🤖 machine learning

Hybrid Quantum-Classical Ridgelet Neural Networks for Portfolio Optimization

本文提出了一种混合量子 - 经典框架，该框架利用量子 Ridgelet 神经网络（QRNN）从金融时间序列数据中提取多分辨率特征，随后采用量子近似优化算法（QAOA）对这些特征进行优化以进行资产选择，从而解决均值 - 方差投资组合问题。

原作者： Bahadur Yadav, Sanjay Kumar Mohanty

发布于 2026-04-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Bahadur Yadav, Sanjay Kumar Mohanty

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在试图构建一个完美的投资组合。你有一长串股票可供选择，但只能挑选其中少数几只。挑战是双重的：首先，你需要预测哪些股票未来会上涨（预测）；其次，你需要选出最佳组合，在高风险与高回报之间取得平衡（优化）。

本文介绍了一种名为**混合量子 - 经典脊线神经网络（QRNN）**的新工具，用于解决这两个问题。以下是其工作原理，分解为简单的概念和类比。

1. “脊线”透镜：洞察隐藏模式

金融市场杂乱无章，如同波涛汹涌的大海，充斥着各种大小的波浪。传统工具往往会被噪音搞得晕头转向。

类比：想象你在观察一幅复杂的画作。普通相机一次性看到整幅图像。而脊线变换则像一副特殊的眼镜，能将画作分解为特定的“脊线”或线条。它能同时看到宏大的 sweeping 曲线（全局趋势）和微小的锯齿状细节（局部尖峰）。
本文做法：作者利用这种“脊线”技术来清理股票数据，在将数据输入计算机模型之前，将重要趋势与噪音分离开来。

2. 量子大脑：一种新的计算方式

数据清理完毕后，模型需要预测未来价格。他们不使用普通计算机，而是使用量子神经网络。

类比：想象一台经典计算机就像一位图书管理员，逐一检查书架上的书籍。而量子计算机则像一位能借助“叠加态”这一神奇特性，在同一时刻查看书架上所有书籍的图书管理员。
机制：模型将清理后的股票数据编码为“量子比特”（qubits）。它利用一种特定类型的量子电路（逻辑门回路）来处理这些信息。论文声称，这种量子方法在识别股票价格中复杂的非线性模式方面，比 LSTM 或 Transformer 等标准 AI 模型更为出色。

3. “投资组合优化器”：挑选赢家

在“量子大脑”预测出哪些股票表现良好之后，系统的第二部分开始运作：投资组合优化。

类比：想象你有一个篮子，规则是你只能恰好装入 5 件物品。你希望篮子尽可能有价值，同时又不能太重（风险过大）。
工具：他们使用一种名为QAOA（量子近似优化算法）的算法。可以把 QAOA 想象成一个超级聪明的机器人，它能瞬间测试数百万种由 5 只股票组成的不同组合，找出那个能最大化利润同时将亏损风险降至最低的唯一完美组合。它将问题转化为一个数学谜题（QUBO），由量子计算机高效求解。

4. 应对“量子噪音”（线路上的杂音）

目前的真实量子计算机非常敏感；它们就像收音机，会接收到破坏信号的杂音（噪音）。

实验：作者在三种场景下测试了他们的模型：
1. 完美世界：无噪音（理想状态）。
2. 嘈杂世界：信号充满杂音（比特翻转和相位翻转）。
3. 纠错：他们尝试使用“纠错”技术来修复杂音（就像为量子数据配备降噪耳机）。
发现：正如预期，噪音使模型表现变差。然而，他们发现**“部分纠错”**方法是最佳平衡点。它修复了足够的错误以使模型稳定，同时又不让计算机变得过于缓慢或复杂。这是在准确性与效率之间取得的平衡。

5. 结果：它奏效了吗？

团队在 10 年期间，利用 12 家主要公司（如苹果、特斯拉和亚马逊）的真实历史股票数据测试了他们的系统。

对比：他们将他们的量子脊线模型与标准 AI 模型（如 LSTM）以及其他量子模型进行了较量。
结果：QRNN 模型胜出。在预测股票价格方面，它比其它模型犯的错误更少（误差率更低）。当他们利用这些预测构建一个包含 5 只股票的投资组合时，与随机选择或简单的“挑选前 5 名”策略相比，他们的方法产生了更优的“夏普比率”（衡量你承担单位风险所获得的回报）。

总结

本文提出了一种两步混合系统：

量子脊线神经网络：利用量子物理和特殊数学（脊线）来比当前 AI 更准确地预测股票价格。
QAOA 优化器：利用量子计算来选择最佳股票组合进行购买。

作者承认，虽然该模型在模拟中表现极佳，但在真实的、大规模量子计算机上运行目前仍很困难，因为随着量子比特数量的增加，“噪音”和内存需求会呈指数级增长。然而，对于他们测试的数据而言，这种新方法已被证明比现有方法更准确、更可靠。

以下是巴哈杜尔·亚达夫（Bahadur Yadav）和桑杰·库马尔·莫汉蒂（Sanjay Kumar Mohanty）所著论文《用于投资组合优化的混合量子 - 经典脊小波神经网络》的详细技术总结。

1. 问题陈述

本文解决了量化金融中的两个根本性挑战：

金融时间序列预测：由于金融市场的非线性、混沌和波动特性，预测股票回报十分困难。传统统计模型（ARIMA、GARCH）往往无法捕捉复杂模式，而标准深度学习（DL）模型（LSTM、Transformer）则在可解释性、过拟合以及捕捉方向奇异性方面面临困难。
投资组合优化：从庞大的资产池中选择一个最优子集以在最小化风险的同时最大化回报，这是一个组合优化问题。在基数约束（选择固定数量的资产）下求解此问题对经典计算机而言是 NP 难的，因为搜索空间呈指数级增长。

作者提出了一种混合量子 - 经典框架，利用量子计算的强大表达能力进行特征提取和优化，专门针对处理金融数据的非线性进行了定制。

2. 方法论

所提出的框架由两个集成的模块组成：用于预测的量子脊小波神经网络（QRNN）和用于投资组合选择的量子近似优化算法（QAOA）。

A. 量子脊小波神经网络（QRNN）

QRNN 旨在通过将脊小波变换与**参数化量子电路（PQC）**相结合来预测资产回报。

脊小波变换：与标准小波不同，脊小波变换对数据中的奇异性及方向信息敏感。它们将时间序列数据分解为多分辨率分量，同时捕捉局部和全局趋势。
量子编码：经典输入数据通过 $R_y(\theta)$ 旋转门使用角度编码被编码到量子态中。
单量子比特公式：作者从数学上证明，由脊小波函数驱动的一系列量子旋转会坍缩为单个有效旋转。泡利 Z 算符的期望值（ $\langle Z \rangle$ ）映射为经典脊小波输出的非线性函数： $\cos(2g_J(x))$ 。这创造了一个非线性神经元的量子类比。
多量子比特扩展：该模型被推广到 $n$ 量子比特系统以处理高维特征空间，利用单量子比特态的张量积。
架构：该流程包括脊小波特征提取 $\rightarrow$ 线性映射到量子比特空间 $\rightarrow$ 具有纠缠门的变分量子电路（VQC） $\rightarrow$ 测量 $\rightarrow$ 经典后处理。

B. 基于 QAOA 的投资组合优化

一旦 QRNN 预测出预期回报（ $\hat{\mu}$ ），投资组合选择问题就被表述为一个**二次无约束二进制优化（QUBO）**问题。

目标：在满足基数约束（ $K$ 个资产）的前提下，最小化投资组合方差并最大化预期回报。
QUBO 公式：通过为基数约束添加二次惩罚项，将约束问题转换为无约束形式：
$Q(x) = -\hat{\mu}^T x + x^T \Sigma x + P \left( \sum x_i - K \right)^2$
QAOA 求解器：QUBO 问题被映射到伊辛哈密顿量（ $H_C$ ）。QAOA 算法利用交替的成本和混合幺正算符制备变分量子态 $|\psi(\gamma, \beta)\rangle$ 。经典优化器调整参数 $\gamma$ 和 $\beta$ 以最小化预期能量，从而得出最优二进制投资组合向量 $x^*$ 。

C. 噪声与纠错分析

为了评估鲁棒性，作者在三种条件下模拟了该模型：

噪声模型：引入比特翻转、相位翻转和去极化通道。
全量子纠错（QEC）：使用 3 量子比特重复码对逻辑量子比特进行编码。
部分 QEC：仅对电路的特定部分应用纠错，以平衡复杂性和稳定性。

3. 主要贡献

新颖的 QRNN 架构：提出了一种结合脊小波变换与 PQC 的混合模型，实现了对金融数据中方向性模式的高效表示学习。
理论公式：进行了严格的数学推导，将 QRNN 从单量子比特系统扩展到多量子比特系统，证明了量子电路输出与经典脊小波展开之间的等价性。
集成优化框架：构建了一个无缝流程，其中 QRNN 的预测直接输入到基于 QAOA 的投资组合优化器中，以 QUBO 格式解决资产选择问题。
鲁棒性分析：在现实噪声条件下对模型进行了全面评估，表明与全 QEC 或无纠错相比，部分 QEC在准确性和计算复杂度之间提供了最佳权衡。
实证验证：使用 NVIDIA H100 NVL GPU 集群进行高性能模拟，在真实世界金融数据（12 只股票，2010–2019 年）上进行了广泛测试。

4. 实验结果

该模型与经典基线（LSTM、GRU、Transformer、CRNN）和量子基线（QLSTM、QGRU、QTransformer）进行了对比测试。

预测精度：
- QRNN 在训练和测试阶段均实现了最低的 RMSE 和 MAE。
- 多量子比特结果：QRNN 测试 RMSE 为0.0293，显著优于 CRNN（0.0862）、LSTM（0.2149）以及 QLSTM（0.1482）等量子基线。
- 该模型在多个行业（科技、汽车、能源）中表现出卓越的泛化能力。
噪声鲁棒性：
- 噪声大幅增加了错误率（例如，在单量子比特场景中，RMSE 从 0.071 跃升至 0.298）。
- 部分 QEC有效降低了错误率（RMSE 约为 0.217），且电路复杂度低于全 QEC；全 QEC 虽然显示出边际收益，但复杂度更高。
投资组合表现：
- QRNN-QAOA 策略实现了0.9281 的夏普比率，优于 Top-K（0.6311）、等权重（0.4632）和随机选择（0.1293）。
- 它保持了预测回报与实际回报之间更紧密的一致性，并表现出显著更低的方差。

5. 意义与局限性

意义：

卓越的预测能力：脊小波变换与量子纠缠的集成使模型能够捕捉经典深度学习模型所遗漏的复杂非线性和方向性趋势。
优化的可扩展性：通过将投资组合选择转换为 QUBO 并利用 QAOA 求解，该方法为解决经典求解器在大规模下难以处理的组合金融问题提供了一条潜在途径。
实际可行性：该研究对 NISQ（含噪声中等规模量子）时代的量子优势进行了现实评估，强调了部分 QEC 等错误缓解策略的必要性。

局限性：

计算复杂度：量子态的模拟（尤其是带有纠错的模拟）呈指数级扩展（密度矩阵为 $4^n$ ）。作者指出，扩展到超过 3 个逻辑量子比特（9 个物理量子比特）会导致密度矩阵大小耗尽 GPU 内存（OOM）。
模拟与硬件：结果基于经典 GPU 上的高保真模拟，而非实际量子硬件，尽管噪声模型模拟了真实的硬件缺陷。
训练动态：增加量子比特数量引入了梯度消失和噪声累积等挑战，使得大规模系统的训练变得困难。

结论

本文提出了一种稳健的、理论扎实的混合框架，成功利用量子计算进行金融预测和投资组合优化。通过将脊小波变换的特征提取能力与 QAOA 的优化能力相结合，QRNN 模型在准确性和风险调整后回报方面，表现出优于最先进经典和量子深度学习模型的性能。研究强调，虽然噪声是一个重大障碍，但战略性的错误缓解（部分 QEC）可以使此类混合模型适用于现实世界的金融应用。