⚛️ quantum physics

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

本文提出了一种使用混合 qReduMIS 算法的端到端流水线，该算法利用 QAOA 测量来识别冻结节点并引导经典归约，成功地在 Quantinuum 的陷阱离子硬件上解决了基于真实市场数据的规模化投资组合多样化问题，而单纯的 QAOA 在这些问题上则会失败。

原作者： Romina Yalovetzky, Martin J. A. Schuetz, Zichang He, Jiayu Shen, Yue Sun, Rudy Raymond, Shauna Sahay, Kishore Perla, Ruben S. Andrist, Grant Salton, Helmut G. Katzgraber, Roger Bongiovanni, Niraj Kuma

发布于 2026-07-02

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Romina Yalovetzky, Martin J. A. Schuetz, Zichang He, Jiayu Shen, Yue Sun, Rudy Raymond, Shauna Sahay, Kishore Perla, Ruben S. Andrist, Grant Salton, Helmut G. Katzgraber, Roger Bongiovanni, Niraj Kumar, Rob Otter

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

大局观：构建一个“超多样化”的投资篮子

想象你是一位正在尝试制作终极沙拉的厨师。你有一个由 225 种不同食材（股票）组成的大篮子。你的目标是尽可能多地挑选食材来制作一份美味的大沙拉，但有一个严格的规则：任何两种食材的味道都不能太相似。

如果你选了两种味道完全一样的生菜，你并没有真正实现沙拉的多样化；你只是在重复同一种味道。在金融领域，这被称为“相关性”。如果两只股票同步涨跌，它们就是“相关的”。这篇论文的目标是找到一组最大的股票组合，且这些股票彼此之间都是独特的。

问题所在：一个无法独自破解的巨大迷宫

寻找这个完美的组合就像是在尝试破解一个巨大的迷宫。

传统方式（经典计算机）： 传统计算机试图通过检查每一种可能的组合来解决这个问题。但随着食材数量的增加，组合的数量会呈爆炸式增长。这就像是在一个不断变大的草堆中寻找一根针。
量子方式（新工具）： 研究人员尝试使用一种特殊的“量子计算机”（具体来说是来自 Quantinuum 的离子阱机器）来破解这个迷宫。然而，就像人类会感到疲劳一样，量子计算机也遇到了困难。当迷宫变得太大时（例如 S&P 100 或日经 225 指数），量子计算机本身无法找到完美解。它会不断迷失方向。

解决方案：“混合侦探”（qReduMIS）

研究人员并没有要求量子计算机一次性解决整个迷宫，而是创建了一种新的协作方法，称为 qReduMIS。你可以把它看作是经典计算机（逻辑规划者）与量子计算机（直觉猜测者）之间的侦探搭档。

以下是他们的“端到端流水线”如何一步步运作的：

清理阶段（经典步骤）： 首先，经典计算机查看 225 只股票的列表，并剔除那些明显不可能成为解决方案一部分的股票。这就像厨师说：“我们肯定不需要同时放巧克力和腌黄瓜，”然后将它们搁置一旁。这把问题缩小到了一个更小、更易处理的范围（一个“内核”）。
直觉猜测（量子步骤）： 经典计算机将这个较小的组交给量子计算机。他们不是问量子计算机：“什么是完美答案？”（因为它可能会失败），而是问了一个不同的问题：“哪些食材最有可能出现在完美的沙拉中？”
- 量子计算机进行一次快速实验并给出一份“热点提示”。它会说：“我有 90% 的把握认为食材 #4 属于这份沙拉，而我有 90% 的把握认为食材 #7 不属于。”
- 在论文中，这些“热点提示”被称为冻结节点（Frozen Nodes）。
解锁（魔法时刻）： 经典计算机接收这些“热点提示”并将它们锁定在原位。如果量子计算机说“食材 #4 是必须有的”，经典计算机就会将其锁定，并移除它的“竞争对手”（即那些味道与 #4 太相似的股票）。
循环往复： 这个过程不断重复。经典计算机缩小列表，量子计算机给出更多“热点提示”，列表变得越来越小，直到找到完美的沙拉。

类比：“凭感觉指方向” vs. “地图”

独立量子计算（地图）： 想象你正试图开车穿越一个国家，但 GPS 坏了，只能给你 1% 的机会转对弯。如果你只依赖这个坏掉的 GPS，你很可能会迷路。
qReduMIS（凭感觉指方向）： 你不再要求这个坏掉的 GPS 提供整条路线，而是问它：“下一个转弯是左转还是右转？”它可能有 90% 的概率是对的。你根据这个提示开一段路，然后再问一次。通过采取这种高概率的小步行动，并利用人类（经典计算机）来填补空白，即使 GPS 不完美，你也能成功穿越整个国家。

他们实际发现了什么

研究人员使用来自四个主要指数（DAX、FTSE、S&P 100 和 Nikkei 225）的真实股市数据，并使用一台拥有 98 个“量子比特”（qubits）的真实量子计算机进行了测试。

单打独斗的失败： 当他们让量子计算机尝试独自解决最大的问题（S&P 100 和 Nikkei 225）时，它完全失败了。它找到完美解的概率为 0%。
团队协作的成功： 当他们使用 qReduMIS 团队协作法时：
- 对于 S&P 100，他们找到了完美解的概率为 40%。
- 对于 Nikkei 225，他们找到了完美解的概率为 95%。
- 在所有测试中，他们找到的解至少达到了理论完美解的 96%。

“时间”因素

他们还测量了解决这些问题所需的时间。他们发现，随着问题的规模变大，“团队”方法（qReduMIS）变慢的速度远比“单打独斗”方法（Standalone QAOA）要慢得多。

类比： 如果单打独斗的方法是一个在坡度变陡时会精疲力竭并减速的跑步者，那么团队方法就是一个骑自行车的跑步者。即使在陡坡上，自行车也能让他们保持稳定的前进速度。论文声称，在处理问题规模的扩展性方面，团队方法的效率提高了 3.2 倍。

总结

这篇论文并不是声称构建了一个能预测股市或让你发财的机器人。相反，它证明了一个特定的技术点：你不需要一台完美的量子计算机来解决难题。

通过仅使用量子计算机来提供“提示”（识别问题的哪些部分是“冻结”的或确定的），并让经典计算机承担整理这些提示的重任，你可以解决那些量子计算机单独无法破解的庞大金融谜题。它将一个“残缺”的量子工具变成了一个高效的合作伙伴。

技术摘要：通过在捕获离子硬件上运行 qReduMIS 实现量子启发式投资组合选择

问题阐述
本文探讨了投资组合选择问题（Portfolio Selection Problem, PSP），这是投资管理中的一项基本任务，旨在构建一个平衡风险与回报的多样化资产篮子。作者将 PSP 正式化为资产相关性图上的**最大独立集（Maximum Independent Set, MIS）**问题。在此表述中：

节点代表金融资产。
边连接两个绝对相关性超过特定阈值 $\lambda$ 的资产。
目标是找到最大的节点子集（资产），使得其中任意两个节点都不相连，从而确保所选投资组合包含互不相关的资产。

作者强调，金融市场图与标准的组合优化基准有显著不同。这些图具有稠密、非局部且表现出异质度分布的特征，这与通常在量子优化文献中研究的稀疏、规则或几何约束图（如单位圆盘图）不同。这些结构特性对包括经典精确算法和当前的量子方法在内的技术提出了挑战，特别是在可扩展性以及随着问题难度增加导致成功概率下降方面。

方法论：qReduMIS 流水线
其核心贡献是一个利用 qReduMIS 算法实现的端到端混合量子-经典流水线，该算法已针对基于门（gate-based）的量子硬件进行了适配。该流水线并非直接使用量子处理器输出最终的最优解，而是利用量子测量来识别**“冻结节点”（frozen nodes）**——即那些具有极高边缘概率属于（或不属于）最优 MIS 的顶点。

该流水线通过以下步骤递归运行：

经典规约（Classical Reduction）： 输入的市场图经过精确的经典规约技术（具体为移除“暴露角节点”或单纯形顶点）。这通过将图简化为一个较小的“内核（kernel）”，同时保留已选定和已移除的节点集合。
量子子程序（QAOA）： 缩减后的内核被映射到 量子近似优化算法（QAOA） 电路中。该电路在捕获离子量子处理器（Quantinuum Helios）上执行。
冻结节点识别： 算法并非直接搜索最优比特串，而是分析来自 QAOA 测量的边缘概率分布。具有高边缘概率（入集）或低边缘概率（出集）的节点被识别为“冻结”节点。
递归解封（Recursive Unblocking）： 选择一个冻结节点（基于基于排名靠前的边缘概率的半贪婪策略），将其固定在解中，并将其连同其邻居一起从图中移除。这一过程“解封”了图，使得经典规约步骤能在下一次迭代中进一步推进。
终止： 过程重复进行，直到内核完全可规约或达到停止准则，最终得出多样化的投资组合。

主要贡献
本文做出了三个主要贡献：

端到端硬件演示： 作者在 Quantinuum 的 98 位捕获离子 Helios 系统上部署了完整的流水线，使用了来自四个主要指数（DAX、FTSE、S&P 100、Nikkei 225）的真实市场数据，涉及多达 225 个资产。这代表了迄今为止在真实世界组合实例上进行的规模最大的基于门 QAOA 演示之一。
向基于门设备的算法扩展： 本研究将此前在量子退火硬件上展示的 qReduMIS 框架扩展到了基于门的 QAOA。这种适配至关重要，因为市场图具有非局部连接性，超出了许多量子退火机的原生嵌入能力，而这种连接性非常适合捕获离子处理器的全连接特性。
严格基准测试： 研究对独立运行的 QAOA 与 由 QAOA 驱动的 qReduMIS 在多个衡量指标（包括成功概率、近似比和最优求解时间 optTTS 缩放）上进行了系统性的比较。

实验结果
实验使用了在最多 78 个量子比特的内核上运行的 $p=2$ 层 QAOA 电路（对于 Nikkei 225 实例，由于完整图需要 225 个量子比特，超出了硬件限制）。

成功概率： 独立运行的 QAOA 未能为两个最大的指数（S&P 100 和 Nikkei 225）找到最优解，其成功概率（ $P_{MIS}$ ）为 0。相比之下，qReduMIS 分别为这些指数实现了 0.40 和 0.95 的成功概率。
近似比： 在所有四个指数中，qReduMIS 保持了 $\ge 0.96$ 的平均近似比，而独立运行的 QAOA 则在 0.73 到 0.83 之间波动。
缩放行为： 在 Quantinuum H2-1 设备的噪声模拟器上，作者分析了最优求解时间（optTTS）随问题规模变化的缩放情况。对于 $p=2$ ，qReduMIS 的缩放指数比独立运行的 QAOA 小了 3.2 倍（ $\beta_{qReduMIS} = 0.164$ 对比 $\beta_{QAOA} = 0.524$ ）。
冻结节点信号： 对 DAX 100 内核的分析表明，即使直接采样到最优解的概率很低（<10%），大约 96% 的边缘概率质量也集中在真实的冻结节点上。这证实了即使在无法直接输出最优解的情况下，量子硬件也能提供足够的信号来引导经典规约。

意义与主张
本文认为，这项工作的核心意义在于展示了一种本质不同的量子资源使用方式：即利用量子测量来识别有助于经典规约的结构属性（冻结节点），而不是期望量子处理器直接解决整个优化问题。

作者声称，这种“规约与采样”范式使得流水线能够：

通过在缩减后的内核上操作，解决超出当前硬件量子比特预算的实例（例如在 98 位量子比特设备上处理 225 个资产的 Nikkei 225）。
在可以编码的实例上超越独立的量子优化，显著提高成功率和解的质量。
提供一条可扩展的路径，因为该框架受益于电路深度的增加（通过 $p=6$ 时性能的提升得到证明）以及硬件保真度的改进。

作者在与经典求解器的比较方面保持了谦逊，指出对于目前量子硬件可及的问题规模，像模拟退火（SA）这样的经典元启发式算法可以轻易解决大多数实例。因此，主要的验证是量子对量子的比较，旨在确立混合方法比标准量子优化更能从有限的量子资源中提取效用。该工作表明，随着硬件成熟到能够处理经典启发式算法难以应对的更大、更难的实例，qReduMIS 的有利缩放特性可能会转化为实际优势。