Quantum Portfolio Optimization: An Extensive Benchmark

기술 요약: 양자 포트폴리오 최적화: 광범위한 벤치마크

문제 정의
본 연구는 양자 알고리즘의 계산 잠재력, 특히 변동성 최소화 변형에 초점을 맞춘 포트폴리오 최적화를 조사한다. "자산 선택 여부"를 결정하는 공식과 달리, 본 연구는 최소 기대 수익률($\epsilon$)과 전체 투자 제약 조건($\sum \omega_i = 1$)을 준수하면서 포트폴리오 변동성($\sigma^2$)을 최소화하기 위한 보다 실용적인 연속적 자산 가중치($\omega_i \in [0, 1]$) 결정 문제를 다룬다. 저자들은 이 특정 변형을 MinVola라고 명명하며, 이를 수익 극대화 또는 다목적 공식에 비해 고전적 솔버가 해결하기에 가장 까다로운 문제로 식별하였으며, 이는 양자 우위를 입증하기 위한 가장 유망한 후보가 된다.

본 연구는 3개에서 1,000개의 자산에 이르는 실제 Nasdaq 주식 데이터(2020–2023)에서 파생된 250개의 인스턴스를 활용한다. 현재의 하드웨어 한계로 인해, 양자 방법은 최대 30개의 자산을 가진 인스턴스에 대해 테스트되었으며, 고전적 방법은 전체 범위에 걸쳐 평가되었다.

방법론
저자들은 샘플링 및 결과 분석을 위한 엄격한 60초 시간 제한 하에 양자 및 고전적 접근 방식의 비교 벤치마크를 수행하였다. 본 연구는 공정성, 재현성 및 검증 가능성의 원칙을 준수한다.

1. 문제 변환: 양자 하드웨어와 인터페이스하기 위해, 연속적인 MinVola 문제를 이차 무제약 이진 최적화(QUBO) 모델로 변환하였다. 연속적 가중치는 정밀도 매개변수 $d=3$인 이진 확장을 사용하여 이산화되었으며, 그 결과 $n$개의 자산에 대해 $4n$개의 이진 변수가 생성되었다. 수익 및 정규화 제약을 강제하기 위해 페널티 계수($\phi, \psi = 1000$)가 적용되었다.
2. 양자 방법:
   • 양자 어닐링 (QA): D-Wave Advantage 2 프로세서(4,400개 이상의 물리적 큐비트)에서 실행되었다. 연구에서는 다양한 어닐링 시간(1–50 $\mu$s)과 체인 강도를 테스트하였다. QUBO의 완전 연결 특성으로 인해 클리크 임베딩(clique embedding) 전략이 채택되었으며, 이는 큐비트 오버헤드를 크게 증가시켰다.
   • 양자 근사 최적화 알고리즘 (QAOA): IBM ibm_strasbourg(127 큐비트) 및 이상적인 시뮬레이터에서 구현되었다. 연구에서는 세 가지 매개변수 선택 전략을 테스트하였다: 그리드 탐색($p=1$인 경우), 선형 램프 초기화(linear ramp initialization), 그리고 COBYLA 최적화. 본 연구는 고전적 시뮬레이션의 지수적 메모리 요구량과 하드웨어 연결성 제약으로 인해 작은 인스턴스($n \le 30$)로 제한되었다.
3. 고전적 방법:
   • 정확한 솔버 (Exact Solvers): 이산화된 문제에 대한 증명된 최적성을 확립하기 위해 Gurobi와 SCIP가 사용되었다.
   • 휴리스틱 (Heuristics): 벤치마크에는 시뮬레이티드 어닐링(Simulated Annealing), 최급 하강법(Steepest Descent), 타부 서치(Tabu Search), 그리고 전체 수학적 모델을 구축하지 않고 분산을 줄이기 위해 자산 가중치를 반복적으로 조정하도록 설계된 새로운 문제 특화 휴리스틱이 포함되었다.
4. 지표: 성능은 근사 비율(최적해 대비 목적 함수 값), 실행 가능성 백분율(적어도 하나의 실행 가능한 해를 생성한 인스턴스의 비율), 그리고 시간 제한 내에 생성된 샘플 수에 따라 평가되었다.

주요 결과

• 고전적 성능: 현대적인 고전적 솔버, 특히 Gurobi는 최대 1,000개의 자산을 가진 인스턴스를 몇 초 만에 최적해로 해결하였다. Gurobi는 문제의 볼록성(convexity)을 감지하고 내부점법(interior-point methods)을 활용하는 능력 덕분에 대규모 인스턴스에서 오픈 소스인 SCIP 솔버보다 1,000배 이상 빠른 것으로 나타났다.
• 양자 vs. 고전적 휴리스틱: 문제 특화 휴리스틱은 고정된 실행 시간 내에서 솔루션 품질(근사 비율)과 실행 가능성 측면에서 모든 양자 접근 방식(QA 및 QAOA 모두)을 일관되게 능가하였다.
• 양자 성능:
  • 실행 가능성: QA와 QAOA 모두 실행 가능한 해를 찾는 데 어려움을 겪었으며, 문제 크기가 증가함에 따라 실행 가능성 백분율이 크게 감소하였다.
  • 품질: 양자 방법의 근사 비율은 종종 차이가 있었다 (예: $n \ge 20$인 경우 QAOA의 경우 $\ge 2$).
  • 무작위성과의 비교: 많은 구성에서 양자 방법은 실행 가능성과 근사 비율 측면에서 무작위 샘플링과 비슷하거나 오히려 더 낮은 성능을 보였다.
  • 하드웨어 제한: QUBO 공식에 의해 요구되는 조밀한 전방향 연결(all-to-all connectivity)은 QA를 위한 상당한 임베딩 오버헤드(이로 인해 $n=25$까지만 해결 가능)와 QAOA의 트랜스파일링 중 발생하는 막대한 게이트 오버헤드(swaps)를 초래하여, 회로 깊이가 증가함에 따라 성능을 저하시켰다.
• 양자 어닐링 vs. QAOA: 양자 어닐링은 실행 가능성과 솔루션 품질 측면에서 게이트 기반 QAOA보다 약간 더 나은 성능을 보였으나, 이 장점은 체인 강도 매개변수의 미세 조정에 따라 달라졌다. 튜닝을 거쳤음에도 불구하고 QA는 고전적 휴리스틱을 능가하지 못했다.

의의 및 주장
본 논문은 고려된 포트폴리오 최적화 변형(연속적 가중치를 가진 변동성 최소화)에 대해 현재 실질적인 양자 우위를 점할 여지가 매우 제한적이라고 결론짓는다.

• 고전적 우위: 본 연구는 최첨단 고전적 솔버가 대규모 인스턴스를 단 몇 초 만에 최적해로 해결할 수 있음을 보여주며, 특화된 고전적 휴리스틱이 고정된 시간 내에 양자 방법보다 더 나은 솔루션 품질을 제공함을 입증한다.
• 하드웨어 제약: 양자 알고리즘의 저조한 성능은 주로 포트폴리오 최적화 문제의 조밀한 연결성에 기인하며, 이는 임베딩 및 트랜스파일링 오버헤드를 악화시킨다.
• 벤치마킹 표준: 저자들은 양자 기여도를 고전적 구성 요소로부터 격리함으로써(하이브리드 블랙박스 솔버와 달리) 종합적이고 공정한 벤치마크를 제공한다고 주장한다.
• 신중한 전망: 결과가 미래의 양자 우위에 대해 높은 기준을 설정하고 있지만, 저자들은 더 복잡한 제약 조건이 추가된 문제 변형이 다른 결과를 낼 수 있다고 언급하며, 이러한 시나리오에는 추가적인 조사가 필요하다고 덧붙였다. 본 연구는 양자 컴퓨팅이 금융 분야에서 무용하다는 주장이 아니라, 이처럼 실질적으로 중요한 특정 공식에 대해서는 고전적 방법이 여전히 우월하다는 것을 나타낸다.