Large-scale portfolio optimization on a trapped-ion quantum computer

Titel: Groot-schalige portefeuilleoptimalisatie op een quantumcomputer met gevangen ionen

Auteurs: Alejandro Gomez Cadavid et al. (Kipu Quantum GmbH, IonQ Inc., en diverse academische instellingen).
Datum: 2 maart 2026 (voorgesteld in het manuscript).

---

1. Het Probleem

De paper adresseert het probleem van portefeuilleselectie met cardinale beperkingen (fixed-cardinality portfolio selection). Dit is een klassiek NP-hard optimalisatieprobleem in de financiële sector waarbij een belegger een exact vastgesteld aantal activa ($K$) moet kiezen uit een grotere universum van $n$ activa, om een balans te vinden tussen verwachte rendement en risico (variatie).

• Uitdagingen:
  • De probleemomvang (bijv. 250 activa) overschrijdt de capaciteit van huidige quantumprocessors (QPU's) qua aantal qubits en connectiviteit.
  • Klassieke methoden worden bij toenemende schaal computatief onpraktisch, terwijl heuristische benaderingen vaak suboptimale oplossingen bieden.
  • Quantumalgoritmen zoals QAOA of quantum annealing worden beperkt door ruis, decoherentie en het gebrek aan variabele training (in variational methods) die gevoelig is voor lokale minima.

2. Methodologie: Een End-to-End Pipeline

De auteurs presenteren een volledig geïntegreerde workflow die hardware-beperkingen expliciet in het ontwerp meeneemt. De pipeline bestaat uit vier hoofdfasen:

A. Hardware-bewuste Decompositie (Hardware-Aware Decomposition)

Om het probleem op te lossen binnen de limieten van de QPU ($Q_{max}$), wordt het grote probleem opgesplitst in kleinere subproblemen:

1. RMT-ontruising: De correlatiematrix van de activa wordt ontdaan van ruis met behulp van Random Matrix Theory (RMT). De matrix wordt gesplitst in ruis ($C_{noise}$), een dominante marktfactor ($C_{global}$) en gestructureerde informatieve eigenmodes ($C_{\star}$).
2. Community Detectie: Op $C_{\star}$ wordt een community detection-algoritme (bijv. Louvain) toegepast om sterk gecorreleerde activa-groepen te identificeren.
3. Greedy Splitting: Als een community groter is dan de hardware-limiet ($Q_{max}$), wordt deze recursief opgesplitst. Een "correlation-guided greedy splitting" strategie selecteert een knooppunt met de hoogste graad en groepeert het met zijn sterkst gecorreleerde buren tot de limiet wordt bereikt. Dit garandeert dat elke cluster een QUBO-probleem vormt dat direct op de hardware kan worden ingebed.

B. Quantum Optimisatie (BF-DCQO)

De resulterende subproblemen (Ising-modellen) worden opgelost met Bias-Field Digitized Counterdiabatic Quantum Optimization (BF-DCQO):

• Niet-variational: Dit is een groot voordeel; het vereist geen klassieke parameter-training loops (zoals bij QAOA), wat het robuuster maakt voor ruis.
• Adiabatisch pad: Het algoritme volgt een pad van een vooroordeel Hamiltoniaan ($H_i$) naar de doel-Hamiltoniaan ($H_f$).
• Counterdiabatic (CD) term: Om decoherentie te compenseren bij korte evolutietijden, wordt een CD-term toegevoegd die de adiabatische overgang versnelt.
• Digitisatie: De tijdsevolutie wordt gedigitaliseerd via Trotterisatie. Om de circuitdiepte te beperken, wordt een pruning-procedure toegepast die poorten met kleine rotatiehoeken verwijdert.
• Iteratief Bias-Update: Het algoritme voert iteraties uit waarbij de bias-velden ($h_j$) worden aangepast op basis van de gemeten spin-oriëntaties van de beste samples, wat helpt bij het vinden van de grondtoestand.

C. Post-processing en Hercombinatie

De quantumoutput bevat vaak bitstrings die niet exact voldoen aan de cardinale beperking ($K$ activa):

1. Gradient-based Repair: Een deterministische fase corrigeert de Hamming-gewicht (aantal geselecteerde activa) door activa toe te voegen of te verwijderen op basis van de gradiënt van de kostenfunctie.
2. Swap Local Search: Een lichte lokale zoektocht (binnen de ruimte van vaste Hamming-gewicht) voert wisselingen uit tussen geselecteerde en niet-geselecteerde activa om de oplossing lokaal te optimaliseren.
3. Global Recombinatie: De beste oplossingen van alle clusters worden samengevoegd tot een globale portefeuille, waarna een tweede ronde van lokale zoektocht op globaal niveau wordt uitgevoerd om cross-cluster interacties te benutten.

3. Experimentele Setup

• Data: Een universum van 250 activa afkomstig van de S&P 500 (dagelijkse slotprijzen 2020-2025).
• Hardware:
  • IonQ Forte: 36 qubits (Ytterbium-171).
  • IonQ Barium Development System: 64 qubits (Barium), vergelijkbaar met de toekomstige IonQ Tempo lijn.
• Configuraties:
  • 36-qubit scenario: 14 clusters, met subproblemen tot 36 qubits.
  • 64-qubit scenario: 11 clusters, met subproblemen tot 60 qubits.
• Vergelijking: De resultaten werden vergeleken met een "recombined reference" (optimaal per cluster zonder globale zoektocht) en willekeurige baselines.

4. Belangrijkste Resultaten

• Schalbaarheid en Kwaliteit: Er werd een duidelijke positieve correlatie gevonden tussen de grootte van de uitvoerbare subproblemen en de kwaliteit van de uiteindelijke oplossing. De 64-qubit configuratie leverde systematisch betere risicorendement-traden-offs en lagere doelwaarde (objective value) op dan de 36-qubit configuratie.
• Decompositie-fout: Grotere qubit-budgetten verminderen de decompositie-fout omdat er minder cross-cluster interacties worden genegeerd.
• Effectiviteit van BF-DCQO: De niet-variational BF-DCQO methode presteerde goed op de ruisige hardware. Het gebruik van "pruning" (verwijdering van zwakke poorten) bleek de circuitcomplexiteit te verminderen zonder de eindkwaliteit significant te schaden, wat cruciaal is voor near-term devices.
• Rol van Post-processing: De twee-fase post-processing (repair + swap search) was essentieel. Zelfs suboptimale quantum-samples konden na globale lokale zoektocht aanzienlijk verbeteren, wat aantoont dat quantumprocessors goed zijn in het verkennen van veelbelovende gebieden van de zoekruimte, terwijl klassieke heuristieken de fijne afstelling doen.
• Risico-Rendement: De gegenereerde portefeuilles vertoonden een brede spreiding in het risicorendement-domein, wat aantoont dat de methode diverse financiële strategieën kan vinden, niet alleen extreme oplossingen.

5. Bijdragen en Significantie

De paper levert een aantal cruciale bijdragen aan het veld van quantum finance en hardware-aware algoritmen:

1. Eerste End-to-End Demonstratie: Het is een van de eerste werken dat een volledig workflow demonstreert, van ruwe markdata tot een haalbare, cardinaal-beperkte portefeuille, uitgevoerd op echte quantumhardware.
2. Hardware-Aware Design: De paper stelt een nieuwe standaard voor door de qubit-limiet van de hardware niet als een nadeel, maar als een expliciete ontwerprichtlijn te gebruiken voor de decompositie.
3. Validatie van BF-DCQO: Het bevestigt de praktische bruikbaarheid van Bias-Field Digitized Counterdiabatic Quantum Optimization voor financiële problemen, een methode die minder gevoelig is voor de "barren plateau" problemen van variational algoritmen.
4. Pad naar Schaalbaarheid: De resultaten tonen aan dat de kwaliteit van de oplossing monotoon verbetert met het aantal qubits. Dit biedt een concrete roadmap voor hoe de financiële sector kan profiteren van de groeiende capaciteit van quantumprocessors (zoals de aankomende IonQ Tempo).
5. Hybride Synergie: Het onderstreept het belang van hybride workflows, waarbij quantumcomputers de zware zoekruimte verkennen en klassieke post-processing de haalbaarheid en optimaliteit garanderen.

Conclusie:
De auteurs concluderen dat hun hardware-bewuste decompositie-pipeline een praktische en schaalbare route biedt om complexe financiële optimalisatieproblemen op te lossen op huidige en nabije toekomstige quantumprocessors. De successen met de 64-qubit Barium-systemen suggereren dat met verdere hardware-improvementen (meer qubits, hogere fideliteit) quantumoptimalisatie voor grootschalige portefeuillemanagement binnen bereik komt.