A Comparative Study of Hybrid Quantum and Classical Genetic Algorithms in Portfolio Optimization

Questo studio dimostra che un Algoritmo Genetico Ibrido Quantistico supera l'algoritmo classico nell'ottimizzazione dei portafogli, garantendo una convergenza più rapida, una maggiore diversità della popolazione e un numero significativamente inferiore di valutazioni necessarie per raggiungere l'ottimo globale.

L'essenziale

🌌 Il Grande Scontro: L'Algoritmo Classico contro l'Algoritmo Ibrido Quantistico

Immagina di dover trovare la ricetta perfetta per un portafoglio di investimenti. Hai 9 ingredienti (azioni di diverse aziende) e devi decidere quali mettere nel tuo piatto per ottenere il massimo sapore (guadagno) con il minimo rischio di rovinare il pasto (perdita).

Il problema è che ci sono 512 combinazioni possibili. Trovare quella perfetta è come cercare un ago in un pagliaio, ma il pagliaio è enorme e buio.

Gli scienziati di questo studio hanno messo alla prova due "cuciniere" (algoritmi) per vedere chi trova la ricetta migliore più velocemente:

1. La Cuciniere Classica (GA): Un metodo tradizionale, intelligente ma che procede passo dopo passo.
2. La Cuciniere Ibrida Quantistica (HQGA): Una nuova versione che usa la magia della fisica quantistica per "vedere" più strade contemporaneamente.

Ecco come funziona la loro gara, spiegata con metafore quotidiane.

---

1. Il Problema: Trovare l'Ago nel Pagliaio

Nella finanza, il "portafoglio ottimale" è quel mix di azioni che massimizza i profitti minimizzando i rischi.

• L'approccio classico (GA): Immagina di avere un esploratore che cammina per una montagna buia. Deve provare un sentiero, vedere se è buono, tornare indietro e provarne un altro. Se tutti i sentieri sembrano simili, l'esploratore potrebbe fermarsi su una collina che sembra la cima, ma in realtà è solo un piccolo dosso (questo si chiama convergenza prematura).
• Il problema: Spesso gli esploratori classici si stancano troppo presto, si raggruppano tutti nello stesso punto e smettono di cercare altrove, perdendo la vera cima della montagna.

2. La Soluzione Magica: L'Algoritmo Ibrido Quantistico (HQGA)

Gli autori hanno creato un algoritmo che usa i computer quantistici (che sono ancora un po' rumorosi e rumorosi, come un motore che scricchiola) insieme ai computer classici. Ecco le sue "superpoteri" spiegati con analogie:

A. La Sovrapposizione: Essere in più posti contemporaneamente

Mentre l'esploratore classico è in un solo punto alla volta, la versione quantistica è come un fantasma che può essere in 100 punti diversi della montagna contemporaneamente.

• Invece di scegliere un sentiero alla volta, l'algoritmo quantistico esplora tutti i sentieri possibili allo stesso tempo grazie alla "sovrapposizione". È come se avessi 100 esploratori che camminano in parallelo invece di uno solo.

B. L'Elitismo Quantistico: Il "Faro" che non si spegne

In ogni gara, c'è sempre il miglior esploratore trovato finora.

• Nel metodo classico: Se il miglior esploratore si ferma, il gruppo si ferma.
• Nel metodo quantistico: Il miglior risultato viene "cristallizzato" in uno stato quantistico speciale. È come se avessi un faro luminoso che illumina costantemente la strada migliore, ma che allo stesso tempo permette agli altri esploratori di non perdere la loro individualità. Questo assicura che la squadra non si disperda, ma nemmeno si blocchi.

C. L'Incrocio "Entangled" (Intrecciato): La Telepatia

Nella genetica classica, due esploratori si incontrano e si scambiano le mappe (incrocio).

• Nella versione quantistica: Usano l'entanglement (intreccio quantistico). Immagina che gli esploratori siano collegati da un filo invisibile. Quando uno trova un sentiero promettente, l'informazione viaggia istantaneamente agli altri, non copiando esattamente la mappa, ma "influenzando" le loro probabilità di prendere quella strada. È come se avessero una telepatia che li guida verso la soluzione migliore senza togliere loro la libertà di esplorare.

D. La Mutazione Ry: Il Tocco di Genio

A volte serve cambiare rotta in modo casuale.

• Classico: È come lanciare una moneta: testa vai a destra, croce vai a sinistra.
• Quantistico: È come ruotare una manopola di volume. Non cambi solo la direzione, ma modifichi la probabilità di andare in una certa direzione. Questo permette di esplorare zone nuove della montagna in modo più intelligente e meno casuale.

---

3. Cosa è Succeso nella Gara? (I Risultati)

Gli scienziati hanno fatto correre entrambi gli algoritmi su 5 gruppi diversi di azioni (512 combinazioni ciascuna). Ecco cosa hanno scoperto:

• Velocità: L'algoritmo Quantistico (HQGA) ha trovato la ricetta perfetta molto più velocemente. Ha bisogno di assaggiare molte meno combinazioni per arrivare alla soluzione migliore.
• Diversità: Questo è il punto chiave. L'algoritmo classico, dopo un po', ha smesso di cercare: tutti i suoi esploratori si sono raggruppati in un punto e hanno smesso di muoversi (diversità zero). L'algoritmo Quantistico, invece, ha mantenuto i suoi esploratori sparsi e curiosi per tutto il tempo.
• Il Risultato: Grazie a questa "curiosità" mantenuta, l'algoritmo quantistico è riuscito a saltare fuori dalle trappole (i piccoli dosghi) e trovare la vera cima della montagna, anche quando usava un numero di esploratori molto più piccolo rispetto al metodo classico.

In Sintesi: Perché è Importante?

Immagina che il computer classico sia un esploratore esperto ma stanco che si arrende facilmente. Il computer quantistico ibrido è come un squadra di esploratori con superpoteri che non si stancano mai, si aiutano a vicenda con la telepatia e riescono a vedere l'intera mappa contemporaneamente.

La lezione per tutti noi:
In un mondo dove i problemi finanziari sono sempre più complessi, l'uso intelligente della tecnologia quantistica (anche se ancora in fase di sviluppo) può aiutarci a prendere decisioni migliori, più velocemente e con meno errori, evitando di fermarci alla prima soluzione che sembra "abbastanza buona".

È come passare dal cercare un ago in un pagliaio con una torcia, al usare un raggio X che vede tutto il pagliaio in un istante.

Sommario tecnico

Titolo dello Studio

Uno studio comparativo tra Algoritmi Genetici Ibridi Quantistici e Classici nell'Ottimizzazione di Portafoglio

1. Il Problema: Ottimizzazione di Portafoglio e Convergenza Prematura

Il lavoro affronta il problema dell'ottimizzazione di portafoglio, formulato secondo il modello classico media-varianza di Markowitz. L'obiettivo è massimizzare il rendimento atteso del portafoglio penalizzando il rischio (definito dalla matrice di covarianza tra gli asset). Matematicamente, si tratta di un problema di ottimizzazione binaria in cui si deve decidere se includere ($x_i=1$) o escludere ($x_i=0$) ciascun asset.

Il problema centrale investigato dagli autori non è solo la risoluzione del problema finanziario, ma la gestione della convergenza prematura negli algoritmi genetici (GA). Nei GA classici, una pressione selettiva elevata o operatori di variazione insufficienti possono portare la popolazione a perdere rapidamente la diversità, bloccandosi in ottimi locali subottimali. Gli autori mirano a verificare se l'integrazione di principi quantistici possa mitigare questo difetto intrinseco.

2. Metodologia: L'Algoritmo Genetico Ibrido Quantistico (HQGA)

Gli autori confrontano un Algoritmo Genetico Classico (GA) con un Algoritmo Genetico Ibrido Quantistico (HQGA), proposto originariamente da Acampora e Vitiello. L'HQGA opera su un'architettura ibrida NISQ (Noisy Intermediate-Scale Quantum), dove un processore quantistico gestisce l'evoluzione della popolazione e un processore classico valuta la fitness.

L'HQGA introduce quattro meccanismi quantistici fondamentali che lo distinguono dal GA classico:

1. Rappresentazione Quantistica: Ogni individuo è rappresentato come uno stato quantistico in sovrapposizione ($\alpha|0\rangle + \beta|1\rangle$). Questo permette di esplorare simultaneamente un vasto spazio di soluzioni senza il costo computazionale esponenziale tipico dei metodi classici.
2. Elitismo Quantistico: Garantisce che la migliore soluzione trovata venga preservata. A differenza dell'elitismo classico (che copia bit), l'HQGA ricostruisce o rinforza lo stato quantistico corrispondente alla migliore soluzione, mantenendo le ampiezze di probabilità che codificano tale configurazione.
3. Crossover Entangled: Invece di copiare materiale genetico, questo operatore crea correlazioni probabilistiche (entanglement) tra i qubit del miglior individuo e quelli degli altri individui. Questo induce una influenza stocastica che guida la ricerca verso regioni promettenti senza forzare una replicazione esatta, preservando la diversità.
4. Mutazione $R_y$: Dopo il crossover, i qubit non entangled ("qubit liberi") subiscono una mutazione tramite rotazioni attorno all'asse Y della sfera di Bloch ($R_y(\theta)$). Questo modifica la distribuzione di probabilità sottostante, permettendo l'esplorazione di nuove regioni dello spazio di ricerca in modo più sofisticato rispetto al semplice "flip" di bit classico.

Setup Sperimentale:

• Dati: Sottoset casuali di 9 asset estratti dall'indice S&P 500 (periodo 2023-2024).
• Confronto: L'HQGA è stato testato contro un GA classico su diverse dimensioni di popolazione (incluso un caso molto piccolo, $N=3$).
• Metriche: Valutazione basata sul numero di valutazioni della fitness (costo computazionale), convergenza verso l'ottimo globale e mantenimento della diversità della popolazione.

3. Contributi Chiave

• Validazione della Diversità: Lo studio dimostra empiricamente che i meccanismi quantistici (sovrapposizione, entanglement e rotazioni) sono efficaci nel mantenere la diversità della popolazione molto più a lungo rispetto ai GA classici.
• Efficienza con Popolazioni Ridotte: L'HQGA riesce a raggiungere soluzioni di alta qualità con popolazioni significativamente più piccole rispetto al GA classico, riducendo drasticamente il costo computazionale.
• Resistenza alla Convergenza Prematura: L'analisi mostra che l'HQGA evita il collasso verso stati omogenei, permettendo una esplorazione sostenuta dello spazio delle soluzioni anche nelle fasi avanzate dell'ottimizzazione.

4. Risultati Sperimentali

I risultati ottenuti su cinque diversi insiemi di asset confermano i seguenti punti:

• Convergenza più Rapida: L'HQGA converge all'ottimo globale con un numero di valutazioni della fitness significativamente inferiore rispetto al GA classico e, soprattutto, rispetto all'approccio "brute-force" (che richiederebbe la valutazione di tutte le $2^9 = 512$ combinazioni possibili).
• Mantenimento della Diversità: Utilizzando la metrica di diversità $f_{max} - \bar{f}$ (differenza tra la fitness massima e la media), l'HQGA ha mostrato valori costantemente più alti rispetto al GA classico. Mentre il GA classico vedeva la diversità crollare rapidamente verso zero (indicando convergenza prematura), l'HQGA ha mantenuto una distribuzione di fitness dispersa anche dopo centinaia di iterazioni.
• Robustezza: Anche con una popolazione minima ($N=3$), l'HQGA ha dimostrato di essere competitivo o superiore ai GA classici con popolazioni più grandi, evidenziando l'efficienza intrinseca degli operatori quantistici.

5. Significato e Implicazioni

Questo studio è significativo perché fornisce evidenze concrete che gli algoritmi ibridi quantistico-classici possono offrire vantaggi pratici immediati nell'era NISQ, senza attendere computer quantistici fault-tolerant.

• Per la Finanza Quantistica: Dimostra che l'HQGA è uno strumento valido per l'ottimizzazione finanziaria, offrendo un compromesso migliore tra esplorazione (diversità) e sfruttamento (convergenza).
• Per l'Informatica Evolutiva: Suggerisce che l'integrazione di operatori quantistici (come l'entanglement e le rotazioni di fase) può risolvere problemi strutturali degli algoritmi evolutivi classici, in particolare la tendenza a stagnare in ottimi locali.
• Prospettive Future: Il lavoro apre la strada a studi su portafogli più grandi, circuiti più profondi e all'analisi dell'impatto del rumore quantistico e della decoerenza su scenari di ottimizzazione finanziaria reali.

In sintesi, l'HQGA si posiziona come un'alternativa superiore ai GA classici per problemi di ottimizzazione combinatoria, garantendo una maggiore affidabilità nel trovare soluzioni globali con un costo computazionale ridotto.