Toward Quantum Utility in Finance: A Robust Data-Driven Algorithm for Asset Clustering

논문 요약: 금융 자산 클러스터링을 위한 견고한 데이터 기반 양자 알고리즘

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 포트폴리오 최적화 및 통계적 차익거래 (Statistical Arbitrage) 에서 금융 자산 간의 상관관계 기반 클러스터링은 핵심적인 작업입니다.
• 기존 방법론의 한계:
  • 부호화된 상관관계 (Signed Correlations) 의 손실: 기존 고전적 클러스터링 알고리즘 (k-Means, k-Medoids 등) 은 양의 정부호 (positive-definite) 거리 측정을 요구합니다. 따라서 $[-1, 1]$ 범위의 상관관계 행렬을 비음수 거리로 변환해야 하는데, 이 과정에서 $0$ 상관관계가 고정된 비영구적 거리로 잘못 해석되는 등 의미적 정합성 (semantic fidelity) 이 손실됩니다.
  • 하이퍼파라미터 의존성: 클러스터 수 ($k$) 를 사전에 지정하거나, 실루엣 분석 등 휴리스틱 방법을 통해 수동으로 튜닝해야 하며, 이는 데이터셋마다 재검증되어야 하는 비효율성을 초래합니다.
  • 스펙트럴 방법의 제한: SPONGE 와 같은 기존 스펙트럴 클러스터링 방법은 매우 희소하거나 $k$가 큰 그래프에서 효과적이지만, 금융 데이터처럼 밀도가 높고 연속적인 가중치를 가진 그래프에서는 성능이 저하됩니다.
• 목표: 손실 없는 변환 없이 부호화된 (signed), 가중치 그래프를 직접 처리하여, 최적의 클러스터 수를 동적으로 결정하고 클러스터링 품질을 극대화하는 알고리즘 개발.

2. 제안된 방법론 (Methodology)

저자들은 **그래프 기반 연합 구조 생성 알고리즘 (Graph-based Coalition Structure Generation, GCS-Q)**을 금융 자산 클러스터링에 적용했습니다.

• 그래프 모델링:
  • 자산 $A = \{a_1, ..., a_n\}$을 노드로, 자산 간 피어슨 상관관계 $\rho_{ij}$를 가중치 $w_{ij}$로 하는 부호화된 가중치 무방향 그래프 $G=(V, E, w)$로 정의합니다.
  • 양의 상관관계는 강한 연결, 음의 상관관계는 약한 연결 (또는 배제) 로 간주하여 변환 없이 직접 활용합니다.
• 알고리즘 핵심 (GCS-Q):
  • 목적 함수: 클러스터 내 엣지 가중치의 합을 최대화하는 분할 $\Pi$를 찾습니다. 이는 양의 상관관계 자산은 같은 그룹으로, 음의 상관관계 자산은 다른 그룹으로 묶는 것을 의미합니다.
    $$\max_{\Pi} \sum_{C \in \Pi} \sum_{i,j \in C, i<j} w_{ij}$$
  • 반복적 최소 컷 (Iterative Minimum Cut): 전체 그래프에서 시작하여, 현재 부분 그래프에서 **최소 컷 (Minimum Cut)**을 계산하여 분할합니다. 이 과정은 재귀적으로 수행되며, 컷의 값이 해당 서브그래프의 모든 엣지 가중치 합보다 작지 않을 때 분할을 중단합니다.
  • 동적 $k$ 결정: 분할 중단 조건에 의해 클러스터 수 $k$가 자동으로 결정되므로, 사전에 $k$를 지정할 필요가 없습니다.
  • 양자 어닐링 활용: 최소 컷 문제는 NP-난해 (NP-Hard) 문제이며, 이를 이차 무제약 이진 최적화 (QUBO) 문제로 변환하여 D-Wave 양자 어닐러에서 해결합니다. 이는 고전적 솔버가 탐색하기 어려운 지수적으로 큰 해 공간을 효율적으로 탐색할 수 있게 합니다.

3. 실험 및 결과 (Experiments & Results)

저자는 합성 데이터와 실제 금융 데이터 (Yahoo Finance) 를 사용하여 GCS-Q 를 검증했습니다.

• 실험 환경:
  • 하드웨어: D-Wave Advantage_system5.4 (5,614 개 물리 큐비트, Pegasus 토폴로지).
  • 비교 대상: SPONGE, SPONGEsym (스펙트럴 방법), k-Medoids (PAM 알고리즘).
• 합성 데이터 결과:
  • 다양한 노드 수 ($10 \sim 100$) 와 클러스터 수 ($2 \sim 10$) 에 대해 조정 랜덤 지수 (ARI) 를 측정.
  • 결과: GCS-Q 는 일관되게 가장 높은 ARI 점수를 기록했습니다.
  • 이유: k-Medoids 는 상관관계를 거리로 변환하는 과정에서 정보 손실이 발생했고, SPONGE 는 이산적 가중치와 균일한 클러스터 크기에 최적화되어 있어 연속적 가중치와 불균형한 크기에서는 성능이 떨어졌습니다.
• 실제 금융 데이터 (Yahoo Finance) 결과:
  • 50 개 자산의 시간별 수익률 데이터를 기반으로 2025 년 1 월의 비즈니스 데이를 분석.
  • 평가 지표: 구조적 균형 (Structural Balance) 편차를 측정하는 Penalty Metric (클러스터 내 음의 상관관계와 클러스터 간 양의 상관관계를 패널티로 부과).
  • 결과: GCS-Q 는 다른 모든 알고리즘보다 가장 낮은 Penalty를 기록했습니다. 이는 GCS-Q 가 포트폴리오 분산에 유리한 내부적으로 응집력이 높고 외부와 구별되는 클러스터를 더 잘 발견함을 의미합니다.

4. 주요 기여 (Key Contributions)

1. 손실 없는 변환: 상관관계 행렬을 거리 행렬로 변환하지 않고, 부호화된 그래프를 직접 처리하여 상관관계의 본질적 의미를 보존합니다.
2. 데이터 기반 동적 클러스터링: 클러스터 수 $k$를 사전에 지정하거나 휴리스틱으로 추정할 필요 없이, 최적화 과정을 통해 동적으로 결정합니다.
3. 양자 우위 입증 (실제 하드웨어): 합성 및 실제 금융 데이터를 통해, D-Wave 양자 어닐러를 활용한 GCS-Q 가 최신 고전적 알고리즘보다 해의 품질 (Solution Quality) 에서 우위를 보임을 최초로 입증했습니다.
4. 실용성: 밀집된 그래프와 불균형한 클러스터 크기 등 실제 금융 시장의 복잡한 조건에서도 견고하게 작동함을 확인했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 금융 공학에서의 양자 유틸리티: 이 연구는 근미래 양자 컴퓨팅 (NISQ 시대) 이 금융 분야의 그래프 기반 비지도 학습에서 실질적인 가치를 제공할 수 있음을 보여주는 중요한 사례입니다.
• 포트폴리오 최적화: 더 정확한 자산 클러스터링은 포트폴리오 분산 (Diversification) 과 통계적 차익거래 전략의 효율성을 높여, 리스크를 줄이고 수익을 극대화하는 데 기여할 수 있습니다.
• 향후 과제: 더 많은 자산 ($n > 175$) 을 처리하기 위한 Zephyr 토폴로지 하드웨어 활용, 게이트 기반 양자 솔버 (QAOA 등) 와의 비교, 그리고 생성된 클러스터를 활용한 실제 자산 배분 전략의 수익률 (Sharpe Ratio 등) 평가가 향후 연구 방향으로 제시되었습니다.

결론적으로, 본 논문은 기존 고전적 방법론의 한계를 극복하고, 양자 어닐링 기술을 활용하여 금융 자산의 상관관계 구조를 더 정밀하게 파악할 수 있는 새로운 패러다임을 제시했습니다.