دستخط شدہ مالیاتی باہمی تعلق نیٹ ورکس کی کلسٹرنگ کے لیے کوانٹم اینیلنگ

خلاصہ

دستاویز گراف پر مبنی کوالیشن اسٹرکچر جنریشن الگورتھم، GCS-Q، کے ذریعے منافع کے باہمی تعلقات کے دستخط شدہ، وزنی گراف کی صورت میں ظاہر کیے گئے اثاثوں کی کلسٹرنگ بیان کرتی ہے۔ اس کی وجہ یہ ہے کہ کلسٹرنگ کے عام طریقے دستخط شدہ باہمی تعلقات کو تبدیل کرتے وقت معلومات کھو سکتے ہیں اور کلسٹرز کی تعداد پہلے سے طے کرنے کا تقاضا کر سکتے ہیں۔ اس کے بجائے GCS-Q تقسیم کے مراحل کو غیر محدود کواڈریٹک بائنری آپٹیمائزیشن کے مسائل کی صورت میں پیش کرتا ہے، جنہیں کوانٹم اینیلنگ سے دریافت کیا جا سکتا ہے۔

مصنفین مصنوعی اور حقیقی دنیا کے مالیاتی ڈیٹا پر طریقے کا جائزہ لیتے اور اس کا موازنہ SPONGE اور کے-میڈوئڈز سے کرتے ہیں۔ وہ ایڈجسٹڈ رینڈ انڈیکس اور ساختی توازن کے جرمانوں کے لحاظ سے بہتر کلسٹرنگ معیار رپورٹ کرتے ہیں، جبکہ طریقہ کلسٹرز کی تعداد متحرک طور پر طے کرتا ہے۔ وضاحت میں ڈیٹاسیٹ کی خصوصیات، عددی نتائج، رن ٹائم کا موازنہ یا کوانٹم ہارڈویئر اور نفاذ کی تفصیلات نہیں ہیں۔ رپورٹ شدہ بہتریاں اس طریقے کو پورٹ فولیو آپٹیمائزیشن اور شماریاتی آربیٹریج کے لیے ایک تحقیقی سمت کی تائید کرتی ہیں، مگر بذاتِ خود یہ نہیں دکھاتیں کہ اس سے ٹریڈنگ کے نتائج بہتر ہوتے ہیں یا یہ ہر حجم کی اثاثہ کائنات میں عملی ہے۔

اہم خیالات

• GCS-Q دستخط شدہ، وزنی باہمی تعلق کے گراف سے براہِ راست اثاثوں کی کلسٹرنگ کرتا ہے۔
• کوانٹم اینیلنگ کے لیے اس کے تقسیم کے مراحل کو QUBO مسائل کے طور پر ظاہر کیا جاتا ہے۔
• یہ طریقہ کلسٹرز کی تعداد خود متعین کرتا ہے۔
• مصنوعی اور حقیقی دنیا کے ڈیٹا پر تجربات میں بیان کردہ کلسٹرنگ پیمانوں کے تحت SPONGE اور کے-میڈوئڈز سے بہتر نتائج رپورٹ ہوئے ہیں۔
• دستاویز پورٹ فولیو کے منافع یا ٹریڈنگ کی کارکردگی پر اثر ثابت نہیں کرتی۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔