Quanten-Annealing für Clusterbildung in signierten Finanzkorrelationsnetzwerken

Zusammenfassung

Das Dokument beschreibt den Einsatz des graphbasierten Algorithmus zur Erzeugung von Koalitionsstrukturen, GCS-Q, um Vermögenswerte zu clustern, die als signierter, gewichteter Graph von Renditekorrelationen dargestellt werden. Die Motivation ist, dass gängige Clustering-Verfahren beim Umwandeln signierter Korrelationen Informationen verlieren können und möglicherweise verlangen, die Clusterzahl vorab festzulegen. GCS-Q formuliert die Partitionierungsschritte stattdessen als quadratische unbeschränkte binäre Optimierungsprobleme, die sich mit Quanten-Annealing untersuchen lassen.

Die Autoren bewerten den Ansatz anhand synthetischer und realer Finanzdaten und vergleichen ihn mit SPONGE und k-Medoids. Sie berichten von höherer Clusterqualität gemessen am Adjusted Rand Index und an Strafen für strukturelle Balance; zugleich bestimmt die Methode die Clusterzahl dynamisch. Die Beschreibung enthält weder konkrete Angaben zu den Datensätzen und numerischen Ergebnissen noch Laufzeitvergleiche oder Details zu Quantenhardware und Umsetzung. Die berichteten Verbesserungen sprechen dafür, die Methode als Forschungsrichtung für Portfoliooptimierung und statistische Arbitrage weiterzuverfolgen, zeigen für sich genommen aber weder verbesserte Handelsergebnisse noch praktische Anwendbarkeit für jede Größe des Anlageuniversums.

Kernaussagen

• GCS-Q clustert Vermögenswerte direkt anhand signierter, gewichteter Korrelationsgraphen.
• Die Partitionierungsschritte werden als QUBO-Probleme für Quanten-Annealing formuliert.
• Die Methode bestimmt die Clusterzahl dynamisch.
• Laut Bericht übertreffen Experimente mit synthetischen und realen Daten SPONGE und k-Medoids bei den angegebenen Clustering-Maßen.
• Das Dokument belegt keine Auswirkungen auf Portfoliorenditen oder die Handelsleistung.

Schlagwörter

# 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.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.