💰 quantitative finance

A quantum unstructured search algorithm for discrete optimisation: the use case of portfolio optimisation

Dit artikel stelt QSERA voor, een kwantumalgoritme voor ongestructureerd zoeken dat gebruikmaakt van Grover's algoritme om extremen of wortels van discrete functies te vinden met een kwadratische versnelling, waarbij de toepassing ervan in portfolio-optimalisatie wordt gedemonstreerd door hogere-orde objectieve functies te verwerken die verder gaan dan het standaard QUBO-raamwerk.

Oorspronkelijke auteurs: Titos Matsakos, Adrian Lomas

Gepubliceerd 2026-01-22

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Titos Matsakos, Adrian Lomas

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een financieel manager bent die probeert het perfecte beleggingsportfolio samen te stellen. Je hebt een enorme lijst met duizenden aandelen en obligaties, en je moet een specifieke selectie hiervan kiezen die je het beste rendement geeft tegen het laagste risico.

In de wereld van de wiskunde is dit een "combinatorisch optimalisatieprobleem". Het is alsof je probeert de ene, perfecte combinatie van ingrediënten te vinden in een kookboek met meer recepten dan er zandkorrels op aarde zijn. Een normale computer zou deze recepten één voor één moeten controleren, wat eeuwig zou duren.

Dit artikel introduceert een nieuwe "quantum receptenzoeker" genaamd QSERA (Quantum Search for Extrema and Roots Algorithm). Dit is hoe het werkt, met behulp van eenvoudige analogieën:

1. Het Probleem: Een speld zoeken in een hooiberg

Stel je voor dat je een enorme, ongesorteerde lijst hebt van 16 verschillende beleggingsportefeuilles (in het voorbeeld van het artikel). Je wilt de portefeuille vinden die het dichtst bij een specifieke "Goldilocks"-doelstelling ligt (niet te risicovol, niet te veilig, maar precies goed).

De Klassieke Manier: Een gewone computer is als een persoon die door een donkere bibliotheek loopt, een boek oppakt, controleert of het het juiste boek is, het teruglegt als het fout is, en naar het volgende boek loopt. Als er 16 boeken zijn, moet je er gemiddeld 8 controleren. Als er een miljoen boeken zijn, moet je er een half miljoen controleren.
De Quantum Manier: Het artikel stelt voor om een quantumcomputer te gebruiken, die lijkt op het hebben van een magische zaklamp die op alle boeken tegelijk kan schijnen. Het controleert ze niet alleen; het gebruikt een speciale truc om het "juiste" boek feller te laten stralen en de "foute" boeken te laten vervagen.

2. De Magische Truc: De "Oracle"

De kern van dit nieuwe algoritme is een tweestaps-proces om een complex wiskundig probleem te veranderen in een simpele "Ja/Nee"-vraag voor de quantumcomputer.

Stap A: De Vertaling (Het Receptkaartje)
De doelfunctie (de complexe wiskundige formule die risico en rendement berekent) is als een ingewikkeld recept. Het algoritme vertaalt dit recept eerst naar een eenvoudiger "scorekaart".

Het neemt de complexe formule en schaalt deze opnieuw zodat het "perfecte" antwoord een score van 1 krijgt, en alle andere een score tussen 0 en 1.
Denk hierbij aan het omzetten van een complexe smaaktest in een eenvoudige lichtschakelaar: de perfecte portefeuille zet het licht AAN (1), en de rest is gedimd of UIT (0).

Stap B: De Versterking (Grover's Algoritme)
Zodra de "perfecte" portefeuille met een "1" (of een lichtschakelaar) is gemarkeerd, gebruikt het algoritme een beroemde quantumtechniek genaamd Grover's Algoritme.

Stel je voor dat je in een kamer bent met 16 mensen, en er draagt er slechts één een rode hoed (de oplossing).
Het algoritme voert een reeks "reflecties" of "echo's" uit. Met elke echo wordt de persoon met de rode hoed iets luider, en de rest iets stiller.
Na een specifiek aantal echo's (wat veel minder is dan iedereen één voor één controleren) is de persoon met de rode hoed zo luid dat als je de kamer vraagt om te roepen, het bijna zeker die persoon zal zijn.

3. Waarom dit bijzonder is

Het artikel benadrukt een aantal belangrijke voordelen van deze nieuwe methode:

Het kan complexe recepten aan: De meeste huidige quantummethoden kunnen alleen "eenvoudige" recepten aan (wiskundig gezien kwadratische vergelijkingen). Deze nieuwe methode, QSERA, kan "complexe" recepten aan met veel ingrediënten die op ingewikkelde wijze met elkaar interageren (hogere-orde termen). Het is alsoals het kunnen bakken van een cake met 10 verschillende interagerende kruiden, in plaats van alleen suiker en bloem.
Het is Snel: Terwijl een klassieke computer items één voor één moet controleren (wat tijd kost die evenredig is aan het aantal items), vindt deze quantummethode het antwoord veel sneller (evenredig aan de vierkantswortel van het aantal items). Als je 10.000 opties hebt, moet een klassieke computer er misschien 5.000 controleren, maar deze quantummethode heeft slechts ongeveer 100 controles nodig.
Het is Vergevingsgezind: Het artikel merkt op dat je niet altijd van tevoren de exacte perfecte oplossing hoeft te weten. Zelfs als je alleen een ruwe schatting hebt van wat de "beste" score zou moeten zijn, kan het algoritme nog steeds een zeer goed antwoord vinden, al moet het het "echo"-proces misschien een paar keer uitvoeren om er zeker van te zijn.

4. De Praktijktest

Om te bewijzen dat het werkt, hebben de auteurs een simulatie uitgevoerd met een kleine portefeuille van slechts 4 activa.

Ze stelden een doel in (een specif kind risico en rendement).
Ze bouwden een quantumcircuit (een blauwdruk voor de quantumcomputer) om de wiskunde te vertalen naar het "lichtschakelaar"-signaal.
Ze voerden het algoritme uit.
Het Resultaat: De quantumcomputer identificeerde succesvol de portefeuille die het dichtst bij het doel lag, wat de hoogste waarschijnlijkheid gaf om te worden "gemeten" (gevonden).

De Addertjes onder het gras

Het artikel is eerlijk over de beperkingen. Om de "lichtschakelaar" perfect te laten werken, heb je idealiter van tevoren de absolute beste en slechtste mogelijke scores nodig. Als je die niet precies weet, moet je gokken. Als je gok er een beetje naast zit, schijnt het "perfecte" licht misschien niet zo fel als het zou moeten, en moet je de zoekopdracht misschien een paar keer uitvoeren om er zeker van te zijn dat je de absoluut beste optie hebt gevonden.

Samenvattend: Het artikel stelt een nieuwe quantumtool voor die complexe financiële wiskunde vertaalt naar een eenvoudig "zoek de winnaar"-spel. Het gebruikt quantummagie om het juiste antwoord te versterken, waardoor we moeilijke beleggingspuzzels veel sneller kunnen oplossen dan we met traditionele computers zouden kunnen, zelfs wanneer de wiskunde erg ingewikkeld wordt.

Technische Samenvatting: Een Quantum Ongestructureerd Zoekalgoritme voor Discrete Optimalisatie

Probleemstelling
Het artikel behandelt de uitdaging van het oplossen van discrete optimalisatieproblemen, specifiek combinatorische optimalisatie, waarbij variabelen binair zijn en afgeleiden niet gedefinieerd kunnen worden. Terwijl gradiëntgebaseerde methoden effectief zijn voor continue variabelen, falen ze in discrete ruimtes, die vaak NP-hard zijn. Bestaande quantumbenaderingen, zoals het Quadratic Unconstrained Binary Optimisation (QUBO) raamwerk, zijn beperkt tot objectieve functies die alleen eerste- en tweedetermen bevatten. Bovendien vertrouwen veel huidige quantumoptimalisatiealgoritmen (bijv. Variational Quantum Algorithms) op hybride klassiek-quantum lussen die last kunnen hebben van ruis of diepe circuits vereisen. De auteurs stellen een methode voor om de extrema of wortels te vinden van algemene discrete functies, $f(x)$ , die hogere-orde termen kunnen bevatten die verder gaan dan de kwadratische limiet van QUBO.

Methodologie: Het QSERA Algoritme
De auteurs introduceren het Quantum Search for Extrema and Roots Algorithm (QSERA), een lid van de Quantum Search Algorithm (QSA) familie gebaseerd op Grover's algoritme. De methodologie verloopt in twee primaire stappen:

Oracle Constructie ( $f(x) \to u(z)$ ):
De eerste stap omvat het mappen van de conditie van het vinden van een extreem (of wortel) $f(x^*) \approx f^*$ naar een ongestructureerd zoekprobleem voor een binaire string $z^*$ .
- Rescaling (Herverdeling): De objectieve functie $f(x)$ wordt herschaald naar een functie $g(x) \in [0, 1]$ . Voor maximalisatie is $g(x) = (f(x) - f_{min}) / (f_{max} - f_{min})$ ; voor minimalisatie is $g(x) = (f_{max} - f(x)) / (f_{max} - f_{min})$ ; en voor het vinden van wortels wordt een specifieke transformatie toegepast. Dit vereist a priori kennis of schattingen van het globale minimum ( $f_{min}$ ) en maximum ( $f_{max}$ ).
- Amplificatie: Om een binair oracle $u(z)$ te creëren waar $u(z^*) = 1$ en $u(z \neq z^*) = 0$ , wordt de functie $g(x)$ verheven tot een grote macht $n$ (d.w.z. $u_n(z) \equiv g(x)^n$ ). Wanneer $n \to \infty$ , nadert $u_n(z)$ het ideale oracle.
- Generalisatie: Het artikel merkt op dat $f(x)$ een algemeen polynoom kan zijn met termen tot orde $K$ (Eq. 10), wat objectieve functies mogelijk maakt die complexer zijn dan de standaard QUBO-vorm.
- Gate Implementatie: De auteurs leiden het quantumcircuit voor het oracle af. Ze definiëren zelf-geadjungerde operatoren $B_k$ die overeenkomen met binaire variabelen en construeren een unitaire operator $G$ zodanig dat $G|z\rangle = g(x)|z\rangle$ . De oracle-operator $Q^*$ wordt vervolgens gedefinieerd als $e^{i\pi G^n}$ . Deze wordt gedecomposeerd in een product van unitaire operatoren $Q^*_j$ voor elke orde van termen (nulde, eerste, tweede, etc.), geïmplementeerd met ancilla-qubits en faseverschuivingsgates.
Zoekuitvoering:
Zodra het oracle $Q^*$ is geconstrueerd, gebruikt het algoritme de Grover-diffusieoperator ( $Q_+$ ) en het oracle ( $Q^*$ ) in een iteratieve lus. De staat wordt geïnitialiseerd in een uniforme superpositie, en de operator $(Q_+ Q^*)$ wordt $m_{opt} \approx (\pi\sqrt{N} - 2)/4$ keer toegepast om de amplitude van de doelstaat $|z^*\rangle$ te versterken.

Belangrijkste Bijdragen

Generalisatie voorbij QUBO: In tegen tegenstelling tot veel quantumoptimalisatiemethoden die beperkt zijn tot kwadratische vormen, kan QSERA objectieve functies met hogere-orde termen (kubische, quartische, etc.) aan, wat het toepasbaar maakt voor een bredere klasse van combinatorische problemen.
Expliciete Circuit Constructie: Het artikel biedt een gedetailleerde wiskundige afleiding voor het construeren van de quantum oracle gates voor willekeurige polynoomordes, inclusclusief de recursieve berekening van coëfficiënten die vereist zijn voor de circuitparameters.
Omgaan met Benaderende Grenzen: De auteurs analyseren het scenario waarin $f_{min}$ en $f_{max}$ niet exact bekend zijn. Ze demonstreren dat hoewel het algoritme nog steeds kan functioneren met schattingen, de waarschijnlijkheid van het vinden van het exacte optimum afhangt van de keuze van de machtsparameter $n$ . Als $n$ te groot is, kan het oracle-signaal verdwijnen; als $n$ te klein is, is het signaal niet duidelijk genoeg. Er bestaat een optimale $n$ om deze factoren in balans te brengen.

Resultaten: Portfolio Optimalisatie Casestudy
De auteurs valideren QSERA met behulp van een portfolio optimalisatieprobleem met $N_a = 4$ activa, wat resulteert in $N=16$ mogelijke portfolio's.

Setup: Het doel was om een portfolio van 2 activa te vinden die de afstand tot een benchmark-rendement en volatiliteit minimaliseert. De objectieve functie bevatte termen tot de vierde orde.
Implementatie: Een quantumcircuit werd samengesteld met 4 qubits voor de portfolio-staten, 2 ancilla-qubits voor AND-operaties en 1 ancilla voor fase-tracking.
Prestaties:
- Met het optimale aantal Grover-iteraties ( $m_{opt} = 2$ ) en een zorgvuldig gekozen macht $n \approx 24$ , identificeerde het algoritme succesvol de optimale portfolio (staat $|1001\rangle$ ) met de hoogste waarschijnlijkheid.
- De op één na beste portfolio ( $|0101\rangle$ ) vertoonde ook een relatief hoge waarschijnlijkheid, wat weerspiegelt dat het algoritme de oplossing vond die het dichtst bij de geschatte grenzen lag.
- De studie bevestigde dat als $f_{min}$ en $f_{max}$ geschat worden in plaats van exact bekend zijn, de waarschijnlijkheid om het ware optimum te meten kleiner is dan 1, wat meerdere "shots" (herhaalde executies) noodzakelijk maakt om het ware optimum te onderscheiden van bijna-optimale oplossingen.
- De relatie tussen de macht $n$ en de succeswaarschijnlijkheid werd gevisualiseerd, waarbij een piekwaarschijnlijkheid werd getoond voor intermediaire $n$ -waarden, waarbij de prestaties verslechteren als $n$ te groot is (signaalonderdrukking) of te klein (onvoldoende discriminatie).

Betekenis en Claims
Het artikel claimt dat QSERA een kwadratische versnelling ( $O(\sqrt{N})$ ) biedt ten opzichte van klassieke brute-force zoekmethoden voor het vinden van extrema of wortels van discrete functies. De primaire betekenis ligt in het vermogen om:

Optimalisatieproblemen met hogere-orde objectieve functies op te lossen die incompatibel zijn met standaard QUBO-formuleringen.
Te opereren zonder de noodzaak van hybride klassiek-quantum parameteroptimalisatie lussen (in tegen tegenstelling tot VQAs), door te vertrouwen op een enkele quantum-executie (hoewel meerdere shots nodig kunnen zijn voor statistische zekerheid als de grenzen benaderend zijn).
Potentieel "ruisachtige" of steile-gradiënt continue functies (na discretisatie) aan te pakken waar gradiëntgebaseerde methoden mogelijk falen, hoewel de auteurs opmerken dat gestructureerd zoeken over het algemeen efficiënter is voor continue variabelen.

De auteurs concluderen dat hoewel het algoritme kennis van de functiegrenzen vereist voor gegarandeerd succes, het een robuust hulpmiddel blijft voor discrete optimalisatie, met name wanneer de structuur van de objectieve functie de capaciteiten van huidige QUBO-gebaseerde benaderingen overstijgt.