💰 quantitative finance

Quantum Stochastic Walks for Portfolio Optimization: Theory and Implementation on Financial Networks

Dit artikel stelt een Quantum Stochastic Walk (QSW) optimizer voor en valideert deze empirisch, die de latente graaf-theoretische structuur van financiële markten benut om significant hogere risico-gecorrigeerde rendementen en drastisch lagere portefeuille-omloopsnelheid te behalen vergeleken met klassieke gemiddelde-variantie optimalisatie.

Oorspronkelijke auteurs: Yen Jui Chang, Wei-Ting Wang, Yun-Yuan Wang, Chen-Yu Liu, Kuan-Cheng Chen, Ching-Ray Chang

Gepubliceerd 2026-02-05

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yen Jui Chang, Wei-Ting Wang, Yun-Yuan Wang, Chen-Yu Liu, Kuan-Cheng Chen, Ching-Ray Chang

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

Het Grote Probleem: Het "Perfecte" Plan versus de Realiteit

Stel je voor dat je probeert het ultieme team van hardlopers samen te stellen voor een marathon.

De Oude Manier (Klassieke Wiskunde): Je probeert de perfecte mix van hardlopers te berekenen op basis van hun eerdere snelheden en hoe goed ze samenwerken. Je wilt een zo snel mogelijk team. Maar hier komt de adder onder het gras: als je een kleine fout maakt in je berekeningen (misschien heb je de tijd van één hardloper verkeerd gelezen), kan je computer je vertellen dat je 90% van je team op slechts één hardloper moet zetten en de rest negeert. Dit is riskant. Als die ene hardloper struikelt, verliest je hele team. Dit is wat het artikel Mean-Variance Optimization (MPT) noemt. Het is wiskundig prachtig, maar fragiel in de echte wereld.
De "Luie" Manier (Gelijk Gewicht): Om het risico te vermijden dat je de verkeerde hardloper kiest, kies je gewoon 100 hardlopers en geeft je ze allemaal exact dezelfde hoeveelheid energie. Dit is de 1/N-strategie. Het is zeer veilig en stabiel, maar het negeert elke speciale informatie die je misschien hebt over wie er daadwerkelijk het snelst is. Het is een beetje te simpel.

De Nieuwe Oplossing: Een "Slimme" Hybride

De auteurs stellen een nieuwe methode voor genaamd Quantum Stochastic Walks (QSW). Denk hier niet aan als een rekenmachine, maar als een slimme gids die door een kaart van alle hardlopers (activa) navigeert.

1. De Kaart (Het Financiële Netwerk)

Stel je voor dat de hardlopers steden op een kaart zijn.

Wegen tussen steden: Sommige steden liggen heel dicht bij elkaar (sterk gecorreleerde aandelen). Als er in de ene stad verkeer is, is dat in de andere stad waarschijnlijk ook het geval.
Stadsborden: Sommige steden hebben borden met "Grote Snelheid" (hoog rendement) of "Gevaarlijk Terrein" (hoog risico).

2. De Gids (De Quantum Stochastic Walk)

De QSW stuurt een "walker" (een pakketje geld) over deze kaart. Maar deze walker heeft twee superkrachten die tegelijkertijd aan het werk zijn:

De Quantum Superkracht (De "Geest"-wandeling): Stel je voor dat de walker op veel plaatsen tegelijk kan zijn, zoals een geest. Hij kan door de kaart "tunnelen", waardoor hij verschillende paden tegelijkertijd verkent. Dit hels hem het grote plaatje te zien en complexe verbindingen te begrijpen die een normale walker misschien zou missen. Het voorkomt dat de walker op slechts één plek blijft steken.
De Klassieke Superkracht (De "Willekeurige" Wandeling): Stel je voor dat de walker ook een willekeurig element heeft, zoals een muntje opgooien. Dit zorgt ervoor dat de walker uiteindelijk elke stad op de kaart bezoekt, zelfs de saaie steden. Dit voorkomt dat de walker veilige, stabiele steden negeert omdat ze niet de meest flitsende zijn.

Door deze twee krachten te mengen, nestelt de walker zich vanzelf in een patroon waarbij hij tijd doorbrengt in bijna elke stad, maar met kleine aanpassingen op basis van de "borden" (data).

Het Resultaat: Een "Slimme 1/N" Portfolio

Het artikel beweert dat deze methode een portfolio produceert dat werkt als een "Slimme Gelijk-Gewicht" strategie.

Het is Stabiel: Net als de "Luie" manier, legt het niet al zijn eieren in één mandje. Het blijft zeer gediversifieerd (het verspreidt geld over veel activa), zodat het niet instort als één actief faalt.
Het is Slim: In tegen tegenstelling tot de "Luie" manier, maakt het kleine, op data gebaseerde aanpassingen. Als de "borden" zeggen dat een specifieke stad geweldig presteert, geeft de walker die stad een lichte extra aandacht, maar nooit genoeg om het hele team uit balans te brengen.
Het is Kalm: De oude wiskundige methode (MPT) heeft de neiging om in paniek te raken en constant van gedachten te veranderen, door wild te kopen en verkopen (hoge omloopsnelheid). De QSW-walker is kalm. Hij maakt kleine, gestage aanpassingen. Dit bespaart geld op transactiekosten (omloopsnelheidskosten).

Wat de Experimenten Lieten Zien

De auteurs hebben dit getest op de S&P 500 (de top 100 Amerikaanse aandelen) over vele jaren, inclusief tijdens grote financiële crashes.

Beter dan de Oude Wiskunde: De oude methode (MPT) was erg gevoelig. Als je de data licht veranderde, veranderden de resultaten drastisch. De QSW-methode was rotsvast; het gaf consistente resultaten, ongeacht kleine fouten in de data.
Beter dan de "Luie" Manier: Hoewel de QSW erg leek op de eenvoudige "gelijk gewicht"-strategie, maakte het consequent iets meer geld met minder risico.
Geen "Black Box" Magie: De auteurs hebben duizenden verschillende instellingen getest (een "grid search") om te zien of ze niet gewoon geluk hadden met één specifieke instelling. Ze ontdekten dat de QSW goed werkt over een enorme reeks instellingen. Het is geen "magische truc" die alleen werkt als je het perfect afstelt; het is structureel robuust.
Lange-Termijn Succes: Ze testten dit over 34 jaar, in 30 verschillende willekeurige groepen aandelen. In bijna elk scenario presteerde de QSW-methode beter dan de oude wiskunde en de eenvoudige gelijk-gewicht-strategie, vooral als men keek naar de balans tussen risico en rendement.

De Kern van het Verhaal

Het artikel betoogt dat we niet hoeven te kiezen tussen een "fragiel, hoog-risico" wiskundig model en een "saaie, eenvoudige" gelijke verdeling.

De Quantum Stochastic Walk is als een wijze, ervaren kapitein die een schip bestuurt. In plaats van te proberen de perfecte golf te voorspellen (wat onmogelijk en gevaarlijk is), houdt de kapitein het schip in balans en stabiel (zoals de gelijk-gewicht-strategie), maar maakt hij kleine, slimme correcties om de wind te vangen wanneer die beschikbaar is. Het resultaat is een reis die veiliger, soepeler en iets sneller is dan de alternatieven.

Technische Samenvatting: Quantum Stochastic Walks voor Portefeuilleoptimalisatie

Probleemstelling

Klassieke portefeuilleoptimalisatie, geworteld in het Markowitz mean–variance kader, staat tegenover kritische praktische beperkingen ondanks de theoretische elegantie ervan. De primaire problemen zijn:

Schattingfout en Fragiliteit: In hoogdimensionale ruimtes (bijv. $n=500$ activa) bevat de covariantie-matrix meer dan $10^5$ parameters. Kleine fouten in het schatten van verwachte rendementen ( $\mu$ ) en covarianties ( $\Sigma$ ) leiden tot extreme, instabiele portefeuillegewichten.
Concentratie en Omloop (Turnover): Mean–variance optimalisaties produceren vaak sterk geconcentreerde portefeuilles (laag effectief aantal aandelen) en een excessieve omloop (300–500% jaarlijks) om marginale verbeteringen in de Sharpe-ratio na te jagen. Deze "foutmaximalisatie" maakt de strategieën operationeel onhaalbaar vanwege transactiekosten en marktimpact.
Beperkingen van Alternatieven: Hoewel naïeve gelijkwaardige ( $1/N$ ) portefeuilles robuust en gediversifieerd zijn, negeren zij cross-sectionale informatie. Daarentegen fungeren deep learning-benaderingen (predict-then-optimize of end-to-end reinforcement learning) vaak als ondoorzichtige "black boxes", lijden zij aan overfitting op niet-stationaire financiële data en ontbreekt het hen aan interpreteerbaarheid voor risicobeheer.

Het artikel stelt dat deze mislukkingen voortkomen uit een gebrek aan structurele beperkingen in klassieke optimalisatie, die er niet in slaagt om diversificatie of robuustheid tegen inputruis op natuurlijke wijze af te dwingen.

Methodologie: Het Quantum Stochastic Walk (QSW) Kader

De auteurs stellen een Quantum Stochastic Walk (QSW) kader voor dat portefeuilleallocatie modelleert als een dynamisch proces op een gewogen financieel netwerk.

1. Graafconstructie

Activa worden in kaart gebracht als knopen in een gerichte, gewogen graaf $G=(V, E)$ . De graaf codeert financiële data via twee kanalen:

Knopenattributen (Zelflussen): Codering van activaspecifieke risico-gecorrigeerde rendementen (Sharpe-ratio's).
Randgewichten (Edge Weights): Codering van paarrelaties. Het gewicht $W_{ij}$ tussen activum $i$ en $j$ wordt gedefinieerd als:
$W_{ij} = \begin{cases} \exp(\alpha \cdot SR_j - \beta \cdot \Sigma_{ij}) & i \neq j \\ \exp(\lambda \cdot SR_i) & i = j \end{cases}$
Waarbij $\alpha$ het najagen van rendement regelt, $\beta$ transities tussen sterk gecorreleerde activa bestraft (het afdwingen van diversificatie), en $\lambda$ fungeert als een holding-coëfficiënt.

2. Dual-Channel Dynamica

De portefeuillegewichten worden afgeleid van de stationaire verdeling van een hybride quantum-klassieke wand die wordt beheerst door de Gorini–Kossakowski–Lindblad–Sudarshan (GKLS) mastervergelijking:
$\frac{d\rho}{dt} = -i(1-\omega)[H, \rho] + \omega \sum_{i,j} c_{ij} \left( L_{ij}\rho L_{ij}^\dagger - \frac{1}{2}\{L_{ij}^\dagger L_{ij}, \rho\} \right)$

Coherent Kanaal (Quantum): Gedreven door een Hermitische Hamiltoniaan $H$ , staat dit kanaal superpositie en interferentie toe, waardoor de wand gelijktijdig gecorreleerde clusters van activa kan verkennen.
Stochastisch Kanaal (Klassiek): Geïmplementeerd via een Google-type generator (vergelijkbaar met PageRank) met transitieraten $c_{ij}$ . Dit kanaal zorgt voor ergodiciteit, garandeert convergentie naar een unieke stationaire toestand en dempt de waarschijnlijkheidsmassa binnen nauwe clusters om kapitaal te herverdelen naar ondervertegenwoordigde regio's.
Mengparameter ( $\omega$ ): Regelt de balans tussen quantum exploratie ( $\omega=0$ ) en klassieke diffusie ( $\omega=1$ ).

3. Implementatie

Stationaire Toestand: De portefeuillegewichten $w_i$ worden gedefinieerd als de diagonale elementen van de stationaire dichtheidsmatrix $\rho_\infty$ ( $w_i = \rho_{\infty, ii}$ ).
Computatie: De auteurs implementeren de solver met behulp van Kraus-operatoren om de dichtheidsmatrix te evolueren, waarbij gebruik wordt gemaakt van GPU-acceleratie (NVIDIA A100) voor efficiëntie. Dit maakt de optimalisatie van portefeuilles met $\sim 100$ activa in enkele seconden mogelijk.

Belangrijkste Bijdragen

Netwerkgebaseerde Representatie: Het artikel brengt de mean-risk trade-off in kaart naar een gewogen, gerichte graaf waar zelflussen Sharpe-informatie coderen en tussenliggende randen correlatie bestraffen, wat een structurele representatie van diversificatie biedt.
"Slimme 1/N" Allocatie: Het QSW-kader convergeert op natuurlijke wijze naar een "slimme 1/N" portefeuille. Het behoudt de structurele stabiliteit en diversificatie van de naïeve gelijkwaardige strategie, maar introduceert kleine, datagedreven afwijkingen (tilts) op basis van de quantum-klassieke dynamica.
Structurele Robuustheid: In tegenstelling tot klassieke optimalisaties die kunstmatige beperkingen vereisen om extreme herbalancering te voorkomen, onderdrukken de QSW-dynamieken inherent ongewenste omloop en zijn ze structureel bestand tegen schattingsfouten.
Praktische Ontwerpregels: Door middel van uitgebreide grid searches identificeren de auteurs eenvoudige ontwerpregels: de optimale strategie omvat doorgaans minimaal rendement-najagen ( $\alpha \approx 0.1$ ), maximale diversificatiedruk ( $\beta \approx 500$ ) en een afstembare mengparameter $\omega$ die primair fungeert als een "omloop-draaiknop".

Empirische Resultaten

Het kader werd gevalideerd via drie fasen van experimenten:

Fase 1: Parameterverkenning (2018–2024)

Stabiliteit: QSW-portefeuilles vertoonden Sharpe-ratio's van $\approx 0.96–0.98$ en een volatiliteit van $\approx 17\%$ , vrijwel identiek aan de $1/N$ benchmark. In contrast hiermee vertoonde de Mean–Variance (MPT) benchmark extreme gevoeligheid voor de lengte van het trainingsvenster (waarbij de Sharpe-ratio sprong van 0.86 naar 1.36 bij de overgang van een 1-jarig naar een 2-jarig venster) en produceerde het sterk geconcentreerde portefeuilles (HHI $\approx 0.26$ ).
Omloop (Turnover): QSW behaalde deze resultaten met een gematigde omloop (2%–80% afhankelijk van de instellingen), terwijl MPT 320%–480% omloop vereiste.
Robuustheid: Monte Carlo shock-tests toonden aan dat MPT kleine input-perturbaties versterkte tot massale gewichtsveranderingen (standaarddeviatie $\approx 7.8\%$ ), terwijl QSW stabiel bleef (standaarddeviatie $< 4\%$ ).

Fase 2: Uitgebreide Grid Search

Een 625-punts grid search over de parameters $(\alpha, \beta, \lambda, \omega)$ bevestigde dat het "slimme 1/N" regime een breed, structureel robuust gebied in de parameterruimte is, en geen resultaat van fijnafstemming. De best presterende configuraties minimaliseerden consistent het najagen van rendement en maximaliseerden de diversificatie-straf.

Fase 3: Lange-termijn Robuustheid (1990–2024)

Multi-Universe Studie: De studie voerde 30 onafhankelijke proeven uit over 34 jaar met dynamisch onderhouden 100-aandelen universa om survivorship bias te vermijden.
Prestaties: De dynamische QSW-optimizer bereikte een gemiddelde CAGR van 23.3% en een Sharpe-ratio van 0.98, waarmee het MPT (Sharpe 0.48), $1/N$ (Sharpe 0.74) en de S&P 500 index (Sharpe 0.37) versloeg.
Risicometrieken: QSW handhaafde lagere maximale drawdowns en betere Calmar-ratio's dan MPT en de index, terwijl de volatiliteit tussen die van $1/N$ en MPT lag.
Adaptiviteit: Zelfs met kwartartijdse heroptimalisatie (resulterend in $\approx 200\%$ omloop), presteerde QSW aanzienlijk beter dan de $\approx 330\%$ omloop van MPT, terwijl het superieure risico-gecorrigeerde rendementen leverde.

Betekenis en Claims

Het artikel beweert dat het QSW-kader een principieel alternatief biedt voor zowel naïeve diversificatie als fragiele, hoogdimensionale optimalisatie. De betekenis ligt in:

Structurele Regularisatie: De quantum-geïnspireerde dynamica fungeert als een natuurlijke regularisator, die voorkomt dat de optimizer instort in fragiele, geconcentreerde portefeuilles zonder dat daar ad-hoc beperkingen voor nodig zijn.
Interpreteerbaarheid: In tegenstelling tot de "black boxes" van deep learning, hebben de QSW-parameters duidelijke fysieke interpretaties (bijv. $\beta$ als diversificatie-rem, $\omega$ als ruis/omloop-draaiknop), wat het model auditeerbaar en betrouwbaar maakt voor risicobeheer.
Praktische Leefbaarheid: Door de robuustheid van $1/N$ te balanceren met de flexibiliteit van datagedreven afwijkingen, levert het kader hogere risico-gecorrigeerde rendementen met een gematigde omloop, wat het implementeerbaar maakt in real-world settings waar transactiekosten en schattingsfouten onvermijdelijk zijn.

De auteurs concluderen dat het voordeel van QSW niet voortkomt uit "magische" quantumeffecten, maar uit de structurele eigenschappen die door de hybride wand worden opgelegd, welke gewenste portefeuillekenmerken (diversificatie en robuustheid) bij ontwerp afdwingen.