⚛️ quantum physics

Quantum Portfolio Optimization: An Extensive Benchmark

Dit artikel presenteert een uitgebreide benchmark die kwantumoptimalisatiemethoden (quantum annealing en QAOA) vergelijkt met state-of-the-art klassieke algoritmen op real-world portfolio-optimalisatie-instanties, waarbij wordt geconcludeerd dat klassieke mixed-integer programmering en op maat gemaakte heuristieken de kwantumbenaderingen aanzienlijk overtreffen in zowel oplossingskwaliteit als snelheid, wat wijst op een zeer beperkt potentieel voor kwantumvoordeel in dit specifieke domein.

Oorspronkelijke auteurs: Eric Stopfer, Friedrich Wagner

Gepubliceerd 2026-07-10

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Eric Stopfer, Friedrich Wagner

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 de kapitein bent van een enorm schip vol met schatten, en je taak is om je goud te verdelen over 1.000 verschillende eilanden. Je wilt je buit (rendement) maximaliseren, maar ook voorkomen dat het schip te veel heen en weer wiebelt tijdens een storm (volatiliteit). Dit is het "Portfolio Optimalisatie"-probleem, een klassieke puzzel in de financiële wereld waar onderzoekers al decennia proberen op te lossen met behulp van de nieuwste, glimmendste tool van het universum: quantumcomputers.

Onlangs besloot een team wetenschappers van het Fraunhofer Instituut deze quantummachines aan de ultieme test te onderwerpen. Ze gokten niet zomaar; ze voerden een enorme, real-world experiment uit met 250 verschillende schatkaarten, waarvan sommige wel 1.000 eilanden bevatten. Hun doel? Te zien of quantumcomputers de beste menselijke strategieën (klassieke methoden) konden verslaan bij het vinden van de perfecte verdeling van het goud.

De Zwaargewichtkampioen: De Ouderwetse Oplosser
Laten we eerst praten over de "klassieke" methoden—de methoden die we al decennia gebruiken. De onderzoekers ontdekten dat moderne, superintelligente klassieke solvers (zoals een programma genaamd Guroi) absolute beesten zijn. Wanneer ze probeerden het probleem voor 1.000 activa op te lossen, vonden deze solvers het wiskundig perfecte antwoord in de orde van grootte van seconden. Het was alsof je een bibliothecaris had die het ene perfecte boek in een bibliotheek van een miljoen boeken kon vinden voordat je zelfs maar "hallo" kon zeggen.

De Quantum Uitdagers: De Nieuwe Jongens op het Schoolplein
Toen kwamen de quantumuitdagers. De onderzoekers testten twee hoofdtypen "quantummagie":

Quantum Annealing: Denk hierbij aan een magische knikker die door een complex, bobbelig landschap rolt om de diepste vallei te vinden (de beste oplossing). Ze gebruikten een D-Wave machine met meer dan 4.400 fysieke qubits.
QAOA (Quantum Approximate Optimization Algorithm): Dit is als een gate-based quantumcomputer (specifiek een IBM-machine met 127 qubits) die probeert de quantumtoestand te "tunen" om het antwoord te vinden, vergelijkbaar met het afstemmen van een radio op het perfecte station.

De Grote Onthulling: De Quantumstrijd
Hier wordt het verhaal interessanter. De onderzoekers stelden een strikte tijdlimiet van 60 seconden in voor de quantumcomputers om hun werk te doen. Waarom? Omdat je in de echte wereld niet eeuwig op een antwoord kunt wachten.

De resultaten waren een beetje een teleurstelling voor de quantumhype-trein.

De Groottebeperking: De quantummachines liepen zeer snel tegen een muur aan. Omdat het probleem vereist dat elk actief verbonden is met elk ander actief (een "dense" probleem), konden de quantumcomputers alleen instanties aan met maximaal 30 activa aan. Alles groter dan dat, en de machines konden de puzzel simpelweg niet in hun geheugen passen.
De Kwaliteitskloof: Zelfs binnen dat kleine bereik hadden de quantummethoden moeite. Wanneer de onderzoekers naar de oplossingen keken die in 60 seconden werden gevonden, konden de quantumcomputers vaak niet eens een geldige oplossing vinden (één die aan alle regels voldoet). Wanneer ze er wel een vonden, was deze meestal ver van perfect.
De "Willekeurige" Verrassing: In sommige gevallen presteerden de quantumcomputers niet beter dan het simpelweg kiezen van willekeurige antwoorden. Stel je voor dat je een naald in een hooiberg probeert te vinden door met blinddoek om pijltjes te gooien; de quantumcomputers waren soms net zo waarschijnlijk de naald te raken als het stro.

De Echte Winnaar: Een Op Maat Gemaakt Instrument
Maar wacht, er is een plotwending! De onderzoekers vergeleken niet alleen quantum met "standaard" klassieke solvers; ze bouwten ook een speciaal, op maat gemaakt instrument (een probleem-specifieke heuristiek) dat precies voor deze schatkaart was ontworpen.

Dit aangepaste instrument was een superster. Het vond consequent betere oplossingen dan de quantumcomputers in dezelfde 60 seconden.
Het was zo goed dat het de quantummachines liet lijken alsof ze met hun speelgoed aan het spelen waren. Het aangepaste instrument vond bijna voor elke instantie geldige oplossingen, terwijl de quantummachines er vaak niet eens in slaagden om een enkele geldige oplossing te vinden voor grotere problemen.

Wat Betekent Dit?
Het paper concludeert dat voor dit specifieke type portfolio-probleem (het minimaliseren van volatiliteit) er momenteel zeer weinig ruimte is voor een "quantumvoordeel".

Klassieke solvers kunnen enorme problemen perfect oplossen in seconden.
Aangepaste klassieke heuristieken verslaan quantumcomputers bij het snel vinden van goede oplossingen.
Quantumcomputers (zowel annealing als QAOA) zitten momenteel vast. Ze worstelen met het "dense" karakter van het probleem, wat hen dwingt om te veel middelen te gebruiken enkel om het probleem op de chip te mappen.

De auteurs zijn voorzichtig en zeggen dat dit niet betekent dat quantumcomputing voor altijd nutteloos is. Ze suggereren dat voor complexere versies van dit probleem (met extra regels en variabelen), quantum een kans kan maken. Maar voor de versie die zij testten? De ouderwetse methoden zijn nog steeds de koningen op de heuvel, en de quantumuitdagers staan nog in de trainingskampen, niet in staat om zelfs maar de race tegen een op maat gemaakte klassieke loper te voltooien.

Kortom: Als je vandaag een portfolio van 1.000 activa wilt optimaliseren, heb je geen quantumcomputer nodig. Je hebt een goede klassieke solver en misschien een aangepast script nodig. De quantumrevolutie voor deze specifieke taak staat nog in de coulissen en is nog niet klaar om het podium te betreden.

Technische Samenvatting: Kwantum Portfolio Optimalisatie: Een Uitgebreide Benchmark

Probleemdefinitie
Deze studie onderzoekt het computationele potentieel van kwantumalgoritmen voor portfolio-optimalisatie, met een specifieke focus op een variant die gericht is op het minimaliseren van volatiliteit. In tegenstelling tot "kies-asset-of-niet"-formuleringen, behandelt dit werk het meer praktische probleem van het bepalen van optimale continue asset-gewichten ( $\omega_i \in [0, 1]$ ) om de portfolio-volatiliteit ( $\sigma^2$ ) te minimaliseren, onderworpen aan een minimum verwacht rendement ( $\epsilon$ ) en volledige investeringsrestricties ( $\sum \omega_i = 1$ ). De auteurs identificeren deze specifieke variant, getiteld MinVola, als de meest computationeel uitdagende voor klassieke solvers vergeleken met rendement-maximaliserende of multi-objectieve formuleringen, wat het de meest veelbelovende kandidaat maakt om een kwantumvoordeel aan te tonen.

De studie maakt gebruik van een dataset van 250 instanties afgeleid van echte Nasdaq-beursgegevens (2020–2023), variërend van 3 tot 1.000 assets. Vanwege huidige hardwarebeperkingen werden kwantummethoden getest op instanties met maximaal 30 assets, terwijl klassieke methoden over het volledige bereik werden geëvalueerd.

Methodologie
De auteurs voerden een vergelijkende benchmark uit van kwantum- en klassieke benaderingen onder een strikte tijdslimiet van 60 seconden voor sampling en resultaat-analyse. De studie houdt zich aan de principes van eerlijkheid, reproduceerbaarheid en verifieerbaarheid.

Probleemtransformatie: Om te kunnen communiceren met kwantuminfrastructuur, werd het continue MinVola-probleem getransformeerd naar een Quadratic Unconstrained Binary Optimization (QUBO) model. Continue gewichten werden gediscretiseerd met behulp van een binaire expansie met precisieparameter $d=3$ , wat resulteerde in $4n$ binaire variabelen voor $n$ assets. Straffactoren ( $\phi, \psi = 1000$ ) werden toegepast om rendement- en normalisatiebeperkingen af te dwingen.
Kwantummethoden:
- Quantum Annealing (QA): Uitgevoerd op een D-Wave Advantage 2 processor (4.400+ fysieke qubits). De studie testte verschillende annealing-tijden (1–50 $\mu$ s) en chain-sterktes. Vanwege de volledig verbonden aard van de QUBO werd een clique-embeddingstrategie toegepast, wat de qubit-overhead aanzienlijk verhoogde.
- Quantum Approximate Optimization Algorithm (QAOA): Geïmplementeerd op de IBM ibm_strasbourg (127 qubits) en ideale simulators. De studie testte drie parameterselectiestrategieën: grid search (voor $p=1$ ), linear ramp initialisatie, en COBYLA-optimalisatie. De studie was beperkt tot kleine instanties ( $n \le 30$ ) vanwege de exponentiële geheugenvereisten van klassieke simulatie en hardware-connectiviteitsbeperkingen.
Klassieke Methoden:
- Exacte Solvers: Gurobi en SCIP werden gebruikt om bewezen optimaliteit voor het gediscretiseerde probleem vast te stellen.
- Heuristieken: De benchmark bevatte Simulated Annealing, Steepest Descent, Tabu Search, en een nieuwe probleemspecifieke heuristiek die ontworpen is om asset-gewichten iteratief aan te passen om variantie te verminderen zonder een volledig wiskundig model op te bouwen.
Metrieken: Prestaties werden geëvalueerd op basis van de benaderingsratio (doelwaarde ten opzichte van de optimale oplossing), de haalbaarheidspercentage (fractie van de instanties die minstens één haalbare oplossing opleveren), en het aantal gegenereerde samples binnen de tijdslimiet.

Belangrijkste Resultaten

Klassieke Prestaties: Moderne klassieke solvers, met name Gurobi, losten instanties met tot 1.000 assets binnen seconden op tot bewezen optimaliteit. Gurobi bleek meer dan 1.000 keer sneller te zijn dan de open-source SCIP-solver voor grote instanties, grotendeels door het vermogen om probleemconvexiteit te detecteren en interior-point methoden te gebruiken.
Kwantum versus Klassieke Heuristieken: De probleemspecifieke heuristiek presteerde consequent beter dan alle kwantumbenaderingen (zowel QA als QAOA) in termen van oplossingskwaliteit (benaderingsratio) en haalbaarheid voor vaste looptijden.
Kwantumprestaties:
- Haalbaarheid: Zowel QA als QAOA hadden moeite om haalbare oplossingen te vinden, waarbij de haalbaarheidspercentages significant daalden naarmate de probleemgrootte toenam.
- Kwaliteit: De benaderingsratio's voor kwantummethoden waren vaak suboptimaal (bijv. $\ge 2$ voor $n \ge 20$ in QAOA).
- Vergelijking met Willekeur: In veel configuraties presteerden kwantummethoden ongeveer op hetzelfde niveau als, of zelfs slechter dan, willekeurige sampling (random sampling) met betrekking tot haalbaarheid en benaderingsratio.
- Hardwarebeperkingen: De dichte, all-to-all connectiviteit die vereist is door de QUBO-formulering leidde tot aanzienlijke embedding-overhead voor QA (wat de oplosbare instanties beperkte tot $n=25$ ) en enorme gate-overhead (swaps) voor QAOA tijdens de transpilatie, wat de prestaties verslechterde naarmate de circuitdiepte toenam.
Quantum Annealing versus QAOA: Quantum annealing presteerde iets beter dan gate-gebaseerde QAOA wat betreft haalbaarheid en oplossingskwaliteit, maar dit voordeel was afhankelijk van het fijn afstemmen van de chain-sterkte parameters. Zelfs met afstemming overtrof QA de klassieke heuristieken niet.

Betekenis en Claims
Het artikel concludeert dat er voor de overwogen variant van portfolio-optimalisatie (volatiliteitsminimalisatie met continue gewichten) momenteel zeer weinig ruimte is voor een praktisch kwantumvoordeel.

Klassieke Dominantie: De studie toont aan dat state-of-the-art klassieke solvers grote instanties binnen seconden tot optimaliteit kunnen oplossen, en dat gespecialiseerde klassieke heuristieken kwantummethoden overtreffen in oplossingskwaliteit binnen vaste tijdskaders.
Hardwarebeperkingen: De slechte prestaties van kwantumalgoritmen worden primair toegeschreven aan de dichte connectiviteit van het portfolio-optimalisatieprobleem, wat de embedding- en transpilatie-overhead op de huidige hardware verergert.
Benchmarkstandaard: De auteurs stellen dat hun werk een uitgebreide en eerlijke benchmark biedt door kwantumbijdragen te isoleren van klassieke componenten (in tegenstelling tot hybride black-box solvers) en door gebruik te maken van echte data.
Gematigd Vooruitzicht: Hoewel de resultaten een hoge lat leggen voor toekomstig kwantumvoordeel, merken de auteurs op dat complexere probleemvarianten met extra restricties andere resultaten kunnen opleveren, hoewel dergelijke scenario's verder onderzoek vereisen. De studie beweert niet dat kwantumcomputing nutteloos is voor de financiële sector, maar stelt dat voor deze specifiek praktische formulering klassieke methoden superieur blijven.

Meer zoals dit