[論文レビュー] Market Graph Clustering Via QUBO and Digital Annealing

Seo Woo Hong, Pierre Miasnikof+2 more|arXiv (Cornell University)|Jun 18, 2020

Game Theory and Applications参考文献 23被引用数 4

ひとこと要約

本稿では、S&P 500指数の低次元追跡ポートフォリオを構築するために、ファイナンシャルマーケットグラフ上でのQUBOベースのKメディオイドクラスタリング手法を提案する。富士通のデジタルアネーラー・ハードウェアを活用することで、NP困難な最適化問題を効率的に解き、1年間に10種類の代表的株式を用いて追跡誤差0.5%未満、かつ高いベータ整合性を達成した。

ABSTRACT

Our goal is to find representative nodes of a market graph that best replicate the returns of a broader market graph (index), a common task in the financial industry. We model our reference index as a market graph and express the index tracking problem in a quadratic K-medoids form. We take advantage of a purpose built hardware architecture, the Fujitsu Digital Annealer, to circumvent the NP-hard nature of the problem and solve our formulation efficiently. In this article, we combine three separate areas of the literature, market graph models, K-medoid clustering and quadratic binary optimization modeling, to formulate the index-tracking problem as a quadratic K-medoid graph-clustering problem. Our initial results show we accurately replicate the returns of a broad market index, using only a small subset of its constituent assets. Moreover, our quadratic formulation allows us to take advantage of recent hardware advances, to overcome the NP-hard nature of the problem.

研究の動機と目的

• 広範な市場インデックスのリターンを再現する低次元追跡ポートフォリオを構築するための効率的で効果的な手法の開発。
• ファイナンシャルマーケットグラフにおけるKメディオイドクラスタリングのNP困難性を、2次バイナリ最適化（QUBO）によって解決する。
• 目的特化された量子インスパイアドハードウェア（富士通デジタルアネーラー）を活用し、大規模なQUBO定式化を効率的に解く。
• 追跡誤差やポートフォリオのベータといった標準的なファイナンシャル指標を用いて、提案手法のパフォーマンスを評価する。

提案手法

• S&P 500構成銘柄（n=453）を、日次リターンのピアソン相関から導出された重み付きエッジを持つ完全グラフとしてモデル化する。
• 距離行列を、δ_ij = 1 - exp(-0.5 × d_ij) を用いて、δ_ij = √(2(1 - ρ_ij)) で定義されるd_ijを用いて、頑健な類似度行列Δに変換する。
• Kメディオイドクラスタリング問題をQUBOとして定式化する：zᵀ(γ11ᵀ - αΔ/2)z + zᵀ(βΔ1 - 2γk1) を最小化し、z_i ∈ {0,1} は代表的銘柄の選択を示す。
• パラメータを α = 1/k、β = 1/n、γ = 2 と設定し、1年間に10の代表的銘柄を選択する。
• 富士通デジタルアネーラーを用いてQUBO定式化を解き、組合せ最適化に最適化されたハードウェアアーキテクチャを活用する。
• 前年分のリターンを用いて毎年市場グラフを再計算し、QUBOを再最適化することで、毎年新しい追跡ポートフォリオを生成する。

実験結果

リサーチクエスチョン

• RQ1 KメディオイドクラスタリングのQUBO定式化は、S&P 500インデックスを高い精度で追跡する少数の銘柄を効果的に同定できるか？
• RQ2 デジタルアネーラーのような目的特化ハードウェアは、ファイナンシャルマーケットグラフにおけるNP困難クラスタリングの計算的非実行可能性をどの程度克服できるか？
• RQ3 QUBO-デジタルアネーラー手法は、従来のインデックス追跡手法と比較して、追跡誤差およびベータ整合性の観点でどの程度優れているか？
• RQ4 市場グラフの年次再計算が、ポートフォリオの安定性および追跡パフォーマンスに与える影響は何か？

主な発見

• 本手法は2016年から2019年の4年間を通じて、一貫した年間追跡誤差0.005（0.5%）を達成し、S&P 500の日次リターンを強く再現していることが示された。
• 追跡ポートフォリオのS&P 500に対するベータは0.691から1.167の間で変動し、t統計量が15を超えていたため、統計的に有意な追跡パフォーマンスであることが示された。
• 1年間に10銘柄のみを用いても、本手法はS&P 500インデックスリターンを高い忠実度で再現できており、QUBOおよびデジタルアネーラーパイプラインの有効性が裏付けられた。
• 富士通デジタルアネーラーの使用により、NP困難なQUBO問題が効率的に解かれたため、大規模インデックス追跡が実用的に可能になった。
• 頑健な類似度行列Δは、市場グラフ表現の安定性を向上させ、クラスタリング品質を向上させた。
• 本手法は複数年の実証的パフォーマンスが高く、追跡誤差が低く、統計的に有意であったため、ポートフォリオ構築における実用的応用可能性が検証された。