Recozimento quântico para agrupar redes de correlação financeira com sinal

Resumo

O documento descreve o uso do algoritmo Graph-based Coalition Structure Generation, GCS-Q, para agrupar ativos representados por um grafo ponderado com sinal das correlações de retorno. A motivação é que abordagens comuns de agrupamento podem perder informações ao transformar correlações com sinal e talvez exijam que o número de grupos seja escolhido previamente. Em vez disso, GCS-Q formula etapas de particionamento como problemas de otimização binária quadrática sem restrições, que podem ser explorados por recozimento quântico.

Os autores avaliam a abordagem com dados financeiros sintéticos e do mundo real, comparando-a com SPONGE e k-Medoids. Eles relatam maior qualidade de agrupamento segundo o índice Rand ajustado e penalidades de equilíbrio estrutural, enquanto o método determina dinamicamente o número de grupos. A descrição não apresenta detalhes dos conjuntos de dados, resultados numéricos, comparações de tempo de execução nem informações sobre hardware quântico e implementação. Os ganhos relatados apoiam o método como linha de pesquisa para otimização de carteiras e arbitragem estatística, mas não demonstram, por si só, melhora nos resultados de trading nem viabilidade prática para universos de ativos de qualquer tamanho.

Ideias principais

• GCS-Q agrupa ativos diretamente a partir de grafos de correlação ponderados com sinal.
• As etapas de particionamento são expressas como problemas QUBO para recozimento quântico.
• O método determina dinamicamente o número de grupos.
• Relata-se que os experimentos com dados sintéticos e reais superam SPONGE e k-Medoids nas medidas de agrupamento indicadas.
• O documento não estabelece efeitos sobre retornos de carteira nem desempenho de trading.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.