بازپخت کوانتومی برای خوشه‌بندی شبکه‌های همبستگی مالی علامت‌دار
خلاصه
این سند استفاده از الگوریتم تولید ساختار ائتلافی مبتنی بر گراف، GCS-Q، را برای خوشه‌بندی دارایی‌هایی توصیف می‌کند که با گرافی وزن‌دار و علامت‌دار از همبستگی بازده نمایش داده شده‌اند. انگیزه این است که روش‌های رایج خوشه‌بندی هنگام تبدیل همبستگی‌های علامت‌دار ممکن است اطلاعات را از دست بدهند و شاید لازم باشد تعداد خوشه‌ها از پیش انتخاب شود. GCS-Q در عوض، گام‌های افراز را به‌صورت مسائل بهینه‌سازی دودوییِ درجه‌دومِ بدون قید صورت‌بندی می‌کند که می‌توان با بازپخت کوانتومی بررسی‌شان کرد.
نویسندگان این رویکرد را روی داده‌های مالی مصنوعی و دنیای واقعی ارزیابی و با SPONGE و کی‌مدویدز مقایسه می‌کنند. کیفیت خوشه‌بندی بالاتر بر اساس شاخص رند تعدیل‌شده و جریمه‌های توازن ساختاری گزارش می‌شود؛ در عین حال، روش تعداد خوشه‌ها را به‌صورت پویا تعیین می‌کند. توضیح جزئیات مجموعه‌داده، نتایج عددی، مقایسه زمان اجرا یا اطلاعاتی درباره سخت‌افزار کوانتومی و پیاده‌سازی نمی‌دهد. بهبودهای گزارش‌شده، این روش را به‌عنوان مسیری پژوهشی برای بهینه‌سازی سبد و آربیتراژ آماری مطرح می‌کنند، اما به‌خودی‌خود نشان نمی‌دهند که نتایج معاملاتی را بهتر می‌کند یا در همه اندازه‌های جهان دارایی‌ها عملی است.
ایده‌های کلیدی
- GCS-Q دارایی‌ها را مستقیماً از گراف‌های همبستگی وزن‌دار و علامت‌دار خوشه‌بندی می‌کند.
- گام‌های افراز آن به‌صورت مسائل QUBO برای بازپخت کوانتومی بیان می‌شوند.
- این روش تعداد خوشه‌ها را به‌صورت پویا تعیین می‌کند.
- گزارش شده است که روش پیشنهادی در سنجه‌های خوشه‌بندی بیان‌شده، در آزمایش‌های داده‌های مصنوعی و دنیای واقعی از SPONGE و کی‌مدویدز بهتر عمل می‌کند.
- سند اثر این روش بر بازده سبد یا عملکرد معاملاتی را اثبات نمی‌کند.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.