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

Resumen Técnico: Hacia la Utilidad Cuántica en Finanzas: Un Algoritmo Robusto Basado en Datos para la Agrupación de Activos

1. El Problema

La agrupación (clustering) de activos financieros basada en correlaciones de retornos es fundamental para la optimización de carteras y el arbitraje estadístico. Sin embargo, los métodos clásicos de agrupación enfrentan limitaciones significativas al tratar con grafos firmados (signed graphs), donde las conexiones pueden ser positivas (co-movimiento) o negativas (anti-correlación):

• Pérdida de fidelidad semántica: Los métodos tradicionales (como k-Means o k-Medoids) requieren transformar matrices de correlación firmadas $[-1, 1]$ en distancias no negativas. Esta transformación (ej. $d_{ij} = \sqrt{\alpha(1-\rho_{ij})}$) distorsiona la información, tratando la ausencia de correlación ($\rho=0$) como una disimilitud fija y no nula.
• Suposiciones heurísticas: Los algoritmos clásicos a menudo requieren que el número de clusters ($k$) sea definido manualmente o mediante heurísticas costosas (como el método del codo o análisis de silueta), lo cual no es generalizable.
• Ineficacia en datos financieros: Métodos espectrales avanzados como SPONGE funcionan bien en grafos dispersos o con pesos discretos, pero degradan su rendimiento en datos financieros reales, que suelen tener correlaciones continuas y estructuras densas.

2. Metodología

Los autores proponen la aplicación del algoritmo GCS-Q (Generación de Estructura de Coalición Basada en Grafos) adaptado para la agrupación de activos.

• Enfoque Directo en Grafos Firmados: A diferencia de los métodos clásicos, GCS-Q opera directamente sobre el grafo firmado y ponderado sin transformaciones de pérdida. Preserva tanto las relaciones positivas como las negativas.
• Formulación del Problema: El objetivo es encontrar una partición de vértices (activos) que maximice la suma de los pesos de las aristas dentro de los clusters (intra-cluster) y minimice las aristas entre clusters. Esto se formula como:
  $$\max_{\Pi} \sum_{C \in \Pi} \sum_{i,j \in C, i<j} w_{ij}$$
  Donde $w_{ij}$ es la correlación de Pearson.
• Proceso Iterativo y Corte Mínimo: El algoritmo comienza con todos los activos en un solo grupo e itera dividiendo el grafo mediante cortes mínimos (minimum cuts).
  • Cada subproblema de corte mínimo se formula como un problema de Optimización Binaria Cuadrática Sin Restricciones (QUBO).
  • El proceso se detiene recursivamente cuando dividir un subgrafo ya no mejora la función objetivo, lo que permite determinar dinámicamente el número de clusters ($k$) sin intervención humana.
• Implementación Cuántica: Los QUBOs se resuelven utilizando un annealer cuántico (D-Wave Advantage_system5.4), aprovechando su capacidad para explorar espacios de soluciones exponencialmente grandes de manera eficiente.

3. Contribuciones Clave

• Primera demostración de ventaja cuántica en calidad de solución: Es el primer trabajo, según los autores, que demuestra una superioridad en la calidad de la agrupación utilizando hardware cuántico real para la tarea práctica de agrupación de activos.
• Eliminación de pre-procesamiento destructivo: Evita la transformación de correlaciones a distancias, manteniendo la integridad de la estructura relacional original (positiva y negativa).
• Determinación dinámica de $k$: El algoritmo infiere automáticamente el número óptimo de clusters como parte del proceso de optimización, eliminando la necesidad de hiperparámetros manuales.
• Robustez ante heterogeneidad: Funciona eficazmente con tamaños de clusters no uniformes y rangos continuos de pesos, condiciones típicas de los datos financieros que desafían a los métodos espectrales existentes.

4. Resultados

Los experimentos se realizaron en dos escenarios: datos sintéticos y datos reales de Yahoo Finance (50 activos de diversos sectores).

• Datos Sintéticos:
  • Se comparó GCS-Q contra SPONGE, SPONGEsym y k-Medoids (PAM).
  • Métrica: Índice de Rand Ajustado (ARI).
  • Hallazgo: GCS-Q superó consistentemente a los métodos clásicos. PAM tuvo el peor rendimiento debido a la transformación de distancias. SPONGE funcionó bien solo en grafos dispersos con pesos discretos, pero falló en datos continuos y heterogéneos.
• Datos Reales (Yahoo Finance):
  • Se utilizaron precios de cierre horarios de enero de 2025.
  • Métrica: Penalización (Penalty), que mide la desviación del equilibrio estructural (penalizando correlaciones negativas intra-cluster y positivas inter-cluster).
  • Hallazgo: GCS-Q logró la penalización más baja, indicando clusters internamente cohesivos y externamente distintos. Esto sugiere una mejor estructura para la diversificación de carteras y estrategias de reversión a la media.
• Rendimiento Computacional: Aunque el tiempo de ejecución total para $n=170$ activos fue de ~10 minutos (debido a latencia de red y colas en la nube), el tiempo de resolución por QUBO fue de <1 segundo, validando la viabilidad del enfoque híbrido.

5. Significado e Impacto

Este trabajo marca un paso concreto hacia la utilidad cuántica a corto plazo en aplicaciones financieras.

• Aplicabilidad Práctica: Demuestra que los annealers cuánticos actuales pueden resolver problemas de agrupación de grafos firmados mejor que los solvers clásicos de vanguardia, especialmente en escenarios donde la estructura de correlación es compleja y densa.
• Fundamento para Futuras Estrategias: Los clusters generados por GCS-Q son más adecuados para la optimización de carteras (reduciendo la varianza) y el arbitraje estadístico, ya que capturan fielmente las relaciones de riesgo y retorno.
• Futuro: El estudio abre la puerta a la integración de estos clusters en tareas de asignación de activos (asset allocation) y sugiere mejoras futuras mediante topologías de hardware más avanzadas (como Zephyr) y estrategias de embebido personalizadas.

En conclusión, el algoritmo GCS-Q ofrece una solución robusta, automatizada y superior en calidad para la agrupación de activos financieros, superando las limitaciones inherentes de los métodos clásicos al aprovechar la capacidad de exploración de espacios de soluciones de la computación cuántica.