💰 quantitative finance

Quantum Stochastic Walks for Portfolio Optimization: Theory and Implementation on Financial Networks

Dieses Paper schlägt einen Quantum Stochastic Walk (QSW) Optimizer vor und validiert diesen empirisch, welcher die latente graphentheoretische Struktur der Finanzmärkte nutzt, um im Vergleich zur klassischen Mittelwert-Varianz-Optimierung signifikant höhere risikobereinigte Renditen und drastisch geringere Portfolio-Umschlagshäufigkeiten zu erzielen.

Ursprüngliche Autoren: Yen Jui Chang, Wei-Ting Wang, Yun-Yuan Wang, Chen-Yu Liu, Kuan-Cheng Chen, Ching-Ray Chang

Veröffentlicht 2026-02-05

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Yen Jui Chang, Wei-Ting Wang, Yun-Yuan Wang, Chen-Yu Liu, Kuan-Cheng Chen, Ching-Ray Chang

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

Das große Problem: Der „perfekte“ Plan vs. die Realität

Stellen Sie sich vor, Sie versuchen, das ultimative Team von Läufern für einen Marathon zusammenzustellen.

Der alte Weg (Klassische Mathematik): Sie versuchen, die perfekte Mischung aus Läufern basierend auf deren bisherigen Geschwindigkeiten und der Art und Weise, wie sie zusammenlaufen, zu berechnen. Sie wollen das schnellstmögliche Team. Aber hier ist der Haken: Wenn Sie einen winzigen Fehler in Ihren Berechnungen machen (vielleicht haben Sie die Zeit eines Läufers falsch abgelesen), könnte Ihr Computer Ihnen sagen, dass Sie 90 % Ihres Teams auf nur einen einzigen Läufer setzen sollen und alle anderen ignorieren müssen. Das ist riskant. Wenn dieser eine Läufer stolpert, verliert Ihr ganzes Team. Dies ist das, was die Arbeit als Mean-Variance Optimization (MPT) bezeichnet. Es ist mathematisch wunderschön, aber in der realen Welt zerbrechlich.
Der „faule“ Weg (Gleichgewichtsgewichtung): Um das Risiko zu vermeiden, den falschen Läufer auszuwählen, wählen Sie einfach 100 Läufer und geben ihnen alle exakt die gleiche Menge an Energie. Dies ist die 1/N-Strategie. Sie ist sehr sicher und stabil, aber sie ignoriert jegliche speziellen Informationen, die Sie darüber haben könnten, wer tatsächlich der Schnellste ist. Das ist ein bisschen zu simpel.

Die neue Lösung: Ein „smartes“ Hybrid

Die Autoren schlagen eine neue Methode namens Quantum Stochastic Walks (QSW) vor. Betrachten Sie dies nicht als einen Taschenrechner, sondern als einen smarten Reiseführer, der eine Karte aller Läufer (Assets) navigiert.

1. Die Karte (Das Finanznetzwerk)

Stellen Sie sich vor, die Läufer sind Städte auf einer Landkarte.

Straßen zwischen den Städten: Einige Städte liegen sehr nah beieinander (hoch korrelierte Aktien). Wenn in einer Stadt viel Verkehr herrscht, herrscht das wahrscheinlich auch in der anderen.
Stadtschilder: Einige Städte haben Schilder mit der Aufschrift „Große Geschwindigkeit“ (hohe Rendite) oder „Gefährliches Gelände“ (hohes Risiko).

2. Der Reiseführer (Der Quantum Stochastic Walk)

Der QSW sendet einen „Walker“ (ein Paket Geld) über diese Karte. Aber dieser Walker besitzt zwei Superkräfte, die gleichzeitig wirken:

Die Quanten-Superkraft (Der „Geister“-Walk): Stellen Sie sich vor, der Walker kann an vielen Orten gleichzeitig sein, wie ein Geist. Er kann durch die Karte „tunneln“, verschiedene Pfade gleichzeitig erkunden. Dies hilft ihm, das große Ganze zu sehen und komplexe Verbindungen zu verstehen, die ein normaler Walker vielleicht übersehen würde. Es verhindert, dass der Walker an nur einem Ort feststeckt.
Die klassische Superkraft (Der „Zufalls“-Walk): Stellen Sie sich vor, der Walker hat auch ein zufälliges Element, wie einen Münzwurf. Dies stellt sicher, dass der Walker schließlich jede Stadt auf der Karte besucht, selbst die langweiligen. Dies verhindert, dass der Walker sich aus dem Grund ignoriert, dass sie nicht die glanzvollsten sind, vor sicheren, stabilen Städten.

Durch die Mischung dieser beiden Kräfte pendelt sich der Walker natürlich in einem Muster ein, in dem er sich in fast jeder Stadt aufhält, jedoch mit winzigen Anpassungen basierend auf den „Schildern“ (Daten).

Das Ergebnis: Ein „smartes 1/N“-Portfolio

Die Arbeit behauptet, dass diese Methode ein Portfolio hervorbringt, das wie eine „smarte Gleichgewichtsstrategie“ agiert.

Es ist stabil: Wie beim „faulen“ Weg legt es nicht alle Eier in einen Korb. Es bleibt sehr diversifiziert (verteilt das Geld auf viele Assets), sodass es nicht abstürzt, wenn ein Asset ausfällt.
Es ist smart: Im Gegensatz zum „faulen“ Weg nimmt es kleine, datengesteuerte Anpassungen vor. Wenn die „Schilder“ sagen, dass eine bestimmte Stadt gerade großartig läuft, gibt der Walker ihr eine leichte zusätzliche Aufmerksamkeit, aber niemals so viel, dass das gesamte Team aus dem Gleichgewicht gerät.
Es ist ruhig: Die alte mathematische Methode (MPT) neigt dazu, Panik zu bekommen und ständig ihre Meinung zu ändern, indem sie wild kauft und verkauft (hoher Umschlag/Turnover). Der QSW-Walker ist ruhig. Er nimmt kleine, stetige Anpassungen vor. Dies spart Geld bei den Transaktionsgebühren (Turnover-Kosten).

Was die Experimente zeigten

Die Autoren testeten dies am S&P 500 (den 100 besten US-Aktien) über viele Jahre hinweg, einschließlich großer Finanzcrashs.

Die alte Mathematik schlagen: Die alte Methode (MPT) war sehr empfindlich. Wenn Sie die Daten leicht änderten, änderten sich die Ergebnisse drastisch. Die QSW-Methode war steinhart; sie lieferte konsistente Ergebnisse, unabhängig von kleinen Datenfehlern.
Den „faulen“ Weg schlagen: Obwohl der QSW der einfachen „Gleichgewichtsgewichtung“ sehr ähnlich sah, erwirtschaftete er konsistent etwas mehr Geld bei weniger Risiko.
Keine „Black Box“-Magie: Die Autoren führmen tausende verschiedene Einstellungen durch (eine „Grid Search“), um zu sehen, ob sie mit einer spezifischen Einstellung nur Glück hatten. Sie fanden heraus, dass QSW über einen riesigen Bereich von Einstellungen hinweg gut funktioniert. Es ist kein „Zaubertrick“, der nur funktioniert, wenn man ihn perfekt abstimmt; es ist strukturell robust.
Langfristiger Erfolg: Sie testeten dies über 34 Jahre in 30 verschiedenen zufälligen Gruppen von Aktien. In fast allen Szenarien übertraf die QSW-Methode die alte Mathematik und die einfache Gleichgewichtsgewichtung, insbesondere im Hinblick auf die Balance zwischen Risiko und Rendite.

Das Faz-it

Die Arbeit argumentt, dass wir uns nicht zwischen einem „zerbrechlichen, hochriskanten“ mathematischen Modell und einer „langweiligen, simplen“ Gleichverteilung entscheiden müssen.

Der Quantum Stochastic Walk ist wie ein weiser, erfahrener Kapitän, der ein Schiff steuert. Anstatt zu versuchen, die perfekte Welle vorherzusagen (was unmöglich und gefährlich ist), hält der Kapitän das Schiff im Gleichgewicht und stabil (wie die Gleichgewichtsgewichtung), macht aber kleine, smarte Korrekturen, um den Wind einzufangen, wenn er verfügbar ist. Das Ergebnis ist eine Reise, die sicherer, reibungsloser und etwas schneller ist als die Alternativen.

Technisches Resümee: Quanten-stochastische Random Walks zur Portfoliooptimierung

Problemstellung

Die klassische Portfoliooptimierung, die auf dem Markowitz-Mittelwert-Varianz-Framework basiert, steht trotz ihrer theoretischen Eleganz vor kritischen praktischen Einschränkungen. Die Hauptprobleme sind:

Schätzfehler und Fragilität: In hochdimensionalen Räumen (z. B. $n=500$ Assets) enthält die Kovarianzmatrix über $10^5$ Parameter. Kleine Fehler bei der Schätzung der erwarteten Renditen ( $\mu$ ) und Kovarianzen ( $\Sigma$ ) führen zu extremen, instabilen Portfoliogewichten.
Konzentration und Umschlagshäufigkeit: Mittelwert-Varianz-Optimierer produzieren oft hochkonzentrierte Portfolios (geringe effektive Anzahl an Aktien) und eine übermäßige Umschlagshäufigkeit (300–500 % jährlich), um marginale Verbesserungen der Sharpe Ratio zu verfolgen. Diese „Fehlermaximierung“ macht die Strategien aufgrund von Transaktionskosten und Markteinflüssen operativ nicht praktikabel.
Limitierungen von Alternativen: Während naive Gleichgewichtsportfolios ( $1/N$ ) robust und diversifiziert sind, ignorieren sie querschnittliche Informationen. Umgekehrt agieren Deep-Learning-Ansätze (Predict-then-Optimize oder End-to-End Reinforcement Learning) oft als opake „Black Boxes“, leiden unter Overfitting auf nicht-stationären Finanzdaten und lassen für das Risikomanagement die Interpretierbarkeit vermissen.

Das Paper postuliert, dass diese Ausfälle auf einen Mangel an strukturellen Constraints in der klassischen Optimierung zurückzuführen sind, welche es versäumt, Diversifikation oder Robustheit gegenüber Eingangsrauschen natürlich zu erzwingen.

Methodik: Das Quantum Stochastic Walk (QSW) Framework

Die Autoren schlagen ein Quantum Stochastic Walk (QSW) Framework vor, das die Portfolioallokation als dynamischen Prozess auf einem gewichteten Finanznetzwerk modelliert.

1. Graphkonstruktion

Assets werden auf Knoten eines gerichteten, gewichteten Graphen $G=(V, E)$ abgebildet. Der Graph kodiert Finanzdaten durch zwei Kanäle:

Knotenattribute (Selbstschleifen): Kodieren assetspezifische risikoadjustierte Renditen (Sharpe Ratios).
Kantenweights: Kodieren paarweise Beziehungen. Das Gewicht $W_{ij}$ zwischen Asset $i$ und $j$ ist definiert als:
$W_{ij} = \begin{cases} \exp(\alpha \cdot SR_j - \beta \cdot \Sigma_{ij}) & i \neq j \\ \exp(\lambda \cdot SR_i) & i = j \end{cases}$
Wobei $\alpha$ das „Return Chasing“ steuert, $\beta$ Übergänge zwischen hochkorrelierten Assets bestraft (Diversifikation erzwingt) und $\lambda$ als Haltekennzahl fungiert.

2. Dual-Channel-Dynamik

Die Portfoliogewichte werden aus der stationären Verteilung eines hybriden quanten-klassischen Random Walks abgeleitet, der durch die Gorini–Kossakowski–Lindblad–Sudarshan (GKLS) Mastergleichung gesteuert wird:
$\frac{d\rho}{dt} = -i(1-\omega)[H, \rho] + \omega \sum_{i,j} c_{ij} \left( L_{ij}\rho L_{ij}^\dagger - \frac{1}{2}\{L_{ij}^\dagger L_{ij}, \rho\} \right)$

Kohärenter Kanal (Quanten): Getrieben durch einen hermiteschen Hamiltonian $H$ , ermöglicht dieser Kanal Superposition und Interferenz, was es dem Walker ermöglicht, korrelierte Asset-Cluster gleichzeitig zu explorieren.
Stochastischer Kanal (Klassisch): Implementiert über einen Google-Typ Generator (ähnlich wie PageRank) mit Übergangsraten $c_{ij}$ . Dieser Kanal stellt Ergodizität sicher, garantiert die Konvergenz gegen einen eindeutigen stationären Zustand und dämpft die Wahrscheinlichkeitsmasse innerhalb enger Cluster, um Kapital in unterrepräsentierte Regionen umzuverteilen.
Mixing-Parameter ( $\omega$ ): Steuert das Gleichgewicht zwischen quantenbasierter Exploration ( $\omega=0$ ) und klassischer Diffusion ( $\omega=1$ ).

3. Implementierung

Stationärer Zustand: Die Portfoliogewichte $w_i$ sind definiert als die Diagonalelemente der stationären Dichtematrix $\rho_\infty$ ( $w_i = \rho_{\infty, ii}$ ).
Berechnung: Die Autoren implementieren den Solver unter Verwendung von Kraus-Operatoren, um die Dichtematrix zu entwickeln, wobei sie zur Effizienz GPU-Beschleunigung (NVIDIA A100) nutzen. Dies ermöglicht die Optimierung von Portfolios mit $\sim 100$ Assets in Sekunden.

Zentrale Beiträge

Netzwerkbasierte Repräsentation: Das Paper bildet den Mittelwert-Risiko-Trade-off auf einen gewichteten, gerichteten Graphen ab, in dem Selbstschleifen Sharpe-Informationen kodieren und Kanten zwischen den Knoten die Korrelation bestrafen, was eine strukturelle Repräsentation der Diversifikation bietet.
„Smart 1/N“ Allokation: Das QSW-Framework konvergiert natürlich zu einem „Smart 1/N“-Portfolio. Es behält die strukturelle Stabilität und Diversifikation der naiven Gleichgewichtsstrategie bei, führt jedoch kleine, datengesteuerte Tilgungen (Tilts) basierend auf der quanten-klassischen Dynamik ein.
Strukturelle Robustheit: Im Gegensatz zu klassischen Optimierern, die künstliche Constraints benötigen, um extreme Rebalancings zu verhindern, unterdrückt die QSW-Dynamik unerwünschte Umschlagshäufigkeiten inhärent und ist strukturell resistent gegen Schätzfehler.
Praktische Designregeln: Durch umfangreiche Grid-Searches identifizieren die Autoren einfache Designregeln: Die optimale Strategie beinhaltet typischerweise minimales „Return Chasing“ ( $\alpha \approx 0.1$ ), maximalen Diversifikationsdruck ( $\beta \approx 500$ ) und einen abstimmbaren Mixing-Parameter $\omega$ , der primär als „Turnover-Regler“ fungiert.

Empirische Ergebnisse

Das Framework wurde durch drei Phasen von Experimenten validiert:

Phase 1: Parameter-Exploration (2018–2024)

Stabilität: QSW-Portfolios wiesen Sharpe Ratios von $\approx 0.96–0.98$ und eine Volatilität von $\approx 17\%$ auf, was nahezu identisch mit dem $1/N$ -Benchmark ist. Im Gegensatz dazu zeigte der Mittelwert-Varianz-Benchmark (MPT) eine extreme Sensitivität gegenüber der Länge des Trainingsfensters (die Sharpe Ratio sprang von 0.86 auf 1.36, als man von einem 1-Jahres- auf ein 2-Jahres-Fenster wechselte) und produzierte hochkonzentrierte Portfolios (HHI $\approx 0.26$ ).
Umschlagshäufigkeit (Turnover): QSW erreichte diese Ergebnisse mit moderater Umschlagshäufigkeit (2%–80%, je nach Voreinstellung), während MPT 320%–480% Turnover erforderte.
Robustheit: Monte-Carlo-Schocktests zeigten, dass MPT geringfügige Eingangsperturbationen in massive Gewichtänderungen verstärkte (Standardabweichung $\approx 7.8\%$ ), während QSW stabil blieb (Standardabweichung $< 4\%$ ).

Phase 2: Umfassende Grid-Suche

Eine 625-Punkte-Grid-Suche über die Parameter $(\alpha, \beta, \lambda, \omega)$ bestätigte, dass das „Smart 1/N“-Regime eine breite, strukturell robuste Region des Parameterraums ist und kein Ergebnis von Feinabstimmung (Fine-Tuning). Die leistungsstärksten Konfigurationen minimierten konsistent das „Return Chasing“ und maximierten die Diversifikationsstrafen.

Phase 3: Langfristige Robustheit (1990–2024)

Multi-Universe-Studie: Die Studie führte 30 unabhängige Versuche über 34 Jahre mit dynamisch gepflegten 100-Aktien-Universen durch, um Survivorship Bias zu vermeiden.
Performance: Der dynamische QSW-Optimier erreichte eine durchschnittliche CAGR von 23,3 % und eine Sharpe Ratio von 0,98, womit er MPT (Sharpe 0,48), $1/N$ (Sharpe 0,74) und den S&P 500 Index (Sharpe 0,37) übertraf.
Risikometriken: QSW hielt niedrigere Maximum Drawdowns und bessere Calmar Ratios als MPT und den Index bei, während die Volatilität zwischen $1/N$ und MPT lag.
Adaptivität: Selbst bei quartalsweiser Re-Optimierung (was zu $\approx 200\%$ Turnover führte), übertraf QSW den $\approx 330\%$ hohen Turnover von MPT signifikant und lieferte gleichzeitig überlegene risikoadjustierte Renditen.

Bedeutung und Ansprüche

Das Paper behauptet, dass das QSW-Framework eine fundierte Alternative sowohl zur naiven Diversifikation als auch zur fragilen, hochdimensionalen Optimierung bietet. Seine Bedeutung liegt in:

Struktureller Regularisierung: Die quanteninspirierten Dynamiken wirken als natürlicher Regularisierer, der verhindert, dass der Optimierer in fragile, konzentrierte Portfolios kollabiert, ohne dass Ad-hoc-Constraints erforderlich sind.
Interpretierbarkeit: Im Gegensatz zu den „Black Boxes“ des Deep Learning haben die QSW-Parameter klare physikalische Interpretationen (z. B. $\beta$ als Diversifikationsbremse, $\omega$ als Rausch-/Turnover-Regler), was das Modell für das Risikomanagement prüfbar und vertrauenswürdig macht.
Praktische Lebensfähigkeit: Durch die Balance zwischen der Robustheit von $1/N$ und der Flexibilität datengesteuerter Tilgungen liefert das Framework höhere risikoadjustierte Renditen bei moderatem Turnover, was es in realen Settings, in denen Transaktionskosten und Schätzfehler unvermeidlich sind, implementierbar macht.

Die Autoren kommen zu dem Schluss, dass der Vorteil von QSW nicht aus „magischen“ Quanteneffekten resultiert, sondern aus den strukturellen Eigenschaften, die durch den hybriden Walk auferlegt werden und wünschenswerte Portfoliocharakteristika (Diversifikation und Robustheit) per Design erzwingen.