🤖 machine learning

Hybrid Quantum-Classical Ridgelet Neural Networks for Portfolio Optimization

本論文は、金融時系列データからマルチ解像度特徴を抽出するために量子リッジレットニューラルネットワーク（QRNN）を利用し、その後、平均分散ポートフォリオ問題を解決するために量子近似最適化アルゴリズム（QAOA）を用いて資産選択を最適化するハイブリッド量子古典フレームワークを提案する。

原著者： Bahadur Yadav, Sanjay Kumar Mohanty

公開日 2026-04-30

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Bahadur Yadav, Sanjay Kumar Mohanty

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

完璧な投資ポートフォリオを構築しようとしていると想像してください。選べる株式のリストは膨大ですが、選べるのは数銘柄だけです。課題は二重です。第一に、将来どの株式が上昇するかを予測すること（予測）、第二に、高いリターンと低いリスクをバランスさせる最適な組み合わせを選ぶこと（最適化）です。

本論文は、これらの二つの課題を解決するための新しいツール、「ハイブリッド量子古典リッジレットニューラルネットワーク（QRNN）」を導入します。その仕組みを、簡単な概念とアナロジーに分解して説明します。

1. 「リッジレット」レンズ：隠れたパターンを見る

金融市場は、あらゆる大きさの波を持つ荒れた海のように混乱しています。従来のツールは、ノイズに惑わされることがよくあります。

アナロジー: 複雑な絵画を眺めていると想像してください。標準的なカメラは一度に全体像を見ます。一方、リッジレット変換は、絵画を特定の「リッジ（山稜）」や線に分解する特別な眼鏡のようなものです。それは、大きくて流れるような曲線（全球的なトレンド）と、小さくてギザギザした細部（局所的なスパイク）を同時に捉えることができます。
論文の取り組み: 著者らは、この「リッジレット」技術を用いて株式データを整理し、重要なトレンドをノイズから分離してから、コンピュータモデルに入力します。

2. 量子の脳：計算の新しい方法

データが整理されると、モデルは将来の価格を予測する必要があります。標準的なコンピュータを使う代わりに、彼らは量子ニューラルネットワークを使用します。

アナロジー: 古典的なコンピュータを、棚の本を一つずつ確認する司書だと考えてください。量子コンピュータは、「重ね合わせ」と呼ばれる魔法のような性質のおかげで、棚にあるすべての本を同時に眺めることができる司書のようです。
メカニズム: モデルは整理された株式データを「量子ビット（キュービット）」に符号化します。そして、特定の種類の量子回路（論理ゲートのループ）を用いてこの情報を処理します。論文は、この量子アプローチが、LSTM やトランスフォーマーのような標準的な AI モデルよりも、株式価格における複雑で非線形なパターンを特定するのに優れていると主張しています。

3. 「ポートフォリオ最適化」：勝者を選ぶ

量子の脳がどの株式が好成績を収めるかを予測した後、システムの第二部が作動します。ポートフォリオ最適化です。

アナロジー: あなたがバスケットを持っており、ちょうど 5 個のアイテムしか持てないというルールがあると想像してください。バスケットは重すぎない（リスクが高すぎない）ようにしつつ、できるだけ価値が高くしたいのです。
ツール: 彼らは**QAOA（量子近似最適化アルゴリズム）**と呼ばれるアルゴリズムを使用します。QAOA を、利益を最大化し、資金を失う可能性を最小化するための単一の完璧な混合を見つけるために、瞬時に 5 銘柄の何百万もの異なる組み合わせをテストする超スマートなロボットだと考えてください。この問題は、量子コンピュータが効率的に解く数学的なパズル（QUBO）に変換されます。

4. 「量子ノイズ」（回線の雑音）への対処

実際の量子コンピュータは現在非常に敏感です。信号を台無しにする雑音（ノイズ）を受信するラジオのようなものです。

実験: 著者らは、モデルを以下の 3 つのシナリオでテストしました。
1. 完璧な世界: ノイズなし（理想的）。
2. ノイズのある世界: 信号が雑音（ビット反転と位相反転）で満ちている。
3. 誤り訂正: 「誤り訂正」（量子データ用のノイズキャンセリングヘッドフォンのようなもの）を用いて雑音を修正しようとした。
発見: 予想通り、ノイズはモデルの性能を低下させました。しかし、彼らは**「部分的な誤り訂正」**アプローチが絶妙なバランス点（スイートスポット）であることを発見しました。これは、モデルを安定させるのに十分な誤りを修正しつつ、コンピュータを遅くしすぎたり複雑にしすぎたりしない方法です。それは精度と効率性のバランスでした。

5. 結果：機能しましたか？

チームは、10 年間にわたる 12 の主要企業（アップル、テスラ、アマゾンなど）の実際の歴史的株式データでシステムをテストしました。

比較: 彼らは、量子リッジレットモデルを、LSTM などの標準的な AI モデルや他の量子モデルと対決させました。
結果: QRNN モデルが勝利しました。株式価格の予測において、他のモデルよりも誤りが少なく（誤り率が低い）、これらの予測を用いて 5 銘柄のポートフォリオを構築した際、ランダム選択や単純な「上位 5 銘柄を選ぶ」戦略と比較して、より優れたシャープレシオ（リスクに対して得られる利益の尺度）を生み出しました。

まとめ

本論文は、二段階のハイブリッドシステムを提案しています。

量子リッジレットニューラルネットワーク: 量子物理学と特殊な数学（リッジレット）を用いて、現在の AI よりも正確に株式価格を予測します。
QAOA オプティマイザー: 量子コンピューティングを用いて、購入する最適な株式グループを選択します。

著者らは、モデルはシミュレーションでは非常にうまく機能するものの、より多くのキュービットを追加するにつれて「ノイズ」とメモリ要件が指数関数的に増加するため、現在、大規模な実用的な量子コンピュータで実行することは困難であると認めています。しかし、彼らがテストしたデータにおいては、この新しいアプローチは既存の方法よりも正確で信頼性が高いことが証明されました。

以下は、バハドゥル・ヤダヴとサンジャイ・クマール・モハンティによる論文「ポートフォリオ最適化のためのハイブリッド量子古典リッジレットニューラルネットワーク」の詳細な技術的概要です。

1. 問題提起

本論文は、計量金融学における 2 つの根本的な課題に取り組んでいます。

金融時系列予測: 金融市場の非線形性、カオス的性質、および変動性の高さにより、株式リターンの予測は困難です。従来の統計モデル（ARIMA、GARCH）は複雑なパターンを捉えるのに失敗することが多く、標準的な深層学習（DL）モデル（LSTM、Transformer）は解釈性の欠如、過学習、および方向性の特異点の捕捉に苦慮しています。
ポートフォリオ最適化: 多数の資産群から最適な資産のサブセットを選択し、リスクを最小化しながらリターンを最大化することは、組み合わせ最適化問題です。基数制約（固定数の資産を選択する制約）の下でこれを解くことは、探索空間が指数関数的に増大するため、古典コンピュータにとっては NP 困難です。

著者らは、金融データの非線形性に対処するために特別に設計された、特徴抽出と最適化のために量子コンピューティングの表現力を活用するハイブリッド量子古典フレームワークを提案します。

2. 手法

提案されたフレームワークは、予測用の**量子リッジレットニューラルネットワーク（QRNN）と、ポートフォリオ選択用の量子近似最適化アルゴリズム（QAOA）**という 2 つの統合モジュールで構成されています。

A. 量子リッジレットニューラルネットワーク（QRNN）

QRNN は、リッジレット変換と**パラメータ化量子回路（PQC）**を統合することで、資産リターンの予測を行うように設計されています。

リッジレット変換: 標準的なウェーブレットとは異なり、リッジレット変換はデータの特異点や方向性情報に対して敏感です。これにより、時系列データは多分解能成分に分解され、局所的および全球的なトレンドの両方が捕捉されます。
量子エンコーディング: 古典的な入力データは、 $R_y(\theta)$ 回転ゲートによる角度エンコーディングを用いて量子状態にエンコードされます。
単一量子ビット定式化: 著者らは数学的に、リッジレット関数によって駆動される量子回転の系列が、単一の有効な回転に収束することを証明しています。パウリ-Z 演算子の期待値（ $\langle Z \rangle$ ）は、古典的なリッジレット出力の非線形関数 $\cos(2g_J(x))$ にマッピングされます。これにより、非線形ニューロンの量子アナログが作成されます。
多量子ビット拡張: 高次元の特徴空間を処理するために、モデルは単一量子ビット状態のテンソル積を利用し、 $n$ 量子ビットシステムに一般化されています。
アーキテクチャ: パイプラインは、リッジレット特徴抽出 $\rightarrow$ 量子ビット空間への線形マッピング $\rightarrow$ 絡み合わせゲートを含む変分量子回路（VQC） $\rightarrow$ 測定 $\rightarrow$ 古典的後処理という流れです。

B. QAOA ベースのポートフォリオ最適化

QRNN が期待リターン（ $\hat{\mu}$ ）を予測すると、ポートフォリオ選択問題は**二次制約なし二値最適化（QUBO）**問題として定式化されます。

目的: 基数制約（ $K$ 個の資産）の下で、期待リターンを最大化しつつポートフォリオ分散を最小化します。
QUBO 定式化: 基数制約に対する二次ペナルティ項を追加することで、制約付き問題を無制約形式に変換します。
$Q(x) = -\hat{\mu}^T x + x^T \Sigma x + P \left( \sum x_i - K \right)^2$
QAOA ソルバー: QUBO 問題はアイジングハミルトニアン（ $H_C$ ）にマッピングされます。QAOA アルゴリズムは、交互のコストユニタリとミキサーユニタリを使用して変分量子状態 $|\psi(\gamma, \beta)\rangle$ を準備します。古典的オプティマイザは、期待エネルギーを最小化するようにパラメータ $\gamma$ と $\beta$ を調整し、最適な二値ポートフォリオベクトル $x^*$ を導き出します。

C. ノイズおよび誤り訂正分析

堅牢性を評価するために、著者らはモデルを 3 つの条件下でシミュレーションしました。

ノイズモデル: ビット反転、位相反転、およびデポーラライジングチャネルを組み込んだもの。
完全量子誤り訂正（QEC）: 論理量子ビットを符号化するために 3 量子ビット反復符号を使用するもの。
部分的 QEC: 複雑性と安定性のバランスを取るために、回路の特定部分のみに誤り訂正を適用するもの。

3. 主要な貢献

新規 QRNN アーキテクチャ: リッジレット変換と PQC を組み合わせたハイブリッドモデルの導入により、金融データにおける方向性パターンの効率的な表現学習が可能になりました。
理論的定式化: 単一量子ビットシステムから多量子ビットシステムへ QRNN を拡張する厳密な数学的導出を行い、量子回路の出力と古典的なリッジレット展開の等価性を証明しました。
統合最適化フレームワーク: QRNN の予測が直接 QAOA ベースのポートフォリオオプティマイザに供給され、資産選択問題を QUBO 形式で解決するシームレスなパイプラインです。
堅牢性分析: 現実的なノイズ条件下でのモデルの包括的な評価により、完全 QEC や無訂正と比較して、部分的 QECが精度と計算複雑性の面で最適なトレードオフを提供することを示しました。
実証的検証: NVIDIA H100 NVL GPU クラスターを用いた高性能シミュレーションにより、実世界の金融データ（12 銘柄、2010 年～2019 年）で広範なテストを行いました。

4. 実験結果

このモデルは、古典的ベースライン（LSTM、GRU、Transformer、CRNN）および量子ベースライン（QLSTM、QGRU、QTransformer）に対してテストされました。

予測精度:
- QRNN は、トレーニングおよびテストの両段階で最小の RMSE および MAEを達成しました。
- 多量子ビット結果: QRNN のテスト RMSE は0.0293であり、CRNN（0.0862）、LSTM（0.2149）、および QLSTM（0.1482）などの量子ベースラインを大幅に上回りました。
- このモデルは、多様なセクター（テクノロジー、自動車、エネルギー）にわたって優れた汎化性能を示しました。
ノイズ耐性:
- ノイズはエラー率を劇的に増加させました（例：単一量子ビットシナリオでは RMSE が 0.071 から 0.298 に跳ね上がりました）。
- 部分的 QECは、完全 QEC よりも低い回路複雑性で効果的にエラーを削減しました（RMSE は約 0.217）。完全 QEC はわずかな改善を示しましたが、複雑性はより高くなりました。
ポートフォリオのパフォーマンス:
- QRNN-QAOA 戦略はシャープレシオ 0.9281を達成し、Top-K（0.6311）、等重み（0.4632）、ランダム選択（0.1293）を上回りました。
- 予測リターンと実際のリターンの間の整合性がより高く、分散が著しく低いことを示しました。

5. 意義と限界

意義:

優れた予測能力: リッジレット変換と量子もつれの統合により、古典的 DL モデルが見逃す複雑な非線形性や方向性トレンドをモデルが捕捉できるようになりました。
最適化のスケーラビリティ: ポートフォリオ選択を QUBO に変換し、QAOA で解くことで、スケーリング時に古典ソルバーでは扱いにくい組み合わせ金融問題に対する潜在的な解決策を提供します。
実用性: 本研究は、NISQ（ノイズあり中規模量子）時代における量子優位性の現実的な評価を提供し、部分的 QEC のような誤り緩和戦略の必要性を浮き彫りにしました。

限界:

計算複雑性: 量子状態のシミュレーション（特に誤り訂正を伴う場合）は指数関数的にスケーリングします（密度行列の場合 $4^n$ ）。著者らは、3 つの論理量子ビット（9 つの物理量子ビット）を超えてスケーリングすると、密度行列のサイズにより GPU メモリ不足（OOM）が発生したと指摘しました。
シミュレーション対ハードウェア: 結果は古典的 GPU 上での高精度シミュレーションに基づいており、実際の量子ハードウェアに基づくものではありませんが、ノイズモデルは現実的なハードウェアの不完全性をシミュレートしています。
トレーニングダイナミクス: 量子ビット数の増加は、勾配消失やノイズの蓄積といった課題をもたらすため、大規模システムでのトレーニングを困難にします。

結論

本論文は、金融予測とポートフォリオ最適化のために量子コンピューティングを効果的に活用した、堅牢で理論的に裏付けられたハイブリッドフレームワークを提示しています。リッジレット変換の特徴抽出能力と QAOA の最適化能力を組み合わせることで、QRNN モデルは、最先端の古典的および量子深層学習モデルと比較して、優れた精度とリスク調整済みリターンを示しました。本研究は、ノイズが大きな障壁である一方で、戦略的な誤り緩和（部分的 QEC）により、このようなハイブリッドモデルを実世界の金融応用において実現可能にすることを強調しています。