論文の概要: Toward Quantum Utility in Finance: A Robust Data-Driven Algorithm for Asset Clustering

• arxiv url: http://arxiv.org/abs/2509.07766v1
• Date: Tue, 09 Sep 2025 13:59:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.346617
• Title: Toward Quantum Utility in Finance: A Robust Data-Driven Algorithm for Asset Clustering
• Title（参考訳）: ファイナンスにおける量子ユーティリティに向けて:アセットクラスタリングのためのロバストなデータ駆動アルゴリズム
• Authors: Shivam Sharma, Supreeth Mysore Venkatesh, Pushkin Kachroo,
• Abstract要約: 返却相関に基づく金融資産のクラスタリングは、ポートフォリオ最適化と統計的仲裁の基本的な課題である。 本研究では,グラフに基づく結合構造生成アルゴリズム(GCS-Q)を用いて,署名付き重み付きグラフを直接クラスタ化する。 我々は、最先端の古典的アルゴリズムに対してベンチマークを行い、合成データと実世界の財務データの両方にアプローチを検証した。
• 参考スコア（独自算出の注目度）: 5.523385345486361
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clustering financial assets based on return correlations is a fundamental task in portfolio optimization and statistical arbitrage. However, classical clustering methods often fall short when dealing with signed correlation structures, typically requiring lossy transformations and heuristic assumptions such as a fixed number of clusters. In this work, we apply the Graph-based Coalition Structure Generation algorithm (GCS-Q) to directly cluster signed, weighted graphs without relying on such transformations. GCS-Q formulates each partitioning step as a QUBO problem, enabling it to leverage quantum annealing for efficient exploration of exponentially large solution spaces. We validate our approach on both synthetic and real-world financial data, benchmarking against state-of-the-art classical algorithms such as SPONGE and k-Medoids. Our experiments demonstrate that GCS-Q consistently achieves higher clustering quality, as measured by Adjusted Rand Index and structural balance penalties, while dynamically determining the number of clusters. These results highlight the practical utility of near-term quantum computing for graph-based unsupervised learning in financial applications.
• Abstract（参考訳）: 返却相関に基づく金融資産のクラスタリングは、ポートフォリオ最適化と統計的仲裁の基本的な課題である。 しかし、古典的なクラスタリング法は、符号付き相関構造を扱う際には、しばしば不足し、典型的には、不規則な変換と、固定数のクラスタのようなヒューリスティックな仮定を必要とする。 本研究では,グラフに基づく結合構造生成アルゴリズム(GCS-Q)を,そのような変換に頼ることなく直接クラスタ化して重み付きグラフを生成する。 GCS-Qは各パーティショニングステップをQUBO問題として定式化し、量子アニールを利用して指数関数的に大きな溶液空間を効率的に探索することができる。 我々は、SPONGEやk-Medoidsのような最先端の古典的アルゴリズムに対してベンチマークを行い、合成および実世界の財務データの両方にアプローチを検証した。 本実験は,GCS-Qがクラスタ数を動的に決定しながら,適応ランダム指数と構造バランスのペナルティによって測定されるように,クラスタリング品質を継続的に向上することを示した。 これらの結果は、金融アプリケーションにおけるグラフベースの教師なし学習における短期量子コンピューティングの実用性を強調している。

関連論文リスト

• Quantum-Assisted Correlation Clustering [3.8448698053186843]
  この研究は、グラフベースの教師なし学習タスクである相関クラスタリングのためのハイブリッド量子古典的手法を導入する。 我々は、もともと連立構造生成のために設計された量子支援型解法GCS-Qを適用し、署名付きグラフにおけるクラスタ内合意を最大化する。 合成符号グラフと実世界のハイパースペクトル画像データに関する実証的な評価は、相関クラスタリングに適応すると、GCS-Qはロバスト性およびクラスタリング品質において古典的アルゴリズムより優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-03T12:14:35Z)
• QB Ground State Energy Estimation Benchmark [30.045562070102537]
  基底状態エネルギー推定は、量子化学と凝縮物質物理学における中心的な問題である。 この研究は、古典的および量子的解法の両方のパフォーマンスを評価するための構造化ベンチマークフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-08-14T17:45:28Z)
• Learning Augmented Graph $k$-Clustering [3.6042771517920724]
  クラスタリングは教師なし学習における基本的なタスクである。 本稿では,一般的なメトリクスに基づいて,学習支援の$k$-clusteringを一般化する。 私たちのフレームワークは、制限的なクラスタサイズ制約も緩和します。
  論文  参考訳（メタデータ） (2025-06-16T14:23:16Z)
• Accelerating Spectral Clustering under Fairness Constraints [56.865810822418744]
  本研究では,Fair SC問題を凸関数(DC)フレームワークの差内にキャストすることで,フェアスペクトルクラスタリング(Fair SC)のための新しい効率的な手法を提案する。 本研究では,各サブプロブレムを効率よく解き,計算効率が先行処理よりも高いことを示す。
  論文  参考訳（メタデータ） (2025-06-09T18:46:27Z)
• A clustering aggregation algorithm on neutral-atoms and annealing quantum processors [0.44531072184246007]
  本研究では、クラスタリングアグリゲーションを実行するためのハイブリッド量子古典アルゴリズムを提案する。 中立原子の量子コンピュータと量子アニールのために設計された。 発見は、ハイブリッド量子古典パイプラインの将来的な発展の可能性を示唆している。
  論文  参考訳（メタデータ） (2024-12-10T14:48:44Z)
• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• Revisiting Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [85.51611950757643]
  IAC (Instance-Adaptive Clustering, インスタンス適応クラスタリング) を提案する。 IACは$ MathcalO(n, textpolylog(n) $の計算複雑性を維持しており、大規模問題に対してスケーラブルで実用的なものである。
  論文  参考訳（メタデータ） (2023-06-18T08:46:06Z)
• Practical Quantum K-Means Clustering: Performance Analysis and Applications in Energy Grid Classification [0.0]
  ノイズの多いハードウェアによる落とし穴を回避するために,量子$k$-meansクラスタリングの汎用的で競争的で並列化されたバージョンを提案する。 実世界のドイツの電力グリッドデータを用いて、従来のアルゴリズムのラベル付けに関して、新しい手法は標準量子$k$-meansクラスタリングのバランスの取れた精度を67.8%向上させることを示した。
  論文  参考訳（メタデータ） (2021-12-15T22:10:51Z)
• Amortized Probabilistic Detection of Communities in Graphs [39.56798207634738]
  そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。 我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。 我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
  論文  参考訳（メタデータ） (2020-10-29T16:18:48Z)

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。