⚛️ quantum physics

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

Questo articolo presenta una pipeline end-to-end che utilizza l'algoritmo ibrido qReduMIS, il quale sfrutta le misurazioni QAOA per identificare i nodi congelati e guidare le riduzioni classiche, risolvendo con successo problemi di diversificazione di portafoglio su larga scala utilizzando l'hardware a ioni intrappolati di Quantinuum dove il QAOA standalone fallisce.

Autori originali: 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

Pubblicato 2026-07-02

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: 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

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

La Visione d'Insieme: Costruire un "Cesto di Investimenti Super-Diversificato"

Immaginate di essere uno chef che cerca di creare l'insalata definitiva. Avete un enorme cesto di 225 ingredienti diversi (azioni). Il vostro obiettivo è scegliere quanti più ingredienti possibile per fare un'insalata grande e deliziosa, ma con una regola ferrea: nessun due ingredienti possono avere un sapore troppo simile.

Se scegliete due tipi di lattuga che hanno esattamente lo stesso sapore, non state davvero diversificando la vostra insalata; state solo raddoppiando un unico sapore. In finanza, questo viene chiamato "correlazione". Se due azioni salgono e scendono insieme, sono "correlate". L'obiettivo del documento è trovare il gruppo più grande possibile di azioni che siano tutte uniche l'una dall'altra.

Il Problema: Un Labirinto Troppo Grande per Risolverlo da Solo

Trovare questo gruppo perfetto è come cercare di risolvere un labirinto enorme.

Il Vecchio Metodo (Computer Classici): I computer tradizionali cercano di risolvere questo problema controllando ogni possibile combinazione. Ma man mano che il numero di ingredienti cresce, il numero di combinazioni esplode. È come cercare un ago in un pagliaio che diventa sempre più grande ogni secondo.
Il Metodo Quantistico (Il Nuovo Strumento): I ricercatori hanno provato a usare un particolare "Computer Quantistico" (specificamente, una macchina a ioni intrappolati di Quantinuum) per risolvere questo labirinto. Tuttavia, proprio come un essere umano che si stanca, il computer quantistico ha faticato. Quando il labirinto diventava troppo grande (come gli indici S&P 100 o Nikkei 225), il computer quantistico da solo non riusciva a trovare la soluzione perfetta. Continuava a perdersi.

La Soluzione: Il "Detective Ibrido" (qReduMIS)

Invece di chiedere al computer quantistico di risolvere l'intero labirinto in una volta sola, i ricercatori hanno creato un nuovo metodo di collaborazione chiamato qReduMIS. Pensatelo come una partnership da detective tra un Computer Classico (il pianificatore logico) e un Computer Quantistico (l'intuizione istintiva).

Ecco come funziona il loro "processo end-to-end", passo dopo passo:

La Pulizia (Passaggio Classico): Per prima cosa, il Computer Classico esamina la lista di 225 azioni e rimuove quelle ovvie che non possono far parte della soluzione. È come se lo chef dicesse: "Decisamente non abbiamo bisogno sia di cioccolato che di cetrioli", mettendo da parte quelle opzioni. Questo riduce il problema a un gruppo più piccolo e gestibile (un "kernel").
L'Intuizione Istintiva (Passaggio Quantistico): Il Computer Classico consegna questo gruppo più piccolo al Computer Quantistico. Invece di chiedere al Computer Quantistico: "Qual è la risposta perfetta?" (cosa che potrebbe fallire), gli pongono una domanda diversa: "Quali ingredienti hanno più probabilità di far parte dell'insalata perfetta?"
- Il Computer Quantistico esegue un esperimento rapido e fornisce una lista di "consigli caldi". Dice: "Sono sicuro al 90% che l'Ingrediente #4 appartenga all'insalata, e sono sicuro al 90% che l'Ingrediente #7 non appartenga all'insalata".
- Nel documento, questi "consigli caldi" sono chiamati Nodi Congelati (Frozen Nodes).
Lo Sblocco (La Magia): Il Computer Classico prende questi "consigli caldi" e li blocca in posizione. Se il Computer Quantistico dice "L'Ingrediente #4 è un elemento essenziale", il Computer Classico lo blocca e rimuove i suoi "rivali" (le azioni che hanno un sapore troppo simile al #4).
Ripetizione: Questo processo si ripete. Il Computer Classico restringe la lista, il Computer Quantistico fornisce altri pochi "consigli caldi" e la lista diventa sempre più piccola fino a quando l'insalata perfetta viene trovata.

L'Analogia: Il "Dito in Aria" contro la "Mappa"

Quantum Standalone (La Mappa): Immaginate di provare a guidare attraverso un paese usando un GPS che è rotto e che vi dà solo l'1% di possibilità di prendere la direzione corretta. Se vi affidate solo a quel GPS, probabilmente vi perderete.
qReduMIS (Il Dito in Aria): Invece di chiedere a quel GPS rotto l'intero percorso, gli chiedete: "La prossima svolta è a sinistra o a destra?". Potrebbe avere ragione il 90% delle volte. Prendete quel suggerimento, percorrete un tratto e chiedete di nuovo. Prendendo piccoli passi ad alta probabilità e usando un essere umano (il Computer Classico) per colmare le lacune, riuscite ad attraversare il paese nonostante il GPS sia imperfetto.

Cosa Hanno Scoperto Effettivamente

I ricercatori hanno testato questo metodo su dati reali di mercato azionario provenienti da quattro indici principali (DAX, FTSE, S&P 100 e Nikkei 225) utilizzando un vero computer quantistico con 98 "qubit" (bit quantistici).

Il Fallimento del Solista: Quando hanno lasciato che il Computer Quantistico cercasse di risolvere i problemi più grandi (S&P 100 e Nikkei 225) da solo, ha fallito completamente. Ha trovato la soluzione perfetta lo 0% delle volte.
Il Successo del Team: Quando hanno usato il metodo di collaborazione qReduMIS:
- Per l'S&P 100, hanno trovato la soluzione perfetta il 40% delle volte.
- Per il Nikkei 225, hanno trovato la soluzione perfetta il 95% delle volte.
- In tutti i test, le soluzioni trovate erano almeno al 96% della qualità della soluzione teorica perfetta.

Il Fattore "Tempo"

Hanno anche misurato quanto tempo occorreva per risolvere questi problemi. Hanno scoperto che, man mano che i problemi diventavano più grandi, il metodo del "Team" (qReduMIS) diventava molto più lentamente rispetto al metodo "Solo" (Standalone QAOA).

Analogia: Se il metodo Solo è un corridore che si esaurisce e rallenta esponenzialmente man mano che la collina diventa più ripida, il metodo Team è un corridore con una bicicletta. Anche su una collina ripida, la bicicletta permette di mantenere un ritmo costante. Il documento afferma che il metodo Team è 3,2 volte più efficiente nel modo in cui scala rispetto alla dimensione del problema.

Riassunto

Questo documento non sostiene di aver costruito un robot capace di prevedere il mercato azionario o di rendervi ricchi. Al contrario, dimostra un punto tecnico specifico: non è necessario un computer quantistico perfetto per risolvere problemi difficili.

Usando un computer quantistico solo per fornire "indizi" (identificando quali parti del problema sono "congelate" o certe) e lasciando che un computer classico faccia il lavoro pesante di organizzare tali indizi, è possibile risolvere enormi enigmi finanziari che un computer quantistico da solo non riuscirebbe a decifrare. Trasforma uno strumento quantistico "imperfetto" in un partner altamente efficace.

Sintesi Tecnica: Selezione di Portafoglio Informata dal Quantum tramite qReduMIS su Hardware a Ioni Intrappolati

Formulazione del Problema
Il documento affronta il Problema della Selezione del Portafoglio (PSP), un compito fondamentale nella gestione degli investimenti volto a costruire un paniere diversificato di asset per bilanciare rischio e rendimento. Gli autori formalizzano il PSP come un problema di Massimo Set Indipendente (MIS) su un grafo di correlazione tra asset. In questa formulazione:

I nodi rappresentano gli asset finanziari.
Gli archi collegano coppie di asset se la loro correlazione assoluta supera una specifica soglia $\lambda$ .
L'obiettivo è trovare il più grande sottoinsieme di nodi (asset) tale che nessun paio di nodi sia connesso, garantendo che il portafoglio selezionato contenga asset mutuamente non correlati.

Gli autori evidenziano che i grafi dei mercati finanziari differiscono significativamente dai classici benchmark di ottimizzazione combinatoria. Essi sono densi, non locali ed esibiscono distribuzioni di grado eterogenee, a differenza dei grafi sparsi, regolari o con vincoli geometrici (es. grafi unit-disk) tipicamente studiati nella letteratura di ottimizzazione quantistica. Queste proprietà strutturali pongono sfide sia per gli algoritmi esatti classici che per gli attuali approcci quantistici, in particolare per quanto riguarda la scalabilità e la soppressione della probabilità di successo all'aumentare della difficoltà del problema.

Metodologia: La Pipeline qReduMIS
Il contributo principale è una pipeline ibrida quantistico-classica end-to-end che sfrutta l'algoritmo qReduMIS, adattato qui per l'hardware quantistico gate-based. Invece di utilizzare il processore quantistico per produrre direttamente la soluzione ottimale finale, la pipeline utilizza le misurazioni quantistiche per identificare i "nodi congelati" (frozen nodes) — vertici con un'alta probabilità marginale di appartenere (o non appartenere) al MIS ottimale.

La pipeline opera ricorsivamente attraverso i seguenti passaggi:

Riduzione Classica: Il grafo di mercato in ingresso subisce tecniche di riduzione esatta classica (specificamente, la rimozione di "nodi angolari esposti" o vertici semplici). Questo riduce il grafo a un "kernel" più piccolo mantenendo l'insieme dei nodi selezionati e rimossi.
Sottoprogramma Quantistico (QAOA): Il kernel ridotto viene mappato su un circuito Quantum Approximate Optimization Algorithm (QAOA). Il circuito viene eseguito su un processore quantistico a ioni intrappolati (Quantinuum Helios).
Identificazione dei Nodi Congelati: Invece di cercare direttamente la stringa di bit ottimale, l'algoritmo analizza la distribuzione di probabilità marginale dei nodi derivante dalle misurazioni QAOA. I nodi con alta probabilità marginale (nel set) o bassa probabilità marginale (fuori dal set) vengono identificati come "congelati".
Sblocco Ricorsivo: Un nodo congelato viene selezionato (utilizzando una strategia semi-greedy basata sui marginali di alto rango), fissato nella soluzione e rimosso insieme ai suoi vicini. Questo "sblocca" il grafo, permettendo al passaggio di riduzione classica di procedere ulteriormente nella successiva iterazione.
Terminazione: Il processo si ripete finché il kernel non è completamente riducibile o viene raggiunto un criterio di arresto, fornendo un portafoglio diversificato finale.

Contributi Chiave
Il documento presenta tre contributi primari:

Dimostrazione End-to-End su Hardware: Gli autori hanno implementato l'intera pipeline sul sistema a 98 qubit di tipo ioni intrappolati Quantinuum Helios, utilizzando dati di mercato reali da quattro indici principali (DAX, FTSE, S&P 100, Nikkei 225) con fino a 225 asset. Questa rappresenta una delle più grandi dimostrazioni di QAOA gate-based su istanze combinatorie reali ad oggi.
Estensione Algoritmica a Dispositivi Gate-Based: Il lavoro estende il framework qReduMIS, precedentemente dimostrato su hardware di quantum annealing, al QAOA gate-based. Questa adattamento è critico perché i grafi di mercato possiedono una connettività non locale che supera le capacità di embedding nativo di molti quantum annealer, ma è naturalmente adatta alla connettività all-to-all dei processori a ioni intrappolati.
Benchmarking Rigoroso: Lo studio fornisce un confronto sistematico tra QAOA standalone e qReduMIS (alimentato da QAOA) attraverso molteplici figure di merito, inclusi la probabilità di successo, il rapporto di approssimazione e la scalabilità dell'optimal time-to-solution (optTTS).

Risultati Sperimentali
Gli esperimenti hanno utilizzato circuiti QAOA con $p=2$ layer agendo su kernel di fino a 78 qubit (per l'istanza Nikkei 225, dove il grafo completo richiederebbe 225 qubit, superando il limite dell'hardware).

Probabilità di Successo: Il QAOA standalone non è riuscito a trovare la soluzione ottimale per i due indici più grandi (S&P 100 e Nikkei 225), ottenendo una probabilità di successo ( $P_{MIS}$ ) pari a 0. Al contrario, qReduMIS ha ottenuto probabilità di successo rispettivamente di 0.40 e 0.95 per questi indici.
Rapporto di Approssimazione: Su tutti e quattro gli indici, qReduMIS ha mantenuto un rapporto di approssimazione medio $\ge 0.96$ , mentre il QAOA standalone oscillava tra 0.73 e 0.83.
Comportamento di Scalabilità: Su un emulatore rumoroso del dispositivo Quantinuum H2-1, gli autori hanno analizzato la scalabilità dell'optimal time-to-solution (optTTS) rispetto alla dimensione del problema. Per $p=2$ , l'esponente di scalabilità per qReduMIS è risultato essere 3.2 volte più piccolo rispetto a quello del QAOA standalone ( $\beta_{qReduMIS} = 0.164$ vs. $\beta_{QAOA} = 0.524$ ).
Segnale del Nodo Congelato: L'analisi del kernel del DAX 100 ha mostrato che anche quando la probabilità di campionare direttamente la soluzione ottimale era bassa (<10%), circa il 96% della massa di probabilità marginale era concentrata sui nodi congelati della verità fondamentale (ground-truth). Ciò conferma che l'hardware quantistico fornisce un segnale sufficiente per guidare la riduzione classica anche senza produrre direttamente la soluzione ottimale.

Significatività e Rivendicazioni
Il documento sostiene che la principale significatività di questo lavoro risieda nel dimostrare un uso fondamentalmente diverso delle risorse quantistiche: sfruttare le misurazioni quantistiche per identificare proprietà strutturali (nodi congelati) che facilitano le riduzioni classiche, invece di aspettarsi che il processore quantistico risolva l'intero problema di ottimizzazione direttamente.

Gli autori affermano che questo paradigma "riduci e campiona" permette alla pipeline di:

Risolvere istanze che superano il budget di qubit dell'hardware attuale (es. il Nikkei 225 con 225 asset su un dispositivo da 98 qubit) operando su kernel ridotti.
Superare il QAOA standalone su istanze che possono essere codificate, migliorando significativamente i tassi di successo e la qualità della soluzione.
Fornire una via percorribile verso la scalabilità, poiché il framework beneficia dell'aumento della profondità del circuito (dimostrato dal miglioramento delle prestazioni a $p=6$ ) e dei miglioramenti della fedeltà dell'hardware.

Gli autori rimangono modesti riguardo al confronto con i solver classici, notando che, per le dimensioni dei problemi attualmente accessibili all'hardware quantistico, gli euristiche classiche come il Simulated Annealing (SA) risolvono la maggior parte delle istanze banalmente. Pertanto, la validazione primaria è un confronto quantistico-contro-quantistico, che stabilisce che l'approccio ibrido estrae significativamente più utilità dalle limitate risorse quantistiche rispetto alla normale ottimizzazione quantistica. Il lavoro suggerisce che, man mano che l'hardware maturerà per gestire istanze più grandi e difficili dove le euristiche classiche faticano, la scalabilità favorevole di qReduMIS potrebbe tradursi in un vantaggio pratico.