[论文解读] Portfolio Optimization on Classical and Quantum Computers Using PortFawn

Moein Owhadi-Kareshk, Pierre Boulanger|arXiv (Cornell University)|Dec 16, 2021

Advanced Bandit Algorithms Research被引用 5

一句话总结

本文介绍了 PortFawn，一个用于在经典和量子计算机上使用量子退火进行均值-方差投资组合优化的开源 Python 库。它使研究人员能够通过可调节的约束条件和目标函数自定义投资组合，表明尽管存在二元权重约束，量子优化投资组合（BMOP）仍能实现具有竞争力的风险-收益表现，凸显了金融领域中实现量子优势的潜力。

ABSTRACT

Portfolio diversification is one of the most effective ways to minimize investment risk. Individuals and fund managers aim to create a portfolio of assets that not only have high returns but are also uncorrelated. This goal can be achieved by comparing the historical performance, fundamentals, predictions, news sentiment, and many other parameters that can affect the portfolio's value. One of the most well-known approaches to manage/optimize portfolios is the well-known mean-variance (Markowitz) portfolio. The algorithm's inputs are the expected returns and risks (volatility), and its output is the optimized weights for each asset in the target portfolio. Simplified unrealistic assumptions and constraints were used in its original version preventing its use in practical cases. One solution to improve its usability is by altering the parameters and constraints to match investment goals and requirements. This paper introduces PortFawn, an open-source Python library to create and backtest mean-variance portfolios. PortFawn provides simple-to-use APIs to create and evaluate mean-variance optimization algorithms using classical computing (real-valued asset weights) as well as quantum annealing computing (binary asset weights). This tool has many parameters to customize the target portfolios according to the investment goals. The paper introduces the background and limitations of the mean-variance portfolio optimization algorithm, its architecture, and a description of the functionalities of PortFawn. We also show how one can use this tool in practice using a simple investment scenario.

研究动机与目标

• 解决经典均值-方差投资组合优化的局限性，例如对流动性、交易成本和收益分布的不切实际假设。
• 为研究人员提供一个灵活、可扩展且经过充分测试的开源框架，以在各种约束条件下实验均值-方差优化。
• 评估基于 D-Wave 硬件和 Ocean 软件套件的量子退火在投资组合优化中的性能。
• 在现实回测场景中，证明量子优化投资组合（BMOP）与经典方法（MRP、MVP、MSRP）相比的可行性与竞争力。
• 支持投资组合优化工具的教育和研究用途，同时明确声明不提供财务建议。

提出的方法

• PortFawn 收集历史资产价格，并计算预期收益和协方差矩阵，作为均值-方差优化的输入。
• 该库通过带自定义约束的二次规划实现经典均值-方差优化，使用实数资产权重。
• 它与 D-Wave 的量子退火硬件和 Ocean 软件套件集成，将投资组合优化问题建模为二元二次优化问题。
• PortFawn 支持多种目标函数和约束条件，使用户能够根据特定投资目标和风险偏好定制投资组合。
• 该框架包含完整的端到端流程支持：数据收集、优化、回测以及投资组合表现的可视化。
• 量子优化被表述为二元权重问题（BMOP），其中每项资产被完全包含或完全排除，映射到伊辛模型。

实验结果

研究问题

• RQ1 量子退火能否有效解决具有二元资产权重的投资组合优化问题？其性能与经典方法相比如何？
• RQ2 在现实回测条件下，不同均值-方差投资组合配置（MRP、MVP、MSRP、BMOP）在风险调整后收益和波动率方面的表现如何？
• RQ3 经典均值-方差优化中不切实际的假设（如忽略交易成本和假设收益独立同分布）在多大程度上限制了其实际适用性？
• RQ4 经典与量子优化投资组合之间的相关性结构在多大程度上影响分散化收益？
• RQ5 开源工具如 PortFawn 是否能够促进量子增强金融优化研究的可重现性和可扩展性？

主要发现

• 均值-方差投资组合（MRP）在所有测试投资组合中实现了最高的累计收益，而最小方差投资组合（MVP）表现出最低的波动率。
• 平衡投资组合（MSRP）在收益与风险之间提供了折中方案，与其他策略表现出中等程度的相关性。
• 尽管受到二元权重的限制，量子优化的二元投资组合（BMOP）表现具有竞争力，表明在投资组合构建中存在实现量子优势的潜力。
• 等权重投资组合（EWP）凭借其简洁性和稳健性，展现出强劲的风险调整后表现，可作为强有力的基准。
• 相关性分析显示，MSRP 和 MVP 与其他投资组合的相关性较低，表明将它们组合使用可带来分散化收益。
• 可视化结果证实，经典投资组合（MRP、MVP、MSRP）位于有效前沿上或其附近，而尽管受到约束，BMOP 在风险-收益空间中仍保持竞争力。