⚛️ quantum physics

Toward Quantum Utility in Finance: A Robust Data-Driven Algorithm for Asset Clustering

تُثبت هذه الورقة أن خوارزمية توليد هيكل التحالف القائم على الرسم البياني (GCS-Q)، والتي تسخر التلدين الكمي لحل مشكلات التقسيم المصاغة في شكل QUBO، تتفوق على الطرق الكلاسيكية مثل SPONGE وk-Medoids في تجميع ارتباطات الأصول المالية الموقعة من خلال تحقيق جودة فائقة وتحديد أعداد العناقيد ديناميكيًا دون تحويلات فاقدة للمعلومات.

المؤلفون الأصليون: Shivam Sharma, Supreeth Mysore Venkatesh, Pushkin Kachroo

نُشر 2026-02-25

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Shivam Sharma, Supreeth Mysore Venkatesh, Pushkin Kachroo

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك طاهٍ يحاول ابتكار قائمة طعام مثالية ومتوازنة لمأدبة ضخمة. لديك 50 مكوناً مختلفاً (أسهم)، وهدفك هو تجميعها في أطباق (محافظ استثمارية) بحيث تتكامل النكهات مع بعضها البعض، ولكن دون أن يتصادم أي مكونين.

في عالم المال، يُسمى هذا تجميع الأصول (Asset Clustering). أنت تريد تجميع الأسهم التي تتحرك معاً (مثل الملح والفلفل) وفصل الأسهم التي تتحرك في اتجاهات متعاكسة (مثل الزيت والماء).

إليك المشكلة: الأدوات التقليدية التي يستخدمها الطهاة لفرز هذه المكونات هي أدوات خرقاء نوعاً ما. فهي غالباً ما تحاول وضع وتد مربع في ثقب مستدير.

الطريقة القديمة: "المترجم الفظ"

تقليدياً، تنظر الحواسيب إلى كيفية تحرك الأسهم معاً باستخدام مقياس من -1 (متعاكس) إلى +1 (متوافق).

العيب: الخوارزميات القديمة تكره الأرقام السالبة. إنها تعمل مثل مترجم يتحدث "الإيجابيات" فقط. لكي تجعل الرياضيات تعمل، تقوم بتحويل الأرقام السالبة (الأسهم المتعارضة) لتصبح مسافات موجبة.
التشبيه: تخيل محاولة تقسيم الناس إلى فرق بناءً على ما إذا كانوا يحبون بعضهم أو يكرهون بعضهم. الطريقة القديمة تقول: "حسناً، إذا كان شخصان يكرهان بعضهما، فلنتظاهر بأنهما 'بعيدان جداً عن بعضهما' بطريقة موجبة". هذا يفقدنا الدقة. الأمر يشبه القول بأن "الكره" هو مجرد نسخة أقوى من "الحب"، وهذا ليس صحيحاً.
التخمين: تتطلب هذه الطرق القديمة أيضاً منك تخمين عدد الفرق التي تحتاجها قبل البدء. إذا خمنت 5 فرق بينما البيانات تريد حقاً 7 فرق، فستكون قائمة طعامك غير متوازنة.

الطريقة الجديدة: "المحقق الكمي" (GCS-Q)

يقدم هذا البحث طريقة جديدة تسمى GCS-Q. فكر في هذا ليس كمترجم، بل كـ محقق كمي يمكنه رؤية الصورة الكاملة دفعة واحدة.

لا حاجة للترجمة: هذا المحقق ينظر إلى البيانات الخام مباشرة. إنه يفهم أن "الكره" (الارتباط السلبي) لا يقل أهمية عن "الحب" (الارتباط الإيجابي). إنه لا يجبر الأرقام على التغير؛ بل يعمل معها تماماً كما هي.
سحر "القطع": تخيل أن لديك كرة ضخمة من الخيوط حيث يتصل كل خيط بكل خيط آخر. مهمة المحقق هي قطع الخيوط لفصل المجموعات.
- يسأل المحقق سؤالاً فائق القوة: "أين هو أفضل مكان لإجراء القطع بحيث تكون الخيوط داخل المجموعات الجديدة قوية، والخيوط بين المجموعات ضعيفة؟"
- القيام بهذا رياضياً أمر صعب للغاية بالنسبة للحاسوب العادي (الأمر يشبه محاولة إيجاد القطع المثالي في عقدة متشابكة من 1000 خيط).
الملدن الكمي (Quantum Annealer): هنا يأتي الجزء "الكمي". بدلاً من فحص كل قطع ممكنة واحدة تلو الأخرى (وهو ما سيستغرق وقتاً طويلاً جداً)، يعمل الحاسوب الكمي مثل صاروخ موجه بالحرارة. إنه يستكشف ملايين القطع الممكنة في وقت واحد، باحثاً عن طريق المقاومة الأقل ليجد الفصل المثالي فوراً.

ماذا وجدوا؟

اختبر الباحثون هذا المحقق الجديد على شيئين:

بيانات وهمية: أنشأوا محاكاة مثالية لأسواق الأسهم. وجد المحقق الكمي المجموعات بشكل مثالي، بينما ارتبكت الطرق القديمة وخلطت بين الفرق.
بيانات حقيقية: استخدموا أسعار أسهم حقيقية من (Yahoo Finance) لـ 50 شركة مختلفة.
- النتيجة: أنشأ المحقق الكمي مجموعات كانت أكثر "توازناً". وهذا يعني في المصطلحات المالية أن المجموعات احتوت على صراعات داخلية أقل (أسهم تكره بعضها) وحدود أوضح بين المجموعات.

لماذا يهم هذا؟

إذا كنت مستثمراً، فأنت تريد محفظة لا تنهار فيها جميع أصولك في نفس الوقت.

الطريقة القديمة: قد تجمع سهمين معاً رغم أنهما في الواقع يكرهان بعضهما، ظناً منها أنهما "بعيدان عن بعضهما" بطريقة موجبة. هذا يؤدي إلى محفظة عالية المخاطر.
الطريقة الجديدة: تحدد بشكل صحيح أن هذين السهمين عدوان وتفصلهما في أطباق منفصلة. هذا يؤدي إلى محفظة أكثر أماناً وتنوعاً.

العقبة (والمستقبل)

في الوقت الحالي، هذا "المحقق الكمي" بطيء نوعاً ما لأنه يضطر للانتظار في طابور لاستخدام حاسوب كمي مشترك عبر السحابة (مثل انتظار طاولة في مطعم شهير جداً). يستغرق حوالي 10 دقائق لفرز 170 سهماً.

ومع ذلك، فإن البحث يثبت أن هذا يعمل. فهو يظهر أنه لأول مرة، يمكن للحواسيب الكمية حل مشكلة مالية حقيقية بشكل أفضل من أفضل حواسيبنا الكلاسيكية، دون الحاجة منا لتخمين الإجابات مسبقاً.

باختصار: لقد صنعوا أداة تسمح للحاسوب الكمي بفرز الأسهم بناءً على علاقاتها الحقيقية (الحب والكره) بدلاً من نسخة مبسطة منها، مما ينتج محافظ استثمارية أذكى وأكثر أماناً.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "نحو المنفعة الكمومية في التمويل: خوارزمية قوية قائمة على البيانات لتجميع الأصول".

1. بيان المشكلة

تتناول الورقة البحثية تحدي تجميع الأصول المالية بناءً على ارتباطات العوائد لتحسين بناء المحافظ الاستثمارية والمراجحة الإحصائية.

الصعوبة الجوهرية: تظهر الأصول المالية هياكل ارتباط موقعة معقدة (الارتباطات الإيجابية تشير إلى الحركة المشتركة، والارتباطات السلبية تشير إلى الارتباط العكسي).
قصور الطرق الكلاسيكية:
- التحويلات الفاقدة للمعلومات: تتطلب الخوارزميات التقليدية (مثل k-Means، وk-Medoids، والتجميع الهرمي) تحويل الارتباطات الموقعة ( $\rho \in [-1, 1]$ ) إلى مسافات غير سالبة. هذا التحويل (على سبيل المثال، $d_{ij} = \sqrt{\alpha(1-\rho_{ij})}$ ) يدمر الدقة الدلالية؛ فعلى سبيل المثال، يتم رسم الارتباط الصفري كمسافة ثابتة غير صفرية، مما يسيء تمثيل البيانات.
- انحراف المركز (Centroid Deviation): تعمل الطرق القائمة على المراكز على تقليل المسافة إلى المركز بدلاً من تعظيم الارتباطات داخل المجموعة الواحدة وتقليل الارتباطات بين المجموعات.
- الحساسية للمعلمات الفائقة (Hyperparameter Sensitivity): تتطلب الطرق الكلاسيكية ضبطاً يدوياً لعدد المجموعات ( $k$ )، أو استراتيجيات التهيئة، أو عتبات الدمج، وهي أمور لا يمكن تعميمها عبر مجموعات بيانات مختلفة.
- القيود الطيفية: بينما تتعامل الطرق الطيفية مثل SPONGE مع الرسوم البيانية الموقعة، إلا أنها تعمل بشكل أفضل على الرسوم البيانية المتفرقة ذات الأوزان المنفصلة، وهي ظروف نادراً ما تتحقق في البيانات المالية الكثيفة.
السياق الكمومي: غالباً ما كانت المحاولات الكمومية السابقة تصيغ التجميع كمسألة "الكلِقة القصوى" (Maximum Clique)، مما يتطلب متغيرات ثنائية مفرطة تتجاوز قدرات الأجهزة الكمومية الحالية.

2. المنهجية: خوارزمية GCS-Q

يقترح المؤلفون خوارزمية GCS-Q (توليد هيكل الائتلاف القائم على الرسم البياني)، وهي خوارزمية هجينة كمومية-كلاسيكية مصمما للعمل مباشرة على الرسوم البيانية الموقعة والموزونة دون تحويلات فاقدة للمعلومات.

صياغة الرسم البياني:
- الأصول هي العقد ( $V$ )؛ وأوزان معامل ارتباط بيرسون الزوجي هي أوزان الحواف ( $w_{ij} = \rho_{ij} \in [-1, 1]$ ).
- الهدف: إيجاد تقسيم $\Pi = \{C_1, \dots, C_k\}$ يعظم مجموع أوزان الحواف داخل المجموعات:
  $\max_{\Pi} \sum_{C \in \Pi} \sum_{i,j \in C, i<j} w_{ij}$
- وهذا يجمع طبيعياً الأصول ذات الارتباط الإيجابي ويفصل الأصول ذات الارتباط السلبي.
العملية التكرارية:
1. التهيئة: البدء بالرسم البياني الكامل $G_0 = G$ .
2. القطع الأدنى (Minimum Cut): حساب القطع الأدنى $(S_t, \bar{S}_t)$ بشكل تكراري على الرسم البياني الفرعي الحالي. هذه الخطوة هي مسألة صعبة (NP-Hard).
3. التقسيم المتكرر: يتم تقسيم الرسم البياني إلى رسوم بيانية فرعية مستحثة بواسطة $S_t$ و $\bar{S}_t$ . وتتم إزالة الحواف المقطوعة.
4. معيار التوقف: تتوقف العملية التكرارية عندما لا يوجد قطع موجود بقيمة أقل من مجموع جميع الحواف في الرسم البياني الفرعي. هذا يحدد $k$ ديناميكياً، مما يلغي الحاجة إلى الضبط اليدوي.
التنفيذ الكمومي:
- يتم صياغة مسألة القطع الأدنى الفرعية كمسألة تحسين ثنائي تربيعي غير مقيد (QUBO).
- يتم حلها باستخدام المُلدن الكمومي D-Wave (نظام Advantage_system5.4)، والذي يستكشف فضاء الحلول الضخم أسياً بكفاءة أكبر من الحلول الكلاسيكية لهذه المسألة التوافقية المحددة.
- سير العمل هجين: المنطق التكراري يعمل على وحدة المعالجة المركزية (CPU) الكلاسيكية، بينما يتم إرسال حل QUBO إلى المُلدن الكمومي.

3. المساهمات الرئيسية

المعالجة المباشرة للرسوم البيانية الموقعة: تعد GCS-Q أول خوارزمية كمومية تطبق التجميع على الأصول دون تحويل الارتباطات الموقعة إلى مسافات غير سالبة، مما يحافظ على البنية العلاقاتية الحقيقية للبيانات المالية.
التحديد الديناميكي للمجموعات: تستنتج الخوارزمية تلقائياً العدد الأمثل للمجموعات ( $k$ ) بناءً على التوازن الهيكلي للرسم البياني، مما يلغي الحاجة إلى ضبط المعلمات الاستدلالي (مثل طريقة الكوع/elbow method).
إثبات المنفعة الكمومية: تقدم الورقة دليلاً تجريبياً على المنفعة الكمومية في جودة الحل (وليس السرعة فقط) باستخدام أجهزة كمومية حقيقية (D-Wave) لتطبيق مالي عملي.
القوة والمتانة تجاه البيانات الواقعية: على عكس الطرق الطيفية السابقة التي تتطلب رسوماً بيانية متفرقة أو منفصلة، تتعامل GCS-Q مع رسوم بيانية كثيفة ذات أوزان مستمرة وأحجام مجموعات متباينة.

4. النتائج التجريبية

قام المؤلفون بمقارنة GCS-Q مع SPONGE (ونظيره المتماثل) و k-Medoids (PAM) باستخدام مجموعتي بيانات:

البيانات الاصطناعية:
- الإعداد: رسوم بيانية موقعة متوازنة هيكلياً ذات أوزان مستمرة وأحجام مجموعات غير موحدة (تحاكي الأسواق المالية).
- المقياس: مؤشر راند المعدل (Adjusted Rand Index - ARI).
- النتيجة: حققت GCS-Q باستمرار درجات ARI أعلى من النماذج الكلاسيكية المرجعية. أدى PAM أداءً ضعيفاً بسبب مشاكل تحويل المسافة، بينما تدهورت SPONGE بسبب اعتمادها على التفرقة والأوزان المنفصلة.
البيانات الواقعية (Yahoo Finance):
- الإعداد: عوائد ساعية لـ 50 أصلاً عبر قطاعات متنوعة (يناير زانو 2025).
- المقياس: مقياس الجزاء (Penalty Metric)، الذي يعاقب الارتباطات الداخلية السلبية والارتباطات الخارجية الإيجية (الأقل هو الأفضل).
- النتيجة: حققت GCS-Q أدنى جزاء، مما يشير إلى توازن هيكلي متفوق. وهذا يعني أن المجموعات متماسكة داخلياً (جيد للارتداد إلى المتوسط) ومتميزة خارجياً (جيد للتنويع).
ملاحظة حول الأداء: بينما يحل المُلدن الكمومي مسائل QUBO الفردية بسرعة (بحد أقصى ثانية واحدة)، استغرق وقت التشغيل الإجمالي لـ $N=170$ أصلاً حوالي 10 دقائق بسبب زمن انتقال السحابة ووقت الانتظار. ومع ذلك، كان التركيز على جودة الحل، حيث تفوقت GCS-Q على الطرق الكلاسيكية.

5. الأهمية والتوجهات المستقبلية

المنفعة الكمومية العملية: يمثل هذا العمل خطوة ملموسة نحو "المنفعة الكمومية" في التمويل، حيث يثبت أن المُلدنات الكمومية القريبة من الآن يمكنها حل مهام تعلم غير مُشرف محددة وعالية القيمة بشكل أفضل من الاستدلالات الكلاسيكية.
تحسين المحفظة الاستثمارية: من خلال إنتاج مجموعات متوازنة هيكلياً، تتيح GCS-Q تنويعاً أكثر فعالية للأصول وإدارة أفضل للمخاطر، مما يدعم مباشرة إطار ماركويتز لتباين العائد (Mean-Variance).
العمل المستقبلي:
- تطبيق المجموعات على مهام لاحقة مثل تخصيص الأصول وتقييم الأداء عبر نسبة شارب (Sharpe Ratio).
- الاستفادة من الأجهزة من الجيل التالي (مثل طوبولوجيا Zephyr من D-Wave) لتحسين الاتصال.
- استكشاف حلول النموذج البوابي (Gate-model) مثل QAOA والتمثيلات الهجينة.
- المقارنة مع المحسنات التوافقية الكلاسيكية (Gurova, CPLEX).

في الختام، تؤسس الورقة البحثية بأن GCS-Q هي خوارزمية قوية قائمة على البيانات تتغلب على قيود التجميع الكلاسيكي على الرسوم البيانية الموقعة، وتوفر ميزة كمومية ملموسة في تجميع الأصول المالية.