التلدين الكمومي لتجميع شبكات الارتباط المالي الموقعة

الملخص

تصف الوثيقة استخدام خوارزمية إنشاء بنية الائتلاف القائمة على الرسم البياني، GCS-Q، لتجميع الأصول الممثلة كرسم بياني موزون وموقّع لارتباطات العوائد. والدافع هو أن أساليب التجميع الشائعة قد تفقد معلومات عند تحويل الارتباطات الموقعة، وقد تتطلب تحديد عدد المجموعات مسبقًا. أما GCS-Q فتصوغ خطوات التقسيم على هيئة مسائل تحسين ثنائي تربيعي غير مقيد، يمكن استكشافها بالتلدين الكمومي.

يقيّم المؤلفون النهج على بيانات مالية اصطناعية وواقعية ويقارنونه بـ SPONGE وكي-ميدويدز. ويفيدون بارتفاع جودة التجميع وفق مؤشر راند المعدل وعقوبات التوازن البنيوي، بينما تحدد الطريقة عدد المجموعات ديناميكيًا. ولا يقدم الوصف تفاصيل مجموعات البيانات أو النتائج الرقمية أو مقارنات زمن التنفيذ أو تفاصيل العتاد الكمومي والتنفيذ. وتدعم المكاسب المُبلغ عنها اعتبار الطريقة اتجاهًا بحثيًا لتحسين المحافظ والمراجحة الإحصائية، لكنها لا تثبت وحدها أنها تحسن نتائج التداول أو أنها عملية لجميع أحجام مجموعات الأصول.

الأفكار الرئيسية

• تجمع GCS-Q الأصول مباشرةً من رسوم بيانية للارتباط الموقعة والموزونة.
• تُصاغ خطوات التقسيم فيها على هيئة مسائل QUBO للتلدين الكمومي.
• تحدد الطريقة عدد المجموعات ديناميكيًا.
• يُذكر أن التجارب على بيانات اصطناعية وواقعية تتفوق على SPONGE وكي-ميدويدز وفق مقاييس التجميع المحددة.
• لا تثبت الوثيقة أثرًا على عوائد المحافظ أو أداء التداول.

الوسوم

# Toward Quantum Utility in Finance: A Robust Data-Driven Algorithm for Asset Clustering


# Toward Quantum Utility in Finance: A Robust Data-Driven Algorithm for Asset Clustering









Clustering financial assets based on return correlations is a fundamental task in portfolio optimization and statistical arbitrage. However, classical clustering methods often fall short when dealing with signed correlation structures, typically requiring lossy transformations and heuristic assumptions such as a fixed number of clusters. In this work, we apply the Graph-based Coalition Structure Generation algorithm (GCS-Q) to directly cluster signed, weighted graphs without relying on such transformations. GCS-Q formulates each partitioning step as a QUBO problem, enabling it to leverage quantum annealing for efficient exploration of exponentially large solution spaces. We validate our approach on both synthetic and real-world financial data, benchmarking against state-of-the-art classical algorithms such as SPONGE and k-Medoids. Our experiments demonstrate that GCS-Q consistently achieves higher clustering quality, as measured by Adjusted Rand Index and structural balance penalties, while dynamically determining the number of clusters. These results highlight the practical utility of near-term quantum computing for graph-based unsupervised learning in financial applications.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.