💰 quantitative finance

Quantum-Assisted Optimal Rebalancing with Uncorrelated Asset Selection for Algorithmic Trading Walk-Forward QUBO Scheduling via QAOA

Questo studio presenta un framework ibrido classico-quantistico che utilizza l'algoritmo QAOA per ottimizzare la schedulazione del ribilanciamento di portafoglio, dimostrando come tale approccio possa ridurre significativamente i costi di transazione mantenendo prestazioni rischio-rendimento competitive rispetto alle strategie classiche.

Autori originali: Abraham Itzhak Weinberg

Pubblicato 2026-03-19

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Abraham Itzhak Weinberg

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere il capitano di una nave mercantile molto grande che attraversa l'oceano (il mercato azionario). Il tuo obiettivo è arrivare a destinazione con il massimo carico possibile (il profitto) e il minimo danno alla nave (le perdite).

Questo articolo scientifico, scritto da Abraham Itzhak Weinberg, racconta come ha provato a usare un computer quantistico (una macchina futuristica e potentissima) per prendere due decisioni cruciali: quali merci caricare e quando fermarsi per sistemare il carico.

Ecco la spiegazione semplice, passo dopo passo, con qualche metafora divertente.

1. Il Problema: Troppo rumore, troppe scelte

Nella finanza classica, i gestori di portafoglio spesso fanno due cose separate:

Scegliere le azioni: Cercano di trovare 10 aziende che vadano bene.
Ribilanciare: Decidono quando vendere e comprare di nuovo per mantenere le percentuali giuste (es. ogni mese o ogni settimana).

Il problema è che spesso lo fanno "alla cieca" o con regole rigide. È come se il capitano della nave decidesse di fermarsi ogni giorno per controllare la merce, anche se il mare è calmo, perdendo tempo e carburante (costi di transazione). O peggio, si ferma solo quando la nave è già in tempesta.

2. La Soluzione: Tre Strumenti Magici

L'autore ha creato un sistema che combina tre "superpoteri":

A. La Selezione Intelligente (Il "Filtro Anti-Coincidenza")

Prima di caricare la nave, bisogna scegliere le merci. Se carichi 10 scatole di uova e 10 scatole di pomodori, e un'onda le bagna tutte, perdi tutto.

Cosa ha fatto: Ha usato un metodo matematico (Ledoit-Wolf) per trovare 10 azioni che non si muovono insieme. Se l'azione A scende, l'azione B potrebbe salire o restare ferma.
L'analogia: È come scegliere 10 amici per una festa che non si conoscono tra loro e non hanno gusti musicali simili. Se uno si annoia e se ne va, gli altri continuano a ballare. Il sistema ha scelto 10 aziende diverse (come Costco, Eli Lilly, Apple ecc.) che non "ballano" allo stesso ritmo.

B. Il Peso Ottimale (L'Algoritmo Genetico)

Una volta scelti i 10 amici, quanto peso dare a ciascuno?

Cosa ha fatto: Ha usato un "Algoritmo Genetico" (simile all'evoluzione biologica) che prova migliaia di combinazioni di pesi, scarta quelle brutte e "incrocia" quelle buone per trovare la ricetta perfetta.
Il trucco: Ha aggiunto una regola per non dare tutto il peso a un solo amico (per evitare che se lui cade, crolla tutto).

C. Il "Cervello Quantistico" per il Timing (QAOA)

Qui arriva la parte più sci-fi. Quando bisogna fermarsi per ribilanciare?

Il problema classico: I computer normali sono lenti a calcolare tutte le possibili combinazioni di giorni in cui fermarsi.
La soluzione quantistica: Ha trasformato il problema in un QUBO (un puzzle matematico) e lo ha dato in pasto a un algoritmo chiamato QAOA (Quantum Approximate Optimization Algorithm).
L'analogia: Immagina di dover scegliere 8 giorni di pausa in un anno. Un computer normale prova una combinazione alla volta (come cercare un ago in un pagliaio). Il computer quantistico, grazie alla sua natura "sovrapposta", guarda tutte le combinazioni contemporaneamente e trova quasi istantaneamente la sequenza perfetta che massimizza il guadagno e minimizza le fermate inutili.

3. Il Risultato: Meno fermate, più guadagno

Hanno testato questo sistema su dati reali del 2025 (un futuro simulato basato sui dati passati).

Il metodo classico: Per ottenere un buon risultato, dovevano fermarsi a ribilanciare 24 volte l'anno. Questo costava molto in commissioni (come pagare 24 volte il pedaggio autostradale).
Il metodo Quantistico (QAOA): Ha trovato una strategia che funzionava meglio ma richiedeva solo 8 fermate l'anno.
Il risultato: Hanno guadagnato di più (10,1% di ritorno) con meno costi (44% in meno di commissioni). È come arrivare a destinazione più velocemente, con meno benzina spesa e la nave più stabile.

4. Perché è importante?

Questo studio non dice che i computer quantistici risolvono tutto oggi. Dice che:

Il timing è tutto: Non basta scegliere le azioni giuste; sapere quando muoversi fa la differenza.
L'efficienza: Il computer quantistico ha trovato una soluzione "intelligente" che un computer normale avrebbe faticato a trovare così velocemente, risparmiando soldi reali.
Il futuro: Anche se oggi i computer quantistici sono ancora piccoli e rumorosi (come un motore che fa un po' di rumore), questo approccio funziona già in simulazione e promette di rivoluzionare come gestiamo i nostri risparmi in futuro.

In sintesi: L'autore ha usato un computer del futuro per insegnarci che, in finanza, a volte è meglio fare meno cose (meno ribilanciamenti) ma farle nel momento esatto, e che i computer quantistici sono bravi a trovare quel "momento esatto" tra milioni di possibilità.

Titolo: Rebilanciamento Ottimale Assistito da Quantum con Selezione di Asset Non Correlati per il Trading Algoritmico

Autore: Abraham Itzhak Weinberg (AI-WEINBERG, Tel Aviv)
Data: 19 marzo 2026
Contesto: Backtest su dati S&P 500 (addestramento 2010-2024, test out-of-sample 2025).

1. Il Problema

La gestione dei portafogli finanziari affronta tradizionalmente due decisioni in modo sequenziale e disaccoppiato:

Selezione degli asset e pesi: Determinare quali asset detenere e in quali proporzioni (es. ottimizzazione di Markowitz).
Pianificazione del rebilanciamento: Decidere quando ribilanciare il portafoglio verso i pesi target (spesso basato su calendari fissi o soglie di drift).

Questo approccio classico ignora l'interazione tra lo spostamento dei pesi (drift) e i costi di transazione. Le strategie a frequenza fissa sprecano budget di transazione su scambi non necessari, mentre le strategie basate su soglie fisse possono perdere opportunità di ribilanciamento benefiche. Inoltre, la selezione degli asset soffre spesso di errori di stima della covarianza e di bias di sopravvivenza.

L'obiettivo del paper è formulare il problema del pianificazione del ribilanciamento come un problema di ottimizzazione combinatoria risolvibile tramite algoritmi quantistici, integrandolo con una selezione di asset robusta.

2. Metodologia

Il framework proposto combina tecniche statistiche avanzate, algoritmi evolutivi classici e ottimizzazione quantistica variazionale.

A. Selezione degli Asset (Asset Selection)

Universo: S&P 500, ricostruito per eliminare il survivorship bias (considerando solo le azioni presenti al 31 dicembre 2024, retrodatando le rimozioni).
Stima della Covarianza: Utilizzo dell'estimatore di Ledoit-Wolf (shrinkage) per ridurre l'errore di stima nella matrice di covarianza, cruciale quando il numero di asset è alto rispetto ai dati temporali.
Clustering Gerarchico: Applicazione di una distanza angolare sulla matrice di correlazione shrinkata e clustering gerarchico (Ward's linkage) per dividere gli asset in cluster.
Selezione: Da ciascuno dei 10 cluster, viene selezionata l'azione con il più alto Sharpe ratio annualizzato sul periodo di training. Questo garantisce un portafoglio di 10 asset massimamente non correlati e performanti.

B. Ottimizzazione dei Pesi (Weight Optimisation)

Vengono confrontati diversi metodi per determinare i pesi target ( $w$ ):

Algoritmo Genetico (GA) con Regularizzazione dell'Entropia: Massimizza il rapporto di Sharpe aggiungendo un termine di entropia normalizzata per evitare soluzioni degeneri (dove un solo asset assorbe tutto il capitale). Eseguito su GPU.
Minima Varianza (MinVar): Soluzione analitica chiusa.
Pesi Uguali (Equal Weight).
Ensemble: Media ponderata delle tre strategie sopra.

C. Formulazione QUBO e QAOA per il Ribilanciamento

Questa è la contribuzione centrale del paper. La decisione di quando ribilanciare è trasformata in un problema QUBO (Quadratic Unconstrained Binary Optimization):

Variabili: Un vettore binario $x \in \{0, 1\}^W$ , dove $W$ sono le date candidate per il ribilanciamento (8 date per finestra).
Funzione Obiettivo (Hamiltoniana): Minimizzare un costo che include:
- Guadagno marginale di Sharpe derivante dal ribilanciamento.
- Penalità per i costi di transazione.
- Penalità esponenziale per ribilanciamenti consecutivi (per evitare trading eccessivo).
Risoluzione: Il problema QUBO viene mappato su un Hamiltoniano di Ising e risolto tramite l'algoritmo QAOA (Quantum Approximate Optimization Algorithm) con profondità $p=2$ .
Walk-Forward: Per evitare il lookahead bias, il QAOA viene eseguito in finestre temporali scorrevoli (3 finestre da ~83 giorni nel 2025), utilizzando solo i dati disponibili al momento della decisione.

3. Contributi Chiave

Selezione Principale di Asset: Combinazione di shrinkage di Ledoit-Wolf e clustering gerarchico per selezionare asset non correlati senza bias di sopravvivenza.
Ottimizzazione Pesi GPU: Uso di un GA regolarizzato dall'entropia per prevenire soluzioni sparse e massimizzare il Sharpe ratio.
Nuova Formulazione QUBO: Prima applicazione della letteratura che tratta la tempistica del ribilanciamento come un problema QUBO, incorporando costi e guadagni marginali.
Validazione Empirica: Backtest completo su 16 strategie (4 metodi di pesi $\times$ 4 schemi di scheduling) che dimostra un vantaggio quantistico nel sottoproblema di scheduling combinatorio.

4. Risultati Sperimentali (Test 2025)

Il backtest è stato condotto su 249 giorni di trading nel 2025 (periodo out-of-sample).

Performance della Strategia GA + QAOA:
- Sharpe Ratio: 0.588 (il più alto tra tutte le 16 strategie).
- Rendimento Totale: 10.1%.
- Efficienza dei Costi: Ha eseguito solo 8 ribilanciamenti con un costo di transazione di 6.1 bp (punti base).
Confronto con il Migliore Approccio Classico (GA Rebal/10d):
- Il miglior metodo classico (ribilanciamento ogni 10 giorni) ha ottenuto uno Sharpe di 0.575.
- Ha richiesto 24 ribilanciamenti con un costo di 11.0 bp.
- Risultato: La strategia quantistica supera quella classica nello Sharpe ratio (+2.3%) riducendo i costi di transazione del 44.5%.
Convergenza QAOA: La distribuzione delle misurazioni bitstring mostra una concentrazione significativa di massa probabilistica sulle soluzioni ottimali (il bitstring migliore rappresenta >7% dei 4.096 shot, contro un baseline uniforme di 0.4%), fornendo evidenza empirica di convergenza verso lo stato fondamentale.

5. Significato e Conclusioni

Il paper dimostra che l'ottimizzazione quantistica variazionale (QAOA) può fornire miglioramenti economicamente significativi nelle decisioni di trading combinatorie, anche su hardware simulato (NISQ).

Vantaggio Quantistico: Sebbene il problema con 8 variabili sia risolvibile classicamente, la struttura del QAOA ha identificato schemi di ribilanciamento ottimali che riducono drasticamente i costi mantenendo o migliorando la performance.
Scalabilità: Il metodo è progettato per scalare su hardware quantistico reale (es. D-Wave per annealing o processori superconduttori per QAOA) gestendo finestre temporali più ampie ( $W \approx 252$ ) dove la ricerca esaustiva classica diventa intrattabile ( $2^{252}$ ).
Implicazioni Pratiche: La strategia dimostra che l'integrazione di algoritmi quantistici non richiede solo la selezione degli asset, ma può ottimizzare dinamicamente la logistica del trading (quando scambiare), massimizzando il rapporto rischio-rendimento netto dei costi.

In sintesi, il lavoro propone un framework ibrido robusto che supera i limiti delle strategie di ribilanciamento fisse o basate su soglie, offrendo una prova preliminare di "vantaggio quantistico" applicato alla finanza algoritmica.