OQC·Trust Base, 금융 양자 우위 경로 연구…하이브리드 모델 속도 한계 확인

연구 배경과 비교 대상

이번 연구는 파생상품 가격 결정, 위험가치(VaR), 신용평가조정(CVA) 세 영역을 대상으로 진행됐다. 비교 대상으로는 고전 몬테카를로 시뮬레이션, 물리 정보 신경망(PINN), 하이브리드 양자-고전 신경망(QPINN), 양자 진폭 추정 기반 몬테카를로 기법이 포함됐다. 테스트에 사용된 금융 모델은 Black-Scholes, Garman-Kohlhagen, Dupire, Hull-White 등 실무에서 널리 쓰이는 표준 모형들이다.

고전 PINN의 현실적 우위

연구팀이 검토한 방법론 중 현재 가장 실용적인 조합을 제공한 것은 고전 PINN으로 평가됐다. PINN은 금융 상품의 가격 변화 규칙을 학습하여 시간과 시장 변수에 걸친 연속적 표현을 구성하며, 한 번 학습 후 가격·민감도·익스포저 추정에 반복 활용할 수 있다. 연구팀은 이 방법이 계산 속도, 적응성, 기대 양의 익스포저 및 CVA 산출에 모두 적합하다고 판단했다.

하이브리드 QPINN의 가능성과 한계

QPINN은 매개변수화된 양자 회로를 신경망 내 학습 가능한 특징 맵으로 삽입한 구조다. 일부 가격 및 익스포저 계산에서 고전 모델과 경쟁적인 성능을 보였고, 학습 가능한 파라미터 수도 줄어드는 경향이 있었다. 그러나 양자 회로를 반복 실행하고 그래디언트를 계산하는 과정에서 총 실행 시간이 크게 늘었다. 파라미터 수가 적다고 해서 계산 효율이 높다는 보장이 없음을 이 결과가 잘 보여준다. OQC는 QPINN을 현재 단계에서는 하이브리드 모델 연구 플랫폼으로 위치 지었으며, 현업 배치용 솔루션으로 보기는 어렵다고 밝혔다.

민감도 안정성과 학습 전략의 중요성

연구팀은 가격 자체보다 민감도 지표의 안정성이 실제 운용 환경에서 더 중요하다고 강조했다. 델타(기초자산 가격 변화에 대한 파생상품 가격의 1차 민감도)는 목표 훈련을 통해 어느 정도 안정화가 가능했으나, 감마(민감도의 변화율, 2차 미분)는 소폭의 가격 오차도 크게 증폭되는 특성 때문에 안정화가 어려웠다. 은행이 헤징 전략 수립과 리스크 관리에 민감도 지표를 필수적으로 활용한다는 점에서, 가격만 정확하고 민감도가 불안정한 모델은 실무 적용성이 제한된다. 또한 오류가 큰 영역에 학습 자원을 집중하는 적응형 샘플링이 단순한 모델 확대보다 성능 개선에 더 효과적인 것으로 나타났다.

향후 과제: 하드웨어와 비교 기준

연구팀은 두 번째 경로로 양자 진폭 추정도 검토했다. 이 기법은 이론적으로 고전 몬테카를로보다 적은 표본으로 동등한 정밀도를 달성할 수 있다고 알려져 있으나, 실제 성능은 회로 구성, 컴파일, 큐비트 배치, 하드웨어 노이즈에 크게 의존하는 것으로 확인됐다. 연구팀은 양자 방법론의 비교 대상을 최적화된 고전 솔루션으로 설정해야 하며, 개별 알고리즘 성능이 아닌 전체 금융 워크플로를 기준으로 우위를 판단해야 한다고 결론 지었다.