Hybrid Quantum-Classical Ridgelet Neural Networks for Portfolio Optimization

1. Probleemstelling

Het artikel adresseert twee fundamentele uitdagingen in de kwantitatieve financiën:

1. Voorspelling van financiële tijdreeksen: Het voorspellen van aandelenrendementen is moeilijk vanwege de niet-lineaire, chaotische en volatiele aard van financiële markten. Traditionele statistische modellen (ARIMA, GARCH) slagen er vaak niet in complexe patronen te vangen, terwijl standaard Deep Learning (DL) modellen (LSTM, Transformers) worstelen met interpretabiliteit, overfitting en het vangen van directionele singulariteiten.
2. Portefeuille-optimalisatie: Het selecteren van een optimale subset van activa uit een groot universum om rendementen te maximaliseren terwijl risico's worden geminimaliseerd, is een combinatorisch optimalisatieprobleem. Het oplossen hiervan onder kardinaliteitsbeperkingen (het selecteren van een vast aantal activa) is NP-moeilijk voor klassieke computers, aangezien de zoekruimte exponentieel groeit.

De auteurs stellen een hybride quantum-klassiek raamwerk voor dat gebruikmaakt van de expressieve kracht van quantumcomputing voor feature-extractie en optimalisatie, specifiek op maat gemaakt om de niet-lineariteit van financiële data te behandelen.

2. Methodologie

Het voorgestelde raamwerk bestaat uit twee geïntegreerde modules: een Quantum Ridgelet Neural Network (QRNN) voor voorspelling en een Quantum Approximate Optimization Algorithm (QAOA) voor portefeuilleselectie.

A. Quantum Ridgelet Neural Network (QRNN)

De QRNN is ontworpen om activa-rendementen te voorspellen door Ridgelet-transformaties te integreren met Parametrische Quantum Circuits (PQCs).

• Ridgelet-transformatie: In tegenstelling tot standaard wavelets zijn Ridgelet-transformaties gevoelig voor singulariteiten en directionele informatie in data. Ze decomponeren tijdreeksdata in multi-resolutie componenten, waarbij zowel lokale als globale trends worden vastgelegd.
• Quantum-encoding: Klassieke inputdata wordt gecodeerd in quantumtoestanden met behulp van hoek-encoding via $R_y(\theta)$-rotatiegates.
• Formulering met één qubit: De auteurs bewijzen wiskundig dat een sequentie van quantumrotaties aangedreven door Ridgelet-functies ineenstort tot één effectieve rotatie. De verwachtingswaarde van de Pauli-Z operator ($\langle Z \rangle$) komt overeen met een niet-lineaire functie van de klassieke Ridgelet-output: $\cos(2g_J(x))$. Dit creëert een quantum-analogie van een niet-lineaire neuron.
• Extensie naar meerdere qubits: Het model wordt gegeneraliseerd naar $n$-qubitsystemen om hoogdimensionale feature-ruimtes te behandelen, met gebruikmaking van tensorproducten van single-qubit toestanden.
• Architectuur: De pijplijn omvat Ridgelet feature-extractie $\rightarrow$ Lineaire mapping naar qubit-ruimte $\rightarrow$ Variational Quantum Circuit (VQC) met verstrengelende gates $\rightarrow$ Meting $\rightarrow$ Klassieke nabewerking.

B. QAOA-gebaseerde portefeuille-optimalisatie

Zodra de QRNN verwachte rendementen ($\hat{\mu}$) voorspelt, wordt het portefeuilleselectieprobleem geformuleerd als een Quadratic Unconstrained Binary Optimization (QUBO) probleem.

• Doel: Minimaliseren van portefeuillevariatie terwijl het verwachte rendement wordt gemaximaliseerd, onderworpen aan een kardinaliteitsbeperking ($K$ activa).
• QUBO-formulering: Het beperkte probleem wordt omgezet in een onbeperkte vorm door een kwadratische strafterm toe te voegen voor de kardinaliteitsbeperking:
  $$Q(x) = -\hat{\mu}^T x + x^T \Sigma x + P \left( \sum x_i - K \right)^2$$
• QAOA-oplosser: Het QUBO-probleem wordt gemapt naar een Ising-Hamiltoniaan ($H_C$). Het QAOA-algoritme bereidt een variational quantum state $|\psi(\gamma, \beta)\rangle$ voor met behulp van afwisselende kosten- en mixer-unitaires. Klassieke optimalisatoren tunen de parameters $\gamma$ en $\beta$ om de verwachte energie te minimaliseren, wat resulteert in de optimale binaire portefeuillevector $x^*$.

C. Ruisonderzoek en analyse van foutcorrectie

Om robuustheid te evalueren, simuleerden de auteurs het model onder drie voorwaarden:

1. Ruizig model: Integratie van bit-flip, phase-flip en depolariserende kanalen.
2. Volledige Quantum Error Correction (QEC): Gebruik van een 3-qubit herhalingscode om logische qubits te coderen.
3. Gedeeltelijke QEC: Toepassing van foutcorrectie alleen op specifieke delen van het circuit om complexiteit en stabiliteit in evenwicht te brengen.

3. Belangrijkste bijdragen

1. Nieuwe QRNN-architectuur: Introductie van een hybride model dat Ridgelet-transformaties combineert met PQCs, wat efficiënte representatielerening van directionele patronen in financiële data mogelijk maakt.
2. Theoretische formulering: Een rigoureuze wiskundige afleiding die de QRNN uitbreidt van een single-qubit systeem naar multi-qubit systemen, waarbij de equivalentie wordt bewezen tussen de quantumcircuit-output en de klassieke Ridgelet-uitbreiding.
3. Geïntegreerd optimalisatiekader: Een naadloze pijplijn waarbij QRNN-voorspellingen direct worden gevoed in een QAOA-gebaseerde portefeuille-optimizer, waardoor het activaselectieprobleem in QUBO-formaat wordt opgelost.
4. Robuustheidsanalyse: Omvangrijke evaluatie van het model onder realistische ruisonderhoudscondities, waarbij wordt aangetoond dat Gedeeltelijke QEC de beste afweging biedt tussen nauwkeurigheid en computercostcomplexiteit in vergelijking met Volledige QEC of geen correctie.
5. Empirische validatie: Uitgebreide tests op real-world financiële data (12 aandelen, 2010–2019) met gebruikmaking van NVIDIA H100 NVL GPU-clusters voor high-performance simulatie.

4. Experimentele resultaten

Het model werd getest tegen klassieke baselines (LSTM, GRU, Transformer, CRNN) en quantum-baselines (QLSTM, QGRU, QTransformer).

• Voorspellingsnauwkeurigheid:
  • De QRNN behaalde de laagste RMSE en MAE in zowel trainings- als testfasen.
  • Resultaten met meerdere qubits: De QRNN-test RMSE was 0,0293, wat significant beter presteerde dan CRNN (0,0862), LSTM (0,2149) en quantum-baselines zoals QLSTM (0,1482).
  • Het model toonde superieure generalisatie over diverse sectoren (Tech, Auto, Energie).
• Ruisonbestendigheid:
  • Ruis verhoogde de foutpercentages drastisch (bijvoorbeeld, RMSE steeg van 0,071 naar 0,298 in single-qubit scenario's).
  • Gedeeltelijke QEC verlaagde fouten effectief (RMSE ~0,217) met lagere circuitcomplexiteit dan Volledige QEC, wat marginale winsten toonde maar hogere complexiteit.
• Portefeuilleprestaties:
  • De QRNN-QAOA-strategie behaalde een Sharpe Ratio van 0,9281, beter dan Top-K (0,6311), Equal Weight (0,4632) en willekeurige selectie (0,1293).
  • Het behield een nauwere afstemming tussen voorspelde en werkelijke rendementen en vertoonde aanzienlijk lagere variatie.

5. Betekenis en beperkingen

Betekenis:

• Superieure voorspellende kracht: De integratie van Ridgelet-transformaties met quantumverstrengeling stelt het model in staat complexe niet-lineariteiten en directionele trends vast te leggen die klassieke DL-modellen missen.
• Schaalbaarheid van optimalisatie: Door portefeuilleselectie om te zetten in QUBO en dit op te lossen met QAOA, biedt de aanpak een potentiële route naar het oplossen van combinatorische financiële problemen die voor klassieke oplossers op grote schaal onoplosbaar zijn.
• Praktische haalbaarheid: De studie biedt een realistische beoordeling van quantumvoordelen in het NISQ-tijdperk (Noisy Intermediate-Scale Quantum), waarbij de noodzaak van foutmitigatiestrategieën zoals Gedeeltelijke QEC wordt benadrukt.

Beperkingen:

• Computercostcomplexiteit: De simulatie van quantumtoestanden (vooral met foutcorrectie) schaalt exponentieel ($4^n$ voor dichtheidsmatrices). De auteurs merkten op dat schalen boven 3 logische qubits (9 fysieke qubits) leidde tot GPU-geheugenuitputting (OOM) vanwege de grootte van de dichtheidsmatrix.
• Simulatie versus hardware: De resultaten zijn gebaseerd op hoogtrouwheidsimulaties op klassieke GPU's, niet op daadwerkelijke quantumhardware, hoewel de ruismodellen realistische hardware-onvolkomenheden simuleren.
• Trainingsdynamiek: Het verhogen van het aantal qubits introduceert uitdagingen zoals verdwijnende gradiënten en ruisaccumulatie, wat het trainen moeilijk maakt voor grootschalige systemen.

Conclusie

Het artikel presenteert een robuust, theoretisch onderbouwd hybride raamwerk dat quantumcomputing succesvol inzet voor financiële voorspelling en portefeuille-optimalisatie. Door de feature-extractiecapaciteiten van Ridgelet-transformaties te combineren met de optimalisatiekracht van QAOA, toont het QRNN-model superieure nauwkeurigheid en risicoadjusteerde rendementen in vergelijking met state-of-the-art klassieke en quantum deep learning-modellen. De studie benadrukt dat hoewel ruis een significante hindernis is, strategische foutmitigatie (Gedeeltelijke QEC) dergelijke hybride modellen haalbaar kan maken voor real-world financiële toepassingen.