⚛️ quantum physics

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

Dit artikel presenteert GCS-Q, een robuust data-gedreven algoritme dat quantum-annealing gebruikt om financiële activa direct te clusteren op basis van getekende correlaties, waardoor het de beperkingen van klassieke methoden overwint en een superieure clusteringkwaliteit bereikt zonder vooraf een vast aantal clusters te hoeven specificeren.

Oorspronkelijke auteurs: Shivam Sharma, Supreeth Mysore Venkatesh, Pushkin Kachroo

Gepubliceerd 2026-02-25

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Shivam Sharma, Supreeth Mysore Venkatesh, Pushkin Kachroo

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 enorme, drukke markt hebt met duizenden verschillende winkels (de aandelen). Je wilt een portfolio bouwen, wat betekent dat je een selectie winkels kiest om in te investeren. Het doel is simpel: je wilt winkels kiezen die elkaar niet allemaal tegelijk laten zakken (risico verminderen), maar wel verschillende dingen verkopen (diversificatie).

Het probleem is dat de relaties tussen deze winkels ingewikkeld zijn. Soms bewegen ze in dezelfde richting (als de ene winkelt, doet de andere dat ook), maar soms bewegen ze in tegenovergestelde richtingen (als de ene stijgt, daalt de andere).

Hier komt dit wetenschappelijke paper om de hoek kijken. Het beschrijft een nieuwe, slimme manier om deze winkels in groepjes te verdelen, met behulp van een kwantumcomputer.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het Oude Probleem: De "Valse Vriend"

Vroeger probeerden mensen deze winkels in groepjes te verdelen met klassieke computers. Maar ze hadden een groot probleem:

De vertaalfout: Klassieke methodes konden geen "negatieve" relaties goed begrijpen. Ze probeerden alles om te zetten in positieve cijfers, alsof ze een spiegel gebruiken die de achterkant van een object weggooit.
De analogie: Stel je voor dat je vrienden hebt. Sommige vrienden zijn heel positief (ze lachen samen), andere zijn negatief (ze ruziën). De oude methodes deden alsof ruzie maken hetzelfde is als "niet samen lachen". Dat is niet waar! Ruzie maken is actief slecht, niet gewoon afwezig. Door dit onderscheid te negeren, kwamen de oude methodes op de verkeerde groepjes uit.
De giswerk: Ze moesten ook zelf raden hoeveel groepjes er zouden zijn (bijvoorbeeld: "Laten we maar 5 groepjes maken"). Als je dat fout doet, is je hele portfolio minder goed.

2. De Nieuwe Oplossing: De "Kwantum-Detective"

De auteurs (Shivam, Supreeth en Pushkin) hebben een nieuwe methode bedacht genaamd GCS-Q. Dit is een algoritme dat draait op een kwantum-annealer (een speciaal type kwantumcomputer van D-Wave).

Hoe het werkt: In plaats van de relaties te "verdraaien" naar positieve cijfers, kijkt de kwantumcomputer direct naar de echte, rauwe data. Hij ziet zowel de vriendschappen als de vijandschappen.
De Analogie: Stel je voor dat je een detective bent die een enorme menigte moet verdelen in groepen.
- De oude detective (klassieke computer) kijkt alleen naar wie samen lachen en probeert de ruziëners te negeren. Hij moet ook eerst raden hoeveel groepen er zijn.
- De nieuwe detective (GCS-Q) kijkt naar iedereen. Hij ziet wie elkaar haat en wie elkaar mag. Hij begint met iedereen in één grote groep en snijdt die groep dan langzaam open op de plekken waar de spanning het hoogst is (waar de ruzie zit).
- Het magische moment: De detective weet precies waar hij moet snijden. Hij hoeft niet te raden hoeveel groepen er zijn; de groepen vormen zich vanzelf op het moment dat de spanning te hoog wordt.

3. Waarom een Kwantumcomputer?

Het vinden van de perfecte groepjes is als het zoeken naar de naald in een hooiberg, maar dan met een hooiberg die elke seconde groter wordt.

De "Exponentiële" berg: Voor een klassieke computer is het zoeken naar de perfecte verdeling van 100 winkels net zo moeilijk als het proberen van elke mogelijke combinatie in het hele universum. Dat duurt te lang.
De Kwantum-voordeel: De kwantumcomputer kan tegelijkertijd door duizenden mogelijke oplossingen "snuffelen". Het is alsof je een berg van bovenaf bekijkt in plaats van één voor één de paden te lopen. Hierdoor vindt hij de beste verdeling veel sneller en nauwkeuriger, zelfs als de relaties complex en negatief zijn.

4. Wat hebben ze bewezen?

De auteurs hebben hun methode getest op twee dingen:

Gemaakte data: Ze maakten een virtuele markt met bekende groepjes. De kwantum-methode vond de groepjes bijna perfect, terwijl de oude methodes vaak fouten maakten.
Echte marktdata: Ze keken naar 50 echte aandelen (zoals Apple, Tesla, banken, etc.) en hun koersbewegingen.
- Het resultaat: De groepjes die door de kwantumcomputer werden gevonden, waren "gezonder". Ze hadden minder interne ruzie (negatieve correlaties binnen een groep) en meer samenwerking.
- Waarom is dit goed? Als je een portfolio bouwt met deze groepjes, loop je minder risico. Als één groepje crasht, is het waarschijnlijk dat een ander groepje juist stijgt, omdat ze echt verschillend zijn.

Samenvatting in één zin

Dit paper toont aan dat kwantumcomputers nu al nuttig zijn voor het financieel wereldje: ze kunnen complexe netwerken van aandelen veel slimmer in groepjes verdelen dan oude methodes, zonder dat we hoeven te raden hoeveel groepen er nodig zijn, wat leidt tot veiligere en slimmere beleggingsportefeuilles.

Het is een stap in de richting van "Quantum Utility": het moment waarop kwantumcomputers niet meer alleen een lab-experiment zijn, maar echt geld en risico's voor ons beheren.

Probleemstelling

Het clusteren van financiële activa op basis van rendementcorrelaties is een fundamentele taak voor portefeuilleoptimalisatie en statistische arbitrage. Bestaande klassieke methoden (zoals k-Means, k-Medoids en hiërarchisch clusteren) hebben echter aanzienlijke beperkingen wanneer ze worden toegepast op getekende grafieken (waarbij correlaties zowel positief als negatief kunnen zijn, $\rho \in [-1, 1]$ ):

Verlies van semantische integriteit: Klassieke algoritmen vereisen vaak positief-definiete afstandsmaten. Om dit te bereiken, worden getekende correlatiematrixen getransformeerd naar niet-negatieve afstanden (bijv. $d_{ij} = \sqrt{\alpha(1-\rho_{ij})}$ ). Deze transformatie is "verliesgevend" (lossy); bijvoorbeeld, een correlatie van 0 wordt omgezet in een vaste, niet-nul dissimilariteit, wat de oorspronkelijke betekenis van de data vervormt.
Suboptimale doelen: Centroid-gebaseerde methoden minimaliseren afstanden tot een middelpunt, terwijl het echte doel in de financiële context is om intra-cluster correlaties te maximaliseren en inter-cluster correlaties te minimaliseren.
Hyperparameter-tuning: Methoden zoals k-Medoids vereisen dat het aantal clusters ( $k$ ) handmatig wordt ingesteld of via heuristieken (zoals de "elbow method") wordt geschat, wat niet generaliseerbaar is over verschillende datasets.
Beperkingen van bestaande quantum-methoden: Eerdere pogingen om quantum computing toe te passen, vertaalden het probleem vaak naar een "Maximum Clique" probleem met een groot aantal binaire variabelen, wat de capaciteiten van huidige quantum-annealers overstijgt.

Methodologie: GCS-Q

De auteurs stellen een nieuwe aanpak voor: het Graph-based Coalition Structure Generation-algoritme (GCS-Q). Dit algoritme is specifiek ontworpen om direct te werken op getekende, gewogen grafieken zonder verliesgevende transformaties.

Formulering: Het doel is om een coalitiestructuur $\Pi$ (een partitie van de grafiek) te vinden die de som van de gewichten van de randen binnen clusters maximaliseert:
$\max_{\Pi} \sum_{C \in \Pi} \sum_{i,j \in C, i<j} w_{ij}$
Waarbij $w_{ij}$ de correlatie is. Dit bevordert het groeperen van sterk positief gecorreleerde activa en straalt negatief gecorreleerde paren uit dezelfde cluster.
Iteratief Proces: Het algoritme begint met de volledige grafiek en voert iteratief minimum cuts uit op de huidige subgrafieken.
- Elke cut-optimalisatie wordt geformuleerd als een Quadratic Unconstrained Binary Optimization (QUBO) probleem.
- Deze QUBO's worden opgelost met behulp van een quantum annealer (in dit geval een D-Wave Advantage systeem).
- Het proces is recursief: na elke cut worden de resulterende subgrafieken opnieuw geanalyseerd totdat er geen cut meer gevonden kan worden die waardevoller is dan de som van alle randen in die subgrafiek.
Dynamisch $k$ : Een cruciaal voordeel is dat het algoritme het aantal clusters ( $k$ ) dynamisch bepaalt als onderdeel van de optimalisatie, waardoor handmatige tuning overbodig is.
Complexiteit: Het vinden van de optimale partitie voor getekende grafieken is NP-hard. GCS-Q benut de quantum-annealer om exponentiële oplossingsruimtes efficiënt te verkennen, wat klassieke solvers (zoals Gurobi of CPLEX) moeite hebben om te schalen op dichte grafieken.

Experimenten en Resultaten

De auteurs hebben GCS-Q getest op zowel synthetische als real-world financiële data en vergeleken met state-of-the-art klassieke algoritmen: SPONGE (een spectrale methode voor getekende grafieken) en k-Medoids (PAM).

Synthetische Data:
- Er werden getekende grafieken gegenereerd die realistische correlatiepatronen nabootsten (continue gewichten en ongelijke clustergroottes).
- Meting: Adjusted Rand Index (ARI) vergeleken met de "ground truth".
- Resultaat: GCS-Q presteerde consistent beter dan SPONGE en PAM. PAM faalde grotendeels door de noodzaak van transformatie naar niet-negatieve afstanden. SPONGE deed het goed op specifieke, ideale grafieken (discrete gewichten, even grote clusters), maar degradeerde bij continue gewichten en stochastische grootte, wat typisch is voor financiële data.
Real-world Data (Yahoo Finance):
- Gebruik van uurlijkse sluitingsprijzen van 50 activa uit diverse sectoren.
- Meting: Een "Penalty"-metriek die afwijkingen van structurele balans bestraft (negatieve correlaties binnen clusters en positieve correlaties tussen clusters). Een lagere score is beter.
- Resultaat: GCS-Q behaalde consistent de laagste penalty-waarden. Dit betekent dat de gevonden clusters intern samenhangend zijn (geschikt voor mean-reversion strategieën) en extern distinct (geschikt voor diversificatie).

Belangrijkste Bijdragen

Eerste bewijs van Quantum Utility: Dit is, voor zover bekend, het eerste werk dat een kwaliteitsvoordeel (solution quality) van quantum hardware toont voor een praktisch financieel probleem (asset clustering), gevalideerd op zowel synthetische als echte data.
Directe verwerking van getekende grafieken: Het vermijden van verliesgevende transformaties van correlaties naar afstanden, waardoor de semantische structuur van de data volledig behouden blijft.
Data-gedreven dynamische clustering: Het elimineren van de noodzaak voor het handmatig instellen van het aantal clusters ( $k$ ), wat de robuustheid en generaliseerbaarheid van het model verhoogt.
Praktische toepasbaarheid: Het demonstreert dat huidige quantum-annealers (D-Wave) nuttig kunnen zijn voor unsupervised learning in de finance, ondanks beperkingen zoals qubit-aantal en wachtrijen.

Betekenis en Toekomstperspectief

De studie markeert een concrete stap richting near-term quantum utility in de financiële sector. Het toont aan dat quantum computing niet alleen theoretisch interessant is, maar ook praktische voordelen biedt bij het oplossen van complexe, combinatorische optimalisatieproblemen in het beheer van activa.

Toepassingen: De gegenereerde clusters kunnen direct worden gebruikt voor portefeuilleoptimalisatie (Markowitz-framework) en statistische arbitrage.
Toekomst: De auteurs suggereren verdere verbeteringen door het gebruik van nieuwere hardware-topologieën (zoals Zephyr bij D-Wave), het ontwikkelen van aangepaste embeddings, en het vergelijken met geavanceerde klassieke optimalisatieoplossers. Ook wordt voorgesteld om de prestaties te evalueren aan de hand van financiële metrics zoals de Sharpe Ratio.

Kortom, GCS-Q biedt een robuust, data-gedreven alternatief voor klassieke clustering, waarbij quantum technologie wordt ingezet om de complexiteit van getekende grafieken in financiële markten effectiever te doorgronden.