💰 quantitative finance

Quantum-Assisted Optimal Rebalancing with Uncorrelated Asset Selection for Algorithmic Trading Walk-Forward QUBO Scheduling via QAOA

该论文提出了一种混合经典 - 量子框架，通过 Ledoit-Wolf 协方差估计与分层聚类筛选去相关资产，并将投资组合再平衡调度建模为 QUBO 问题，利用 QAOA 算法在 S&P 500 数据的回测中实现了在降低交易成本的同时保持具有竞争力的风险调整后收益。

原作者： Abraham Itzhak Weinberg

发布于 2026-03-19

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Abraham Itzhak Weinberg

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

这篇文章介绍了一种**“量子辅助”的炒股策略**。简单来说，作者试图利用一种名为“量子计算”的新技术，来解决传统电脑很难算好的两个核心问题：“买哪只股票”和“什么时候该调整仓位”。

为了让你更容易理解，我们可以把整个投资过程想象成经营一家“超级水果店”。

1. 核心挑战：经营水果店的两个难题

在传统的投资（开水果店）中，老板通常分两步走：

选品（选股票）： 决定进哪些水果（苹果、香蕉、橙子）。
补货（调仓）： 决定每天、每周还是每月去仓库补一次货。

传统做法的痛点：

选品太乱： 如果进了 10 种水果，结果它们的价格走势完全一样（比如苹果和梨同涨同跌），那其实只相当于买了一种水果，风险没分散。
补货太死板： 老板通常定死规矩，比如“每周一补货”或者“水果烂了超过 5% 就补”。但这很浪费：
- 有时候周一水果很新鲜，补货反而多花钱（交易成本）。
- 有时候周三突然烂了一大片，但老板要等到周五才补，损失惨重。

2. 这篇论文的“魔法”解决方案

作者提出了一套组合拳，分为三个步骤：

第一步：用“量子雷达”选最不一样的 10 种水果（资产选择）

作者不想随便选 10 种股票，他们想要**“互不相关”**的 10 种。

比喻： 就像选水果，你不能只选 10 种不同品牌的苹果，你要选苹果、香蕉、葡萄、西瓜……它们的价格波动最好互不影响。
怎么做： 他们用了数学工具（Ledoit-Wolf 收缩估计）和“聚类算法”，像把水果按种类分组一样，从标普 500 指数（400 多种股票）里，精准挑出了10 种彼此关系最疏远、但各自都很赚钱的股票。
结果： 选出了像 Costco (COST)、礼来 (LLY) 这样的公司，它们之间互不干扰，能真正分散风险。

第二步：用"AI 教练”决定每种水果放多少（权重优化）

选好了 10 种水果，每种该放多少比例？

比喻： 是苹果占 50%，还是香蕉占 50%？
怎么做： 作者用了一个**“遗传算法”（GA），这就像是一个AI 教练**。它在电脑里模拟了成千上万次“开店”，不断进化，找出能赚最多钱且风险最小的搭配比例。
特别之处： 为了防止 AI 太贪心（比如把 99% 的钱都押在一种水果上），他们加了一个“熵正则化”的约束，强迫 AI 保持一定的多样性，不要把所有鸡蛋放在一个篮子里。

第三步：用“量子大脑”决定哪天去补货（核心创新：QAOA）

这是这篇论文最牛的地方。传统的补货是定死的（比如每 10 天一次），但作者认为**“补货时机”本身就是一个复杂的数学难题**。

比喻： 想象你有一个**“量子大脑”**（QAOA 算法）。它不像人类那样死板地看日历，而是能瞬间模拟出未来几天所有可能的补货方案。
- 方案 A：今天补货，明天补货，后天不补。
- 方案 B：今天不补，明天不补，后天补。
- 方案 C：……（一共有 256 种组合，如果是 252 天，组合数就是天文数字）。
怎么做： 作者把这个“哪天补货”的问题变成了一个QUBO 问题（一种适合量子计算机算的数学题）。
- 量子优势： 量子计算机（或模拟量子计算机）能像同时探索所有迷宫路径一样，迅速找到那个**“既赚了差价，又省了补货路费”**的最佳方案。
- 防作弊： 他们用了“前向行走”（Walk-Forward）的方法，确保量子大脑在决定“今天补货”时，只能看到“今天之前”的数据，不能偷看未来的答案（避免作弊）。

3. 实验结果：真的比传统方法好吗？

作者用 2025 年的真实数据（模拟）进行了测试，对比了 16 种不同的策略：

传统死板补货（每 10 天一次）： 赚了 9.77%，但补了 24 次货，手续费花了 11 个基点（bp）。
量子智能补货（GA + QAOA）： 赚了10.1%，而且只补了8 次货，手续费只花了6.1 个基点。

关键结论：

赚得更多： 风险调整后的收益（夏普比率）更高。
省得更多： 交易次数减少了 66%，手续费省了近一半。
量子真的有用： 量子算法成功找到了那些人类或传统电脑容易忽略的“最佳补货时机”，把概率集中在最赚钱的方案上。

4. 总结：这到底意味着什么？

这就好比：

传统基金经理像是在用算盘和死板的日历经营水果店，虽然也能赚钱，但经常因为补货太勤快而浪费路费，或者补货太慢而错过机会。
这篇论文的方法像是给水果店装上了**“量子导航”。它不仅帮你挑出了最完美的 10 种互不干扰的水果，还能在最精准的瞬间**告诉你：“现在补货最划算，明天别动，后天再动”。

一句话概括：
作者证明了，利用量子计算的思维（即使是在模拟环境下），可以帮我们在股票投资中**“少干活（少交易），多赚钱（高收益）”**，特别是在决定“什么时候该动”这个最让人头疼的问题上，量子算法展现出了巨大的潜力。

论文技术总结：量子辅助算法交易框架

作者：Abraham Itzhak Weinberg (AI-WEINBERG)
日期：2026 年 3 月 19 日
核心主题：提出了一种结合经典机器学习与量子计算（QAOA）的算法交易框架，旨在同时解决资产选择和再平衡调度两个核心问题，并在 S&P 500 数据上验证了其在风险调整后收益和交易成本方面的优势。

1. 研究问题 (Problem Statement)

传统的投资组合管理通常将“资产权重优化”和“再平衡时机选择”作为两个独立的顺序问题处理：

资产选择与权重：通常使用马科维茨均值 - 方差模型，但面临估计误差和幸存者偏差问题。
再平衡调度：通常采用固定日历（如每月/每周）或基于阈值的方法。
- 痛点：固定调度忽略了权重漂移与交易成本之间的相互作用，导致在不需要交易时浪费预算，或在需要交易时错过机会。
- 挑战：再平衡时机的选择是一个组合优化问题，随着时间窗口增加，计算复杂度呈指数级增长，经典算法难以在大规模数据上高效求解。

本文目标：构建一个框架，利用量子近似优化算法（QAOA）将再平衡调度建模为二次无约束二值优化（QUBO）问题，在消除前视偏差（Lookahead Bias）的同时，寻找最优的交易时机。

2. 方法论 (Methodology)

该框架包含三个核心模块：

2.1 资产选择：基于层次聚类的去相关资产筛选

数据源：S&P 500 成分股（2010-2024 训练，2025 测试），通过回溯调整消除了幸存者偏差，最终保留 422 只股票。
协方差估计：使用 Ledoit-Wolf 收缩估计器（Ledoit-Wolf Shrinkage）处理样本协方差矩阵，减少有限样本下的估计误差。
聚类算法：
1. 计算资产间的角距离（Angular Distance）： $d_{ij} = \sqrt{\frac{1}{2}(1 - \hat{\rho}_{ij})}$ 。
2. 使用 Ward 层次聚类 将资产划分为 $n=10$ 个簇。
3. 代表资产选择：从每个簇中选择训练期内年化夏普比率最高的股票。
结果：选出的 10 只股票（如 EXR, LLY, COST 等）彼此相关性低（最大相关系数 0.62，最小 0.07），且个体表现优异。

2.2 权重优化：熵正则化遗传算法 (GA)

目标函数：最大化正则化的夏普比率。
$F(w) = \text{Sharpe Ratio} + \lambda_{ent} \cdot H(w)$
其中 $H(w)$ 是归一化熵，用于惩罚权重过度集中，防止退化解（即避免所有权重集中在 1-2 只股票上）。
实现：在 GPU 上运行，种群大小 300，迭代 200 代。
基准对比：同时计算了最小方差（MinVar）和等权重（Equal）作为经典基准，并构建了三者的集成（Ensemble）策略。

2.3 再平衡调度：QUBO 建模与 QAOA 求解

这是本文的核心创新点。

问题定义：在 $W$ 个候选日期（本文设为 8 个）中，寻找一个二进制调度向量 $x \in \{0, 1\}^W$ ，以最大化净夏普收益并最小化交易成本。
QUBO 目标函数：
$\min x^T Q x$
- 对角线项 ( $Q_{kk}$ )：包含再平衡的边际夏普增益（ $g_k$ ）和固定交易成本惩罚。
- 非对角线项 ( $Q_{kl}$ )：引入指数衰减的相互作用项，惩罚连续频繁的交易（即如果 $t_k$ 和 $t_l$ 很近，惩罚增加）。
求解算法：
- 使用 QAOA (Quantum Approximate Optimization Algorithm) 求解。
- 电路深度： $p=2$ 。
- 优化策略：多重启（Multi-restart）机制，使用 5 次随机初始化和 COBYLA 优化器寻找最优参数 $(\gamma, \beta)$ 。
- 前向行走 (Walk-Forward)：将测试期（2025 年）分为 3 个窗口，每个窗口独立构建 QUBO 并运行 QAOA，确保无未来数据泄露。

3. 实验设置 (Experimental Setup)

数据：S&P 500，训练期 2010-2024，测试期 2025（249 个交易日）。
硬件：Google Colab (NVIDIA Tesla T4 GPU 用于 GA，CPU 用于 Qiskit Aer 模拟器)。
对比策略：共 16 种策略，涵盖 4 种权重方法（GA, MinVar, Equal, Ensemble）和 4 种调度方法（持有不动、每日/周/双周/月固定再平衡、阈值再平衡、QAOA 动态调度）。
交易成本：设定为单边 10 个基点（bp），总成本按双边计算。

4. 关键结果 (Key Results)

在 2025 年样本外测试中，GA + QAOA 策略表现最佳：

指标	GA + QAOA (本文策略)	最佳经典基准 (GA Rebal/10d)	提升/差异
年化收益率	10.10%	9.77%	+0.33%
夏普比率 (Sharpe)	0.588	0.575	+2.3%
索提诺比率 (Sortino)	0.764	0.747	提升
最大回撤 (MDD)	-15.84%	-15.66%	略高，但风险调整后更优
再平衡次数	8 次	24 次	减少 66.7%
交易成本	6.1 bp	11.0 bp	降低 44.5%

其他发现：

QAOA 的收敛性：在 4096 次测量中，最优比特串（bitstring）的出现概率超过 7%（均匀分布基准仅为 0.4%），证明了量子电路成功学习到了低能态解。
权重方法的重要性：在 2025 年这种动量驱动的市场环境中，最小方差（MinVar）策略表现不佳，而 GA 优化的权重表现优异。集成策略因包含弱势的 MinVar 而稀释了 GA 的优势。
阈值策略失效：基于 5% 漂移阈值的策略仅触发 2 次交易，表现甚至不如买入持有，说明静态阈值无法适应动态市场，而 QUBO 能根据局部收益分布动态调整。

5. 主要贡献 (Key Contributions)

去相关资产选择：结合 Ledoit-Wolf 收缩估计与层次聚类，有效解决了马科维茨模型的估计误差和贪婪搜索的幸存者偏差。
熵正则化 GA：在 GPU 上实现了防止权重退化的夏普比率最大化优化。
QUBO 形式的再平衡调度：首次将再平衡时机决策形式化为 QUBO 问题，并引入边际夏普增益和频率惩罚项。
无偏见的量子求解：提出了基于多重启和 Walk-Forward 框架的 QAOA 调度方案，消除了前视偏差。
实证优势：证明了在减少近 45% 交易成本的同时，实现了风险调整后收益（夏普比率）的超越，为量子计算在金融组合管理中的应用提供了实证支持。

6. 意义与展望 (Significance & Future Work)

量子优势论证：虽然当前 $W=8$ 的问题经典计算机可解，但该研究证明了 QAOA 在组合调度子问题上的有效性。随着时间窗口扩展（ $W \to 252$ ）或多资产多窗口扩展，组合空间呈指数增长，量子算法将展现出真正的计算优势。
硬件兼容性：该方案（8 量子比特，深度 $p=2$ ）完全兼容当前的含噪声中等规模量子（NISQ）设备，甚至可以在 D-Wave 等量子退火器上直接运行。
未来方向：
- 扩展到更长的时间窗口和更多候选日期。
- 在物理量子硬件（如 D-Wave）上进行验证。
- 探索权重与调度联合优化的 QUBO 形式。
- 引入自适应权重选择以应对不同的市场体制（Regime）。

总结：该论文展示了一个切实可行的“量子辅助”交易框架，不仅提升了投资组合的绩效，更重要的是通过量子优化显著降低了交易摩擦成本，为算法交易领域引入量子计算提供了有力的实证案例。