跳转至

基于量子计算的投资组合优化算法

Info

该工作为朱学长@11d-beyonder的毕业设计 🧎‍♂️

本文为该工作的阅读笔记

概括总结

  1. 将投资组合问题表达为二次优化模型
  2. 利用拉格朗日乘子法将二次优化问题转化为方程组求解问题
  3. 利用HHL算法求解方程组
  4. 通过引入约束缩放系数对算法进行优化

具体内容

标准投资组合选择模型

minimizewTΣw s.t.wTR=E wTΠ=Ξ 其中

  • w=[w1,,wn]T,wi=1为选择在n个标的上投资的比例
  • rt=[r1t,,rnt]T为每个标的在交易日t的收益
  • R=E(rt)=1TrtT个交易日收益的均值
  • Σ=V(rt)=1T1(rtR)T(rtR)为收益的协方差矩阵
  • E=wTR为期望收益
  • V=wTΣw为风险
  • Π为当前的价格向量
  • Ξ为投资金额限定

    Π=[1,,1]Tw为各标的投资的份数,Ξ为购买份数限额

故上式表示期望一定时,选取风险最低的投资组合。

拉格朗日乘子法

f(w)=wTΣw+η(wTRE)+ρ(wTΠΞ)

其中η,ρ为拉格朗日乘子。求偏导,得

{fw=2Σw+ηR+ρΠ=0fη=wTRE=0fρ=wTΠΞ=0

[00RT00ΠTRΠΣ][ηρw]=[EΞ0]

此处对系数进行了调整

记该方程组为Ax=b,利用HHL求解(由于协方差矩阵Σ实对称,故A自伴)

[AOOI][x0]=[b0]

优化:引入约束缩放系数降低矩阵的条件数

[00s1RT00s2ΠTs1Rs2ΠΣ][ηρw]=[EΞ0]

HHL

概述

求解Ax=b,其中A自伴(A不自伴:构造[AA][0x]=[b0]

复杂度:O(κ2ϵ1logN),其中κ为矩阵的条件数,ϵ为解的精度(相位估计求特征值时,特征值倒数的相对误差)

表示

A|x=|b|x=A1|b

谱分解:A=j=0N1λj|μjμj|

标正基:|b=j=0N1βj|μj

代入:

|x=(i=0N11λi|μiμi|)(j=0N1βj|μj)(对角阵)=j=0N11λjβj|μj(标正基)

电路

Pasted image 20230823163047

  1. 利用同构电路将|b=j=0N1bj|j=j=0N1βj|μj置于Rv上(需提前将|b归一化)
  2. 经过QPE,得j=0N1βj|μj|φj
  3. 对于取定的归一化常数C,对Ra作用RY(θ),得j=0N1βj|φj|μj(cosθ2|0+sinθ2|1),其中
    • θ=2arcsinCλj(由目标方程解的形式决定,C用于归一化与成功率控制)
    • λjφj决定
    • Rp存储φj 带入C,得j=0N1βj|μj|φj(1C2λj2|0+Cλj|1)
  4. 利用QPE解纠缠,得j=0N1βj|μj|0n(1C2λj2|0+Cλj|1)
  5. 测量辅助比特,测量结果为1时成功求解,得目标态1j=0N1βj2λj2j=0N1βjλj|μj|0n|1,其中1j=0N1βj2λj2j=0N1βjλj|μj为标准化的|x
  6. 利用量子振幅估计得到基上的系数

细节

参数确定
A

创新:使用A的特征值进行缩放

要求:|λ|1

缩放:A:=l|λ|maxA(l(0,1])

l=12,此时

  • |λ|min|λ||λ|max,自伴:A=Aκ=maxσ(AA)minσ(AA)=|λ|max|λ|min
  • |λ|min2|λ|max|λ|2|λ|max|λ|max2|λ|max|λ|[12κ,12]
U

利用哈密顿模拟得U=eiAt,其中t为模拟时间

对角阵:iAt=j=0N1iλjt|μjμj|U=j=0N1eiλjt|μjμj|

标正基:U|μj=eiλjt|μj

λ

QPE求得的φ满足U|μ=e2πiφ|μ(φ[0,1))

U|μ=eiλt|μ,故e2πiφ=eiλt

λ0时,φ=λt2π

λ<0时,e2πi=1eiλt=e2πiλt2π=e2πi(λt2π+1)=e2πiφφ=1+λt2π

t=π,有φ={λ2,λ0,1+λ2,λ<0.

|λ|<1,故λ={2φ,φ<12,2(φ1),φ12.

np

np个比特近似φ时绝对误差|φφ~|<2np

|λλ~|<21np

ϵ定义(特征值倒数的相对误差)与|λ|下界12κ

|1λ1λ~1λ||λ~λλ|κ2np2ϵnp2+log2κϵ
C

算法成功率P(|1)=jC2βj2λj2

约束:|Cλj|1|C||λ|min

为提高成功率,取|C|=|λ|min

结果处理

为求得|x,需求出|x的范数j=0N1βj2λj2

P(|1)=j=0N1C2βj2λj2

||x||=P(|1)C

基础知识

协方差矩阵

协方差:用于刻画两个随机变量的相似程度

σ(x,y)=1n1i=1n(xix¯)(yiy¯)

设有随机变量{x1,,xn},两两之间的协方差为σ(xm,xk)=1n1i=1n(xmixm¯)(xkixk¯) 则协方差矩阵为

Σ=[σ(x1,x1)σ(x1,xn)σ(xn,x1)σ(xn,xn)]

为实对称阵

向量&二次型求导

向量对向量求导

分母的每个元素对整个分子求导,求导后的结果按照分母的形状进行组装

二次型求导

d(xTAx)=(xTA)dx+d(xTA)x=xTAdx+(d(xTA)x)T=xTAdx+xTd(ATx)=xTAdx+xTATdx=xT(A+AT)dx

A实对称d(xTAx)dx=2Ax

矩阵的条件数

矩阵范数:矩阵对向量的缩放能力

||A||=maxx||Ax||||x||

由定义知,||A1||=maxy||A1y||||y||=1miny||y||||A1y||=y=Ax1minx||Ax||||x||

条件数:衡量方程的稳定性

κ(A)=||A||||A1||

易证,当x变化δx时,有1κ(A)||δb||||b||||δx||||x||κ(A)||δb||||b||

计算:||A||为A最大奇异值maxσ(AA)||A1||为A最小奇异值的倒数1minσ(AA)

QPE

U的特征向量|μ的特征值为e2πiφ,即U|μ=e2πiφ|μ,电路黑盒如下

Pasted image 20230823210922|300

|v=vj|μj时,结果为vj|φj