Quantum-Informed Portfolio Selection: An End-to-End Pipeline Validated on Trapped-Ion Hardware with Real Market Data

Technische Samenvatting: Kwantum-geïnformeerde Portefeuilleselectie via qReduMIS op Trapped-Ion Hardware

Probleemformulering
Het artikel behandelt het Portefeuilleselectieprobleem (PSP), een fundamentele taak binnen vermogensbeheer gericht op het construeren van een gediversifieerde mand met activa om risico en rendement in balans te brengen. De auteurs formaliseren PSP als een Maximum Independent Set (MIS) probleem op een activacorrelatiegrafiek. In deze formulering:

• Knopen vertegenwoordigen financiële activa.
• Kanten verbinden paren van activa als hun absolute correlatie een specifieke drempelwaarde $\lambda$ overschrijdt.
• Het doel is om de grootste subset van knopen (activa) te vinden waarvoor geen twee knopen met elkaar verbonden zijn, wat ervoor zorgt dat de geselecteerde portefeuille bestaat uit onderling ongecorreleerde activa.

De auteurs benadrukken dat financiële marktgrafieken aanzienlijk verschillen van standaard combinatorische optimalisatiebenchmarks. Ze zijn dens, niet-lokaal en vertonen heterogene graadverdelingen, in tegenstelling tot de ijle, regelmatige of geometrisch beperkte grafen (bijv. unit-disk grafen) die gewoonlijk worden bestudeerd in kwantumoptimalisatieliteratuur. Deze structurele eigenschappen vormen uitdagingen voor zowel klassieke exacte algoritmen als huidige kwantumbenaderingen, met name met betrekking tot schaalbaarheid en de onderdrukking van de succeswaarschijnlijkheid naarmate de probleemhardheid toeneemt.

Methodologie: De qReduMIS-pipeline
De kernbijdrage is een end-to-end hybride kwantum-klassieke pipeline die gebruikmaakt van het qReduMIS-algoritme, hier aangepast voor gate-gebaseerde kwantumhardware. In plaats van de kwantumprocessor direct het uiteindelijke optimale resultaat te laten produceren, gebruikt de pipeline kwantummetingen om "bevroren knopen" te identificeren—vertices met een hoge marginale waarschijnlijkheid van het wel of niet behoren tot de optimale MIS.

De pipeline werkt recursief via de volgende stappen:

1. Klassieke Reductie: De input-marktgrafiek ondergaat exacte klassieke reductietechnieken (specifiek het verwijderen van "exposed corner nodes" of simplex-vertices). Dit reduceert de graaf tot een kleinere "kernel" terwijl sets van geselecteerde en verwijderde knopen behouden blijven.
2. Kwantum Subroutine (QAOA): De gereduceerde kernel wordt in kaart gebracht naar een Quantum Approximate Optimization Algorithm (QAOA) circuit. Het circuit wordt uitgevoerd op een trapped-ion kwantumprocessor (Quantinuum Helios).
3. Identificatie van Bevroren Knopen: In plaats van direct naar de optimale bitstring te zoeken, analyseert het algoritme de marginale waarschijnlijkheidsverdeling van de knopen uit de QAOA-metingen. Knopen met een hoge marginale waarschijnlijkheid (in-set) of een lage marginale waarschijnlijkheid (out-set) worden geïdentificeerd als "bevroren".
4. Recursieve Ontblokking: Een bevroren knoop wordt geselecteerd (met behulp van een semi-greedy strategie gebaseerd op top-gerangschikte marginalen), vastgelegd in de oplossing, en samen met zijn buren uit de graaf verwijderd. Dit "ontblokt" de graaf, waardoor de klassieke reductiestap in de volgende iteratie verder kan gaan.
5. Terminatie: Het proces herhaalt zich totdat de kernel volledig reduceerbaar is of een stopcriterium wordt bereikt, wat resulteert in een definitieve gediversifieerde portefeuille.

Belangrijkste Bijdragen
Het artikel levert drie primaire bijdragen:

1. End-to-End Hardware Demonstratie: De auteurs hebben de volledige pipeline uitgerold op Quantinuums 98-qubit trapped-ion Helios-systeem met echte marktgegevens van vier belangrijke indices (DAX, FTSE, S&P 100, Nikkei 225) met tot wel 225 activa. Dit vertegenwoordigt een van de grootste gate-gebaseerde QAOA-demonstraties op real-world combinatorische instanties tot nu toe.
2. Algoritmische Uitbreiding naar Gate-gebaseerde Apparaten: Het werk breidt het qReduMIS-framework, dat eerder is gedemonstreerd op kwantum-annealing hardware, uit naar gate-gebaseerde QAOA. Deze aanpassing is cruciaal omdat marktgrafen een niet-lokale connectiviteit bezitten die de native embedding-mogelijkheden van veel kwantum-annealers overstijgt, maar van nature geschikt is voor de all-to-all connectiviteit van trapped-ion processors.
3. Rigoureuze Benchmarking: De studie biedt een systematische vergelijking tussen standaard QAOA en qReduMIS (aangedreven door QAOA) over meerdere maatstaven, inclus\n bij succeswaarschijnlijkheid, benaderingsratio en de optimale time-to-solution (optTTS) schaling.

Experimentele Resultaten
De experimenten maakten gebruik van QAOA-circuits met $p=2$ lagen werkend op kernels van tot 78 qubits (voor de Nikkei 225-instantie, waarbij de volledige graaf 225 qubits zou vereisen, wat de hardwarelimiet overschrijdt).

• Succeswaarschijnlijkheid: Standalone QAOA slaagde er niet in om de optimale oplossing te vinden voor de twee grootste indices (S&P 100 en Nikkei 225), met een succeswaarschijnlijkheid ($P_{MIS}$) van 0. In contrast hiermee behaalde qReduMIS respectievelijk succeswaarschijnlijkheden van 0,40 en 0,95 voor deze indices.
• Benaderingsratio: Over alle vier de indices behield qReduMIS een gemiddelde benaderingsratio $\ge 0,96$, terwijl standalone QAOA varieerde tussen 0,73 en 0,83.
• Schaalgedrag: Op een ruisige emulator van het Quantinuum H2-1 apparaat analyseerden de auteurs de schaling van de optimale time-to-solution (optTTS) ten opzichte van de probleemgrootte. Voor $p=2$ werd gevonden dat de schalingsexponent voor qReduMIS 3,2 keer kleiner was dan die van standalone QAOA ($\beta_{qReduMIS} = 0,164$ vs. $\beta_{QAOA} = 0,524$).
• Bevroren Knopen Signaal: Analyse van de DAX 100 kernel toonde aan dat zelfs wanneer de kans op het direct samplen van de optimale oplossing laag was (<10%), ongeveer 96% van de marginale waarschijnlijkheidsmassa geconcentreerd was op de grondwaarheid bevroren knopen. Dit bevestigt dat de kwantumhardware voldoende signaal levert om de klassieke reductie te sturen, zelfs zonder direct de optimale oplossing te produceren.

Betekenis en Claims
Het artikel stelt dat de primaire betekenis van dit werk ligt in het demonstreren van een fundamenteel ander gebruik van kwantumbronnen: het benutten van kwantummetingen om structurele eigenschappen (bevroren knopen) te identificeren die klassieke reducties faciliteren, in plaats van te verwachten dat de kwantumprocessor het gehele optimalisatieprobleem direct oplost.

De auteurs beweren dat dit "reduce-and-sample" paradigma de pipeline in staat stelt om:

• Instanties op te lossen die het qubit-budget van de huidige hardware overschrijden (bijv. de 225-activa Nikkei 225 op een 98-qubit apparaat) door te opereren op gereduceerde kernels.
• Standalone kwantumoptimalisatie te overtreffen op instanties die wel gecodeerd kunnen worden, wat de succespercentages en de kwaliteit van de oplossingen aanzienlijk verbetert.
• Een schaalbaar pad te bieden, aangezien het framework profiteert van toegenomen circuitdiepte (gedemonstreerd door verbeterde prestaties bij $p=6$) en verbeteringen in hardwaregetrouwheid.

De auteurs blijven bescheiden in de vergelijking met klassieke solvers, waarbij zij opmerken dat voor de huidige probleemgroottes die toegankelijk zijn voor kwantumhardware, klassieke metaheuristieken zoals Simulated Annealing (SA) de meeste instanties triviaal oplossen. Daarom is de primaire validatie een kwantum-versus-kwantum vergelijking, die vaststelt dat de hybride benadering aanzienlijk meer nut onttrekt aan beperkte kwantumbronnen dan standaard kwantumoptimalisatie alleen. Het werk suggereert dat naarmate de hardware volwassener wordt om grotere, moeilijkere instanties aan te kunnen waar klassieke heuristieken moeite mee hebben, de gunstige schaling van qReduMIS kan vertalen naar een praktisch voordeel.