Hybrid Quantum-Classical Ridgelet Neural Networks for Portfolio Optimization

1. Enunciato del Problema

Il documento affronta due sfide fondamentali nella finanza quantitativa:

1. Previsione delle Serie Temporali Finanziarie: Prevedere i rendimenti azionari è difficile a causa della natura non lineare, caotica e volatile dei mercati finanziari. I modelli statistici tradizionali (ARIMA, GARCH) spesso falliscono nel catturare pattern complessi, mentre i modelli standard di Deep Learning (DL) (LSTM, Transformer) faticano con l'interpretabilità, l'overfitting e la cattura delle singolarità direzionali.
2. Ottimizzazione del Portafoglio: Selezionare un sottoinsieme ottimale di attività da un vasto universo per massimizzare i rendimenti minimizzando il rischio è un problema di ottimizzazione combinatoria. Risolverlo sotto vincoli di cardinalità (selezionare un numero fisso di attività) è NP-difficile per i computer classici poiché lo spazio di ricerca cresce esponenzialmente.

Gli autori propongono un framework ibrido quantistico-classico che sfrutta il potere espressivo del calcolo quantistico per l'estrazione di caratteristiche e l'ottimizzazione, specificamente adattato per gestire la non linearità dei dati finanziari.

2. Metodologia

Il framework proposto consiste in due moduli integrati: una Rete Neurale Ridgelet Quantistica (QRNN) per le previsioni e un Algoritmo di Ottimizzazione Quantistica Approssimata (QAOA) per la selezione del portafoglio.

A. Rete Neurale Ridgelet Quantistica (QRNN)

La QRNN è progettata per prevedere i rendimenti delle attività integrando le trasformate Ridgelet con Circuiti Quantistici Parametrizzati (PQC).

• Trasformata Ridgelet: A differenza delle wavelet standard, le trasformate Ridgelet sono sensibili alle singolarità e alle informazioni direzionali nei dati. Decompongono i dati delle serie temporali in componenti multi-risoluzione, catturando sia le tendenze locali che quelle globali.
• Codifica Quantistica: I dati di input classici sono codificati in stati quantistici utilizzando la codifica angolare tramite porte di rotazione $R_y(\theta)$.
• Formulazione a Singolo Qubit: Gli autori dimostrano matematicamente che una sequenza di rotazioni quantistiche guidate da funzioni Ridgelet collassa in una singola rotazione efficace. Il valore di aspettazione dell'operatore Pauli-Z ($\langle Z \rangle$) mappa su una funzione non lineare dell'output Ridgelet classico: $\cos(2g_J(x))$. Questo crea un analogo quantistico di un neurone non lineare.
• Estensione a Multi-Qubit: Il modello è generalizzato a sistemi di $n$ qubit per gestire spazi di caratteristiche ad alta dimensionalità, utilizzando prodotti tensoriali di stati a singolo qubit.
• Architettura: La pipeline prevede l'estrazione di caratteristiche Ridgelet $\rightarrow$ Mappatura lineare allo spazio dei qubit $\rightarrow$ Circuito Quantistico Variazionale (VQC) con porte di entanglement $\rightarrow$ Misurazione $\rightarrow$ Post-elaborazione classica.

B. Ottimizzazione del Portafoglio basata su QAOA

Una volta che la QRNN prevede i rendimenti attesi ($\hat{\mu}$), il problema di selezione del portafoglio è formulato come un problema di Ottimizzazione Binaria Quadratica Senza Vincoli (QUBO).

• Obiettivo: Minimizzare la varianza del portafoglio massimizzando il rendimento atteso, soggetto a un vincolo di cardinalità ($K$ attività).
• Formulazione QUBO: Il problema vincolato è convertito in una forma senza vincoli aggiungendo un termine di penalità quadratica per il vincolo di cardinalità:
  $$Q(x) = -\hat{\mu}^T x + x^T \Sigma x + P \left( \sum x_i - K \right)^2$$
• Solutore QAOA: Il problema QUBO è mappato su un Hamiltoniano di Ising ($H_C$). L'algoritmo QAOA prepara uno stato quantistico variazionale $|\psi(\gamma, \beta)\rangle$ utilizzando unitari di costo e mixer alternati. Gli ottimizzatori classici regolano i parametri $\gamma$ e $\beta$ per minimizzare l'energia attesa, producendo il vettore binario del portafoglio ottimale $x^*$.

C. Analisi del Rumore e della Correzione degli Errori

Per valutare la robustezza, gli autori hanno simulato il modello in tre condizioni:

1. Modello Rumoroso: Incorporando canali di inversione di bit, inversione di fase e depolarizzazione.
2. Correzione Completa degli Errori Quantistici (QEC): Utilizzando un codice di ripetizione a 3 qubit per codificare i qubit logici.
3. QEC Parziale: Applicando la correzione degli errori solo a parti specifiche del circuito per bilanciare complessità e stabilità.

3. Contributi Chiave

1. Nuova Architettura QRNN: Introduzione di un modello ibrido che combina trasformate Ridgelet con PQC, consentendo un apprendimento efficiente delle rappresentazioni dei pattern direzionali nei dati finanziari.
2. Formulazione Teorica: Una rigorosa derivazione matematica che estende la QRNN da un sistema a singolo qubit a sistemi multi-qubit, dimostrando l'equivalenza tra l'output del circuito quantistico e lo sviluppo Ridgelet classico.
3. Framework di Ottimizzazione Integrato: Una pipeline senza soluzione di continuità in cui le previsioni della QRNN alimentano direttamente un ottimizzatore di portafoglio basato su QAOA, risolvendo il problema di selezione delle attività in formato QUBO.
4. Analisi di Robustezza: Valutazione completa del modello in condizioni di rumore realistiche, dimostrando che la QEC Parziale offre il miglior compromesso tra accuratezza e complessità computazionale rispetto alla QEC completa o all'assenza di correzione.
5. Validazione Empirica: Estesi test su dati finanziari reali (12 azioni, 2010–2019) utilizzando cluster GPU NVIDIA H100 NVL per simulazioni ad alte prestazioni.

4. Risultati Sperimentali

Il modello è stato testato contro baseline classiche (LSTM, GRU, Transformer, CRNN) e baseline quantistiche (QLSTM, QGRU, QTransformer).

• Accuratezza delle Previsioni:
  • La QRNN ha ottenuto il più basso RMSE e MAE sia nella fase di addestramento che in quella di test.
  • Risultati multi-qubit: L'RMSE di test della QRNN è stato 0,0293, superando significativamente CRNN (0,0862), LSTM (0,2149) e baseline quantistiche come QLSTM (0,1482).
  • Il modello ha dimostrato una generalizzazione superiore in settori diversificati (Tecnologia, Auto, Energia).
• Resilienza al Rumore:
  • Il rumore ha aumentato drasticamente i tassi di errore (ad esempio, l'RMSE è saltato da 0,071 a 0,298 negli scenari a singolo qubit).
  • La QEC Parziale ha ridotto efficacemente gli errori (RMSE ~0,217) con una complessità di circuito inferiore rispetto alla QEC completa, che ha mostrato guadagni marginali ma una complessità maggiore.
• Prestazioni del Portafoglio:
  • La strategia QRNN-QAOA ha raggiunto un Rapporto di Sharpe di 0,9281, superando Top-K (0,6311), Peso Equo (0,4632) e Selezione Casuale (0,1293).
  • Ha mantenuto un allineamento più stretto tra rendimenti previsti e reali ed ha esibito una varianza significativamente inferiore.

5. Significato e Limitazioni

Significato:

• Potere Predittivo Superiore: L'integrazione delle trasformate Ridgelet con l'entanglement quantistico permette al modello di catturare non linearità complesse e tendenze direzionali che i modelli DL classici non riescono a cogliere.
• Scalabilità dell'Ottimizzazione: Convertendo la selezione del portafoglio in QUBO e risolvendola con QAOA, l'approccio offre una potenziale via per risolvere problemi finanziari combinatori intrattabili per i solutori classici su larga scala.
• Fattibilità Pratica: Lo studio fornisce una valutazione realistica dei vantaggi quantistici nell'era NISQ (Noisy Intermediate-Scale Quantum), evidenziando la necessità di strategie di mitigazione degli errori come la QEC Parziale.

Limitazioni:

• Complessità Computazionale: La simulazione degli stati quantistici (specialmente con correzione degli errori) scala esponenzialmente ($4^n$ per le matrici di densità). Gli autori hanno notato che scalare oltre 3 qubit logici (9 qubit fisici) ha portato all'esaurimento della memoria GPU (OOM) a causa delle dimensioni della matrice di densità.
• Simulazione vs Hardware: I risultati si basano su simulazioni ad alta fedeltà su GPU classiche, non su hardware quantistico reale, sebbene i modelli di rumore simulino imperfezioni realistiche dell'hardware.
• Dinamiche di Addestramento: L'aumento del numero di qubit introduce sfide come gradienti che svaniscono e accumulo di rumore, rendendo difficile l'addestramento per sistemi su larga scala.

Conclusione

Il documento presenta un framework ibrido robusto e teoricamente fondato che sfrutta con successo il calcolo quantistico per le previsioni finanziarie e l'ottimizzazione del portafoglio. Combinando le capacità di estrazione delle caratteristiche delle trasformate Ridgelet con il potere di ottimizzazione del QAOA, il modello QRNN dimostra accuratezza superiore e rendimenti aggiustati per il rischio rispetto ai modelli di deep learning classici e quantistici più avanzati. Lo studio sottolinea che, sebbene il rumore sia un ostacolo significativo, una mitigazione strategica degli errori (QEC Parziale) può rendere tali modelli ibridi fattibili per applicazioni finanziarie reali.