🤖 machine learning

Hybrid Quantum-Classical Ridgelet Neural Networks for Portfolio Optimization

تقترح هذه الورقة إطار عمل هجينًا كميًا-كلاسيكيًا يستخدم شبكة ريديليت عصبية كمية (QRNN) لاستخراج ميزات متعددة الدقة من البيانات الزمنية المالية، والتي يتم تحسينها بعد ذلك لاختيار الأصول باستخدام خوارزمية التقريب الكمي للتحسين (QAOA) لحل مسألة محفظة التباين المتوسط.

المؤلفون الأصليون: Bahadur Yadav, Sanjay Kumar Mohanty

نُشر 2026-04-30

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Bahadur Yadav, Sanjay Kumar Mohanty

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 تحاول بناء محفظة استثمارية مثالية. لديك قائمة ضخمة من الأسهم للاختيار من بينها، ولكن يمكنك فقط اختيار عدد قليل منها. التحدي مزدوج: أولاً، تحتاج إلى تخمين الأسهم التي سترتفع في المستقبل (التنبؤ)، وثانياً، تحتاج إلى اختيار أفضل تركيبة توازن بين العوائد المرتفعة والمخاطر المنخفضة (التحسين).

تقدم هذه الورقة أداة جديدة تسمى الشبكة العصبية "ريدجليت" الهجينة الكمومية-الكلاسيكية (QRNN) لحل هاتين المشكلتين. إليك كيف تعمل، مقسمة إلى مفاهيم وأمثلة توضية بسيطة.

1. عدسة الـ "ريدجليت" (Ridgelet): رؤية الأنماط الخفية

الأسواق المالية فوضوية، مثل محيط هائج بأمواج من جميع الأحجام. الأدوات التقليدية غالباً ما ترتبك بسبب الضجيج.

المثال التوضيحي: تخيل أنك تنظر إلى لوحة معقدة. الكاميرا العادية ترى الصورة بأكملها دفعة واحدة. أما تحويل "ريدجليت" (Ridgelet transform) فهو بمثابة نظارات خاصة تفكك اللوحة إلى "حواف" أو خطوط محددة. يمكن لهذه النظارات رؤية كل من المنحنيات الواسعة الكبيرة (الاتجاهات العالمية) والتفاصيل الصغيرة والمتعرجة (القفزات المحلية) في آن واحد.
ما تفعله الورقة: يستخدم المؤلفون تقنية "الريدجليت" هذه لتنقية بيانات الأسهم، وفصل الاتجاهات المهمة عن الضجيج قبل تغذيتها في نموذج الحاسوب الخاص بهم.

2. العقل الكمومي: طريقة جديدة للحساب

بمجرد تنقية البيانات، يحتاج النموذج إلى التنبؤ بالأسعار المستقبلية. وبدلاً من استخدام حاسوب تقليدي، يستخدمون شبكة عصبية كمومية.

المثال التوضيحي: فكر في الحاسوب الكلاسيكي كأنه أمين مكتبة يفحص الكتب واحداً تلو الآخر على الرف. أما الحاسوب الكمومي فهو مثل أمين مكتبة يمكنه النظر إلى جميع الكتب الموجودة على الرف في الوقت نفسه، بفضل خاصية سحرية تسمى "التراكب" (Superposition).
الآلية: يأخذ النموذج بيانات الأسهم المنقاة ويقوم بتشفيرها في "كيوبتات" (qubits - بتات كمومية). ثم يستخدم نوعاً معيناً من الدوائر الكمومية (حلقة من البوابات المنطقية) لمعالجة هذه المعلومات. وتدعي الورقة أن هذا النهج الكمومي أفضل بكثير في رصد الأنماط المعقدة وغير الخطية في أسعار الأسهم مقارنة بنماذج الذكاء الاصطناعي القياسية مثل LSTMs أو Transformers.

3. "محسن المحفظة": اختيار الفائزين

بعد أن يتنبأ "العقل الكمومي" بالأسهم التي سيكون أداؤها جيداً، يبدأ الجزء الثاني من النظام في العمل: تحسين المحفظة الاستثمارية.

المثال التوضيحي: تخيل أن لديك سلة وقاعدة تنص على أنه لا يمكنك حمل أكثر من 5 عناصر بالضبط. تريد أن تكون السلة ذات قيمة عالية قدر الإمكان دون أن تكون ثقيلة جداً (عالية المخاطر).
الأداة: يستخدمون خوارزمية تسمى QAOA (خوارزمية التحسين التقريبي الكمومي). اعتبر QAOA بمثابة روبوت فائق الذكاء يختبر فوراً ملايين التشكيلات المختلفة من 5 أسهم ليجد المزيج المثالي الوحيد الذي يعظم الربح مع تقليل احتمالية خسارة المال. إنه يحول المشكلة إلى لغز رياضي (QUBO) يقوم الحاسوب الكمومي بحله بكفاءة.

4. التعامل مع "الضجيج الكمومي" (التشويش على الخط)

الحواسيب الكمومية الحقيقية حساسة للغاية في الوقت الحالي؛ فهي تشبه أجهزة الراديو التي تلتقط تشويشاً (ضجيجاً) يفسد الإشارة.

التجربة: اختبر المؤلفون نموذجهم في ثلاثة سيناريوهات:
1. العالم المثالي: لا يوجد ضجيج (مثالي).
2. العالم المليء بالضجيج: الإشارة مليئة بالتشويش (انقلابات البتات وانقلابات الطور).
3. تصحيح الخطأ: حاولوا إصلاح التشويش باستخدام "تصحيح الخطأ" (مثل سماعات إلغاء الضجيج للبيانات الكمومية).
النتيجة: كما هو متوقع، جعل الضجيج النموذج أسوأ. ومع ذلك، وجدوا أن نهج "التصحيح الجزئي للخطأ" كان هو النقطة المثالية؛ فقد أصلح ما يكفي من الأخطاء لجعل النموذج مستقراً دون جعل الحاسوب بطيئاً أو معقداً للغاية. لقد كان توازناً بين الدقة والكفاءة.

5. النتائج: هل نجح الأمر؟

اختبر الفريق نظامهم على بيانات تاريخية حقيقية لـ 12 شركة كبرى (مثل أبل، تسلا، وأمازون) على مدار 10 سنوات.

المقارنة: وضعوا نموذج "الريدجليت الكمومي" في مواجهة نماذج ذكاء اصطناعي قياسية (مثل LSTMs) ونماذج كمومية أخرى.
النتيجة: فاز نموذج QRNN. فقد ارتكب أخطاء أقل (معدلات خطأ منخفضة) في التنبؤ بأسعار الأسهم مقارنة بالنماذج الأخرى. وعندما استخدموا هذه التنبؤات لبناء محفظة مكونة من 5 أسهم، أنتجت طريقتهم "نسبة شارب" (Sharpe Ratio) أفضل (وهي مقياس لمقدار الربح الذي تحصل عليه مقابل المخاطرة التي تتحملها) مقارنة بالاختيار العشوائي أو استراتيجيات "اختر أفضل 5" البسيطة.

الملخص

تقترح الورقة نظاماً هجيناً من خطوتين:

الشبكة العصبية "ريدجليت" الكمومية: تستخدم الفيزياء الكمومية والرياضيات الخاصة (الريدجليت) للتنبؤ بأسعار الأسهم بدقة أكبر من الذكاء الاصطناعي الحالي.
محسن QAOA: يستخدم الحوسبة الكمومية لاختيار أفضل مجموعة من الأسهم للشراء.

يقر المؤلفون أنه بينما يعمل النموذج بشكل رائع في عمليات المحاكاة، فإن تشغيله على حواسيب كمومية حقيقية واسعة النطاق أمر صعب حالياً لأن "الضجيج" ومتطلبات الذاكرة تزداد بشكل أسّي مع إضافة المزيد من الكيوبتات. ومع ذلك، بالنسبة للبيانات التي اختبروها، أثبت هذا النهج الجديد أنه أكثر دقة وموثوقية من الطرق الحالية.

إليك ملخص تقني مفصل لورقة البحث بعنوان "الشبكة العصبية للريدجليت الهجينة بين الكمي والكلاسيكي لتحسين المحفظة الاستثمارية" من إعداد بادور ياداف وسانجاي كومار موهانتي.

1. بيان المشكلة

تتناول الورقة تحديين أساسيين في التمويل الكمي:

التنبؤ بالسلاسل الزمنية المالية: التنبؤ بعوائد الأسهم أمر صعب بسبب الطبيعة غير الخطية، والفوضوية، والمتقلبة للأسواق المالية. غالبًا ما تفشل النماذج الإحصائية التقليدية (ARIMA، GARCH) في التقاط الأنماط المعقدة، بينما تعاني نماذج التعلم العميق القياسية (LSTM، Transformers) من مشاكل في التفسير، والإفراط في التخصيص (Overfitting)، والقدرة على التقاط التفردات الاتجاهية.
تحسين المحفظة الاستثمارية: اختيار مجموعة فرعية مثلى من الأصول من مجموعة واسعة لتعظيم العوائد مع تقليل المخاطر هو مسألة تحسين توافقية (Combinatorial Optimization). حل هذه المسألة تحت قيود الكاردينالية (اختيار عدد ثابت من الأصول) يعد مسألة صعبة حاسوبيًا (NP-hard) بالنسبة للحواسيب الكلاسيكية، حيث تتوسع مساحة البحث بشكل أسي.

يقترح المؤلفون إطار عمل هجينًا بين الكمي والكلاسيكي يستفيد من القدرة التعبيرية للحوسبة الكمية لاستخراج الميزات والتحسين، والمصمم خصيصًا للتعامل مع عدم الخطية في البيانات المالية.

2. المنهجية

يتكون إطار العمل المقترح من وحدتين متكاملتين: شبكة عصبية للريدجليت الكمية (QRNN) للتنبؤ، وخوارزمية التقريب الكمي للتحسين (QAOA) لاختيار المحفظة.

أ. الشبكة العصبية للريدجليت الكمية (QRNN)

تم تصميم QRNN للتنبؤ بعوائد الأصول من خلال دمج تحويلات الريدجليت (Ridgelet transforms) مع الدوائر الكمية ذات المعلمات (PQCs).

تحويل الريدجليت: على عكس الموجات التقليدية (Wavelets)، تتميز تحويلات الريدجليت بالحساسية تجاه التفردات والمعلومات الاتجاهية في البيانات. فهي تقوم بتفكيك بيانات السلاسل الزمنية إلى مكونات متعددة الدقة، مما يلتقط الاتجاهات المحلية والعالمية معًا.
الترميز الكمي: يتم ترميز البيانات المدخلة الكلاسيكية إلى حالات كمية باستخدام بوابات دوران $R_y(\theta)$ عبر ترميز الزاوية (Angle encoding).
صياغة الكيوبت الواحد: أثبت المؤلفون رياضيًا أن تسلسل الدورات الكمية المدفوعة بدوال الريدجليت ينهار في دوران فعال واحد. قيمة التوقع لمؤثر "بولي-Z" ( $\langle Z \rangle$ ) ترتبط بدالة غير خطية لمخرج الريدجليت الكلاسيكي: $\cos(2g_J(x))$ . وهذا يخلق نظيرًا كميًا للخلية العصبية غير الخطية.
التوسع متعدد الكيوبتات: تم تعميم النموذج على أنظمة $n$ -qubit للتعامل مع فضاءات الميزات عالية الأبعاد، باستخدام نواتج الضرب التنسوري لحالات الكيوبت الواحد.
البنية: تتضمن سلسلة العمليات: استخراج ميزات الريدجليت $\leftarrow$ رسم خرائط خطي إلى فضاء الكيوبت $\leftarrow$ دائرة كمية متغيرة (VQC) مع بوابات تشابك $\leftarrow$ القياس $\leftarrow$ معالجة كلاسيكية لاحقة.

ب. تحسين المحفظة القائم على QAOA

بمجرد أن تتنبأ QRNN بالعوائد المتوقعة ( $\hat{\mu}$ )، يتم صياغة مسألة اختيار المحفظة كمسألة تحسين ثنائي غير مقيد تربيعي (QUBO).

الهدف: تقليل تباين المحفظة مع تعظيم العائد المتوقع، مع مراعاة قيد الكاردينالية ( $K$ من الأصول).
صياغة QUBO: يتم تحويل المسألة المقيدة إلى شكل غير مقيد عن طريق إضافة حد عقوبة تربيعي لقيد الكاردينالية:
$Q(x) = -\hat{\mu}^T x + x^T \Sigma x + P \left( \sum x_i - K \right)^2$
حلل QAOA: يتم إسقاط مسألة QUBO على هاميلتوني آيزينغ ( $H_C$ ). تقوم خوارزمية QAOA بإعداد حالة كمية متغيرة $|\psi(\gamma, \beta)\rangle$ باستخدام وحدات تكلفة وخلاط متبادلة. تقوم المحسنات الكلاسيكية بضبط المعلمات $\gamma$ و $\beta$ لتقليل الطاقة المتوقعة، مما ينتج عنه متجه المحفظة الثنائي الأمثل $x^*$ .

ج. تحليل الضجيج وتصحيح الخطأ

لتقييم المتانة، قام المؤلفون بمحاكاة النموذج تحت ثلاثة ظروف:

النموذج المليء بالضجيج: يتضمن قنوات قلب البت (bit-flip)، وقلب الطور (phase-flip)، والانتشار (depolarizing).
تصحيح الخطأ الكمي الكامل (Full QEC): باستخدام كود تكرار مكون من 3 كيوبتات لترميز الكيوبتات المنطقية.
تصحيح الخطأ الكمي الجزئي (Partial QEC): تطبيق تصحيح الخطأ فقط على أجزاء محددة من الدائرة لموازنة التعقيد والاستقرار.

3. المساهمات الرئيسية

بنية QRNN مبتكرة: تقديم نموذج هجين يجمع بين تحويلات الريدجليت والدوائر الكمية ذات المعلمات، مما يسمح بتمثيل فعال لتعلم الميزات من الأنماط الاتجاهية في البيانات المالية.
الصياغة النظرية: اشتقاق رياضي دقيق يوسع QRNN من نظام الكيوبت الواحد إلى أنظمة متعددة الكيوبتات، مما يثبت التكافؤ بين مخرج الدائرة الكمية وتوسع الريدجليت الكلاسيكي.
إطار عمل متكامل للتحسين: مسار سلس حيث تغذي تنبؤات QRNN مباشرة محسن المحفظة القائم على QAOA، مما يحل مسألة اختيار الأصول في صيغة QUBO.
تحليل المتانة: تقييم شامل للنموذج تحت ظروف ضجيج واقعية، مما يوضح أن تصحيح الخطأ الجزئي (Partial QEC) يوفر أفضل مقايضة بين الدقة والتعقيد الحسابي مقارنة بالتصحيح الكامل أو عدم وجود تصحيح.
التحقق التجريبي: اختبار مكثف على بيانات مالية حقيقية (12 سهمًا، 2010–2019) باستخدام مجموعات GPU من نوع NVIDIA H100 NVL للتحليل عالي الأداء.

4. النتائج التجريبية

تم اختبار النموذج مقابل النماذج الكلاسيكية المرجعية (LSTM, GRU, Transformer, CRNN) والنماذج الكمية المرجعية (QLSTM, QGRU, QTransformer).

دقة التنبؤ:
- حققت QRNN أدنى قيم لـ RMSE و MAE في كل من مرحلتي التدريب والاختبار.
- نتائج متعددة الكيوبتات: بلغت قيمة RMSE في مرحلة الاختبار لـ QRNN مقدار 0.0293، وهي تتفوق بشكل كبير على CRNN (0.0862)، و LSTM (0.2149)، والأساسات الكمية مثل QLSTM (0.1482).
- أظهر النموذج قدرة فائقة على التعميم عبر قطاعات متنوعة (التكنولوجيا، السيارات، الطاقة).
المقاومة للضجيج:
- أدى الضجيج إلى زيادة معدلات الخطأ بشكل كبير (على سبيل المثال، ارتفع RMSE من 0.071 إلى 0.298 في سيناريوهات الكيوبت الواحد).
- قلل تصحيح الخطأ الجزئي (Partial QEC) الأخطاء بفعالية (RMSE ~0.217) مع تعقيد أقل في الدائرة مقارنة بالتصحيح الكامل، الذي أظهر مكاسب طفيفة ولكن بتعقيد أعلى.
أداء المحفظة:
- حققت استراتيجية QRNN-QAOA نسبة شارب (Sharpe Ratio) بلغت 0.9281، متفوقة على Top-K (0.6311)، والوزن المتساوي (0.4632)، والاختيار العشوائي (0.1293).
- حافظت على توافق وثيق بين العوائد المتوقعة والحقيقية وأظهرت تباينًا أقل بكثير.

5. الأهمية والقيود

الأهمية:

قدرة تنبؤية فائقة: دمج تحويلات الريدجليت مع التشابك الكمي يسمح للنموذج بالتقاط اللاخطية المعقدة والاتجاهات الاتجاهية التي قد تفوتها نماذج التعلم العميق الكلاسيكية.
قابلية توسع التحسين: من خلال تحويل اختيار المحفظة إلى QUBO وحله باستخدام QAOA، يوفر هذا النهج مسارًا محتملاً لحل المسائل المالية التوافقية التي تستعصي على الحلول الكلاسيكية عند التوسع.
الجدوى العملية: تقدم الدراسة تقييمًا واقعيًا للمزايا الكمية في عصر NISQ (الكمي متوسط الحجم ذو الضجيج)، مما يسلط الضو على ضرورة استراتيجيات تخفيف الخطأ مثل Partial QEC.

القيود:

التعقيد الحسابي: محاكاة الحالات الكمية (خاصة مع تصحيح الخطأ) تتوسع بشكل أسي ( $4^n$ لمصفوفات الكثافة). لاحظ المؤلفون أن التوسع لما بعد 3 كيوبتات منطقية (9 كيوبتات فيزيائية) أدى إلى استنفاد ذاكرة وحدة معالجة الرسومات (Oism OOM) بسبب حجم مصفوفة الكثافة.
المحاكاة مقابل الأجهزة الحقيقية: تعتمد النتائج على محاكاة عالية الدقة على وحدات GPU كلاسيكية، وليس على أجهزة كمية فعلية، رغم أن نماذج الضجيج تحاكي العيوب الواقعية للأجهزة.
ديناميكيات التدريب: يؤدي زيادة عدد الكيوبتات إلى تحديات مثل تلاشي التدرج (vanishing gradients) وتراكم الضجيج، مما يجعل التدريب صعبًا للأنظمة واسعة النطاق.

الخاتية

تقدم هذه الورقة إطار عمل هجينًا قويًا ومؤسسًا نظريًا نجح في الاستفادة من الحوسبة الكمية للتنبؤ المالي وتحسين المحفظة. ومن خلال الجمع بين قدرات استخراج الميزات لتحويلات الريدجليت وقوة التحسين لـ QAOA، أظهر نموذج QRNN دقة وعوائد معدلة حسب المخاطر تتفوق على نماذج التعلم العميق الكلاسيكية والكمية الحديثة. وتؤكد الدراسة أنه بينما يظل الضجيج عقبة كبيرة، فإن التخفيف الاستراتيجي للخطأ (Partial QEC) يمكن أن يجعل هذه النماذج الهجينة قابلة للتطبيق في التطبيقات المالية الواقعية.