[论文解读] 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 4

一句话总结

本文提出了一种基于QUBO的K-medoid聚类方法，在金融市场的图结构上构建S&P 500指数的低持仓集中跟踪投资组合。通过利用富士通Digital Annealer硬件，该方法高效求解了NP难优化问题，在每年仅使用10只代表性股票的情况下，实现了低于0.5%的跟踪误差和良好的贝塔对齐效果。

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.

研究动机与目标

• 开发一种高效构建低持仓集中跟踪投资组合的方法，以复制宽基市场指数的收益表现。
• 通过二次二值优化（QUBO）解决金融市场图中K-medoid聚类的NP难问题。
• 利用专用的量子启发硬件（富士通Digital Annealer）高效求解大规模QUBO公式。
• 使用标准金融指标（如跟踪误差和投资组合贝塔）评估所提方法的性能。

提出的方法

• 将S&P 500成分股（n=453）建模为一个完全加权的市场图，边权重由日对数收益的皮尔逊相关系数得出。
• 通过 δ_ij = 1 - exp(-0.5 × d_ij) 将距离矩阵转换为鲁棒的相似性矩阵 Δ，其中 d_ij = √(2(1 - ρ_ij))。
• 将K-medoid聚类问题表述为QUBO：最小化 zᵀ(γ11ᵀ - αΔ/2)z + zᵀ(βΔ1 - 2γk1)，其中 z_i ∈ {0,1} 表示原型选择。
• 设置参数 α = 1/k，β = 1/n，γ = 2，每年选择 k=10 个原型。
• 使用富士通Digital Annealer求解QUBO公式，利用其为组合优化量身定制的硬件架构。
• 每年使用前一年的收益重新计算市场图，并重新优化QUBO，以每年生成新的跟踪投资组合。

实验结果

研究问题

• RQ1 K-medoid聚类的QUBO公式能否有效识别出一小部分股票，以高精度跟踪S&P 500指数？
• RQ2 专用硬件（如Digital Annealer）在多大程度上能够克服金融市场图中NP难聚类问题的计算不可行性？
• RQ3 与传统指数跟踪方法相比，QUBO-Digital Annealer方法在跟踪误差和贝塔对齐方面的表现如何？
• RQ4 每年重新计算市场图对投资组合稳定性与跟踪性能有何影响？

主要发现

• 该方法在2016–2019年连续四年内均实现了0.005（0.5%）的稳定年化跟踪误差，表明对S&P 500日收益的高保真复制。
• 该跟踪投资组合相对于S&P 500的贝塔值在0.691至1.167之间波动，t统计量超过15，表明其跟踪表现具有高度统计显著性。
• 尽管每年仅使用10只股票，该方法仍成功以高保真度复制了S&P 500指数收益，证明了QUBO与Digital Annealer流程的有效性。
• 富士通Digital Annealer的使用使得NP难QUBO问题得以高效求解，使大规模指数跟踪在实践中成为可能。
• 鲁棒相似性矩阵 Δ 提升了市场图表示的稳定性，从而增强了聚类质量。
• 该方法在多年间表现出强劲的实证性能，具有低跟踪误差和高统计显著性，验证了其在投资组合构建中的实际适用性。