Recocido cuántico para agrupar redes financieras de correlación con signo | Stratmill

Resumen

El documento describe el uso del algoritmo de generación de estructuras de coalición basado en grafos, GCS-Q, para agrupar activos representados como un grafo ponderado con signo de correlaciones de rentabilidad. La motivación es que los métodos de agrupación habituales pueden perder información al transformar correlaciones con signo y quizá exijan elegir de antemano el número de grupos. GCS-Q formula los pasos de partición como problemas de optimización binaria cuadrática sin restricciones, que pueden explorarse mediante recocido cuántico.

Los autores evalúan el enfoque con datos financieros sintéticos y reales, y lo comparan con SPONGE y k-Medoids. Informan de una mayor calidad de agrupación según el índice Rand ajustado y las penalizaciones de equilibrio estructural, mientras que el método determina dinámicamente el número de grupos. La descripción no ofrece detalles sobre los conjuntos de datos, resultados numéricos, comparaciones de tiempo de ejecución ni el hardware cuántico y su implementación. Las mejoras comunicadas respaldan el método como línea de investigación para la optimización de carteras y el arbitraje estadístico, pero por sí solas no demuestran que mejore los resultados de trading ni que sea práctico para universos de activos de cualquier tamaño.

Ideas clave

• GCS-Q agrupa activos directamente a partir de grafos de correlación ponderados con signo.
• Sus pasos de partición se expresan como problemas QUBO para el recocido cuántico.
• El método determina dinámicamente el número de grupos.
• Se informa de que los experimentos con datos sintéticos y reales superan a SPONGE y k-Medoids según las medidas de agrupación indicadas.
• El documento no demuestra efectos sobre la rentabilidad de las carteras ni el rendimiento del trading.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.