Ủ nhiệt lượng tử để phân cụm mạng tương quan tài chính có dấu

Tóm tắt

Tài liệu mô tả việc dùng thuật toán tạo cấu trúc liên minh dựa trên đồ thị, GCS-Q, để phân cụm các tài sản được biểu diễn bằng đồ thị có trọng số và dấu của tương quan lợi nhuận. Động lực là các phương pháp phân cụm phổ biến có thể làm mất thông tin khi chuyển đổi tương quan có dấu và có thể yêu cầu chọn trước số cụm. Thay vào đó, GCS-Q biểu diễn các bước phân hoạch thành những bài toán tối ưu hóa nhị phân bậc hai không ràng buộc, có thể khảo sát bằng ủ nhiệt lượng tử.

Các tác giả đánh giá phương pháp trên dữ liệu tài chính tổng hợp và thực tế, rồi so sánh với SPONGE và k-Medoids. Họ báo cáo chất lượng phân cụm cao hơn theo chỉ số Rand điều chỉnh và các khoản phạt cân bằng cấu trúc, đồng thời phương pháp tự xác định số cụm một cách linh hoạt. Mô tả không nêu chi tiết tập dữ liệu, kết quả số, so sánh thời gian chạy hay thông tin về phần cứng và triển khai lượng tử. Mức cải thiện được báo cáo ủng hộ phương pháp này như một hướng nghiên cứu cho tối ưu hóa danh mục và kinh doanh chênh lệch giá thống kê, nhưng tự thân chúng không cho thấy phương pháp cải thiện kết quả giao dịch hay có tính thực tiễn ở mọi quy mô tập hợp tài sản.

Ý chính

• GCS-Q phân cụm tài sản trực tiếp từ đồ thị tương quan có trọng số và dấu.
• Các bước phân hoạch của phương pháp được biểu diễn thành bài toán QUBO để dùng với ủ nhiệt lượng tử.
• Phương pháp tự xác định số cụm một cách linh hoạt.
• Các thử nghiệm trên dữ liệu tổng hợp và thực tế được báo cáo là vượt SPONGE và k-Medoids theo những thước đo phân cụm đã nêu.
• Tài liệu không xác lập tác động đến lợi nhuận danh mục hay hiệu suất giao dịch.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.