特征冗余相关 · 传统方法受限

金融机构在信用评分、反欺诈和精准营销中，需要从大量高维特征中识别关键变量，传统方法易受特征冗余和相关性影响。

组合搜索增长 · 难兼顾多重目标

随着样本量与特征维度增长，组合搜索成本快速上升，难以兼顾筛选效率、模型精度和可解释性。

⚛️

海量候选特征的
高效组合搜索

🗺️

高维信用数据
降维与去冗余

🔀

适用于信贷风控、反欺诈
等实时建模

数据与特征分析

首先对业务数据进行清洗、编码和标准化，计算各特征与预测目标之间的关联度以及特征之间的冗余度；量化特征预测能力、特征冗余度及业务约束。

量子优化求解

将“提升特征有效性、降低特征冗余、控制特征数量”等目标统一转化为QUBO模型，并映射为伊辛模型，输入专用量子计算机进行组合优化求解。

经典模型验证

专用量子计算机输出多组候选特征组合后，使用逻辑回归、决策树、XGBoost等经典模型开展交叉验证，综合比较预测效果、稳定性和可解释性，筛选最优特征组合。该方案可应用于信贷风控、反欺诈、精准营销等金融预测场景。

🔬

多方法对比 · 专用量子计算机取得最优结果

56.14

指标略高于经典最优

在两组真实业务数据集上，对比XGBoost排序、Null Importance、RFECV及经典模拟器等方法，专用量子计算机筛选均取得最优结果。在真实数据集中，专用量子计算机真机指标为56.14，略高于经典最优RFECV的56.10。

📈

效果显著提升

+5.2%

优于经典对照方法

专用量子计算机真机指标为 0.7100，较经典最优RFECV的 0.6750提升 0.0350，相对提升约 5.2%。

面向风险预测

借助专用量子计算可以有效化解高维特征筛选过程中的组合爆炸难题，筛选出高质量且差异化的特征子集，将优化后的特征输入机器学习模型，提升信用评分模型预测准确率，降低客户违约误判概率。

预测准确率提升

违约误判降低

面向金融风控

帮助金融机构精准识别信贷风险，合理划分授信等级，减少坏账损失；同时精简入模特征，缩短模型训练时间，助力金融行业风控。

精准识别信贷风险

模型训练提效