn)實(shí)意義。

風(fēng)險(xiǎn)價(jià)值（Value at Risk，VaR）是在假定的市場條件一段時(shí)間內(nèi)，在一定顯著性水平（通常為1%或5%）內(nèi)預(yù)期的最小損失。在不同交易單位或投資組合頭寸之間比較風(fēng)險(xiǎn)價(jià)值，能夠?yàn)闆Q策者提供一個(gè)可用于資本配置的基準(zhǔn)。風(fēng)險(xiǎn)價(jià)值計(jì)量通常采用三種方法，分別為參數(shù)法、歷史模擬法和蒙特卡洛模擬法，這些方法需要根據(jù)產(chǎn)品復(fù)雜程度進(jìn)行金融建模，從而得到風(fēng)險(xiǎn)價(jià)值。然而，蒙特卡洛等傳統(tǒng)風(fēng)險(xiǎn)定價(jià)方法往往需要進(jìn)行大量路徑的模擬，需要消耗相對較長的時(shí)間。面對復(fù)雜的金融市場變化和海量的數(shù)據(jù)，如何既快速又準(zhǔn)確地計(jì)量出風(fēng)險(xiǎn)價(jià)值，一直是困擾相關(guān)金融從業(yè)者的難題之一。本文創(chuàng)新性地將光子計(jì)算運(yùn)用于金融風(fēng)險(xiǎn)價(jià)值計(jì)量場景，依托光子計(jì)算的高速傳輸特性，幫助金融從業(yè)者快速獲取所需資產(chǎn)路徑數(shù)據(jù)并迅速做出擬合計(jì)算，從而實(shí)現(xiàn)高效的風(fēng)險(xiǎn)價(jià)值計(jì)量。以表1中的某理財(cái)產(chǎn)品為例，實(shí)證分析結(jié)果如下。

數(shù)據(jù)理解

本文創(chuàng)新性地應(yīng)用光子神經(jīng)網(wǎng)絡(luò)算法對傳統(tǒng)的蒙特卡洛方法進(jìn)行替代，從而實(shí)現(xiàn)對投資組合風(fēng)險(xiǎn)價(jià)值（VaR）的高效計(jì)量。本文依托光互連技術(shù)，能夠?qū)崿F(xiàn)大規(guī)模、高速、實(shí)時(shí)風(fēng)險(xiǎn)價(jià)值計(jì)量任務(wù)。風(fēng)險(xiǎn)價(jià)值計(jì)量過程主要分為訓(xùn)練和推理兩個(gè)階段，其中：訓(xùn)練階段是離線完成的，運(yùn)用提前準(zhǔn)備好的訓(xùn)練數(shù)據(jù)進(jìn)行深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并通過大量運(yùn)算把訓(xùn)練好的模型部署到適配的光子計(jì)算設(shè)備上；推理階段則是在線過程，將實(shí)時(shí)性數(shù)據(jù)推送至光子計(jì)算設(shè)備，依托光子計(jì)算低能耗、高速率等特性，通過實(shí)時(shí)推理得到風(fēng)險(xiǎn)價(jià)值計(jì)量值。通過離線訓(xùn)練和在線推理相結(jié)合的方式，滿足各品類實(shí)時(shí)風(fēng)險(xiǎn)價(jià)值計(jì)量需求。

離線訓(xùn)練過程主要應(yīng)用模擬數(shù)據(jù)來訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型以適配光子計(jì)算網(wǎng)絡(luò)，包含數(shù)據(jù)準(zhǔn)備、模型訓(xùn)練、模型驗(yàn)證等步驟。在數(shù)據(jù)準(zhǔn)備過程中，首先針對對應(yīng)投資組合產(chǎn)品特點(diǎn)，確定影響產(chǎn)品風(fēng)險(xiǎn)敞口的固定參數(shù)及可變參數(shù)有效區(qū)間，如均值范圍、方差范圍、標(biāo)的初始價(jià)格、標(biāo)的計(jì)算周期等（見表2）。其次，在對應(yīng)的參數(shù)區(qū)間，采用均勻采樣的方式生成一組定價(jià)輸入?yún)?shù)，并將各參數(shù)值輸入模型，而后進(jìn)行5萬次蒙特卡洛路徑模擬，得到對應(yīng)的風(fēng)險(xiǎn)價(jià)值計(jì)量值；以此方式離線生成數(shù)據(jù)，并將生成的500萬條數(shù)據(jù)樣本，按照8∶1∶1的比例劃分為訓(xùn)練、驗(yàn)證及測試數(shù)據(jù)集。

模型構(gòu)建

在模型訓(xùn)練過程中，首先針對光子計(jì)算加速特性，設(shè)計(jì)專用的矩陣計(jì)算密集型風(fēng)險(xiǎn)價(jià)值計(jì)量神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并進(jìn)行隨機(jī)初始化。其次，利用數(shù)據(jù)準(zhǔn)備階段獲得的訓(xùn)練數(shù)據(jù)集，訓(xùn)練出運(yùn)行于光子計(jì)算設(shè)備上的風(fēng)險(xiǎn)價(jià)值計(jì)量神經(jīng)網(wǎng)絡(luò)模型。模型結(jié)構(gòu)采用共6層且除輸入及輸出層外每層1024個(gè)節(jié)點(diǎn)的多層全連接網(wǎng)絡(luò)，能夠有效利用光子計(jì)算擅長矩陣運(yùn)算推理的特性，以實(shí)現(xiàn)加速推理。當(dāng)完成模型訓(xùn)練及驗(yàn)證后，固定模型并部署權(quán)重。

模型評估

在線部署階段，將離線訓(xùn)練階段訓(xùn)練好的模型導(dǎo)入光子計(jì)算軟件棧中，進(jìn)行量化適配，并將模型部署到光子計(jì)算設(shè)備上，最終通過在線部署的方式實(shí)現(xiàn)對金融風(fēng)險(xiǎn)價(jià)值的實(shí)時(shí)計(jì)量。

從風(fēng)險(xiǎn)價(jià)值計(jì)量結(jié)果的精度來看，光子深度神經(jīng)網(wǎng)絡(luò)算法模型的計(jì)量精度隨路徑增多會逐漸逼近風(fēng)險(xiǎn)價(jià)值公允精度。本文以決定系數(shù)R2作為光子深度神經(jīng)網(wǎng)絡(luò)模型結(jié)果與經(jīng)典蒙特卡洛模擬算法結(jié)果之間擬合效果的評估指標(biāo)，實(shí)證結(jié)果表明：光子計(jì)算模型的風(fēng)險(xiǎn)價(jià)值計(jì)量精度隨離線訓(xùn)練數(shù)據(jù)量的不斷增加而增加。隨著訓(xùn)練數(shù)據(jù)量的增大，光子計(jì)算風(fēng)險(xiǎn)價(jià)值計(jì)量精度能夠逐漸保持在99%以上（見圖1）。未來，隨著待估計(jì)產(chǎn)品種類及參數(shù)的增加，光子深度神經(jīng)網(wǎng)絡(luò)算法模型優(yōu)勢較其他模型將有望更加凸顯。

從風(fēng)險(xiǎn)價(jià)值計(jì)量任務(wù)的計(jì)算速度來看，使用傳統(tǒng)CPU進(jìn)行蒙特卡洛模擬5萬條路徑需要528毫秒；而通過上述全連接網(wǎng)絡(luò)訓(xùn)練后，分別使用GPU計(jì)算及光子計(jì)算進(jìn)行推理運(yùn)算，其中使用8納米制程工藝的英偉達(dá)A10處理器用時(shí)893微秒，而實(shí)現(xiàn)同樣需求的光子計(jì)算使用的是28納米制程工藝但用時(shí)僅712微秒。在測試數(shù)據(jù)集上，光子計(jì)算風(fēng)險(xiǎn)價(jià)值計(jì)量模型的推理速度比采用傳統(tǒng)CPU蒙特卡洛算法得到相似結(jié)果快數(shù)百倍；同時(shí)采用先進(jìn)制程GPU計(jì)算模型實(shí)現(xiàn)推理的時(shí)間是采用該光子計(jì)算推理算法模型的1.25倍（見圖2）。

實(shí)證研究結(jié)果表明，針對風(fēng)險(xiǎn)價(jià)值計(jì)量問題，采用光子深度神經(jīng)網(wǎng)絡(luò)算法模型進(jìn)行推理的計(jì)算速度顯著優(yōu)于傳統(tǒng)的CPU蒙特卡洛模擬算法；且光子深度神經(jīng)網(wǎng)絡(luò)算法模型可以以低工藝制程（28納米）獲得更優(yōu)于先進(jìn)制程（8納米）的計(jì)算速度優(yōu)勢。

光子計(jì)算在銀行賬戶欺詐識別中的應(yīng)用

業(yè)務(wù)理解

數(shù)字經(jīng)濟(jì)時(shí)代下線上支付手段的快速發(fā)展，在為金融機(jī)構(gòu)用戶提供便捷服務(wù)的同時(shí)，也對金融行業(yè)提出了新的挑戰(zhàn)。近年來，跨境賭博、電信網(wǎng)絡(luò)詐騙等涉賭涉詐案件劇增、方式手法多樣，呈現(xiàn)出線上化、產(chǎn)業(yè)化、交易鏈條復(fù)雜、易派生洗錢和其他涉詐等特點(diǎn)，對人民群眾財(cái)產(chǎn)安全和社會安全穩(wěn)定造成了不良影響。以商業(yè)銀行為代表的金融機(jī)構(gòu)作為維護(hù)國家金融安全穩(wěn)定的重要力量之一，承擔(dān)著構(gòu)建牢固“防火墻”的責(zé)任使命。2022年12月1日起施行的《中華人民共和國反電信網(wǎng)絡(luò)詐騙法》已將反欺詐工作上升到了國家法律層面。該法中專門設(shè)立了“金融治理”章節(jié)，明確了銀行業(yè)等金融機(jī)構(gòu)的反詐職責(zé)，指出“銀行業(yè)金融機(jī)構(gòu)、非銀行支付機(jī)構(gòu)應(yīng)當(dāng)對銀行賬戶、支付賬戶及支付結(jié)算服務(wù)加強(qiáng)監(jiān)測，建立完善符合電信網(wǎng)絡(luò)詐騙活動特征的異常賬戶和可疑交易監(jiān)測機(jī)制”。

以商業(yè)銀行為例，銀行業(yè)務(wù)的交易流水可以看作為一個(gè)復(fù)雜的圖網(wǎng)絡(luò)結(jié)構(gòu)，一些涉賭、涉詐及相關(guān)聯(lián)團(tuán)體往往呈現(xiàn)出一些“群體”特點(diǎn)。如何從復(fù)雜的交易網(wǎng)絡(luò)結(jié)構(gòu)中發(fā)現(xiàn)有欺詐特征的社區(qū)已經(jīng)成為一項(xiàng)重要的任務(wù)。本文從圖社區(qū)發(fā)現(xiàn)的視角出發(fā)，將商業(yè)銀行的賬戶欺詐識別任務(wù)轉(zhuǎn)化為“伊辛模型”問題，并創(chuàng)新性地應(yīng)用光子計(jì)算進(jìn)行求解，以期高效地從圖數(shù)據(jù)中發(fā)現(xiàn)涉賭涉詐及值得關(guān)注的相關(guān)聯(lián)賬戶。

數(shù)據(jù)理解

本文采用國內(nèi)某全國性股份制商業(yè)銀行2020年3月1日至5月31日包含涉詐賬戶和欺詐行為的交易流水?dāng)?shù)據(jù)，數(shù)據(jù)集包括賬戶數(shù)據(jù)、交易數(shù)據(jù)、樣本數(shù)據(jù)三大類，其中：賬戶數(shù)據(jù)包括賬戶號、賬戶所屬機(jī)構(gòu)、賬戶開戶日期等；交易數(shù)據(jù)包括交易流水號、賬戶號、對手賬戶號、交易金額、賬戶余額、對方行號、交易日期、交易時(shí)間、交易渠道、摘要代號等；樣本數(shù)據(jù)包括賬戶號、業(yè)務(wù)標(biāo)志等。本文聚焦涉賭涉詐及相關(guān)聯(lián)業(yè)務(wù)場景，并綜合考慮客戶地域、交易對手特征、交易金額、轉(zhuǎn)賬頻率、交易時(shí)間等業(yè)務(wù)關(guān)注的重點(diǎn)特征，提取出該類業(yè)務(wù)圖數(shù)據(jù)的一張子圖。從業(yè)務(wù)實(shí)際來看，該場景數(shù)據(jù)集為典型的小樣本學(xué)習(xí)圖數(shù)據(jù)集，包含66個(gè)賬戶節(jié)點(diǎn)和60筆交易，旨在從中發(fā)現(xiàn)涉賭、涉詐及存有其他相關(guān)聯(lián)問題的社區(qū)。

模型構(gòu)建

如前所述，面向該小樣本學(xué)習(xí)圖數(shù)據(jù)集的欺詐識別問題，可以被轉(zhuǎn)化為社區(qū)發(fā)現(xiàn)問題，即在一整張網(wǎng)絡(luò)中，將網(wǎng)絡(luò)中的節(jié)點(diǎn)劃分為若干社區(qū)，從而發(fā)現(xiàn)包含涉賭、涉詐賬戶及其他相關(guān)聯(lián)賬戶的社區(qū)。傳統(tǒng)的社區(qū)發(fā)現(xiàn)算法包括圖分割算法、層次聚類算法、分割式聚類算法和基于模塊度的算法等。經(jīng)典的Kernighan-Lin算法就是解決該類問題的重要方法之一。Kernighan-Lin算法常用于復(fù)雜網(wǎng)絡(luò)聚類問題，其核心目標(biāo)是使社區(qū)間連接數(shù)與社區(qū)內(nèi)連接數(shù)之間的差值最小化。然而，經(jīng)典的社區(qū)發(fā)現(xiàn)算法往往被認(rèn)為難以在多項(xiàng)式時(shí)間內(nèi)得到滿意的計(jì)算結(jié)果，因而在實(shí)際應(yīng)用中面臨不小的挑戰(zhàn)。

本文創(chuàng)新采用光子計(jì)算將該欺詐識別問題轉(zhuǎn)化為對社區(qū)發(fā)現(xiàn)問題進(jìn)行求解，并通過與經(jīng)典Kernighan-Lin算法模型進(jìn)行對比，從而達(dá)到提升效率、節(jié)約時(shí)間、提高模型準(zhǔn)確性的目的。具體而言，在光子計(jì)算視角下，可將社區(qū)發(fā)現(xiàn)問題轉(zhuǎn)化為二次無約束二值優(yōu)化問題（Quadratic Unconstrained Binary Optimization， QUBO），而QUBO問題和伊辛模型是一一對應(yīng)的，其數(shù)學(xué)表達(dá)式為：

min f = XTQX

其中，X=（x1，x2，…，xn ）T，xi∈{0，1}；Q為n×n的權(quán)重矩陣，它是通過鄰接矩陣得到的。本文使用光子計(jì)算對上述問題進(jìn)行求解：

首先通過電光轉(zhuǎn)換單元，將權(quán)重矩陣Q轉(zhuǎn)換為光權(quán)重信號，并加載到光子器件上；同時(shí)初始化一組輸入向量X，并將其轉(zhuǎn)化為光輸入信號；然后通過硅基芯片上實(shí)現(xiàn)的數(shù)萬個(gè)光學(xué)器件，實(shí)現(xiàn)一次高速低功耗的大規(guī)模矩陣計(jì)算，最終經(jīng)過光電轉(zhuǎn)換單元將結(jié)果轉(zhuǎn)換為電信號，并將其分成兩部分，一部分用于能量計(jì)算，另一部分用于迭代。其中，下一次迭代使用的輸入向量是在前一步的基礎(chǔ)上加上隨機(jī)擾動得到的，每次可在納秒量級完成一次端到端的算法迭代。

模型評估

在求解過程中，損失函數(shù)隨著迭代次數(shù)發(fā)生變化的曲線如圖3所示。不難看出，模型通過迭代后可較快地收斂到一個(gè)穩(wěn)定水平，此時(shí)可以理解為社區(qū)劃分任務(wù)達(dá)到了最佳社區(qū)分割狀態(tài)。

從算法實(shí)現(xiàn)時(shí)間來看，實(shí)證研究結(jié)果表明：光芯片實(shí)現(xiàn)矩陣乘法在求解特定規(guī)模的社區(qū)發(fā)現(xiàn)問題時(shí)，較現(xiàn)有算法具有顯著的性能優(yōu)勢。與傳統(tǒng)GPU相比，光子伊辛問題求解算法可展現(xiàn)出上百倍的速度優(yōu)勢，具體計(jì)算時(shí)間情況如圖4所示。

從模型準(zhǔn)確性方面來看，在該小樣本學(xué)習(xí)圖數(shù)據(jù)集上，模型的構(gòu)建天然面臨著較大挑戰(zhàn)。如表3和表4所示，經(jīng)典的Kernighan-Lin算法模型在該數(shù)據(jù)集上是將全部賬戶節(jié)點(diǎn)平均分為兩群，經(jīng)業(yè)務(wù)排查，涉賭涉詐的賬戶節(jié)點(diǎn)（真實(shí)標(biāo)簽為1的節(jié)點(diǎn)）被平均分在兩群中，對于本文社區(qū)發(fā)現(xiàn)和欺詐識別問題而言效果不佳。而采用基于光子計(jì)算的伊辛模型結(jié)果顯示，實(shí)際發(fā)生涉賭涉詐的賬戶節(jié)點(diǎn)被較為有效地劃分進(jìn)了同一社區(qū)，并為業(yè)務(wù)人員有效鎖定與涉賭涉詐相關(guān)聯(lián)的其他問題行為及相關(guān)賬戶提供了依據(jù)，起到了事半功倍、降本增效的良好應(yīng)用效果。

進(jìn)一步將經(jīng)典的圖分區(qū)Kernighan-Lin算法模型與光子計(jì)算模型結(jié)果指標(biāo)進(jìn)行對比：在當(dāng)前小樣本學(xué)習(xí)圖數(shù)據(jù)集上，針對涉賭涉詐相關(guān)賬戶識別任務(wù)，Kernighan-Lin算法模型的查全率為0.5、查準(zhǔn)率為0.09、F1-score為0.15；而光子計(jì)算模型的查全率為0.83、查準(zhǔn)率為0.15、F1-score為0.26。光子計(jì)算模型在上述三個(gè)指標(biāo)方面均表現(xiàn)優(yōu)于Kernighan-Lin算法模型。

隨著未來相關(guān)欺詐識別業(yè)務(wù)的進(jìn)一步發(fā)展，在處理更大規(guī)模（甚至超大規(guī)模）交易圖數(shù)據(jù)時(shí)，得益于數(shù)據(jù)規(guī)模的增大，模型準(zhǔn)確性指標(biāo)有望得到自然提升，同時(shí)光子計(jì)算模型的計(jì)算效率優(yōu)勢將進(jìn)一步得到凸顯，具有可觀的應(yīng)用價(jià)值和廣闊的應(yīng)用前景。

結(jié)語

數(shù)字經(jīng)濟(jì)時(shí)代下，光子金融科技作為提高金融業(yè)務(wù)與管理的計(jì)算效率、降低其計(jì)算功耗的新路徑應(yīng)運(yùn)而生。本文立足金融行業(yè)應(yīng)用視角，創(chuàng)新性地將光子計(jì)算應(yīng)用于風(fēng)險(xiǎn)價(jià)值計(jì)量和賬戶欺詐識別業(yè)務(wù)場景，構(gòu)建了較經(jīng)典電子計(jì)算技術(shù)更優(yōu)的應(yīng)用模型，為光子計(jì)算在金融領(lǐng)域的應(yīng)用提供了新思路。

此外，光子計(jì)算在金融行業(yè)還具有廣闊的應(yīng)用場景：一是可應(yīng)用于金融衍生品的定價(jià)，特別是以障礙期權(quán)為代表的較為復(fù)雜的金融衍生品定價(jià)場景；二是結(jié)構(gòu)化金融產(chǎn)品的定價(jià)，例如雙重貨幣債券的產(chǎn)品組合分析場景；三是金融圖計(jì)算中除社區(qū)發(fā)現(xiàn)以外的社交網(wǎng)絡(luò)分析以及知識圖譜應(yīng)用；四是自然語言處理在金融領(lǐng)域的應(yīng)用，包括但不限于智能客服、客戶情緒識別、合規(guī)制度問答等應(yīng)用場景；五是計(jì)算機(jī)視覺在金融領(lǐng)域的應(yīng)用，包括但不限于人臉識別、光學(xué)字符識別等應(yīng)用場景。

未來，應(yīng)進(jìn)一步聚焦光子金融科技的技術(shù)創(chuàng)新與深化應(yīng)用，為金融機(jī)構(gòu)數(shù)字化轉(zhuǎn)型發(fā)展提供更強(qiáng)有力的算力支撐，為數(shù)字經(jīng)濟(jì)時(shí)代下全社會廣泛應(yīng)用光子科技起到示范性效用。

【參考文獻(xiàn)】

1. Shen Y， Harris N C， Skirlo S， et al. Deep learning with coherent nanophotonic circuits[J]. Nature photonics， 2017， 11（7）： 441-446.

2. Wetzstein G， Ozcan A， Gigan S， et al. Inference in artificial intelligence with deep optics and photonics[J]. Nature， 2020， 588（7836）： 39-47.

3. Roques-Carmes C， Shen Y， Zanoci C， et al. Heuristic recurrent algorithms for photonic Ising machines[J]. Nature communications， 2020， 11（1）.

4.王碩. 量子光學(xué)中的蒙特卡洛方法研究[J]. 科技資訊， 2015（15）：7-9.

5.李樹. 光子與相對論麥克斯韋分布電子散射截面的蒙特卡羅計(jì)算方法[J]. 物理學(xué)報(bào)， 2018， 67（21）：268-276.

6. 方軼圣. 面向光學(xué)模擬計(jì)算的空間微分器和光學(xué)伊辛模型[D]. 浙江大學(xué)， 2020.

（上海曦智科技有限公司陳辰、陳章、楊春、黃洋，龍盈智達(dá)﹝北京﹞科技有限公司張?jiān)?、王一多、徐奇、王子、曹曉峰、馮琳、高新凱、王學(xué)志、李婷婷、呂鵬對本文亦有貢獻(xiàn)）

（作者單位：華夏銀行股份有限公司，龍盈智達(dá)﹝北京﹞科技有限公司，上海曦智科技有限公司，其中吳永飛系華夏銀行首席信息官、信息科技部總經(jīng)理）

責(zé)任編輯：董 治