[论文解读] Benchmarking the performance of portfolio optimization with QAOA

Sebastian Brandhofer, Daniel Braun+7 more|arXiv (Cornell University)|Jul 21, 2022

Quantum Computing Algorithms and Architecture参考文献 24被引用 6

一句话总结

本文对NISQ设备上的投资组合优化问题基准测试了量子近似优化算法（QAOA），比较了标准混音器与XY混音器的性能。结果表明，XY混音器——尤其是全XY和QAMPA变体——在p=7深度下对10只资产中选择5只时，可实现约60%的成功概率，优于标准混音器，原因在于其保持约束的动态特性；同时，本文基于收益和相关性方差的统计特性，提出了区分‘简单’与‘困难’问题实例的标准。

ABSTRACT

We present a detailed study of portfolio optimization using different versions of the quantum approximate optimization algorithm (QAOA). For a given list of assets, the portfolio optimization problem is formulated as quadratic binary optimization constrained on the number of assets contained in the portfolio. QAOA has been suggested as a possible candidate for solving this problem (and similar combinatorial optimization problems) more efficiently than classical computers in the case of a sufficiently large number of assets. However, the practical implementation of this algorithm requires a careful consideration of several technical issues, not all of which are discussed in the present literature. The present article intends to fill this gap and thereby provide the reader with a useful guide for applying QAOA to the portfolio optimization problem (and similar problems). In particular, we will discuss several possible choices of the variational form and of different classical algorithms for finding the corresponding optimized parameters. Viewing at the application of QAOA on error-prone NISQ hardware, we also analyze the influence of statistical sampling errors (due to a finite number of shots) and gate and readout errors (due to imperfect quantum hardware). Finally, we define a criterion for distinguishing between "easy" and "hard" instances of the portfolio optimization problem

研究动机与目标

• 为将QAOA应用于投资组合优化提供实用指南，解决以往文献中常被忽视的技术挑战。
• 评估不同QAOA变体（尤其是混音器类型和参数优化策略）在真实金融优化实例中的性能表现。
• 识别并定义基于收益和相关性统计特性区分‘简单’与‘困难’投资组合优化实例的标准。
• 分析量子硬件噪声（门误差、读出误差和采样误差）对真实NISQ实现中QAOA性能的影响。
• 证明QAOA性能对变分形式和经典优化初始化的选择极为敏感，其中对称性和约束强制在其中起关键作用。

提出的方法

• 将投资组合优化建模为带资产数量基数约束的二次二值优化问题，通过惩罚项确保可行性。
• 采用QAOA并利用经典算法优化变分参数（γ, β），比较标准、环形、全XY和QAMPA混音器。
• 引入一种与约束实现方式无关的改进近似比度量，实现不同QAOA变体之间的公平性能比较。
• 采用重排的XY混音器，相比全XY混音器将CNOT门数量减少25%，提升电路效率。
• 通过收益和相关性分布的统计分析，定义实例难度的标准，将更宽泛的分布与更易优化联系起来。
• 在真实噪声条件下评估性能，包括有限采样（1000次采样）、门误差和读出误差，使用理想与噪声模拟进行测试。

实验结果

研究问题

• RQ1 在真实NISQ噪声条件下，不同混音器类型（标准、环形、全XY、QAMPA）对QAOA在投资组合优化中的性能有何影响？
• RQ2 经典参数优化策略与初始化方式对QAOA在投资组合选择中的成功率有何影响？
• RQ3 金融数据的统计特性——特别是收益和相关性方差——如何影响QAOA优化的难度？
• RQ4 采样误差、门误差和读出误差在多大程度上会降低QAOA在投资组合优化中的性能？不同混音器对噪声的响应有何差异？
• RQ5 能否基于数据统计特性，定义一个可量化的标准以区分‘简单’与‘困难’的投资组合优化实例？

主要发现

• 全XY混音器和QAMPA变体在使用p=7深度从10只资产中选择5只时，可实现约60%的最优投资组合选择成功率。
• XY混音器显著优于标准混音器，因其将优化限制在可行子空间，降低了违反基数约束的风险。
• 重排的XY混音器相比全XY混音器将CNOT门数量减少25%，在不损失性能的前提下提升了电路效率。
• 1000次采样下的测量噪声对性能影响较小，除非近似比超过~99%，此时噪声敏感性显著增加。
• 收益和相关性分布越宽泛，能量景观越明显，有助于简化经典优化，使问题实例更易求解。
• 必须仔细评估目标硬件上的混音器选择与噪声特性，因为XY混音器对噪声更敏感，表明性能与鲁棒性之间存在权衡，具体取决于硬件保真度。