Algoritmi quantistici ibridi per l’analisi della vigilanza sulle negoziazioni

Abstract degli autori

La lotta al riciclaggio di denaro (AML) e la vigilanza sulle negoziazioni restano in gran parte manuali: i sistemi di monitoraggio basati su regole generano avvisi, di cui si stima che oltre il 95% siano falsi positivi, ciascuno esaminato da un analista umano. Confrontiamo quattro classificatori quantistici e ibridi con modelli classici di riferimento in un’attività sintetica di rilevamento di schemi pump-and-dump: un classificatore quantistico dei k vicini più prossimi basato sulla fedeltà (QKNN), con instradamento basato sul clustering; una macchina a vettori di supporto quantistica (QSVM) basata su un kernel quantistico proiettato a un corpo; una rete neurale quantistica (QNN) a 20 qubit, con una mappa di caratteristiche Pauli-ZZ e un ansatz RealAmplitudes; e una rete neurale quantistica ibrida (HQNN), in cui una piccola rete classica genera ogni angolo di rotazione di un circuito a cinque qubit. I modelli di riferimento sono la regressione logistica, XGBoost, reti neurali con uno e tre strati nascosti e il metodo classico dei k vicini più prossimi. Tutti i modelli condividono un’unica suddivisione stratificata di 1.000 conti (800 di addestramento, 200 di test, 20% sospetti) e due rappresentazioni a 20 caratteristiche (ANOVA e PCA); QKNN e QSVM sono testati anche in condizioni di rumore simulato, mentre la HQNN viene eseguita sul processore ibm_fez. Il modello migliore è XGBoost classico con caratteristiche ANOVA, con un F1 del 61,4% per la classe dei sospetti. La HQNN è il modello quantistico-ibrido più performante: raggiunge un F1 del 54,5–57,9% su un simulatore ideale e del 55,4–59,8% su ibm_fez, superando sei delle otto configurazioni classiche; con un tasso di falsi positivi del 15%, metà dei suoi avvisi riguarda effettivamente attività sospette. Rispetto alla QNN (F1 del 42,0%), genera meno della metà dei falsi allarmi a parità di richiamo, usando un quarto dei qubit. La QKNN raggiunge un F1 del 43,5% (44,4% in presenza di rumore), superando il KNN classico (35,6%); la QSVM non supera il 41%. Non osserviamo alcun vantaggio quantistico, ma un sistema ibrido a cinque qubit, eseguito sull’hardware rumoroso disponibile oggi, eguaglia già modelli classici ben ottimizzati, con margini di crescita grazie a circuiti più ricchi e dispositivi più grandi. Forniamo un confronto alla pari con modelli classici, basato sugli stessi dati, sulle stesse suddivisioni e sulle stesse caratteristiche.