💰 quantitative finance

A quantum unstructured search algorithm for discrete optimisation: the use case of portfolio optimisation

Dieses Paper schlägt QSERA vor, einen unstrukturierten Quanten-Suchalgorithmus, der den Grover-Algorithmus nutzt, um Extrema oder Nullstellen diskreter Funktionen mit einer quadratischen Beschleunigung zu finden, und demonstriert dessen Anwendung in der Portfoliooptimierung durch die Handhabung höherwertiger Zielfunktionen jenseits des Standard-QUBO-Frameworks.

Ursprüngliche Autoren: Titos Matsakos, Adrian Lomas

Veröffentlicht 2026-01-22

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Titos Matsakos, Adrian Lomas

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein Finanzmanager, der versucht, das perfekte Investmentportfolio aufzubauen. Sie haben eine riesige Liste mit Tausenden von Aktien und Anleihen und müssen einige wenige davon auswählen, die Ihnen die beste Rendite bei dem geringsten Risiko bieten.

In der Welt der Mathematik ist dies ein „kombinatorisches Optimierungsproblem“. Es ist wie der Versuch, eine einzige, perfekte Kombination von Zutaten aus einem Rezeptbuch zu finden, das mehr Rezepte enthält, als es Sandkörner auf der Erde gibt. Ein normaler Computer müsste diese Rezepte nacheinander prüfen, was ewig dauern würde.

Dieses Paper stellt einen neuen „Quanten-Rezeptfinder“ namens QSERA (Quantum Search for Extrema and Roots Algorithm) vor. So funktioniert er, unter Verwendung einfacher Analogien:

1. Das Problem: Die Suche nach der Nadel im Heuhaufen

Stellen Sie sich vor, Sie haben eine riesige, unsortierte Liste von 16 verschiedenen Investmentportfolios (in dem Beispiel des Papers). Sie möchten dasjenige finden, das einem spezifischen „Goldlöckchen“-Ziel am nächsten kommt (nicht zu riskant, nicht zu sicher, genau richtig).

Der klassische Weg: Ein gewöhnlicher Computer ist wie eine Person, die durch eine dunkle Bibliothek geht, ein Buch herausnimmt, prüft, ob es das richtige ist, es wieder zurücklegt, falls es falsch ist, und zum nächsten übergeht. Wenn es 1 600 Bücher gibt, müssen Sie im Durchschnitt 8 von ihnen prüfen. Wenn es eine Million Bücher sind, müssen Sie vielleicht eine halbe Million prüfen.
Der Quantenweg: Das Paper schlägt vor, einen Quantencomputer zu verwenden, der wie eine magische Taschenlampe ist, die alle Bücher gleichzeitig beleuchten kann. Er prüft sie nicht nur; er nutzt einen speziellen Trick, um das „richtige“ Buch heller leuchten zu lassen und die „falschen“ Bücher verblassen zu lassen.

2. Der magische Trick: Das „Oracle“

Der Kern dieses neuen Algorithmus ist ein zweistufiger Prozess, um ein komplexes mathematisches Problem in eine einfache „Ja/Nein“-Frage für den Quantencomputer zu verwandeln.

Schritt A: Die Übersetzung (Die Rezeptkarte)
Die Zielfunktion (die komplexe mathematische Formel zur Berechnung von Risiko und Rendite) ist wie ein kompliziertes Rezept. Der Algorithmus übersetzt dieses Rezept zuerst in eine einfachere „Bewertungskarte“.

Er nimmt die komplexe Formel und skaliert sie so um, dass die „perfekte“ Antwort eine Punktzahl von 1 erhält und alles andere eine Punktzahl zwischen 0 und 1 bekommt.
Man kann sich das so vorstellen, als würde man einen komplexen Geschmackstest in einen einfachen Lichtschalter verwandeln: Das perfekte Portfolio schaltet das Licht AN (1), und alles andere ist gedimmt oder AUS (0).

Schritt B: Die Verstärkung (Grover-Algorithmus)
Sobald das „perfekte“ Portfolio mit einer „1“ (oder einem Lichtschalter) markiert ist, verwendet der Algorithmus eine berühmte Quantentechnik namens Grover-Algorithmus.

Stellen Sie sich vor, Sie sind in einem Raum mit 16 Personen und nur eine trägt einen roten Hut (die Lösung).
Der Algorithmus führt eine Reihe von „Reflektionen“ oder „Echos“ durch. Mit jedem Echo wird die Person mit dem roten Hut etwas lauter, und alle anderen werden etwas leiser.
Nach einer bestimmten Anzahl von Echos (die viel weniger ist, als wenn man jeden einzeln prüfen würde) ist die Person mit dem roten Hut so laut, dass sie, wenn man den Raum bitten würde zu schreien, fast sicher diese Person ist.

3. Warum dies besonders ist

Das Paper hebt einige Schlüsselergebnisse hervor:

Es bewältigt komplexe Rezepte: Die meisten aktuellen Quantenmethoden können nur „einfache“ Rezepte handhaben (mathematisch gesehen quadratische Gleichungen). Diese neue Methode, QSERA, kann „komplexe“ Rezepte mit vielen interagierenden Zutaten (höherwertige Terme) handhaben. Es ist, als wäre man in der Lage, einen Kuchen mit 10 verschiedenen interagierenden Gewürzen zu backen, anstatt nur Zucker und Mehl zu verwenden.
Es ist schnell: Während ein klassischer Computer Artikel nacheinander prüfen muss (was eine Zeit proportional zur Anzahl der Artikel beansprucht), findet diese Quantenmethode die Antwort viel schneller (proportional zur Quadratwurzel der Anzahl der Artikel). Wenn Sie 10.000 Optionen haben, muss ein klassischer Computer vielleicht 5.000 prüfen, aber diese Quantenmethode benötigt nur etwa 100 Prüfungen.
Es ist fehlertolerant: Das Paper stellt fest, dass man nicht immer die exakte perfekte Antwort im Voraus kennen muss. Selbst wenn man nur eine grobe Schätzung dessen hat, was die „beste“ Punktzahl sein sollte, kann der Algorithmus immer noch eine sehr gute Antwort finden, auch wenn er den „Echo“-Prozess vielleicht ein paar Mal durchlaufen muss, um sicherzugehen.

4. Der Praxistest

Um zu beweisen, dass es funktioniert, haben die Autoren eine Simulation mit einem kleinen Portfolio aus nur 4 Vermögenswerten durchgeführt.

Sie legten ein Ziel fest (ein spezifisches Risiko und eine spezifische Rendite).
Sie bauten einen Quantenschaltkreis (einen Bauplan für den Quantencomputer), der die Mathematik in das „Lichtschalter“-Signal übersetzt.
Sie ließen den Algorithmus laufen.
Das Ergebnis: Der Quantencomputer identifizierte erfolgreich das Portfolio, das dem Ziel am nächsten kam, und gab ihm die höchste Wahrscheinlichkeit, „gemessen“ (gefunden) zu werden.

Der Haken

Das Paper ist ehrlich über die Einschränkungen. Um den „Lichtschalter“ perfekt zu machen, müssen Sie idealerweise die absolut beste und die schlechteste mögliche Punktzahl im Voraus kennen. Wenn Sie diese nicht genau kennen, müssen Sie raten. Wenn Ihre Schätzung ein wenig daneben liegt, leuchtet das „perfekte“ Licht vielleicht nicht so hell wie es sollte, und Sie müssen den Suchvorgang vielleicht ein paar Mal durchführen, um sicherzugehen, dass Sie die absolut beste Option gefunden haben.

Zusammenfassend lässt sich sagen: Das Paper schlägt ein neues Quantenwerkzeug vor, das komplexe Finanzmathematik in ein einfaches „Finde den Gewinner“-Spiel verwandelt. Es nutzt Quantenmagie, um die richtige Antwort zu verstärken, wodurch wir schwierige Investment-Rätsel viel schneller lösen können, als wir es mit traditionellen Computern könnten, selbst wenn die Mathematik sehr kompliziert wird.

Technische Zusammenfassung: Ein unstrukturierter Quanten-Suchalgorithmus für die diskrete Optimierung

Problemstellung
Die Arbeit befasst sich mit der Herausforderung, diskrete Optimierungsprobleme zu lösen, insbesondere die kombinatorische Optimierung, bei denen Variablen binär sind und Ableitungen nicht definiert werden können. Während gradientenbasierte Methoden für kontinuierliche Variablen effektiv sind, versagen sie in diskreten Räumen, die oft NP-hart sind. Bestehende Quantenansätze, wie das Framework der quadratischen unbeschränkten binären Optimierung (QUBO), sind auf Zielfunktionen beschränkt, die nur Terme erster und zweiter Ordnung enthalten. Viele aktuelle Quantenoptimierungsalgorithmen (z. B. Variational Quantum Algorithms) verlassen sich auf hybride klassisch-quantenmechanische Schleifen, die unter Rauschen leiden können oder tiefe Schaltkreise erfordern. Die Autoren schlagen eine Methode vor, um die Extrema oder Nullstellen allgemeiner diskreter Funktionen $f(x)$ zu finden, die höhere Ordnungen über das quadratische Limit von QUBO hinaus enthalten können.

Methodik: Der QSERA-Algorithmus
Die Autoren führen den Quantum Search for Extrema and Roots Algorithm (QSERA) ein, ein Mitglied der Familie der Quantum Search Algorithms (QSA), die auf dem Grover-Algorithmus basiert. Die Methodik erfolgt in zwei primären Schritten:

Orakel-Konstruktion ( $f(x) \to u(z)$ ):
Der erste Schritt besteht darin, die Bedingung des Findens eines Extremums (oder einer Nullstelle) $f(x^*) \approx f^*$ auf ein unstrukturiertes Suchproblem für einen binären String $z^*$ abzubilden.
- Reskalierung: Die Zielfunktion $f(x)$ wird auf eine Funktion $g(x) \in [0, 1]$ reskaliert. Für die Maximierung gilt $g(x) = (f(x) - f_{min}) / (f_{max} - f_{min})$ ; für die Minimierung gilt $g(x) = (f_{max} - f(x)) / (f_{max} - f_{min})$ ; für die Nullstellensuche wird eine spezifische Transformation angewendet. Dies erfordert Vorabwissen oder Schätzungen des globalen Minimums ( $f_{min}$ ) und Maximums ( $f_{max}$ ).
- Verstärkung: Um ein binäres Orakel $u(z)$ zu erstellen, bei dem $u(z^*) = 1$ und $u(z \neq z^*) = 0$ gilt, wird die Funktion $g(x)$ mit einer großen Potenz $n$ potenziert (d. h. $u_n(z) \equiv g(x)^n$ ). Wenn $n \to \infty$ , nähert sich $u_n(z)$ dem idealen Orakel an.
- Generalisierung: Das Paper stellt fest, dass $f(x)$ ein allgemeines Polynom mit Termen bis zur Ordnung $K$ sein kann (Gl. 10), was Zielfunktionen ermöglicht, die komplexer als die Standard-QUBO-Form sind.
- Gate-Implementierung: Die Autoren leiten den Quantenschaltkreis für das Orakel her. Sie definieren selbstadjungierte Operatoren $B_k$ , die den binären Variablen entsprechen, und konstruieren einen unitären Operator $G$ , so dass $G|z\rangle = g(x)|z\rangle$ . Der Orakel-Operator $Q^*$ ist dann als $e^{i\pi G^n}$ definiert. Dieser wird in ein Produkt von unitären Operatoren $Q^*_j$ für jede Ordnung der Terme (nullte, erste, zweite Ordnung usw.) zerlegt, die unter Verwendung von Ancilla-Qubits und Phasenverschiebe-Gates implementiert werden.
Suchausführung:
Sobald der Orakel-Operator $Q^*$ konstruiert ist, verwendet der Algorithmus den Grover-Diffusionsoperator ( $Q_+$ ) und das Orakel ( $Q^*$ ) in einer iterativen Schleife. Der Zustand wird in einer Gleichverteilung (uniform superposition) initialisiert, und der Operator $(Q_+ Q^*)$ wird $m_{opt} \approx (\pi\sqrt{N} - 2)/4$ Mal angewendet, um die Amplitude des Zielzustands $|z^*\rangle$ zu verstärken.

Wesentliche Beiträge

Generalisierung über QUBO hinaus: Im Gegensatz zu vielen Quantenoptimierungsmethoden, die auf quadratische Formen beschränkt sind, kann QSERA Zielfunktionen mit höheren Ordnungen (kubisch, quartisch usw.) handhaben, was es für eine breitere Klasse kombinatorischer Probleme anwendbar macht.
Explizite Schaltkreis-Konstruktion: Das Paper liefert eine detaillierte mathematische Herleitung für die Konstruktion der Quanten-Orakel-Gates für beliebige Polynomordnungen, einschließlich der rekursiven Berechnung der Koeffizienten, die für die Schaltkreisparameter erforderlich sind.
Umgang mit approximativen Grenzen: Die Autoren analysieren das Szenario, in dem $f_{min}$ und $f_{max}$ nicht exakt bekannt sind. Sie zeigen auf, dass der Algorithmus auch mit Schätzungen funktionieren kann, wobei die Wahrscheinlichkeit, das exakte Optimum zu finden, von der Wahl des Potenzparameters $n$ abhängt. Wenn $n$ zu groß ist, kann das Orakel-Signal verschwinden; wenn es zu klein ist, ist das Signal nicht unterscheidbar genug. Ein optimales $n$ existiert, um diese Faktoren auszubalancieren.

Ergebnisse: Fallstudie zur Portfolio-Optimierung
Die Autoren validieren QSERA anhand eines Portfolio-Optimierungsproblems mit $N_a = 4$ Assets, was zu $N=16$ möglichen Portfolios führt.

Setup: Das Ziel war es, ein Portfolio aus 2 Assets zu finden, das die Distanz zu einer Benchmark-Rendite und Volatilität minimiert. Die Zielfunktion enthielt Terme bis zur vierten Ordnung.
Implementierung: Ein Quantenschaltkreis wurde mit 4 Qubits für die Portfolio-Zustände, 2 Ancilla-Qubits für AND-Operationen und 1 Ancilla für das Phasen-Tracking zusammengestellt.
Leistung:
- Mit der optimalen Anzahl an Grover-Iterationen ( $m_{opt} = 2$ ) und einem sorgfältig gewählten Potenzwert $n \approx 24$ identifizierte der Algorithmus das optimale Portfolio (Zustand $|1001\rangle$ ) mit der höchsten Wahrscheinlichkeit.
- Das zweitbeste Portfolio ( $|0101\rangle$ ) zeigte ebenfalls eine relativ hohe Wahrscheinlichkeit, was widerspiegelt, dass der Algorithmus die Lösung fand, die den geschätzten Grenzen am nächsten kommt.
- Die Studie bestätigte, dass, wenn $f_{min}$ und $f_{max}$ geschätzt statt exakt bekannt sind, die Wahrscheinlichkeit, das wahre Optimum zu messen, kleiner als 1 ist, was mehrere „Shots“ (wiederholte Ausführungen) erforderlich macht, um das wahre Optimum von nahezu optimalen Lösungen zu unterscheiden.
- Die Beziehung zwischen der Potenz $n$ und der Erfolgswahrscheinlichkeit wurde visualisiert und zeigte einen Peak der Wahrscheinlichkeit bei mittleren $n$ -Werten, wobei die Leistung abnimmt, wenn $n$ zu groß (Signalunterdrückung) oder zu klein (unzureichende Diskriminierung) ist.

Bedeutung und Ansprüche
Das Paper behauptet, dass QSERA eine quadratische Beschleunigung ( $O(\sqrt{N})$ ) gegenüber der klassischen Brute-Force-Suche findet, um Extrema oder Nullstellen diskreter Funktionen zu bestimmen. Seine primäre Bedeutung liegt in der Fähigkeit:

Optimierungsprobleme mit höher-ordnung Zielfunktionen zu lösen, die mit Standard-QUBO-Formulierungen inkompatibel sind.
Ohne die Notwendigkeit von hybriden klassisch-quantenmechanischen Parameter-Optimierungsschleifen (im Gegensatz zu VQAs) zu operieren, indem es stattdessen auf eine Single-Shot-Quantenausführung setzt (obwohl für statistische Sicherheit mehrere Shots nötig sein können, falls die Grenzen approximativ sind).
Potenziell „rauschende“ oder steile Gradienten-kontinuierliche Funktionen (nach Diskretisierung) anzugehen, bei denen gradientenbasierte Methoden scheitern könnten, obwohl die Autoren anmerken, dass strukturierte Suche generell effizienter für kontinuierliche Variablen ist.

Die Autoren kommen zu dem Schluss, dass der Algorithmus zwar Kenntnisse über die Funktionsgrenzen für einen garantierten Erfolg erfordert, aber ein robustes Werkzeug für die diskrete Optimierung bleibt, insbesondere wenn die Struktur der Zielfunktion die Fähigkeiten aktueller QUBO-basierter Ansätze übersteigt.