論文の概要: Quantum-Assisted Optimal Rebalancing with Uncorrelated Asset Selection for Algorithmic Trading Walk-Forward QUBO Scheduling via QAOA
- arxiv url: http://arxiv.org/abs/2603.16904v1
- Date: Wed, 04 Mar 2026 15:15:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:42.372499
- Title: Quantum-Assisted Optimal Rebalancing with Uncorrelated Asset Selection for Algorithmic Trading Walk-Forward QUBO Scheduling via QAOA
- Title（参考訳）: アルゴリズムによるQAOAによるQUBOスケジューリングのための非相関アセット選択を用いた量子アシスト型最適リバランシング
- Authors: Abraham Itzhak Weinberg,
- Abstract要約: ポートフォリオ構築と再バランスのためのハイブリッド古典量子フレームワークを提案する。
我々の主な貢献は、ポートフォリオ再バランススケジュールを擬似非制約バイナリ最適化問題として定式化することである。
このアプローチは、動的リバランシングを、変分量子法に対応可能な構造化されたバイナリスケジューリング問題として再キャストする。
- 参考スコア（独自算出の注目度）: 0.2538209532048867
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a hybrid classical-quantum framework for portfolio construction and rebalancing. Asset selection is performed using Ledoit-Wolf shrinkage covariance estimation combined with hierarchical correlation clustering to extract n = 10 decorrelated stocks from the S&P 500 universe without survivorship bias. Portfolio weights are optimised via an entropy-regularised Genetic Algorithm (GA) accelerated on GPU, alongside closed-form minimum-variance and equal-weight benchmarks. Our primary contribution is the formulation of the portfolio rebalancing schedule as a Quadratic Unconstrained Binary Optimisation (QUBO) problem. The resulting combinatorial optimisation task is solved using the Quantum Approximate Optimisation Algorithm (QAOA) within a walk-forward framework designed to eliminate lookahead bias. This approach recasts dynamic rebalancing as a structured binary scheduling problem amenable to variational quantum methods. Backtests on S&P 500 data (training: 2010-2024; out-of-sample test: 2025, n = 249 trading days) show that the GA + QAOA strategy attains a Sharpe ratio of 0.588 and total return of 10.1%, modestly outperforming the strongest classical baseline (GA with 10-day periodic rebalancing, Sharpe 0.575) while executing 8 rebalances versus 24, corresponding to a 44.5% reduction in transaction costs. Multi-restart QAOA (4096 measurement shots per run) exhibits concentrated probability mass on high-quality schedules, indicating stable convergence of the variational procedure. These findings suggest that hybrid classical-quantum architectures can reduce turnover in portfolio rebalancing while preserving competitive risk-adjusted performance, providing a structured testbed for near-term quantum optimisation in financial applications.
- Abstract（参考訳）: ポートフォリオ構築と再バランスのためのハイブリッド古典量子フレームワークを提案する。
Ledoit-Wolf収縮共分散推定と階層的相関クラスタリングを組み合わせることで、S&P 500宇宙からn = 10の非相関株を残余バイアスなく抽出する。
ポートフォリオウェイトは、GPU上でアクセラレーションされたエントロピー規則化された遺伝的アルゴリズム(GA)と、クローズドフォームの最小分散と等重量ベンチマークによって最適化される。
我々の主な貢献は、ポートフォリオ再バランススケジュールの定式化であり、Quadratic Unconstrained Binary Optimisation(QUBO)問題である。
その結果,QAOA(Quantum Approximate Optimization Algorithm)を用いて,頭頂部偏見の除去を目的としたウォーキングフォワード・フレームワークを用いて,組合せ最適化タスクを解く。
このアプローチは、動的リバランシングを、変分量子法に対応可能な構造化されたバイナリスケジューリング問題として再キャストする。
S&P 500データのバックテスト(トレーニング: 2010-2024,out-of-sample test: 2025, n = 249 trading days)は、GA+QAOA戦略がシャープ比0.588、トータルリターン10.1%を達成したことを示している。
マルチリスタートQAOA(4096回毎の計測ショット)は、高品質なスケジュール上で集中確率質量を示し、変動手順の安定した収束を示す。
これらの結果から,ハイブリッド古典量子アーキテクチャは,競争リスク調整性能を維持しつつポートフォリオ再バランスのターンオーバーを低減し,ファイナンシャルアプリケーションにおける短期量子最適化のための構造化されたテストベッドを提供する可能性が示唆された。
関連論文リスト
- ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。
我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
論文 参考訳（メタデータ） (2026-02-27T05:22:01Z) - Explainable Regime Aware Investing [0.0]
本稿では,厳密な因果関係を持つ Wasserstein Hidden Markov Model に基づくレシック・アウェア・ポートフォリオ構築フレームワークを提案する。
ワッサーシュタインHMMレジームは、等重量およびSPXの買いと持ち株のベンチマークと対照的に、非常に高いリスク調整性能を達成している。
論文 参考訳（メタデータ） (2026-02-21T00:33:16Z) - Constrained Portfolio Optimization via Quantum Approximate Optimization Algorithm (QAOA) with XY-Mixers and Trotterized Initialization: A Hybrid Approach for Direct Indexing [0.0]
本稿では, 制約保存量子近似アルゴリズム (QAOA) について, シミュレーションアニーリング (SA) と階層型リスクパリティ (HRP) に対する定式化について述べる。
我々のQAOAアプローチはシャープ比が1.81で、シミュレートアニーリング(1.31)とHRP(0.98)を著しく上回っていることを示す。
2025年までに10US株のバスケットをバックテストしたところ、我々のQAOAアプローチはシャープ比1.81に達し、シミュレート・アニーリング(1.31)とHRP(0.98)を著しく上回っていることが判明した。
論文 参考訳（メタデータ） (2026-02-16T15:19:15Z) - Non-Convex Portfolio Optimization via Energy-Based Models: A Comparative Analysis Using the Thermodynamic HypergRaphical Model Library (THRML) for Index Tracking [0.0]
本稿では,確率的グラフィカルモデルの構築とサンプリングを行うJAXベースのライブラリである THRML (Thermodynamic HypergRaphical Model Library) を用いた新しいアプローチを提案する。
THRMLはGPU加速ブロックギブスサンプリングによる高品質なポートフォリオのボルツマン分布からのサンプルであり、オーバーフィッティングに対する自然な正規化を提供する。
2023年から2025年までの100ストックのSとP500の宇宙でのバックテストでは、THRMLは5.66から6.30%のベースラインに対して毎年4.31パーセントのトラッキングエラーを達成し、同時に128.63パーセントの総リターンを発生している。
論文 参考訳（メタデータ） (2026-01-12T18:04:33Z) - Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
CL-QASは連続的な量子アーキテクチャ検索フレームワークである。
振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。
制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
論文 参考訳（メタデータ） (2026-01-10T02:36:03Z) - ZIP-RC: Optimizing Test-Time Compute via Zero-Overhead Joint Reward-Cost Prediction [57.799425838564]
ZIP-RCは、モデルに報酬とコストのゼロオーバーヘッド推論時間予測を持たせる適応推論手法である。
ZIP-RCは、同じまたはより低い平均コストで過半数投票よりも最大12%精度が向上する。
論文 参考訳（メタデータ） (2025-12-01T09:44:31Z) - Rethinking LLM Evaluation: Can We Evaluate LLMs with 200x Less Data? [82.09573568241724]
EssenceBenchは反復遺伝的アルゴリズム(GA)を利用した粗粒度フレームワーク
提案手法は, 再構成誤差が低く, 効率が著しく向上した, 優れた圧縮結果が得られる。
HellaSwagベンチマーク(10Kサンプル)では,25倍少ないサンプルを用いて,全モデルが5%以内の順位を保ち,わずか200倍少ないサンプルを用いて,95%未満のランキング保持シフトを達成している。
論文 参考訳（メタデータ） (2025-10-12T05:38:10Z) - Hybrid Quantum-Classical Optimisation of Traveling Salesperson Problem [0.0]
本稿では,変分量子固有解法(VQE)の最適化と古典的機械学習を統合するハイブリッド量子古典的フレームワークを提案する。
Qiskit の AerSimulator と ibm_kyiv 127-qubit バックエンドを用いて,80 のヨーロッパ都市におけるフレームワークの評価を行った。
論文 参考訳（メタデータ） (2025-09-30T13:26:12Z) - Geometric-Mean Policy Optimization [117.05113769757172]
グループ相対政策最適化(GRPO)は,大規模言語モデルの推論能力を大幅に向上させた。
GRPOは、不利な重要度重み付けされた報酬を持つトークンに直面すると、不安定なポリシー更新に悩まされる。
本稿では,GRPOの安定性を向上させるために,トークン報酬の出力を抑えることにより,GMPO(Geometric-Mean Policy Optimization)を提案する。
論文 参考訳（メタデータ） (2025-07-28T09:54:05Z) - Momentum Accelerates the Convergence of Stochastic AUPRC Maximization [80.8226518642952]
高精度リコール曲線(AUPRC)に基づく領域の最適化について検討し,不均衡なタスクに広く利用されている。
我々は、$O (1/epsilon4)$のより優れた反復による、$epsilon$定常解を見つけるための新しい運動量法を開発する。
また,O(1/epsilon4)$と同じ複雑さを持つ適応手法の新たなファミリを設計し,実際により高速な収束を享受する。
論文 参考訳（メタデータ） (2021-07-02T16:21:52Z) - Hybrid quantum-classical optimization for financial index tracking [0.0]
金融指標の追跡は、指標に含まれる証券のサブセットに投資することで、そのリターンの軌道を適切に定義された時間帯で再現することにつながる。
数十または数百の資産からなる中程度の大きな指標であっても、最適な資産の組み合わせを選択することは、難しい重み付けの難しい問題となる。
我々は, 基数制約を受ける資産の重み付けされた組み合わせを見つけるために, プルーニングアルゴリズムを導入する。
論文 参考訳（メタデータ） (2020-08-27T10:59:21Z)
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。