コンテンツへスキップ
ライブラリの全資料

符号付き金融相関ネットワークの量子アニーリングによるクラスタリング

記事 arXiv papers · 著者: Shivam Sharma et al.
原文を読む

サマリー

この文書は、リターン相関を表す符号付き重み付きグラフから資産をクラスタリングするため、グラフベースの連合構造生成アルゴリズムGCS-Qを用いる方法を説明します。一般的なクラスタリング手法では、符号付き相関を変換する際に情報が失われたり、事前にクラスター数を決める必要があったりすることが動機です。GCS-Qは代わりに、分割手順を二次無制約二値最適化問題として定式化し、量子アニーリングで探索できるようにします。

著者らは合成データと実世界の金融データで手法を評価し、SPONGEやk-Medoidsと比較しています。調整ランド指数と構造バランスのペナルティによるクラスタリング品質が高く、手法がクラスター数を動的に決定すると報告しています。説明にはデータセットの詳細、数値結果、実行時間の比較、量子ハードウェアや実装の詳細がありません。報告された改善はポートフォリオ最適化や統計的裁定取引に向けた研究として手法を支持しますが、それだけでは売買成績の向上や、あらゆる資産ユニバース規模での実用性を示しません。

主なアイデア

  • GCS-Qは符号付き重み付き相関グラフから資産を直接クラスタリングします。
  • 分割手順を量子アニーリング向けのQUBO問題として表現します。
  • この手法はクラスター数を動的に決定します。
  • 合成データと実世界データの実験では、指定されたクラスタリング指標においてSPONGEやk-Medoidsを上回ると報告されています。
  • この文書は、ポートフォリオリターンや売買成績への効果を確立していません。

タグ

マルチアセットポートフォリオ構築統計機械学習裁定取引
全文
# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。