🤖 machine learning

Hybrid Quantum-Classical Ridgelet Neural Networks for Portfolio Optimization

Cet article propose un cadre hybride quantique-classique qui utilise un réseau de neurones à ridgelet quantique (QRNN) pour extraire des caractéristiques multi-résolutions à partir de données de séries temporelles financières, lesquelles sont ensuite optimisées pour la sélection d'actifs en utilisant l'algorithme d'optimisation approximative quantique (QAOA) afin de résoudre un problème de portefeuille moyen-variance.

Auteurs originaux : Bahadur Yadav, Sanjay Kumar Mohanty

Publié 2026-04-30

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Bahadur Yadav, Sanjay Kumar Mohanty

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de construire le portefeuille d'investissement parfait. Vous avez une liste massive d'actions parmi lesquelles choisir, mais vous ne pouvez en sélectionner que quelques-unes. Le défi est double : d'abord, vous devez prédire quelles actions augmenteront dans le futur (prévision), et ensuite, vous devez choisir la meilleure combinaison qui équilibre des rendements élevés avec un risque faible (optimisation).

Ce document présente un nouvel outil appelé Réseau de Neurones Ridgelet Hybride Quantique-Classique (QRNN) pour résoudre ces deux problèmes. Voici comment il fonctionne, décomposé en concepts et analogies simples.

1. La lentille « Ridgelet » : Voir les motifs cachés

Les marchés financiers sont désordonnés, comme un océan agité par des vagues de toutes tailles. Les outils traditionnels sont souvent confus par le bruit.

L'analogie : Imaginez regarder une peinture complexe. Un appareil photo standard voit l'image entière d'un coup. Une transformée Ridgelet est comme une paire de lunettes spéciale qui décompose la peinture en « crêtes » ou lignes spécifiques. Elle peut voir à la fois les grandes courbes balayantes (tendances globales) et les minuscules détails anguleux (pics locaux) simultanément.
Ce que fait l'article : Les auteurs utilisent cette technique « Ridgelet » pour nettoyer les données boursières, en séparant les tendances importantes du bruit avant de les alimenter dans leur modèle informatique.

2. Le cerveau quantique : Une nouvelle façon de calculer

Une fois les données nettoyées, le modèle doit prédire les prix futurs. Au lieu d'utiliser un ordinateur standard, ils utilisent un Réseau de Neurones Quantique.

L'analogie : Considérez un ordinateur classique comme un bibliothécaire qui vérifie les livres un par un sur une étagère. Un ordinateur quantique est comme un bibliothécaire qui peut regarder tous les livres de l'étagère exactement en même temps, grâce à une propriété magique appelée « superposition ».
Le mécanisme : Le modèle prend les données boursières nettoyées et les encode dans des « qubits » (bits quantiques). Il utilise un type spécifique de circuit quantique (une boucle de portes logiques) pour traiter cette information. L'article affirme que cette approche quantique est bien meilleure pour repérer des motifs complexes et non linéaires dans les prix des actions que les modèles d'IA standard comme les LSTM ou les Transformers.

3. L'« Optimiseur de Portefeuille » : Choisir les gagnants

Après que le Cerveau Quantique a prédit quelles actions performeront bien, la deuxième partie du système s'active : l'Optimisation de Portefeuille.

L'analogie : Imaginez que vous avez un panier et une règle stipulant que vous ne pouvez contenir exactement 5 articles. Vous voulez que le panier soit aussi précieux que possible sans être trop lourd (risqué).
L'outil : Ils utilisent un algorithme appelé QAOA (Algorithme Quantique Approximatif d'Optimisation). Considérez le QAOA comme un robot super-intelligent qui teste instantanément des millions de combinaisons différentes de 5 actions pour trouver le seul mélange parfait qui maximise le profit tout en minimisant les chances de perdre de l'argent. Il transforme le problème en une énigme mathématique (QUBO) que l'ordinateur quantique résout efficacement.

4. Gérer le « bruit quantique » (les parasites sur la ligne)

Les vrais ordinateurs quantiques sont actuellement très sensibles ; ils sont comme des radios captant des parasites (bruit) qui gâchent le signal.

L'expérience : Les auteurs ont testé leur modèle dans trois scénarios :
1. Monde parfait : Pas de bruit (idéal).
2. Monde bruyant : Le signal est plein de parasites (inversions de bits et inversions de phase).
3. Correction d'erreur : Ils ont essayé de corriger les parasites en utilisant une « Correction d'Erreur » (comme un casque à réduction de bruit pour les données quantiques).
La découverte : Comme prévu, le bruit a dégradé le modèle. Cependant, ils ont constaté qu'une approche de « Correction d'Erreur Partielle » était le point idéal. Elle corrigeait suffisamment d'erreurs pour rendre le modèle stable sans rendre l'ordinateur trop lent ou complexe. C'était un équilibre entre précision et efficacité.

5. Les résultats : Est-ce que ça a marché ?

L'équipe a testé son système sur de vraies données boursières historiques de 12 grandes entreprises (comme Apple, Tesla et Amazon) sur une période de 10 ans.

La comparaison : Ils ont opposé leur modèle Ridgelet Quantique à des modèles d'IA standard (comme les LSTM) et à d'autres modèles quantiques.
Le résultat : Le modèle QRNN a gagné. Il a commis moins d'erreurs (taux d'erreur plus faible) dans la prédiction des prix des actions que les autres modèles. Lorsqu'ils ont utilisé ces prévisions pour construire un portefeuille de 5 actions, leur méthode a produit un meilleur « Ratio de Sharpe » (une mesure de combien de profit vous obtenez pour le risque que vous prenez) par rapport à une sélection aléatoire ou à de simples stratégies de « choisir les 5 meilleurs ».

Résumé

L'article propose un système hybride en deux étapes :

Réseau de Neurones Ridgelet Quantique : Utilise la physique quantique et des mathématiques spéciales (Ridgelets) pour prédire les prix des actions plus précisément que l'IA actuelle.
Optimiseur QAOA : Utilise l'informatique quantique pour sélectionner le meilleur groupe d'actions à acheter.

Les auteurs reconnaissent que, bien que le modèle fonctionne très bien dans les simulations, son exécution sur de vrais ordinateurs quantiques à grande échelle est actuellement difficile car le « bruit » et les besoins en mémoire croissent de manière exponentielle à mesure que vous ajoutez plus de qubits. Cependant, pour les données qu'ils ont testées, cette nouvelle approche s'est avérée plus précise et fiable que les méthodes existantes.

1. Énoncé du problème

L'article aborde deux défis fondamentaux en finance quantitative :

Prévision des séries temporelles financières : Prédire les rendements boursiers est difficile en raison de la nature non linéaire, chaotique et volatile des marchés financiers. Les modèles statistiques traditionnels (ARIMA, GARCH) échouent souvent à capturer des motifs complexes, tandis que les modèles d'apprentissage profond (DL) standards (LSTM, Transformers) peinent avec l'interprétabilité, le surajustement et la capture des singularités directionnelles.
Optimisation de portefeuille : Sélectionner un sous-ensemble optimal d'actifs parmi un large univers pour maximiser les rendements tout en minimisant le risque constitue un problème d'optimisation combinatoire. Résoudre ce problème sous des contraintes de cardinalité (sélectionner un nombre fixe d'actifs) est NP-difficile pour les ordinateurs classiques, car l'espace de recherche croît de manière exponentielle.

Les auteurs proposent un cadre hybride quantique-classique qui exploite la puissance expressive de l'informatique quantique pour l'extraction de caractéristiques et l'optimisation, spécifiquement adapté pour gérer la non-linéarité des données financières.

2. Méthodologie

Le cadre proposé se compose de deux modules intégrés : un Réseau de neurones Ridgelet quantique (QRNN) pour la prévision et un Algorithme d'optimisation quantique approximative (QAOA) pour la sélection de portefeuille.

A. Réseau de neurones Ridgelet quantique (QRNN)

Le QRNN est conçu pour prévoir les rendements des actifs en intégrant des transformées de Ridgelet avec des circuits quantiques paramétrés (PQC).

Transformée de Ridgelet : Contrairement aux ondelettes standard, les transformées de Ridgelet sont sensibles aux singularités et aux informations directionnelles dans les données. Elles décomposent les séries temporelles en composantes multi-résolutions, capturant à la fois les tendances locales et globales.
Encodage quantique : Les données d'entrée classiques sont encodées dans des états quantiques en utilisant un encodage angulaire via des portes de rotation $R_y(\theta)$ .
Formulation mono-qubit : Les auteurs prouvent mathématiquement qu'une séquence de rotations quantiques pilotées par des fonctions de Ridgelet s'effondre en une seule rotation effective. La valeur d'attente de l'opérateur Pauli-Z ( $\langle Z \rangle$ ) correspond à une fonction non linéaire de la sortie classique de Ridgelet : $\cos(2g_J(x))$ . Cela crée un analogue quantique d'un neurone non linéaire.
Extension multi-qubits : Le modèle est généralisé à des systèmes à $n$ qubits pour gérer des espaces de caractéristiques de haute dimension, en utilisant des produits tensoriels d'états mono-qubits.
Architecture : Le pipeline implique l'extraction de caractéristiques par Ridgelet $\rightarrow$ une mise en correspondance linéaire vers l'espace des qubits $\rightarrow$ un circuit quantique variationnel (VQC) avec des portes d'intrication $\rightarrow$ une mesure $\rightarrow$ un post-traitement classique.

B. Optimisation de portefeuille basée sur QAOA

Une fois que le QRNN prédit les rendements attendus ( $\hat{\mu}$ ), le problème de sélection de portefeuille est formulé comme un problème d'optimisation binaire quadratique sans contrainte (QUBO).

Objectif : Minimiser la variance du portefeuille tout en maximisant le rendement attendu, sous réserve d'une contrainte de cardinalité ( $K$ actifs).
Formulation QUBO : Le problème contraint est converti en une forme sans contrainte en ajoutant un terme de pénalité quadratique pour la contrainte de cardinalité :
$Q(x) = -\hat{\mu}^T x + x^T \Sigma x + P \left( \sum x_i - K \right)^2$
Résolveur QAOA : Le problème QUBO est mappé sur un hamiltonien d'Ising ( $H_C$ ). L'algorithme QAOA prépare un état quantique variationnel $|\psi(\gamma, \beta)\rangle$ en utilisant des unitaires de coût et de mélange alternés. Des optimiseurs classiques ajustent les paramètres $\gamma$ et $\beta$ pour minimiser l'énergie attendue, produisant le vecteur binaire de portefeuille optimal $x^*$ .

C. Analyse du bruit et de la correction d'erreurs

Pour évaluer la robustesse, les auteurs ont simulé le modèle dans trois conditions :

Modèle bruyant : Intégrant des canaux de retournement de bit, de retournement de phase et de dépolarisation.
Correction d'erreurs quantique complète (QEC) : Utilisant un code de répétition à 3 qubits pour encoder des qubits logiques.
QEC partielle : Appliquant la correction d'erreurs uniquement à des parties spécifiques du circuit pour équilibrer complexité et stabilité.

3. Contributions clés

Nouvelle architecture QRNN : Introduction d'un modèle hybride combinant des transformées de Ridgelet avec des PQC, permettant un apprentissage efficace de la représentation des motifs directionnels dans les données financières.
Formulation théorique : Une dérivation mathématique rigoureuse étendant le QRNN d'un système mono-qubit à des systèmes multi-qubits, prouvant l'équivalence entre la sortie du circuit quantique et le développement classique de Ridgelet.
Cadre d'optimisation intégré : Un pipeline fluide où les prévisions du QRNN alimentent directement un optimiseur de portefeuille basé sur QAOA, résolvant le problème de sélection d'actifs au format QUBO.
Analyse de robustesse : Évaluation complète du modèle dans des conditions de bruit réalistes, démontrant que la QEC partielle offre le meilleur compromis entre précision et complexité computationnelle par rapport à la QEC complète ou à aucune correction.
Validation empirique : Tests extensifs sur des données financières réelles (12 actions, 2010–2019) utilisant des clusters de GPU NVIDIA H100 NVL pour une simulation haute performance.

4. Résultats expérimentaux

Le modèle a été testé par rapport à des bases de référence classiques (LSTM, GRU, Transformer, CRNN) et quantiques (QLSTM, QGRU, QTransformer).

Précision de prévision :
- Le QRNN a obtenu les RMSE et MAE les plus bas lors des phases d'entraînement et de test.
- Résultats multi-qubits : Le RMSE de test du QRNN était de 0,0293, surpassant significativement le CRNN (0,0862), le LSTM (0,2149) et les bases de référence quantiques comme le QLSTM (0,1482).
- Le modèle a démontré une généralisation supérieure à travers divers secteurs (Technologie, Automobile, Énergie).
Résilience au bruit :
- Le bruit a considérablement augmenté les taux d'erreur (par exemple, le RMSE a bondi de 0,071 à 0,298 dans les scénarios mono-qubit).
- La QEC partielle a réduit efficacement les erreurs (RMSE ~0,217) avec une complexité de circuit inférieure à la QEC complète, qui a montré des gains marginaux mais une complexité plus élevée.
Performance du portefeuille :
- La stratégie QRNN-QAOA a atteint un Ratio de Sharpe de 0,9281, surpassant Top-K (0,6311), Poids Égaux (0,4632) et la sélection aléatoire (0,1293).
- Elle a maintenu une corrélation plus étroite entre les rendements prédits et réels et a présenté une variance significativement plus faible.

5. Importance et limites

Importance :

Puissance prédictive supérieure : L'intégration des transformées de Ridgelet avec l'intrication quantique permet au modèle de capturer des non-linéarités complexes et des tendances directionnelles que les modèles d'apprentissage profond classiques manquent.
Évolutivité de l'optimisation : En convertissant la sélection de portefeuille en QUBO et en la résolvant avec QAOA, l'approche offre une voie potentielle pour résoudre des problèmes financiers combinatoires intraitables pour les solveurs classiques à grande échelle.
Faisabilité pratique : L'étude fournit une évaluation réaliste des avantages quantiques dans l'ère NISQ (Ordinateurs quantiques intermédiaires bruyants), soulignant la nécessité de stratégies d'atténuation des erreurs comme la QEC partielle.

Limites :

Complexité computationnelle : La simulation des états quantiques (surtout avec correction d'erreurs) s'échelle de manière exponentielle ( $4^n$ pour les matrices de densité). Les auteurs ont noté que l'extension au-delà de 3 qubits logiques (9 qubits physiques) a conduit à un épuisement de la mémoire GPU (OOM) en raison de la taille de la matrice de densité.
Simulation vs Matériel : Les résultats sont basés sur des simulations haute fidélité sur des GPU classiques, et non sur du matériel quantique réel, bien que les modèles de bruit simulent des imperfections matérielles réalistes.
Dynamique d'entraînement : L'augmentation du nombre de qubits introduit des défis tels que la disparition des gradients et l'accumulation de bruit, rendant l'entraînement difficile pour les systèmes à grande échelle.

Conclusion

L'article présente un cadre hybride robuste et théoriquement fondé qui exploite avec succès l'informatique quantique pour la prévision financière et l'optimisation de portefeuille. En combinant les capacités d'extraction de caractéristiques des transformées de Ridgelet avec la puissance d'optimisation de QAOA, le modèle QRNN démontre une précision supérieure et des rendements ajustés au risque meilleurs par rapport aux modèles d'apprentissage profond classiques et quantiques les plus avancés. L'étude souligne que si le bruit est un obstacle majeur, une atténuation stratégique des erreurs (QEC partielle) peut rendre de tels modèles hybrides viables pour des applications financières réelles.