본문으로 건너뛰기
라이브러리 문서 전체

부호 있는 금융 상관 네트워크 군집화를 위한 양자 어닐링 | Stratmill

기사 arXiv papers · 저자: Shivam Sharma et al.
원문 읽기

요약

이 문서는 수익률 상관관계를 부호가 있는 가중 그래프로 표현한 뒤 자산을 군집화하는 그래프 기반 연합 구조 생성 알고리즘 GCS-Q의 활용을 설명합니다. 일반적인 군집화 방식은 부호 있는 상관관계를 변환하는 과정에서 정보를 잃을 수 있고 군집 수를 미리 정해야 할 수 있다는 점이 연구의 동기입니다. 반면 GCS-Q은 분할 단계를 이차 비제약 이진 최적화 문제로 구성해 양자 어닐링으로 탐색할 수 있게 합니다.

저자들은 합성 금융 데이터와 실제 금융 데이터에 이 접근법을 평가하고 SPONGE 및 k-Medoids와 비교합니다. 조정 랜드 지수와 구조적 균형 페널티로 측정한 군집 품질이 더 높으며, 방법이 군집 수를 동적으로 결정한다고 보고합니다. 설명에는 데이터 세부 사항, 수치 결과, 실행 시간 비교 또는 양자 하드웨어와 구현 정보가 없습니다. 보고된 개선은 포트폴리오 최적화와 통계적 차익 거래를 위한 연구 방향을 뒷받침하지만, 그 자체로 트레이딩 성과를 높이거나 모든 자산군 규모에서 실용적임을 보여주지는 않습니다.

핵심 아이디어

  • GCS-Q은 부호가 있는 가중 상관 그래프에서 자산을 직접 군집화합니다.
  • 양자 어닐링을 위한 분할 단계를 QUBO 문제로 표현합니다.
  • 군집 수를 동적으로 결정합니다.
  • 합성 및 실제 데이터 실험에서 명시된 군집 지표 기준으로 SPONGE과 k-Medoids보다 나은 결과를 보고합니다.
  • 문서는 포트폴리오 수익률이나 트레이딩 성과에 미치는 영향을 입증하지 않습니다.

태그

멀티에셋포트폴리오 구성통계머신러닝차익 거래
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.