⚛️ quantum physics

Quantum-Informed Portfolio Selection: An End-to-End Pipeline Validated on Trapped-Ion Hardware with Real Market Data

Ce document présente un pipeline de bout en bout utilisant l'algorithme hybride qReduMIS, qui exploite les mesures QAOA pour identifier les nœuds gelés et guider les réductions classiques, résolvant avec succès des problèmes de diversification de portefeuille à grande échelle sur des données de marché réelles via le matériel à ions piégés de Quantinuum là où le QAOA autonome échoue.

Auteurs originaux : Romina Yalovetzky, Martin J. A. Schuetz, Zichang He, Jiayu Shen, Yue Sun, Rudy Raymond, Shauna Sahay, Kishore Perla, Ruben S. Andrist, Grant Salton, Helmut G. Katzgraber, Roger Bongiovanni, Niraj Kuma

Publié 2026-07-02

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Romina Yalovetzky, Martin J. A. Schuetz, Zichang He, Jiayu Shen, Yue Sun, Rudy Raymond, Shauna Sahay, Kishore Perla, Ruben S. Andrist, Grant Salton, Helmut G. Katzgraber, Roger Bongiovanni, Niraj Kumar, Rob Otter

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

La vue d'ensemble : Construire un panier d'investissement « super diversifié »

Imaginez que vous êtes un chef essayant de créer la salade ultime. Vous avez un énorme panier de 225 ingrédients différents (des actions). Votre objectif est de choisir autant d'ingrédients que possible pour faire une grande et délicieuse salade, mais avec une règle stricte : aucun de ces deux ingrédients ne doit avoir un goût trop similaire.

Si vous choisissez deux types de laitue qui ont exactement le même goût, vous ne diversifiez pas vraiment votre salade ; vous doublez simplement la mise sur une seule saveur. En finance, c'est ce qu'on appelle la « corrélation ». Si deux actions montent et descendent ensemble, elles sont « corrélées ». Le but de l'article est de trouver le groupe le plus large possible d'actions qui sont toutes uniques les unes par rapport aux autres.

Le problème : Un labyrinthe trop grand pour être résolu seul

Trouver ce groupe parfait, c'est comme essayer de résoudre un labyrinthe massif.

L'ancienne méthode (Ordinateurs classiques) : Les ordinateurs traditionnels essaient de résoudre cela en vérifiant chaque combinaison possible. Mais à mesure que le nombre d'ingrédients augmente, le nombre de combinaisons explose. C'est comme essayer de trouver une aiguille dans une botte de foin qui s'agrandit chaque seconde.
La voie quantique (Le nouvel outil) : Les chercheurs ont essayé d'utiliser un « ordinateur quantique » spécial (plus précisément une machine à ions piégés de Quantinuum) pour résoudre ce labyrinthe. Cependant, tout comme un humain qui se fatigue, l'ordinateur quantique a eu du mal. Lorsque le labyrinthe est devenu trop grand (comme pour les indices S&P 100 ou Nikkei 225), l'ordinateur quantique seul n'a pas pu trouver la solution parfaite. Il s'est constamment perdu.

La solution : Le « Détective Hybride » (qReduMIS)

Au lieu de demander à l'ordinateur quantique de résoudre tout le labyrinthe à la fois, les chercheurs ont créé une nouvelle méthode de collaboration appelée qReduMIS. Voyez cela comme un partenariat de détective entre un Ordinateur Classique (le planificateur logique) et un Ordinateur Quantique (le devineur intuitif).

Voici comment leur « pipeline de bout en bout » fonctionne, étape par étape :

Le nettoyage (Étape classique) : D'abord, l'ordinateur classique examine la liste des 225 actions et élimine les plus évidentes qui ne peuvent pas faire partie de la solution. C'est comme si le chef disait : « Nous n'avons certainement pas besoin à la fois de chocolat et de cornichons », et mettait de côté. Cela réduit le problème à un groupe plus petit et gérable (un « noyau »).
Le pressentiment intuitif (Étape quantique) : L'ordinateur classique transmet ce groupe plus petit à l'ordinateur quantique. Au lieu de demander à l'ordinateur quantique : « Quelle est la réponse parfaite ? » (ce qui pourrait échouer), ils posent une question différente : « Quels ingrédients ont la plus grande probabilité de figurer dans la salade parfaite ? »
- L'ordinateur quantique réalise une expérience rapide et donne une liste de « tuyaux chauds ». Il dit : « Je suis sûr à 90 % que l'ingrédient n°4 appartient à la salade, et je suis sûr à 90 % que l'ingrédient n°7 n'y appartient pas. »
- Dans l'article, ces « tuyaux chauds » sont appelés Nœuds Gelés (Frozen Nodes).
Le déblocage (La Magie) : L'ordinateur classique prend ces « tuyaux chauds » et les verrouille en place. Si l'ordinateur quantique dit « l'ingrédient n°4 est indispensable », l'ordinateur classique le verrouille et supprime ses « rivaux » (les actions qui ont un goût trop similaire au n°4).
Répétition : Ce processus se répète. L'ordinateur classique réduit la liste, l'ordinateur quantique donne quelques « tuyaux chauds » supplémentaires, et la liste devient de plus en plus petite jusqu'à ce que la salade parfaite soit trouvée.

L'analogie : Le « doigt en l'air » contre la « carte »

Quantique autonome (La Carte) : Imaginez essayer de traverser un pays en utilisant un GPS qui est cassé et qui ne vous donne qu'une chance sur 1 % de prendre le bon virage. Si vous comptez uniquement sur ce GPS, vous vous perdrez probablement.
qReduMIS (Le doigt en l'air) : Au lieu de demander au GPS cassé tout l'itinéraire, vous lui demandez : « Le prochain virage est-il à gauche ou à droite ? » Il peut avoir raison 90 % du temps. Vous prenez cet indice, vous avancez un peu, et vous demandez à nouveau. En prenant de petites étapes à haute probabilité et en utilisant un humain (l'ordinateur classique) pour combler les lacunes, vous traversez le pays avec succès même si le GPS est imparfait.

Ce qu'ils ont réellement trouvé

Les chercheurs ont testé cela sur des données réelles du marché boursier provenant de quatre indices majeurs (DAX, FTSE, S&P 100 et Nikkei 225) en utilisant un véritable ordinateur quantique doté de 98 « qubits » (bits quantiques).

L'échec de l'acte solo : Lorsqu'ils ont laissé l'ordinateur quantique tenter de résoudre les problèmes les plus vastes (S&P 100 et Nikkei 225) tout seul, il a complètement échoué. Il a trouvé la solution parfaite 0 % du temps.
Le succès de l'équipe : Lorsqu'ils ont utilisé la méthode de l'équipe qReduMIS :
- Pour le S&P 100, ils ont trouvé la solution parfaite 40 % du temps.
- Pour le Nikkei 225, ils ont trouvé la solution parfaite 95 % du temps.
- À travers tous les tests, les solutions qu'ils ont trouvées étaient au moins aussi bonnes à 96 % que la solution théorique parfaite.

Le facteur « Temps »

Ils ont également mesuré le temps nécessaire pour résoudre ces problèmes. Ils ont constaté qu'à mesure que les problèmes devenaient plus grands, la méthode de l'« Équipe » (qReduMIS) devenait beaucoup plus lentement que la méthode « Solo » (QAOA autonome).

Analogie : Si la méthode Solo est un coureur qui s'épuise et ralentit de manière exponentielle à mesure que la pente devient raide, la méthode de l'Équipe est un coureur avec un vélo. Même sur une pente raide, le vélo permet de maintenir une progression constante. L'article affirme que la méthode d'équipe est 3,2 fois plus efficace dans sa façon de s'adapter à la taille du problème.

Résumé

Cet article ne prétend pas avoir construit un robot capable de prédire le marché boursier ou de vous rendre riche. Il prouve plutôt un point technique spécifique : vous n'avez pas besoin d'un ordinateur quantique parfait pour résoudre des problèmes difficiles.

En utilisant un ordinateur quantique uniquement pour donner des « indices » (identifier les parties du problème qui sont « gelées » ou certaines) et en laissant un ordinateur classique faire le gros du travail d'organisation de ces indices, vous pouvez résoudre des énigmes financières massives qu'un ordinateur quantique seul ne peut pas déchiffrer. Cela transforme un outil quantique « défectueux » en un partenaire hautement efficace.

Résumé technique : Sélection de portefeuille informée par le quantique via qReduMIS sur un matériel à ions piégés

Formulation du problème
L'article traite du problème de sélection de portefeuille (PSP), une tâche fondamentale de la gestion d'actifs visant à construire un panier diversifié d'actifs pour équilibrer le risque et le rendement. Les auteurs formalisent le PSP comme un problème de Maximum d'Ensemble Indépendant (MIS) sur un graphe de corrélation d'actifs. Dans cette formulation :

Les nœuds représentent des actifs financiers.
Les arêtes relient des paires d'actifs si leur corrélation absolue dépasse un seuil spécifique $\lambda$ .
L'objectif est de trouver le plus grand sous-ensemble de nœuds (actifs) tels qu'aucun ne soit connecté à un autre, garantissant que le portefeuille sélectionné contient des actifs mutuellement non corrélés.

Les auteurs soulignent que les graphes de marchés financiers diffèrent considérablement des benchmarks d'optimisation combinatoire standards. Ils sont denses, non locaux et présentent des distributions de degrés hétérogènes, contrairement aux graphes creux, réguliers ou à contraintes géométriques (par exemple, les graphes de disques unitaires) typiquement étudiés dans la littérature d'optimisation quantique. Ces propriétés structurelles posent des défis tant pour les algorithmes exacts classiques que pour les approches quantiques actuelles, particulièrement en ce qui concerne la scalabilité et la suppression de la probabilité de succès à mesure que la difficulté du problème augmente.

Méthodologie : Le pipeline qReduMIS
La contribution principale est un pipeline hybride quantique-classique de bout en bout exploitant l'algorithme qReduMIS, adapté ici pour le matériel quantique à portes logiques. Plutôt que d'utiliser le processeur quantique pour produire directement la solution optimale finale, le pipeline utilise les mesures quantiques pour identifier des « nœuds gelés » (frozen nodes) — des sommets ayant une probabilité marginale élevée d'appartenir (ou de ne pas appartenir) au MIS optimal.

Le pipeline opère de manière récursive à travers les étapes suivantes :

Réduction classique : Le graphe de marché d'entrée subit des techniques de réduction classique exacte (spécifiquement, la suppression de « nœuds de coin exposés » ou sommets simpliciaux). Cela réduit le graphe à un « noyau » plus petit tout en maintenant des ensembles de nœuds sélectionnés et supprimés.
Sous-routine quantique (QAOA) : Le noyau réduit est mappé sur un circuit d'Algorithme d'Optimisation Approchée Quantique (QAOA). Le circuit est exécuté sur un processeur à ions piégés (Quantinuum Helios).
Identification des nœuds gelés : Au lieu de chercher directement la chaîne de bits optimale, l'algorithme analyse la distribution de probabilité marginale des nœuds issus des mesures QAOA. Les nœuds ayant une probabilité marginale élevée (dans l'ensemble) ou une faible probabilité marginale (hors de l'ensemble) sont identifiés comme « gelés ».
Déblocage récursif : Un nœud gelé est sélectionné (en utilisant une stratégie semi-gloutonne basée sur les marginales les mieux classées), fixé dans la solution, et supprimé du graphe avec ses voisins. Cela « débloque » le graphe, permettant à l'étape de réduction classique de progresser davantage lors de l'itération suivante.
Terminaison : Le processus se répète jusqu'à ce que le noyau soit entièrement réductible ou qu'un critère d'arrêt soit atteint, produisant un portefeuille diversifié final.

Contributions clés
L'article présente trois contributions principales :

Démonstration matérielle de bout en bout : Les auteurs ont déployé le pipeline complet sur le système à ions piégés Helios de 98 qubits de Quantinuum, utilisant des données de marché réelles provenant de quatre indices majeurs (DAX, FTSE, S&P 100, Nikkei 225) avec jusqu'à 225 actifs. Cela représente l'une des plus grandes démonstrations de QAOA sur des instances réelles sur du matériel à portes logiques à ce jour.
Extension algorithmique aux dispositifs à portes logiques : Le travail étend le cadre qReduMIS, précédemment démontré sur le matériel de recuit quantique (quantum annealing), au QAOA à portes logiques. Cette adaptation est cruciale car les graphes de marché possèdent une connectivité non locale qui dépasse les capacités d'intégration natives de nombreux recuiseurs quantiques, mais qui est naturellement adaptée à la connectivité tous-vers-tous des processeurs à ions piégés.
Benchmarking rigoureux : L'étude fournit une comparaison systématique entre le QAOA autonome et qReduMIS (propulsé par le QAOA) à travers plusieurs mesures de performance, incluant la probabilité de succès, le ratio d'approximation et l'échelle du temps optimal pour atteindre la solution (optTTS).

Résultats expérimentaux
Les expériences ont utilisé des circuits QAOA avec $p=2$ couches agissant sur des noyaux allant jusqu'à 78 qubits (pour l'instance Nikkei 225, où le graphe complet nécessiterait 225 qubits, dépassant la limite du matériel).

Probabilité de succès : Le QAOA autonome n'a pas réussi à trouver la solution optimale pour les deux plus grands indices (S&P 100 et Nikkei 225), affichant une probabilité de succès ( $P_{MIS}$ ) de 0. En revanche, qReduMIS a atteint des probabilités de succès de 0,40 et 0,95, respectivement, pour ces indices.
Ratio d'approximation : Sur l'ensemble des quatre indices, qReduMIS a maintenu un ratio d'approximation moyen $\ge 0,96$ , tandis que le QAOA autonome oscillait entre 0,73 et 0,83.
Comportement de mise à l'échelle (Scaling) : Sur un émulateur bruité du dispositif Quantinuum H2-1, les auteurs ont analysé la mise à l'échelle de l'optTTS par rapport à la taille du problème. Pour $p=2$ , l'exposant de mise à l'échelle pour qReduMIS s'est révélé 3,2 fois plus petit que celui du QAOA autonome ( $\beta_{qReduMIS} = 0,164$ contre $\beta_{QAOA} = 0,524$ ).
Signal des nœuds gelés : L'analyse du noyau du DAX 100 a montré que même lorsque la probabilité d'échantillonner directement la solution optimale était faible (<10 %), environ 96 % de la masse de probabilité marginale était concentrée sur les nœuds gelés de la vérité terrain. Cela confirme que le matériel quantique fournit un signal suffisant pour guider la réduction classique, même sans produire directement la solution optimale.

Signification et affirmations
L'article soutient que la principale importance de ce travail réside dans la démonstration d'un usage fondamentalement différent des ressources quantiques : exploiter les mesures quantiques pour identifier des propriétés structurelles (nœuds gelés) qui facilitent les réductions classiques, plutôt que d'attendre du processeur quantique qu'il résolve l'intégralité du problème d'optimisation de manière directe.

Les auteurs affirment que ce paradigme « réduire et échantillonner » permet au pipeline de :

Résoudre des instances qui dépassent le budget de qubits de l'équipement actuel (par exemple, le Nikkei 225 de 225 actifs sur un dispositif de 98 qubits) en opérant sur des noyaux réduits.
Surpasser l'optimisation quantique autonome sur des instances qui peuvent être encodées, en améliorant significativement les taux de succès et la qualité des solutions.
Offrir une voie évolutive, car le cadre bénéficie de l'augmentation de la profondeur des circuits (démontré par une amélioration des performances à $p=6$ ) et des améliorations de la fidélité du matériel.

Les auteurs restent modestes concernant la comparaison avec les solveurs classiques, notant que pour les tailles de problèmes actuelles accessibles au matériel quantique, les métaheuristiques classiques comme le recuit simulé (Simulated Annealing - SA) résolvent la plupart des instances trivialement. Par conséquent, la validation primaire est une comparaison quantique contre quantique, établissant que l'approche hybride extrait nettement plus d'utilité des ressources quantiques limitées que l'optimisation quantique standard seule. Le travail suggère qu'à mesure que le matériel mûrira pour gérer des instances plus larges et plus difficiles où les heuristiques classiques peinent, l'échelle favorable de qReduMIS pourrait se traduire par un avantage pratique.