Квантовый отжиг для кластеризации знаковых сетей финансовых корреляций

Сводка

В документе описано применение алгоритма генерации коалиционных структур на графах, GCS-Q, для кластеризации активов, представленных в виде знакового взвешенного графа корреляций доходности. Это мотивировано тем, что распространённые методы кластеризации могут терять информацию при преобразовании знаковых корреляций и требовать заранее задать число кластеров. Вместо этого GCS-Q формулирует этапы разбиения как задачи квадратичной безусловной бинарной оптимизации, которые можно исследовать с помощью квантового отжига.

Авторы оценивают подход на синтетических и реальных финансовых данных и сравнивают его с SPONGE и k-Medoids. Они сообщают о более высоком качестве кластеризации по скорректированному индексу Рэнда и штрафам за структурный баланс; при этом метод динамически определяет число кластеров. В описании нет сведений о наборах данных, численных результатах, сравнении времени выполнения, квантовом оборудовании или реализации. Заявленные результаты поддерживают рассмотрение метода как направления исследований для оптимизации портфеля и статистического арбитража, но сами по себе не показывают, что он улучшает торговые результаты или практически применим при любом размере множества активов.

Ключевые идеи

• GCS-Q кластеризует активы напрямую по знаковым взвешенным графам корреляций.
• Этапы разбиения формулируются как задачи QUBO для квантового отжига.
• Метод динамически определяет число кластеров.
• По сообщению авторов, эксперименты на синтетических и реальных данных превосходят SPONGE и k-Medoids по указанным метрикам кластеризации.
• Документ не устанавливает влияние на доходность портфеля или результаты торговли.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.