如果你想最大限度的提高未来在金融服务领域的就业能力，那么熟悉量子计算可能是一个好主意。摩根大通量子技术团队撰写的最新一篇学术文章强调了量子计算将比你想象中要更快的影响金融服务。

现在，高盛和摩根大通都在建立量子研究团队，高盛已经使用量子方法将衍生品定价速度提高了一千倍以上。摩根大通表示，金融业即使在短期内也将从量子计算中受益。

该论文研究人员指出，银行和金融公司已经是机器学习技术的大用户，例如用于算法交易的强化学习，或用于风险评估、财务预测以及会议和审计的自然语言处理(NLP)。许多机器学习技术使用量子方法，但这方面的人才仍然很难找到。一位资深银行技术专家表示：“这种人才需求很高，量子仍然是一项非常罕见的技能。”

摩根大通表示，银行一直在使用循环神经网络(RNN)来运行时间序列预测，并正考虑将它们用于资产定价模型。然而RNN会消耗大量计算能力，使用参数化量子电路(PQC)和量子长短期记忆(LSTM)单元具有优势，它们允许用户根据历史数据对演化过程进行预测。

量子方法也可用于确定证券价格的可能变化。深度量子神经网络能产生一个密度矩阵，期权的隐含波动率是使用矩阵中的相应元素来计算的。而机器学习支持向量机(SVM)可被用于预测外汇等市场中使用奇异期权的支付情况，使用量子技术可以促进这一点。

而量子聚类算法可用于执行异常检测和识别欺诈活动。这类算法也可用于聚类收益相似但风险不同的股票，从而让投资者可以挑选收益高的低风险股票。此外，相同的聚类算法可用于根据已知变量(如资产类别、规模、费用、杠杆和流动性)来确定要投资的对冲基金。

量子强化机器学习技术则可以应用于算法交易，以加快决策速度并提高模型的复杂性。然而，该论文的研究指出，由于当前量子设备的硬件限制，这种量子强化学习技术还没有实际发生。

一些电子做市商可能出于自身原因对量子计算产生兴趣。摩根大通表示，做市交易非常适合量子强化学习。问题被建模为代理状态，它会考虑到库存和风险承受能力等属性，以及代理只有部分信息的环境状态。

摩根大根的团队还预测，量子自然语言处理(NLP)算法也将用于风险和会计团队的工作。例如，NLP可用于在贷款过程中引出“贷方和借款人的情绪”，以进行情绪分析并预测，或为财务会计标准创建语义知识库等。（编译:Qtech）