Recuit quantique pour regrouper des réseaux de corrélations financières signées

Résumé

Le document décrit l’utilisation de l’algorithme Graph-based Coalition Structure Generation, GCS-Q, pour regrouper des actifs représentés par un graphe pondéré et signé de corrélations de rendement. La motivation est que les approches courantes de regroupement peuvent perdre de l’information en transformant les corrélations signées et peuvent exiger de fixer à l’avance le nombre de groupes. GCS-Q formule plutôt les étapes de partitionnement comme des problèmes d’optimisation binaire quadratique sans contrainte, qui peuvent être explorés par recuit quantique.

Les auteurs évaluent l’approche sur des données financières synthétiques et réelles et la comparent à SPONGE et à k-Medoids. Ils rapportent une meilleure qualité de regroupement selon l’indice de Rand ajusté et les pénalités d’équilibre structurel, tandis que la méthode détermine dynamiquement le nombre de groupes. La description ne donne ni détails sur les jeux de données, ni résultats numériques, ni comparaisons des temps d’exécution, ni détails sur le matériel quantique et la mise en œuvre. Les gains rapportés soutiennent cette méthode comme piste de recherche en optimisation de portefeuille et en arbitrage statistique, mais ne démontrent pas à eux seuls qu’elle améliore les résultats de trading ou qu’elle est pratique pour toutes les tailles d’univers d’actifs.

Idées clés

• GCS-Q regroupe directement des actifs à partir de graphes de corrélations signés et pondérés.
• Ses étapes de partitionnement sont formulées comme des problèmes QUBO destinés au recuit quantique.
• La méthode détermine dynamiquement le nombre de groupes.
• Les expériences sur des données synthétiques et réelles indiqueraient de meilleurs résultats que SPONGE et k-Medoids selon les mesures de regroupement rapportées.
• Le document n’établit pas d’effet sur les rendements des portefeuilles ou les performances de trading.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.