技术摘要：用于投资组合优化的量子随机游走

问题陈述

植根于马科维茨（Markowitz）均值-方差框架的经典投资组合优化，尽管在理论上非常优雅，但在实际应用中面临着关键性的局限。主要问题包括：

• 估计误差与脆弱性： 在高维空间中（例如 $n=500$ 只资产），协方差矩阵包含超过 $10^5$ 个参数。对预期收益率 ($\mu$) 和协方差 ($\Sigma$) 估计的微小误差，会导致极端的、不稳定的投资组合权重。
• 集中度与换手率： 均值-方差优化器通常产生高度集中的投资组合（有效股票数量较低）以及过高的换手率（每年 300–500%），以追求夏普比率（Sharpe ratio）的边际提升。这种“误差最大化”现象由于交易成本和市场冲击的影响，使得这些策略在操作上变得不可行。
• 替代方案的局限性： 虽然朴素的等权重 ($1/N$) 投资组合具有稳健性和多样性，但它们忽略了横截面信息。相反，深度学习方法（预测后优化或端到端强化学习）往往充当不透明的“黑盒”，在非平稳金融数据上容易出现过拟合，并且在风险管理方面缺乏可解释性。

本文认为，这些失败源于经典优化缺乏结构性约束，导致其无法自然地强制执行多样化或对输入噪声的稳健性。

方法论：量子随机游走 (QSW) 框架

作者提出了一个量子随机游走 (QSW) 框架，将投资组合配置建模为加权金融网络上的动态过程。

1. 图构建

资产被映射为有向加权图 $G=(V, E)$ 中的节点。该图通过两个通道编码金融数据：

• 节点属性（自环）： 编码资产特定的风险调整后收益（夏普比率）。
• 边权重： 编码成对的关系。资产 $i$ 与 $j$ 之间的权重 $W_{ij}$ 定义为：
  $$W_{ij} = \begin{cases} \exp(\alpha \cdot SR_j - \beta \cdot \Sigma_{ij}) & i \neq j \\ \exp(\lambda \cdot SR_i) & i = j \end{cases}$$
  其中 $\alpha$ 控制收益追逐，$\beta$ 惩罚在高度相关资产之间的转移（强制实现多样化），$\lambda$ 作为持有系数。

2. 双通道动力学

投资组合权重由受 Gorini–Kossakowski–Lindblad–Sudarshan (GKLS) 主方程控制的混合量子-经典游走的平稳分布导出：
$$\frac{d\rho}{dt} = -i(1-\omega)[H, \rho] + \omega \sum_{i,j} c_{ij} \left( L_{ij}\rho L_{ij}^\dagger - \frac{1}{2}\{L_{ij}^\dagger L_{ij}, \rho\} \right)$$

• 相干通道（量子）： 由厄米特哈密顿量 $H$ 驱动，该通道允许叠加和干涉，使游走者能够同时探索相关的资产簇。
• 随机通道（经典）： 通过类似于 Google 的生成器（类似于 PageRank）实现，具有转移速率 $c_{ij}$。该通道确保遍历性，保证收敛到唯一的平稳状态，并抑制紧密集群内的概率质量，从而将资本重新分配到代表性不足的区域。
• 混合参数 ($\omega$)： 控制量子探索 ($\omega=0$) 与经典扩散 ($\omega=1$) 之间的平衡。

3. 实现

• 平稳状态： 投资组合权重 $w_i$ 定义为平稳密度矩阵 $\rho_\infty$ 的对角元素（$w_i = \rho_{\infty, ii}$）。
• 计算： 作者使用 Kraus 算子来实现求解器以演化密度矩阵，并利用 GPU 加速（NVIDIA A100）来提高效率。这使得优化包含 $\sim 100$ 只资产的投资组合仅需数秒。

核心贡献

1. 基于网络的表示法： 本文将均值-风险权衡映射到一个有向加权图中，其中自环编码夏普信息，而节点间的边惩罚相关性，从而提供了多样化的结构化表示。
2. “智能 1/N”配置： QSW 框架自然地收敛于一种“智能 1/N”投资组合。它保留了朴素等权重策略的结构稳定性与多样性，同时引入了基于量子-经典动力学的微小、数据驱动的倾斜。
3. 结构稳健性： 与需要人工约束来防止极端再平衡的经典优化器不同，QSW 动力学本质上抑制了非强制性的换手，并且在结构上能够抵抗估计误差。
4. 实际设计规则： 通过广泛的网格搜索，作者确定了简单的设计规则：最优策略通常涉及最小的收益追逐 ($\alpha \approx 0.1$)、最大的多样化压力 ($\beta \approx 500$) 以及一个作为“换手调节器”的可调混合参数 $\omega$。

实证结果

该框架通过三个阶段的实验进行了验证：

第一阶段：参数探索 (2018–2024)

• 稳定性： QSW 投资组合表现出 $\approx 0.96–0.98$ 的夏普比率和 $\approx 17\%$ 的波动率，与 $1/N$ 基准几乎一致。相比之下，均值-方差 (MPT) 基准表现出对训练窗口长度的极端敏感性（当从 1 年窗口移动到 2 年窗口时，夏普比率从 0.86 跳升至 1.36），并产生了高度集中的投资组合 (HHI $\approx 0.26$)。
• 换手率： QSW 在实现这些结果的同时保持了适度的换手率（取决于预设，为 2%–80%），而 MPT 则需要 320%–480% 的换手率。
• 稳健性： 蒙特卡洛冲击测试显示，MPT 会将微小的输入扰动放大为巨大的权重变化（标准差 $\approx 7.8\%$），而 QSW 则保持稳定（标准差 $< 4\%$）。

第二阶段：全面网格搜索

针对参数 $(\alpha, \beta, \lambda, \omega)$ 的 625 点网格搜索证实，“智能 1/N”区间是参数空间中一个广泛且结构稳健的区域，而非精细调优的结果。表现最佳的配置一致地最小化了收益追逐并最大化了多样化惩罚。

第三阶段：长周期稳健性 (1990–2024)

• 多宇宙研究： 研究通过在 34 年间使用动态维护的 100 只股票宇宙进行 30 次独立试验，以避免生存者偏差。
• 表现： 动态 QSW 优化器实现了平均 23.3% 的复合年增长率 (CAGR) 和 0.98 的夏普比率，优于 MPT (夏普 0.48)、$1/N$ (夏普 0.74) 以及标普 500 指数 (夏普 0.37)。
• 风险指标： QSW 保持了比 MPT 和指数更低的极大回撤和更好的卡玛比率 (Calmar ratio)，同时将波动率维持在 $1/N$ 与 MPT 之间。
• 适应性： 即使进行季度再优化（导致 $\approx 200\%$ 的换手率），QSW 仍显著优于 MPT 的 $\approx 330\%$ 换手率，同时提供了更优的风险调整后收益。

重要性与主张

本文声称 QSW 框架提供了一种针对朴素多样化和脆弱的高维优化的原则性替代方案。其重要性在于：

• 结构正则化： 量子启发式的动力学充当了天然的正则化项，无需人工添加约束即可防止优化器坍缩为脆弱、集中的投资组合。
• 可解释性： 与深度学习“黑盒”不同，QSW 参数具有明确的物理含义（例如，$\beta$ 作为多样化制动器，$\omega$ 作为噪声/换手调节器），这使得模型对于风险管理而言是可审计且值得信赖的。
• 实际可行性： 通过平衡 $1/N$ 的稳健性与数据驱动倾斜的灵活性，该框架在提供更高风险调整后收益的同时，保持了适度的换手率，使其在交易成本和估计误差不可避免的现实环境中具有可实施性。

作者总结道，QSW 的优势并非源于“神奇”的量子效应，而是源于所施加的混合游走的结构特性，这些特性通过设计强制执行了理想的投资组合特征（多样化与稳健性）。