[论文解读] Large-scale portfolio optimization on a trapped-ion quantum computer

Alejandro Gomez Cadavid, Ananth P. Kaushik+11 more|arXiv (Cornell University)|Feb 27, 2026

Quantum Computing Algorithms and Architecture被引用 0

一句话总结

作者提出一个面向硬件的端到端固定基数投资组合优化管线，在受困离子量子硬件上实现，使用基于相关性的分解和非变分 BF-DCQO 优化器，在一个250资产的 S&P 500 子集上演示。

ABSTRACT

We present an end-to-end pipeline for large-scale portfolio selection with cardinality constraints and experimentally demonstrate it on trapped-ion quantum processors using hardware-aware decomposition. Building on RMT-based correlation-matrix denoising and community detection, we identify correlated asset groups and introduce a correlation-guided greedy splitting scheme that caps each cluster by the executable qubit budget. Each cluster defines a hardware-embeddable QUBO subproblem that we solve using bias-field digitized counterdiabatic quantum optimization (BF-DCQO), a non-variational method that avoids classical parameter-training loops. We recombine low-energy candidates into global portfolios and enforce feasibility with a two-stage post-processing routine: fast repair followed by a cardinality-preserving swap local search. We benchmark the workflow on a 250-asset universe taken from the S&P 500 and execute subproblems on a 64-qubit Barium development system similar to the forthcoming IonQ Tempo line. We observe that larger executable subproblem sizes reduce decomposition error and systematically improve final objective values and risk-return trade-offs relative to randomized baselines under identical post-processing. Overall, the results establish a hardware-tested route for scaling financial optimization problems, defined by a trade space in which executable problem size and circuit cost are balanced against the resulting solution quality.

研究动机与目标

• 在现实约束下，激励并解决在回报与风险之间取得平衡的固定基数投资组合选择问题。
• 开发一个硬件感知的分解，符合最大可执行量子比特预算，以便在近端设备上实现端到端量子优化。
• 利用相关结构去噪和社区检测形成子问题，使其适合量子硬件。
• 对子问题应用非变分量子优化器（BF-DCQO），并通过经典后处理重新组合候选以确保可行性。
• 在真实的受困离子量子处理器上对工作流进行基准测试，并量化子问题规模和剪枝对解质量的影响。

提出的方法

• 将固定基数投资组合问题映射为带有违反基数约束惩罚的 QUBO/Ising 形式。
• 进行基于 RMT 的去噪，以将相关矩阵中的噪声、全球市场模态和信息结构分离。
• 通过相关性引导的划分将资产分成符合硬件规模的簇，以满足 Qmax 量子比特。
• 将每个簇作为 Ising 子问题使用 BF-DCQO 求解，并应用剪枝以降低电路深度。
• 将低能量簇解重新组合成全局投资组合，并应用两阶段的保持基数的后处理（修复再局部搜索置换）。
• 在36-和64-量子比特的受困离子系统上评估端到端性能，利用来源于 S&P 500 数据的250资产宇宙。

实验结果

研究问题

• RQ1 通过在可执行子问题规模（通过硬件量子比特预算）受限后，重新组合与后处理对最终投资组合质量有何影响？
• RQ2 硬件感知的簇划分是否提高了在近端量子设备上进行大规模固定基数投资组合优化的可行性与解质量？
• RQ3 剪枝水平对电路成本与受困离子硬件端到端优化性能有何影响？
• RQ4 随着量子比特预算增加，BF-DCQO结合局部搜索能将全局目标接近最优程度到多接近？
• RQ5 在相同后处理条件下，与经典基线相比，使用 BF-DCQO 求解子问题有何改进？

主要发现

• 可执行子问题规模更大（高达60量子比特）可降低分解误差，并系统性地改善目标值与风险–收益权衡。
• 在250资产宇宙中，将硬件预算从36量子比特提高到64量子比特可获得更接近全局最优的后处理投资组合。
• BF-DCQO 结合两阶段局部搜索，在风险-收益空间产生广泛的可行投资组合，显示可探索有意义的权衡。
• 在全局基数强制与簇间置换之后，最佳后处理投资组合有时甚至超越重新组合的参考基线。
• 结果为在近端设备上通过硬件感知分解对密集 Ising/QUBO 目标进行可扩展的硬件验证路径奠定基础。