A Comparative Study of Hybrid Quantum and Classical Genetic Algorithms in Portfolio Optimization

Diese Studie zeigt, dass ein hybrider quantenmechanisch-klassischer genetischer Algorithmus bei der Portfolio-Optimierung im Vergleich zu klassischen Ansätzen schneller konvergiert, eine höhere Populationsvielfalt bewahrt und deutlich weniger Bewertungen benötigt, um das globale Optimum zu erreichen.

Das Wesentliche

🌟 Die große Suche nach dem perfekten Geld-Portfolio

Stellen Sie sich vor, Sie sind ein Geld-Manager, der eine riesige Schatzkiste voller verschiedener Aktien (wie Äpfel, Orangen, Bananen) hat. Ihr Ziel ist es, eine perfekte Mischung aus diesen Früchten zusammenzustellen, die Ihnen den meisten Geschmack (Gewinn) bringt, aber nicht zu viele faule Früchte (Risiko) enthält.

Das Problem? Es gibt so viele mögliche Kombinationen, dass es unmöglich ist, jede einzelne manuell auszuprobieren. Man nennt das ein Optimierungsproblem.

In dieser Studie vergleichen die Forscher zwei verschiedene Methoden, um diese perfekte Mischung zu finden:

1. Der klassische Genetische Algorithmus (GA): Ein bewährter, aber manchmal etwas starrer Ansatz.
2. Der Hybride Quanten-Genetische Algorithmus (HQGA): Ein neuer, hochmoderner Ansatz, der die Gesetze der Quantenphysik nutzt.

---

🧬 Der Klassiker: Der "Schwarm der Ideen" (Klassischer GA)

Stellen Sie sich den klassischen Algorithmus wie eine Gruppe von Entdeckern vor, die in einem riesigen, nebligen Wald nach dem besten Schatz suchen.

• Wie es funktioniert: Die Entdecker bilden eine Gruppe (Population). Jeder hat eine eigene Karte (eine Lösung). Sie tauschen Ideen aus (Kreuzung), machen zufällige Sprünge (Mutation) und behalten nur die besten Karten.
• Das Problem: Oft passiert es, dass sich die ganze Gruppe zu schnell auf eine bestimmte Richtung einigt. Sie denken: "Aha, hier ist ein guter Schatz!" und hören auf zu suchen. Aber vielleicht gibt es weiter hinten noch einen viel besseren Schatz, den sie übersehen haben.
• Der Begriff: Das nennen die Forscher "vorzeitige Konvergenz". Die Gruppe wird zu homogen, zu gleichförmig, und verpasst die Chance, das wirklich Beste zu finden.

---

⚛️ Der Neue: Der "Quanten-Super-Entdecker" (Hybrider HQGA)

Jetzt kommt der neue Held ins Spiel: Der Hybride Quanten-Genetische Algorithmus. Er nutzt die seltsamen, aber mächtigen Regeln der Quantenwelt.

Stellen Sie sich vor, statt nur einen Weg zu gehen, kann ein Quanten-Entdecker gleichzeitig alle Wege gehen.

Hier sind die vier magischen Werkzeuge, die er benutzt:

1. Quanten-Superposition (Die "Alles-ist-möglich"-Brille):
   Ein normaler Entdecker steht an einem Punkt. Ein Quanten-Entdecker steht gleichzeitig an allen Punkten des Waldes. Er kann den ganzen Wald auf einmal "abtasten", ohne ihn physisch durchqueren zu müssen. Das hält die Gruppe sehr bunt und vielfältig.

2. Quanten-Verschränkung (Der "Geist-Kontakt"):
   Wenn ein Entdecker eine gute Idee hat, können die anderen durch eine unsichtbare Verbindung (Verschränkung) sofort davon "anstecken" werden, ohne dass sie ihre eigene Identität komplett verlieren. Es ist wie ein Telepathie-Netzwerk, das die besten Ideen verbreitet, ohne die Gruppe zu vereinheitlichen.

3. Quanten-Elitismus (Der "Sicherheitsanker"):
   Der beste Fund wird nicht nur gespeichert, sondern in eine Art "Quanten-Safe" gelegt. Dieser Safe sorgt dafür, dass die beste Lösung nie verloren geht, aber gleichzeitig die anderen Entdecker noch genug Spielraum haben, um Neues zu entdecken.

4. Ry-Mutation (Der "Zufalls-Wind"):
   Manchmal weht ein sanfter Wind (die Ry-Mutation), der die Wahrscheinlichkeiten leicht verändert. Er sorgt dafür, dass die Entdecker nicht starr bleiben, sondern immer wieder neue, kleine Pfade ausprobieren.

---

🏆 Was haben die Forscher herausgefunden?

Die Forscher haben beide Methoden getestet, um Geld-Portfolios zu optimieren. Das Ergebnis war klar:

• Schneller zum Ziel: Der Quanten-Algorithmus (HQGA) fand die beste Lösung viel schneller als der klassische. Er brauchte weniger Versuche, um den perfekten Schatz zu finden.
• Kein Feststecken: Während die klassische Gruppe oft zu früh aufgab und in einer "falschen" Lösung stecken blieb (vorzeitige Konvergenz), blieb die Quantengruppe die ganze Zeit über bunt und vielfältig. Sie suchte weiter, auch wenn sie schon gute Ergebnisse hatte.
• Effizienz: Der Quanten-Ansatz war so effizient, dass er mit einer winzigen Gruppe von Entdeckern (nur 3 Personen!) genauso gut oder besser arbeitete als eine riesige Gruppe von klassischen Entdeckern (mit viel mehr Personen).

🎯 Die einfache Zusammenfassung

Stellen Sie sich vor, Sie suchen nach dem besten Rezept für einen Kuchen.

• Der klassische Ansatz ist wie eine Gruppe Köche, die schnell auf ein Rezept verfallen und dann nur noch Variationen davon backen. Sie finden vielleicht einen guten Kuchen, aber nie den perfekten.
• Der Quanten-Ansatz ist wie eine Gruppe von Köchen, die dank magischer Brille gleichzeitig 100 verschiedene Rezepte testen, sich gegenseitig inspirieren, aber nie vergessen, dass es noch tausende andere Möglichkeiten gibt.

Das Fazit: Die Studie zeigt, dass die Kombination aus klassischer Rechenkraft und Quanten-Magie (Hybrid-Ansatz) ein vielversprechender Weg ist, um komplexe Finanzprobleme schneller, sicherer und besser zu lösen als mit den alten Methoden allein. Es ist ein kleiner Schritt in Richtung einer Zukunft, in denen Computer uns helfen, das Beste aus unserem Geld zu machen.

Technische Zusammenfassung

Titel: Ein Vergleichsstudie hybrider Quanten- und klassischer genetischer Algorithmen zur Portfolio-Optimierung

Autoren: Romeu Rossi Junior et al. (Universidade Federal de Viçosa, Brasilien)

---

1. Problemstellung

Die Arbeit adressiert das Problem der Portfolio-Optimierung unter Verwendung der klassischen Mean-Variance-Formulierung von Markowitz. Das Ziel ist es, den erwarteten Ertrag eines Portfolios zu maximieren, während das Risiko (quantifiziert durch die Kovarianz der Vermögenswerte) unter Berücksichtigung eines Risikoaversion-Koeffizienten minimiert wird.

• Mathematisches Modell: Es handelt sich um ein binäres Optimierungsproblem, bei dem für $n$ Vermögenswerte entschieden werden muss, ob sie im Portfolio enthalten sind ($x_i = 1$) oder nicht ($x_i = 0$).
• Herausforderung: Klassische genetische Algorithmen (GA) leiden oft unter vorzeitiger Konvergenz (premature convergence). Dabei verliert die Population zu früh ihre Diversität und bleibt in lokalen Optima stecken, insbesondere bei kleinen Populationsgrößen oder hohem Selektionsdruck.
• Kontext: Im Zeitalter der „Noisy Intermediate-Scale Quantum" (NISQ) Computer werden hybride Quanten-Klassische Algorithmen als vielversprechender Weg gesehen, um Quantenvorteile zu realisieren, ohne auf fehlertolerante Hardware warten zu müssen.

2. Methodik

Die Studie vergleicht einen klassischen Genetischen Algorithmus (GA) mit einem Hybriden Quanten-Genetischen Algorithmus (HQGA), der ursprünglich von Acampora und Vitiello entwickelt wurde.

A. Der HQGA-Ansatz

Der HQGA nutzt eine hybride Architektur, bei der ein Quantenprozessor (QPU) die evolutionären Mechanismen durchführt und ein klassischer Prozessor (CPU) die Fitness-Bewertung übernimmt. Der Algorithmus integriert vier quantenmechanische Prinzipien:

1. Quanten-Repräsentation: Individuen werden als Quantenzustände (Superposition) dargestellt, nicht als klassische Bitstrings. Dies ermöglicht es, eine große Menge möglicher Lösungen gleichzeitig zu explorieren, ohne exponentielle Kosten.
2. Quanten-Elitismus: Das beste gefundene Individuum wird in zwei Formen gespeichert: als klassischer Bitstring (nach Messung) und als Quantenzustand. Der Quantenzustand wird in jeder Iteration rekonstruiert oder verstärkt, um das beste Ergebnis als Referenz für die Evolution zu bewahren.
3. Verschränkter Crossover (Entangled Crossover): Anstatt genetisches Material einfach zu kopieren, werden Qubits des besten Individuums mit denen der anderen Individuen verschränkt. Dies erzeugt probabilistische Korrelationen, die die Suche in vielversprechende Regionen lenken, ohne die Diversität vollständig zu zerstören.
4. $R_y$-Mutation: Freie Qubits (die nicht verschränkt sind) werden durch Rotationen um die y-Achse der Bloch-Kugel ($R_y$-Gate) mutiert. Dies ändert die Wahrscheinlichkeitsamplituden und ermöglicht eine kontrollierte stochastische Exploration neuer Suchraumregionen.

B. Experimentelles Setup

• Daten: Historische Kursdaten (Oktober 2023 – September 2024) von 5 zufällig ausgewählten Teilmengen des S&P 500 (jeweils 9 Vermögenswerte).
• Vergleich: Der HQGA wurde gegen einen klassischen GA getestet.
• Metriken:
  • Konvergenzverhalten (Beste, Durchschnitts- und schlechteste Fitness über die Anzahl der Fitness-Evaluierungen).
  • Populationsdiversität: Gemessen durch die Differenz zwischen maximaler Fitness ($f_{max}$) und durchschnittlicher Fitness ($\bar{f}$). Ein hoher Wert deutet auf hohe Diversität hin.

3. Wichtige Beiträge und Ergebnisse

A. Konvergenzgeschwindigkeit und Effizienz

• Der HQGA konvergiert schneller zum globalen Optimum als der klassische GA.
• Besonders bemerkenswert ist, dass der HQGA mit einer sehr kleinen Populationsgröße (z. B. $N=3$) genauso schnell oder schneller konvergiert als der klassische GA mit größeren Populationen.
• Der HQGA erreicht das globale Optimum mit signifikant weniger Fitness-Evaluierungen als ein Brute-Force-Ansatz (der in diesem Fall alle $2^9 = 512$ möglichen Portfolios prüfen müsste).

B. Erhaltung der Diversität

• Das zentrale Ergebnis ist die überlegene Fähigkeit des HQGA, die Populationsdiversität zu erhalten.
• Der klassische GA zeigt einen schnellen Abfall der Diversität ($f_{max} - \bar{f} \to 0$) in den frühen Phasen der Suche, was auf vorzeitige Konvergenz und das Steckenbleiben in lokalen Optima hindeutet.
• Der HQGA hält über den gesamten Optimierungsprozess hinweg eine signifikant höhere Diversität aufrecht. Selbst nach hunderten von Evaluierungen bleibt die Streuung der Fitnesswerte erhalten.
• Dies wird den quantenmechanischen Mechanismen (Superposition, Verschränkung und probabilistische Mutation) zugeschrieben, die eine kontinuierliche Exploration des Suchraums ermöglichen.

4. Bedeutung und Fazit

Die Studie liefert empirische Belege dafür, dass hybride Quanten-Klassische evolutionäre Strategien einen praktischen Vorteil gegenüber rein klassischen Methoden bieten, insbesondere bei kombinatorischen Optimierungsproblemen.

• Robustheit: Der HQGA ist robuster gegen vorzeitige Konvergenz und vermeidet suboptimale Fallen effektiver.
• Ressourceneffizienz: Durch die Nutzung von Quanten-Überlagerungen kann der Algorithmus mit viel kleineren Populationen arbeiten, was den Rechenaufwand (Anzahl der Evaluierungen) drastisch senkt.
• Zukunftsperspektive: Die Ergebnisse unterstreichen das Potenzial des HQGA für finanzielle Optimierungsaufgaben. Zukünftige Arbeiten könnten die Skalierung auf größere Portfolios, tiefere Schaltungsdesigns und den Einfluss von Quantenrauschen (Noise) auf NISQ-Hardware untersuchen.

Zusammenfassend demonstriert das Paper, dass die Integration von Quantenmechanik in evolutionäre Algorithmen nicht nur die Konvergenzgeschwindigkeit erhöht, sondern vor allem die Suchdynamik verbessert, indem sie die kritische Diversität der Population über den gesamten Optimierungsverlauf hinweg bewahrt.