A Comparative Study of Hybrid Quantum and Classical Genetic Algorithms in Portfolio Optimization

Dit onderzoek toont aan dat een hybride kwantum-genetisch algoritme voor portefeuilleoptimalisatie sneller convergeert naar de optimale oplossing en een hogere populatiediversiteit behoudt dan een klassiek genetisch algoritme, terwijl het aanzienlijk minder evaluaties vereist dan een brute-force-benadering.

De kern

🎲 De Gouden Portefeuille: Een Strijd tussen de Klassieke Man en de Quantum-Magier

Stel je voor dat je een portefeuille (een verzameling aandelen) moet samenstellen. Je wilt zoveel mogelijk winst maken, maar je wilt niet dat je alles verliest als de markt crasht. Dit is een enorme puzzel. Je moet kiezen uit duizenden combinaties van aandelen om de perfecte balans te vinden.

In dit onderzoek kijken wetenschappers naar twee manieren om deze puzzel op te lossen:

1. De Klassieke Genetische Algorithm (GA): Een slimme, maar traditionele computer die werkt als een evolutie.
2. De Hybride Quantum Genetische Algorithm (HQGA): Een nieuwe, krachtige methode die gebruikmaakt van de raadselachtige kracht van quantumcomputers.

Het doel van het onderzoek was simpel: Welke methode vindt de beste oplossing sneller en slimmer?

---

🧬 De Klassieke Man: De "Overlevings van de Fittest"

Stel je voor dat de Klassieke GA een groep avonturiers is die een berg probeert te beklimmen om de hoogste top te vinden (de beste portefeuille).

• Ze beginnen met een groep mensen (een populatie) die willekeurig over de berg verspreid zijn.
• Iedereen beklimt een stukje, en wie het hoogst komt, mag zijn "genen" (zijn route) doorgeven aan de volgende generatie.
• Het probleem: Soms gebeurt er iets vervelends. Stel, iedereen in de groep komt per ongeluk in dezelfde vallei terecht. Ze denken dat dit de top is, maar het is eigenlijk een kleine heuvel. Omdat ze allemaal dezelfde route hebben gekozen, stoppen ze met zoeken. Ze zijn vastgelopen in een lokale top, terwijl er ergens anders nog een veel hogere berg is. Dit noemen ze "premature convergence" (te vroeg stoppen).

⚛️ De Quantum-Magier: De "Spookachtige Superkracht"

De HQGA werkt anders. In plaats van dat elke avonturier een vaste route heeft, gebruiken ze quantum-computers.

• Superpositie (De Magische Munt): Een gewone munt is of kop of staart. Een quantum-munt kan beide tegelijk zijn zolang je er niet naar kijkt. In de HQGA betekent dit dat één "avonturier" niet één route heeft, maar alle mogelijke routes tegelijk verkent.
• Verstrengeling (De Telepathische Band): In de klassieke versie communiceren avonturiers via brieven. In de quantum-versie zijn ze "verstrengeld". Als de leider een goede route vindt, weten de anderen dit direct en aanpassen ze hun koers, zonder dat ze elkaar hoeven aan te spreken.
• Mutatie (De Ry-Gate): Soms draait de quantum-magier een knopje (een rotatie) om de kans te veranderen dat een route kop of staart wordt. Dit zorgt voor verrassingen en nieuwe routes die de klassieke methode nooit zou bedenken.

---

🏆 Wat vonden ze? De Uitslag van de Wedstrijd

De onderzoekers lieten beide methoden strijden tegen elkaar met echte aandelen uit de S&P 500 (de grootste Amerikaanse beurs). Hier zijn de resultaten, vertaald naar alledaagse taal:

1. Snelheid: De Sprinter vs. de Maratloper

De HQGA was veel sneller. Terwijl de klassieke computer duizenden combinaties moest uitproberen om de beste te vinden, vond de quantum-versie de oplossing met veel minder pogingen.

• Vergelijking: Het is alsof de klassieke computer elke deur in een kasteel één voor één uitprobeert. De quantum-computer kan door alle deuren tegelijk kijken en ziet direct welke deur open is.

2. Diversiteit: De Eenheid vs. De Verscheidenheid

Dit was het belangrijkste punt. De klassieke computer verloor snel zijn "verscheidenheid". De groep werd snel eentonig en stopte met zoeken (ze landden in de vallei).
De HQGA hield echter zijn groep divers. Zelfs na honderden pogingen hadden de quantum-avonturiers nog steeds verschillende routes.

• Vergelijking: De klassieke groep werd als een kudde schapen die allemaal in dezelfde richting lopen. De quantum-groep bleef een zwerm vogels die in alle richtingen vliegen, waardoor ze nooit een valkuil missen.

3. De Uitslag

De HQGA vond de beste portefeuille sneller, met minder rekenkracht en viel minder vaak in de val van "te vroeg stoppen". Zelfs met een heel kleine groep (slechts 3 personen) deed de quantum-versie het beter dan de klassieke versie met een grote groep.

---

💡 Waarom is dit belangrijk?

In de financiële wereld is tijd geld. Als je sneller de beste beleggingsstrategie kunt vinden, kun je meer winst maken en minder risico lopen.

Dit onderzoek laat zien dat we niet hoeven te wachten tot quantumcomputers perfect en foutloos zijn (wat nog jaren kan duren). We kunnen nu al hybride systemen gebruiken: een quantum-computer die doet wat hij goed kan (snelle zoektochten en diversiteit houden) en een gewone computer die doet wat hij goed kan (rekenen en controleren).

Kortom: De quantum-magier heeft de klassieke man verslagen in het vinden van de gouden portefeuille, omdat hij slim genoeg was om niet te stoppen met zoeken, zelfs als het leek alsof hij de top al had gevonden.

Technische samenvatting

Titel: Een vergelijkende studie van hybride quantum en klassieke genetische algoritmen voor portefeuilleoptimalisatie

1. Probleemstelling

Het artikel richt zich op het probleem van portefeuilleoptimalisatie, een fundamentele uitdaging in de financiële sector die vaak wordt gemodelleerd volgens de Mean-Variance-formulering van Markowitz. Het doel is om een portefeuille van activa te selecteren die de verwachte opbrengst maximaliseert terwijl het risico (gemeten als covariantie tussen activa) wordt geminimaliseerd.

De specifieke uitdaging die in dit onderzoek wordt aangepakt, is het premature convergence-probleem (vroegtijdige convergentie) dat vaak optreedt bij klassieke Genetische Algoritmen (GA). Bij klassieke GA's kan de populatie te snel homogeen worden, waardoor de zoekruimte niet meer effectief wordt verkend en de algoritme vastloopt in lokale optima in plaats van het globale optimum te vinden. Dit is vooral problematisch bij combinatorische problemen met een grote zoekruimte, zoals het selecteren van activa uit een brede markt.

2. Methodologie

De auteurs vergelijken een klassiek Genetisch Algoritme (GA) met een Hybride Quantum Genetisch Algoritme (HQGA). Het HQGA is een hybride benadering die draait op Noisy Intermediate-Scale Quantum (NISQ)-hardware (zoals IBM-quantumprocessors) gecombineerd met klassieke verwerking.

Kerncomponenten van de HQGA:
Het algoritme behoudt de structuur van een klassieke GA, maar integreert vier specifieke quantummechanische mechanismen om de zoekdynamiek te verbeteren:

1. Quantum Representatie: Individuen worden niet voorgesteld als binaire strings, maar als kwantumtoestanden in superpositie. Dit stelt het algoritme in staat om een veel groter deel van de zoekruimte gelijktijdig te verkennen zonder exponentiële rekenkosten.
2. Quantum Elitisme: In plaats van alleen de beste klassieke oplossing te bewaren, wordt de bijbehorende kwantumtoestand gereconstrueerd of versterkt. Dit zorgt ervoor dat de beste oplossing beschikbaar blijft als een betrouwbare referentie voor de evolutionaire operatoren, terwijl de probabilistische aard van de kwantumtoestand behouden blijft.
3. Verstrengelde Crossover (Entangled Crossover): In plaats van genetisch materiaal direct te kopiëren, worden kwantumverstrengeling (entanglement) gebruikt om probabilistische correlaties te creëren tussen de qubits van het beste individu en die van de rest van de populatie. Dit leidt ertoe dat andere individuen een grotere kans hebben om te "instorten" naar toestanden die structureel lijken op de beste oplossing, zonder de diversiteit volledig te vernietigen.
4. $R_y$-Mutatie: Mutatie wordt uitgevoerd door rotaties om de y-as van de Bloch-sfeer ($R_y$-gaten) toe te passen op "vrije" qubits (die niet verstrengeld zijn). Dit verandert de onderliggende waarschijnlijkheidsverdeling van de qubits in plaats van bits direct om te draaien, wat een gecontroleerde stochastische verstoring biedt die de exploratie bevordert.

Experimenteel Opzet:

• Data: Historische koersdata van S&P 500-activa (oktober 2023 - september 2024).
• Probleemformulering: Een binaire optimalisatieprobleem waarbij $x_i = 1$ betekent dat een actief in de portefeuille zit en $x_i = 0$ dat het niet zit.
• Testgevallen: Vijf verschillende subsets van elk negen activa, wat resulteert in een zoekruimte van $2^9 = 512$ mogelijke portefeuilles.
• Vergelijking: De prestaties van HQGA en klassieke GA worden vergeleken op basis van convergentiesnelheid, populatiediversiteit en het aantal fitness-evaluaties nodig om het globale optimum te bereiken.

3. Belangrijkste Bijdragen

• Validatie van HQGA op NISQ-hardware: Het artikel demonstreert dat een volledig evolutionaire cyclus (selectie, crossover, mutatie) direct op kwantumhardware kan worden uitgevoerd binnen de beperkingen van huidige NISQ-toestanden.
• Oplossing voor Premature Convergence: Het biedt empirisch bewijs dat de integratie van quantummechanische principes (superpositie en verstrengeling) de populatiediversiteit effectief behoudt, waardoor het probleem van vroegtijdige convergentie wordt verzacht.
• Efficiëntie in Evaluaties: Het toont aan dat HQGA het globale optimum bereikt met aanzienlijk minder fitness-evaluaties dan zowel klassieke GA's als brute-force methoden.

4. Resultaten

De experimentele resultaten tonen duidelijke voordelen van de HQGA ten opzichte van de klassieke GA:

• Snellere Convergentie: De HQGA convergeert sneller naar de optimale oplossing. Zelfs met een zeer kleine populatiegrootte (bijv. 3 individuen) presteert de HQGA beter dan klassieke GA's met grotere populaties.
• Behoud van Diversiteit: De belangrijkste bevinding is het behoud van diversiteit. De auteurs gebruiken de metric $f_{max} - \bar{f}$ (verschil tussen maximale en gemiddelde fitness) als maatstaf.
  • Bij de klassieke GA daalt deze diversiteit snel naar nul, wat aangeeft dat de populatie homogeen wordt en vastloopt.
  • De HQGA behoudt een aanzienlijke diversiteit gedurende het hele optimalisatieproces, zelfs na honderden evaluaties. Dit betekent dat de zoektocht actief blijft en minder snel vastloopt in lokale optima.
• Rekenkosten: De HQGA bereikt het globale optimum met veel minder evaluaties dan een brute-force-aanpak (die alle 512 combinaties zou moeten testen) en doet dit efficiënter dan de klassieke GA.

5. Betekenis en Conclusie

Dit onderzoek onderstreept het potentieel van hybride quantum-klassieke algoritmen voor praktische financiële optimalisatieproblemen. De studie concludeert dat de HQGA niet alleen competitieve oplossingskwaliteit biedt, maar ook robuuster is tegenover het veelvoorkomende probleem van vroegtijdige convergentie.

De betekenis van deze bevindingen is tweeledig:

1. Praktisch: Voor financiële instellingen biedt dit een methode om snellere en betrouwbaardere portefeuillestrategieën te ontwikkelen met lagere rekenkosten.
2. Wetenschappelijk: Het bevestigt dat quantummechanische principes (zoals superpositie en verstrengeling) effectief kunnen worden ingezet om de exploratie-exploitatie balans in evolutionaire algoritmen te verbeteren, zelfs op huidige, niet-fouttolerante quantumhardware.

De auteurs suggereren dat toekomstig werk gericht moet zijn op het schalen van het algoritme naar grotere portefeuilles en het onderzoeken van de invloed van quantumruis en decoherentie op de prestaties in realistische omgevingen.