金融業界では、既存のポジションのリスクを減らすために、別の資産で相殺するヘッジと呼ばれる手法を取ることが一般的だ。例えば、投資家はプットやコールなどのデリバティブを利用して、原資産の将来の価格変動に伴う潜在的な損失を相殺することができる。古典的なヘッジアルゴリズムは、理想化された市場では問題ないが、口座取引コストや、流動性の問題、取引制限、その他の問題が発生する現実の市場においては、うまく機能しないことが考えられる。
近年、強化学習と呼ばれるアプローチで、この問題に対処するためにディープ・ヘッジと呼ばれるフレームワークが開発されている。QC Ware と JPMorgan Chase&Co. の Global Technology Applied Researchセンターによって行われたこの研究では、ディープヘッジのためのより効率的な量子強化学習手法を実装するために、量子深層学習アルゴリズムを使用することが検討された。潜在的な利点は、量子ニューラルネットワークを、同等の古典的アプローチよりも少ない訓練可能なパラメータで訓練できるようになり、高性能GPUハードウェア上で実行されるモデルの精度と訓練性が向上することだ。研究に使用されたハードウェアプラットフォームは、Quantinuum H1-1および H1-2 イオントラップ量子プロセッサーである。
=============================
原記事（Quantum Computing Report）
https://quantumcomputingreport.com/
翻訳：Hideki Hayashi