🤖 machine learning

Hybrid Quantum-Classical Ridgelet Neural Networks for Portfolio Optimization

본 논문은 금융 시계열 데이터에서 다중 해상도 특징을 추출하기 위해 양자 리지렛 신경망 (QRNN) 을 활용하는 하이브리드 양자 - 고전 프레임워크를 제안하며, 추출된 특징은 평균 - 분산 포트폴리오 문제를 해결하기 위해 양자 근사 최적화 알고리즘 (QAOA) 을 사용하여 자산 선택을 최적화합니다.

원저자: Bahadur Yadav, Sanjay Kumar Mohanty

게시일 2026-04-30

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Bahadur Yadav, Sanjay Kumar Mohanty

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

완벽한 투자 포트폴리오를 구축하려 한다고 상상해 보세요. 선택할 수 있는 방대한 주식 목록이 있지만, 실제로 고를 수 있는 주식은 몇 개뿐입니다. 이 과제는 두 가지로 나뉩니다: 첫째, 미래에 어떤 주식이 오를지 추측하는 것 (예측), 둘째, 높은 수익과 낮은 위험을 균형 있게 조화시키는 최적의 조합을 선택하는 것 (최적화) 입니다.

이 논문은 이러한 두 가지 문제를 해결하기 위해 **하이브리드 양자 - 고전 리지트 신경망 (QRNN)**이라는 새로운 도구를 소개합니다. 여기서는 이를 간단한 개념과 비유로 나누어 설명합니다.

1. "리지트" 렌즈: 숨겨진 패턴을 보다

금융 시장은 크기가 다양한 파도가 치는 거친 바다처럼 혼란스럽습니다. 전통적인 도구들은 종종 이 잡음에 혼란을 겪습니다.

비유: 복잡한 그림을 바라본다고 상상해 보세요. 일반 카메라는 한 번에 전체 이미지를 봅니다. 반면, **리지트 변환 (Ridgelet transform)**은 그림을 특정 "마루"나 선으로 분해하는 특수 안경과 같습니다. 이 안경은 거대한 곡선 (전체적 추세) 과 미세한 날카로운 세부 사항 (국소적 급등) 을 동시에 볼 수 있습니다.
논문의 역할: 저자들은 이 "리지트" 기법을 사용하여 주식 데이터를 정제하고, 컴퓨터 모델에 입력하기 전에 중요한 추세와 잡음을 분리합니다.

2. 양자 뇌: 새로운 계산 방식

데이터가 정제되면, 모델은 미래 가격을 예측해야 합니다. 표준 컴퓨터 대신 양자 신경망을 사용합니다.

비유: 고전적 컴퓨터를 책장에서 책을 하나씩 확인하는 사서라고 생각하세요. 양자 컴퓨터는 "중첩 (superposition)"이라는 마법 같은 특성 덕분에 책장에 있는 모든 책을 동시에 볼 수 있는 사서와 같습니다.
메커니즘: 모델은 정제된 주식 데이터를 "큐비트 (양자 비트)"로 인코딩합니다. 그런 다음 특정 유형의 양자 회로 (논리 게이트의 고리) 를 사용하여 이 정보를 처리합니다. 논문은 이 양자 접근 방식이 기존 AI 모델 (LSTM 또는 Transformer 등) 보다 주식 가격의 복잡한 비선형 패턴을 포착하는 데 훨씬 뛰어나다고 주장합니다.

3. "포트폴리오 최적화기": 승자를 고르다

양자 뇌가 어떤 주식이 잘할지 예측한 후, 시스템의 두 번째 부분이 작동합니다: 포트폴리오 최적화입니다.

비유: 바구니가 있고 정확히 5 개의 항목만 담을 수 있다는 규칙이 있다고 상상해 보세요. 바구니는 너무 무겁지 않으면서 (위험하지 않으면서) 최대한 가치가 있어야 합니다.
도구: 그들은 **QAOA(양자 근사 최적화 알고리즘)**라는 알고리즘을 사용합니다. QAOA 는 5 개 주식의 수백만 가지 다른 조합을 즉시 테스트하여 수익을 극대화하고 손실 가능성을 최소화하는 단일 완벽한 조합을 찾아내는 초지능 로봇과 같습니다. 이 문제는 양자 컴퓨터가 효율적으로 해결할 수 있는 수학 퍼즐 (QUBO) 로 변환됩니다.

4. "양자 잡음" 처리 (선路上的 정적)

실제 양자 컴퓨터는 현재 매우 민감합니다. 신호를 망가뜨리는 잡음 (정적) 을 수신하는 라디오와 같습니다.

실험: 저자들은 세 가지 시나리오에서 모델을 테스트했습니다:
1. 완벽한 세계: 잡음이 없음 (이상적).
2. 잡음 있는 세계: 신호가 정적 (비트 플립 및 위상 플립) 으로 가득 차 있음.
3. 오류 수정: "오류 수정" (양자 데이터를 위한 노이즈 캔슬링 헤드폰과 유사) 을 사용하여 정적을 수정해 보았습니다.
결과: 예상대로 잡음은 모델을 악화시켰습니다. 그러나 그들은 "부분적 오류 수정" 접근 방식이 적정선임을 발견했습니다. 이 방식은 모델을 안정화시키기에 충분한 오류를 수정하면서도 컴퓨터를 지나치게 느리게 하거나 복잡하게 만들지 않았습니다. 이는 정확성과 효율성 사이의 균형이었습니다.

5. 결과: 효과가 있었는가?

팀은 10 년 간의 기간 동안 애플, 테슬라, 아마존 등 12 개 주요 회사의 실제 역사적 주식 데이터로 시스템을 테스트했습니다.

비교: 그들은 양자 리지트 모델을 표준 AI 모델 (LSTM 등) 과 다른 양자 모델과 경쟁시켰습니다.
결과: QRNN 모델이 승리했습니다. 다른 모델들보다 주식 가격 예측에서 실수가 적었습니다 (오류율 감소). 이러한 예측을 사용하여 5 개 주식으로 구성된 포트폴리오를 구축했을 때, 그들의 방법은 무작위 선택이나 단순한 "상위 5 개 선택" 전략에 비해 더 나은 "샤프 비율 (위험 대비 수익률 측정치)"을 달성했습니다.

요약

이 논문은 두 단계 하이브리드 시스템을 제안합니다:

양자 리지트 신경망: 양자 물리학과 특수 수학 (리지트) 을 사용하여 기존 AI 보다 더 정확하게 주식 가격을 예측합니다.
QAOA 최적화기: 양자 컴퓨팅을 사용하여 구매할 최고의 주식 그룹을 선택합니다.

저자들은 모델이 시뮬레이션에서는 훌륭하게 작동하지만, 큐비트를 추가할수록 "잡음"과 메모리 요구 사항이 기하급수적으로 증가하기 때문에 현재 대규모 양자 컴퓨터에서 실행하는 것은 어렵다고 인정합니다. 그러나 테스트한 데이터에 대해서는 이 새로운 접근 방식이 기존 방법보다 더 정확하고 신뢰할 수 있음을 입증했습니다.

Bahadur Yadav 와 Sanjay Kumar Mohanty 가 저술한 논문 "Hybrid Quantum-Classical Ridgelet Neural Network for Portfolio Optimization"에 대한 상세한 기술적 요약은 다음과 같습니다.

1. 문제 제기

이 논문은 정량적 금융 분야에서 두 가지 근본적인 과제를 다룹니다:

금융 시계열 예측: 금융 시장의 비선형성, 혼돈적 특성, 변동성으로 인해 주식 수익률 예측은 어렵습니다. 전통적인 통계 모델 (ARIMA, GARCH) 은 복잡한 패턴을 포착하는 데 종종 실패하며, 표준 딥러닝 (DL) 모델 (LSTM, Transformer) 은 해석 가능성 부족, 과적합, 그리고 방향적 특이점 포착의 어려움에 직면합니다.
포트폴리오 최적화: 대규모 자산군에서 수익을 극대화하고 위험을 최소화하기 위해 최적의 자산 하위 집합을 선택하는 것은 조합 최적화 문제입니다. 카드널리티 제약 (고정된 수의 자산 선택) 하에서 이를 해결하는 것은 탐색 공간이 기하급수적으로 증가함에 따라 고전 컴퓨터에게는 NP-난제입니다.

저자들은 금융 데이터의 비선형성을 처리하도록 특별히 맞춤화된 특징 추출 및 최적화를 위해 양자 컴퓨팅의 표현력을 활용하는 하이브리드 양자 - 고전 프레임워크를 제안합니다.

2. 방법론

제안된 프레임워크는 예측을 위한 **양자 리지트 신경망 (QRNN)**과 포트폴리오 선택을 위한 **양자 근사 최적화 알고리즘 (QAOA)**이라는 두 가지 통합 모듈로 구성됩니다.

A. 양자 리지트 신경망 (QRNN)

QRNN 은 **리지트 변환 (Ridgelet transforms)**과 **매개변수 양자 회로 (PQCs)**를 통합하여 자산 수익률을 예측하도록 설계되었습니다.

리지트 변환: 표준 웨이블릿과 달리 리지트 변환은 데이터의 특이점과 방향성 정보에 민감합니다. 이들은 시계열 데이터를 다중 해상도 구성 요소로 분해하여 국소적 및 전역적 추세를 모두 포착합니다.
양자 인코딩: 고전 입력 데이터는 $R_y(\theta)$ 회전 게이트를 통한 **각도 인코딩 (angle encoding)**을 사용하여 양자 상태로 인코딩됩니다.
단일 큐비트 공식화: 저자들은 리지트 함수에 의해 구동되는 일련의 양자 회전이 단일 유효 회전으로 수렴한다는 것을 수학적으로 증명했습니다. 파울리-Z 연산자의 기대값 ( $\langle Z \rangle$ ) 은 고전적 리지트 출력의 비선형 함수인 $\cos(2g_J(x))$ 에 매핑됩니다. 이는 비선형 뉴런의 양자 유사체를 생성합니다.
다중 큐비트 확장: 이 모델은 단일 큐비트 상태의 텐서 곱을 활용하여 고차원 특징 공간을 처리할 수 있도록 $n$ -큐비트 시스템으로 일반화되었습니다.
아키텍처: 파이프라인은 리지트 특징 추출 $\rightarrow$ 큐비트 공간으로의 선형 매핑 $\rightarrow$ 얽힘 게이트를 포함한 변분 양자 회로 (VQC) $\rightarrow$ 측정 $\rightarrow$ 고전적 후처리를 포함합니다.

B. QAOA 기반 포트폴리오 최적화

QRNN 이 예상 수익률 ( $\hat{\mu}$ ) 을 예측하면, 포트폴리오 선택 문제는 2 차 무제약 이진 최적화 (QUBO) 문제로 공식화됩니다.

목적: 카드널리티 제약 ( $K$ 개 자산) 을 준수하면서 예상 수익을 극대화하고 포트폴리오 분산을 최소화합니다.
QUBO 공식화: 제약 문제가 카드널리티 제약을 위한 2 차 페널티 항을 추가함으로써 무제약 형태로 변환됩니다:
$Q(x) = -\hat{\mu}^T x + x^T \Sigma x + P \left( \sum x_i - K \right)^2$
QAOA 솔버: QUBO 문제는 아이징 해밀토니안 ( $H_C$ ) 에 매핑됩니다. QAOA 알고리즘은 교번 비용 및 믹서 유니터리를 사용하여 변분 양자 상태 $|\psi(\gamma, \beta)\rangle$ 를 준비합니다. 고전적 최적화기는 기대 에너지를 최소화하기 위해 매개변수 $\gamma$ 와 $\beta$ 를 조정하여 최적의 이진 포트폴리오 벡터 $x^*$ 를 산출합니다.

C. 노이즈 및 오류 수정 분석

강건성을 평가하기 위해 저자들은 세 가지 조건 하에서 모델을 시뮬레이션했습니다:

노이즈 모델: 비트 플립, 위상 플립, 소멸 채널을 포함합니다.
전체 양자 오류 수정 (QEC): 3-큐비트 반복 코드를 사용하여 논리 큐비트를 인코딩합니다.
부분 QEC: 복잡성과 안정성을 균형 있게 맞추기 위해 회로의 특정 부분에만 오류 수정을 적용합니다.

3. 주요 기여

새로운 QRNN 아키텍처: 리지트 변환과 PQCs 를 결합한 하이브리드 모델 도입으로 금융 데이터의 방향성 패턴을 효율적으로 표현 학습할 수 있게 되었습니다.
이론적 공식화: 단일 큐비트 시스템에서 다중 큐비트 시스템으로 QRNN 을 확장하는 엄밀한 수학적 유도 및 양자 회로 출력과 고전적 리지트 전개 간의 동등성 증명.
통합 최적화 프레임워크: QRNN 예측이 QUBO 형식으로 자산 선택 문제를 해결하는 QAOA 기반 포트폴리오 최적화기에 직접 공급되는 원활한 파이프라인.
강건성 분석: 실제적인 노이즈 조건 하에서 모델에 대한 포괄적인 평가로, 전체 QEC 또는 수정 없음에 비해 부분 QEC가 정확도와 계산 복잡성 사이의 최상의 균형을 제공함을 입증했습니다.
실증적 검증: 고성능 시뮬레이션을 위해 NVIDIA H100 NVL GPU 클러스터를 사용하여 실제 금융 데이터 (12 개 주식, 2010–2019 년) 에 대한 광범위한 테스트.

4. 실험 결과

이 모델은 고전적 베이스라인 (LSTM, GRU, Transformer, CRNN) 과 양자 베이스라인 (QLSTM, QGRU, QTransformer) 에 대해 테스트되었습니다.

예측 정확도:
- QRNN 은 훈련 및 테스트 단계 모두에서 최저의 RMSE 및 MAE를 달성했습니다.
- 다중 큐비트 결과: QRNN 테스트 RMSE 는 0.0293으로, CRNN (0.0862), LSTM (0.2149), 그리고 QLSTM (0.1482) 과 같은 양자 베이스라인을 크게 능가했습니다.
- 이 모델은 다양한 부문 (기술, 자동차, 에너지) 에서 우수한 일반화 능력을 입증했습니다.
노이즈 내성:
- 노이즈는 오류율을 급격히 증가시켰습니다 (예: 단일 큐비트 시나리오에서 RMSE 가 0.071 에서 0.298 로 급증).
- 부분 QEC는 전체 QEC 보다 낮은 회로 복잡도로 오류를 효과적으로 감소시켰습니다 (RMSE 약 0.217). 전체 QEC 는 미미한 이득을 보였지만 복잡도가 더 높았습니다.
포트폴리오 성과:
- QRNN-QAOA 전략은 0.9281 의 샤프 비율을 달성하여 Top-K (0.6311), 동등 가중치 (0.4632), 무작위 선택 (0.1293) 을 능가했습니다.
- 이는 예측된 수익률과 실제 수익률 간의 더 밀접한 정합을 유지했으며, 현저히 낮은 분산을 보여주었습니다.

5. 의의 및 한계

의의:

우수한 예측 능력: 리지트 변환과 양자 얽힘의 통합으로 인해 이 모델은 고전적 DL 모델이 놓치는 복잡한 비선형성과 방향성 추세를 포착할 수 있습니다.
최적화의 확장성: 포트폴리오 선택을 QUBO 로 변환하고 QAOA 로 해결함으로써, 규모가 커질수록 고전 솔버로는 해결 불가능한 조합 금융 문제를 해결할 수 있는 잠재적 경로를 제공합니다.
실용적 실현 가능성: 이 연구는 NISQ (Noisy Intermediate-Scale Quantum) 시대에 양자 우위에 대한 현실적인 평가를 제공하며, 부분 QEC 와 같은 오류 완화 전략의 필요성을 강조합니다.

한계:

계산 복잡성: 양자 상태의 시뮬레이션 (특히 오류 수정이 포함된 경우) 은 기하급수적으로 확장됩니다 (밀도 행렬의 경우 $4^n$ ). 저자들은 3 개 이상의 논리 큐비트 (9 개 물리 큐비트) 로 확장하면 밀도 행렬 크기로 인해 GPU 메모리 부족 (OOM) 이 발생했다고 지적했습니다.
시뮬레이션 대 하드웨어: 결과는 실제 양자 하드웨어가 아닌 고전 GPU 에서의 고정밀 시뮬레이션에 기반하지만, 노이즈 모델은 실제 하드웨어의 불완전성을 시뮬레이션합니다.
훈련 역학: 큐비트 수 증가는 소실 기울기 및 노이즈 누적과 같은 도전을 도입하여 대규모 시스템의 훈련을 어렵게 만듭니다.

결론

이 논문은 금융 예측 및 포트폴리오 최적화를 위해 양자 컴퓨팅을 성공적으로 활용하는 견고하고 이론적으로 근거된 하이브리드 프레임워크를 제시합니다. 리지트 변환의 특징 추출 능력과 QAOA 의 최적화 능력을 결합함으로써 QRNN 모델은 최첨단 고전 및 양자 딥러닝 모델에 비해 우수한 정확도와 위험 조정 수익을 입증했습니다. 이 연구는 노이즈가 중요한 장애물이지만, 전략적인 오류 완화 (부분 QEC) 를 통해 이러한 하이브리드 모델을 실제 금융 응용 분야에 적용 가능하게 만들 수 있음을 강조합니다.