Large-scale portfolio optimization on a trapped-ion quantum computer

Titolo: Ottimizzazione di portafoglio su larga scala su un computer quantistico a ioni intrappolati

1. Il Problema

Il paper affronta il problema della selezione di portafoglio con vincoli di cardinalità, un problema NP-difficile fondamentale nella finanza quantitativa. L'obiettivo è selezionare un sottoinsieme fisso di $K$ asset (da un universo di $N$ asset) che massimizzi il rendimento atteso minimizzando il rischio (varianza), basandosi sul framework classico di Markowitz.
Le sfide principali includono:

• La natura discreta delle decisioni (inclusione/esclusione di un asset).
• La presenza di vincoli di cardinalità rigidi ($\sum x_i = K$).
• La complessità computazionale che rende i metodi classici impraticabili per universi di asset molto grandi.
• Le limitazioni hardware dei computer quantistici attuali (numero limitato di qubit, rumore, tempi di coerenza), che impediscono l'esecuzione diretta di problemi di ottimizzazione su larga scala.

2. Metodologia: Pipeline End-to-End

Gli autori propongono una pipeline completa che integra l'elaborazione dei dati finanziari, la decomposizione hardware-consapevole e l'ottimizzazione quantistica.

A. Pre-elaborazione e Decomposizione Consapevole dell'Hardware

Per adattare un problema di 250 asset a un processore quantistico con un budget limitato di qubit ($Q_{max}$), viene utilizzata una strategia di decomposizione basata sulla struttura di correlazione:

1. Denoising della Matrice di Correlazione: Viene applicata la teoria delle matrici casuali (RMT) per separare la matrice di correlazione empirica in componenti: rumore ($C_{noise}$), modo globale di mercato ($C_{global}$) e componenti informative strutturate ($C_{\star}$). La clustering viene eseguita solo su $C_{\star}$ per migliorare la robustezza.
2. Rilevamento delle Comunità: Un algoritmo di rilevamento delle comunità (es. Louvain) identifica gruppi di asset fortemente correlati.
3. Splitting Guidato dalla Correlazione: Poiché le comunità possono superare il limite di qubit disponibile, viene applicato uno schema "greedy" di splitting. Le comunità troppo grandi vengono suddivise ricorsivamente selezionando nodi ad alto grado e i loro vicini più correlati, fino a rispettare il vincolo $|C_m| \le Q_{max}$. Questo garantisce che ogni sottoproblema sia "embeddable" sull'hardware.

B. Ottimizzazione Quantistica (BF-DCQO)

Ogni sottoproblema (cluster) viene mappato in un problema QUBO e successivamente in un Hamiltoniano di Ising. Per risolverlo, viene utilizzato l'algoritmo Bias-Field Digitized Counterdiabatic Quantum Optimization (BF-DCQO):

• È un metodo non variazionale che evita loop di addestramento classico dei parametri.
• Segue un percorso adiabatico da un Hamiltoniano iniziale biasato a quello target, utilizzando un termine contro-adiabatico (CD) per accelerare l'evoluzione e mitigare gli errori di decoerenza.
• L'evoluzione temporale viene digitalizzata tramite Trotterizzazione e ottimizzata a livello di compilazione tramite "pruning" (rimozione di gate con angoli di rotazione trascurabili) per ridurre la profondità del circuito.
• L'algoritmo aggiorna iterativamente i campi di bias basandosi sugli stati a bassa energia misurati.

C. Post-Processing Ibrido

Poiché i circuiti quantistici non preservano esplicitamente il vincolo di cardinalità durante il campionamento, viene applicata una routine di post-processing in due fasi:

1. Riparazione Deterministica: Proietta le soluzioni vicino alla fattibilità sul manifold del vincolo di cardinalità utilizzando il gradiente della funzione obiettivo (aggiungendo o rimuovendo asset in base alla loro utilità marginale).
2. Ricerca Locale (Local Search): Esegue una ricerca di vicinato che preserva la cardinalità (scambi di asset) per affinare la soluzione, combinando la capacità del quantistico di esplorare regioni promettenti con l'efficienza euristica classica per il raffinamento fine.

3. Risultati Sperimentali

Lo studio è stato validato su un universo di 250 asset tratti dall'indice S&P 500 (dati storici 2020-2025).

• Hardware: I sottoproblemi sono stati eseguiti su processori a ioni intrappolati IonQ:
  • Sistema Forte (36 qubit, Ytterbio).
  • Sistema di sviluppo Barium (64 qubit, simile alla futura linea IonQ Tempo).
• Configurazioni: Sono stati testati diversi limiti di qubit ($Q_{max}=36$ e $Q_{max}=64$) e diversi livelli di "pruning" (rimozione di gate) per bilanciare costo del circuito e fedeltà.
• Performance:
  • Scalabilità: L'aumento del budget di qubit (da 36 a 64) ha permesso di risolvere sottoproblemi più grandi (fino a 60 qubit), riducendo l'errore di decomposizione.
  • Qualità della Soluzione: I portafogli globali ricostruiti dai sottoproblemi risolti su 64 qubit hanno mostrato valori obiettivo migliori e trade-off rischio-rendimento superiori rispetto a quelli ottenuti con 36 qubit e rispetto a baseline randomizzate.
  • Impatto del Pruning: A parità di hardware, livelli diversi di pruning hanno prodotto performance simili, suggerendo che su hardware rumoroso (NISQ) la riduzione della complessità del circuito può compensare la perdita di fedeltà del modello.
  • Ruolo della Ricerca Globale: È stato dimostrato che la ricerca locale globale è cruciale: soluzioni subottimali a livello di cluster possono essere guidate verso configurazioni a energia inferiore una volta applicati i vincoli globali e gli scambi tra cluster.

4. Contributi Chiave

1. Pipeline End-to-End: Prima dimostrazione completa che va dai dati di mercato grezzi alla soluzione di portafoglio fattibile su hardware quantistico reale, gestendo vincoli di cardinalità.
2. Decomposizione Hardware-Aware: Un metodo innovativo che lega esplicitamente la granularità della decomposizione al budget di qubit disponibile, garantendo l'eseguibilità senza scartare asset.
3. Validazione su Hardware Reale: Esecuzione sperimentale su processori a ioni intrappolati (IonQ), dimostrando la fattibilità di ottimizzare Hamiltoniani densi (QUBO) su dispositivi reali.
4. Algoritmo Non Variazionale: L'uso di BF-DCQO evita i problemi di convergenza e ottimizzazione dei parametri tipici degli algoritmi variazionali (come VQE o QAOA).

5. Significato e Implicazioni

Questo lavoro stabilisce una rotta praticabile e scalabile per l'applicazione dell'ottimizzazione quantistica alla finanza. Dimostra che:

• Non è necessario attendere computer quantistici fault-tolerant su larga scala per ottenere vantaggi; l'approccio ibrido (decomposizione + hardware attuale + post-processing classico) è efficace.
• Esiste un compromesso (trade-off) diretto tra la dimensione del problema risolvibile direttamente sull'hardware e la qualità della soluzione finale: più qubit disponibili significano meno decomposizione e soluzioni migliori.
• L'architettura a ioni intrappolati, grazie alla sua connettività quasi totale e ai lunghi tempi di coerenza, è particolarmente adatta per problemi finanziari densi che richiedono molte interazioni tra variabili.

In sintesi, il paper fornisce una prova di concetto robusta che l'ottimizzazione quantistica può essere integrata nei flussi di lavoro decisionali finanziari reali, offrendo un percorso chiaro per migliorare la qualità delle soluzioni man mano che l'hardware quantistico matura.