論文の概要: Quantifying the advantages of applying quantum approximate algorithms to portfolio optimisation

• arxiv url: http://arxiv.org/abs/2410.16265v1
• Date: Mon, 21 Oct 2024 17:59:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:17:55.790245
• Title: Quantifying the advantages of applying quantum approximate algorithms to portfolio optimisation
• Title（参考訳）: 量子近似アルゴリズムによるポートフォリオ最適化の利点の定量化
• Authors: Haomu Yuan, Christopher K. Long, Hugo V. Lepage, Crispin H. W. Barnes,
• Abstract要約: 本稿では、離散的大域的最小分散ポートフォリオモデルを解決するために、エンドツーエンドの量子近似最適化アルゴリズム(QAOA)を提案する。 このモデルでは、取引された資産の個数に最もリスクが低いリスク資産のポートフォリオを見出す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We present a quantum algorithm for portfolio optimisation. Specifically, We present an end-to-end quantum approximate optimisation algorithm (QAOA) to solve the discrete global minimum variance portfolio (DGMVP) model. This model finds a portfolio of risky assets with the lowest possible risk contingent on the number of traded assets being discrete. We provide a complete pipeline for this model and analyses its viability for noisy intermediate-scale quantum computers. We design initial states, a cost operator, and ans\"atze with hard mixing operators within a binary encoding. Further, we perform numerical simulations to analyse several optimisation routines, including layerwise optimisation, utilising COYBLA and dual annealing. Finally, we consider the impacts of thermal relaxation and stochastic measurement noise. We find dual annealing with a layerwise optimisation routine provides the most robust performance. We observe that realistic thermal relaxation noise levels preclude quantum advantage. However, stochastic measurement noise will dominate when hardware sufficiently improves. Within this regime, we numerically demonstrate a favourable scaling in the number of shots required to obtain the global minimum -- an indication of quantum advantage in portfolio optimisation.
• Abstract（参考訳）: ポートフォリオ最適化のための量子アルゴリズムを提案する。 具体的には、離散大域最小分散ポートフォリオ(DGMVP)モデルを解くために、エンドツーエンドの量子近似最適化アルゴリズム(QAOA)を提案する。 このモデルでは、取引された資産の個数に最もリスクが低いリスク資産のポートフォリオを見出す。 このモデルのための完全なパイプラインを提供し、ノイズの多い中間スケール量子コンピュータの生存可能性を分析する。 我々は、初期状態、コスト演算子、および、バイナリエンコーディング内でハードミキシング演算子を持つ ans\atze を設計する。 さらに,レイヤワイド最適化,COYBLA,デュアルアニールなど,いくつかの最適化ルーチンを解析するために数値シミュレーションを行う。 最後に、熱緩和と確率的測定ノイズの影響について考察する。 階層的最適化ルーチンによる二重アニールは、最も堅牢な性能を提供する。 我々は、現実的な熱緩和ノイズレベルが量子優位性を妨げることを観察する。 しかし,ハードウェアの性能が十分に向上すると,確率的測定ノイズが支配的となる。 この体制の中では、ポートフォリオ最適化における量子優位性の指標である、世界最小値を得るために必要なショットの数において、数値的に好適なスケーリングを実証する。

関連論文リスト

• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• A Stochastic Approach to Bi-Level Optimization for Hyperparameter Optimization and Meta Learning [74.80956524812714]
  我々は,現代のディープラーニングにおいて広く普及している一般的なメタ学習問題に対処する。 これらの問題は、しばしばBi-Level Optimizations (BLO)として定式化される。 我々は,与えられたBLO問題を,内部損失関数が滑らかな分布となり,外損失が内部分布に対する期待損失となるようなii最適化に変換することにより,新たな視点を導入する。
  論文  参考訳（メタデータ） (2024-10-14T12:10:06Z)
• Zero-Shot Sharpness-Aware Quantization for Pre-trained Language Models [88.80146574509195]
  量子化は、メモリオーバーヘッドを減らし、推論を加速するための有望なアプローチである。 種々のPLMのゼロショット量子化のための新しい量子化(ZSAQ)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-20T07:09:56Z)
• Trainability Analysis of Quantum Optimization Algorithms from a Bayesian Lens [2.9356265132808024]
  雑音のないQAOA回路の深さが$tildemathtlog nright)$を効率よく訓練できることを示す。 この結果は、ノイズの多い中間スケール量子時代における量子アルゴリズムの理論的性能を提供する。
  論文  参考訳（メタデータ） (2023-10-10T02:56:28Z)
• QAOA Performance in Noisy Devices: The Effect of Classical Optimizers and Ansatz Depth [0.32985979395737786]
  量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm, QAOA)は、Near-term Intermediate-Scale Quantum Computer (NISQ)のための変分量子アルゴリズムである。 本稿では,古典的ベクトルに対する現実的な騒音の影響について検討する。 その結果,Adam と AMSGrads はショットノイズの存在下で最高の性能を示した。
  論文  参考訳（メタデータ） (2023-07-19T17:22:44Z)
• Portfolio optimization with discrete simulated annealing [0.0]
  離散凸関数と非凸コスト関数の存在下で最適なポートフォリオを求めるための整数最適化法を提案する。 これにより、与えられた品質でソリューションを実現できる。
  論文  参考訳（メタデータ） (2022-10-03T10:39:05Z)
• Dynamic Asset Allocation with Expected Shortfall via Quantum Annealing [0.0]
  本稿では,動的アセット割り当て問題を解決するために,ハイブリッド量子古典アルゴリズムを提案する。 D-Waveの2000QとAdvantageの量子アニールの結果を実世界の財務データを用いて比較する。 高い相関関係を持つ資産の実験は、より優れた性能を発揮する傾向にあり、近い将来、実用的な量子アプリケーションを設計するのに役立つかもしれない。
  論文  参考訳（メタデータ） (2021-12-06T17:39:43Z)
• Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
  マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。 その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
  論文  参考訳（メタデータ） (2021-06-24T20:16:02Z)
• High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
  アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。 非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。 そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
  論文  参考訳（メタデータ） (2021-06-10T17:54:21Z)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)
• Bayesian Quantile and Expectile Optimisation [3.3878745408530833]
  本研究では,非定常雑音設定に適したベイズ量子と予測回帰の新しい変分モデルを提案する。 我々の戦略は、観測の複製やノイズのパラメトリック形式を仮定することなく、量子と予測を直接最適化することができる。 実験セクションで示されるように、提案手法は異端性非ガウス的ケースにおいて、明らかに芸術の状態を上回ります。
  論文  参考訳（メタデータ） (2020-01-12T20:51:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。