Pengoptimum Portfolio Kuantum: Fungsi Qiskit oleh Global Data Quantum

nota

Fungsi Qiskit ialah ciri eksperimental yang hanya tersedia untuk pengguna Pelan Premium, Pelan Flex, dan Pelan On-Prem IBM Quantum® (melalui API IBM Quantum Platform). Ciri ini dalam status keluaran pratonton dan tertakluk kepada perubahan.

Gambaran Keseluruhan

Pengoptimum Portfolio Kuantum ialah Fungsi Qiskit yang menangani masalah pengoptimuman portfolio dinamik — masalah piawai dalam kewangan yang bertujuan untuk mengimbangi semula pelaburan berkala merentas set aset bagi memaksimumkan pulangan dan meminimumkan risiko. Dengan menggunakan teknik pengoptimuman kuantum terkini, fungsi ini memudahkan proses supaya pengguna tanpa kepakaran dalam pengkomputeran kuantum dapat memanfaatkan kelebihannya dalam mencari trajektori pelaburan yang optimum. Sesuai untuk pengurus portfolio, penyelidik dalam kewangan kuantitatif, dan pelabur individu, alat ini membolehkan pengujian semula strategi perdagangan dalam pengoptimuman portfolio.

Penerangan Fungsi

Fungsi Pengoptimum Portfolio Kuantum menggunakan algoritma Variational Quantum Eigensolver (VQE) untuk menyelesaikan masalah Quadratic Unconstrained Binary Optimization (QUBO) bagi menangani masalah pengoptimuman portfolio dinamik. Pengguna hanya perlu menyediakan data harga aset dan mentakrifkan kekangan pelaburan, kemudian fungsi menjalankan proses pengoptimuman kuantum yang mengembalikan set trajektori pelaburan yang telah dioptimumkan.

Proses ini terdiri daripada empat peringkat utama. Pertama, data input dipetakan kepada masalah yang serasi dengan kuantum, membina QUBO bagi masalah pengoptimuman portfolio dinamik, dan mengubahnya menjadi operator kuantum (Ising Hamiltonian). Seterusnya, masalah input dan algoritma VQE disesuaikan untuk dijalankan pada perkakasan kuantum. Algoritma VQE kemudiannya dijalankan pada perkakasan kuantum, dan akhirnya, keputusan diproses semula untuk menyediakan trajektori pelaburan yang optimum. Sistem ini juga menyertakan pemprosesan semula yang peka hingar (berasaskan SQD) untuk memaksimumkan kualiti output.

Fungsi Qiskit ini berdasarkan manuskrip yang diterbitkan oleh Global Data Quantum.

Input

Argumen input fungsi diterangkan dalam jadual berikut. Data aset dan spesifikasi masalah lain mesti disediakan; selain itu, tetapan VQE boleh disertakan untuk menyesuaikan proses pengoptimuman.

Nama	Jenis	Penerangan	Diperlukan	Lalai	Contoh
assets	json	Kamus dengan harga aset	Ya	-	-
qubo_settings	json	Tetapan QUBO	Ya	-	Lihat contoh dalam jadual di bawah
ansatz_settings	json	Tetapan ansatz	Tidak	None	Lihat contoh dalam jadual di bawah.
optimizer_settings	json	Tetapan pengoptimum	Tidak	None	Lihat contoh dalam jadual di bawah.
backend	str	Nama Backend QPU	Tidak	-	"ibm_torino"
previous_session_id	list of str	Senarai ID sesi untuk mendapatkan semula data daripada larian sebelumnya(*)	Tidak	Senarai kosong	["session_id_1", "session_id_2"]
apply_postprocess	bool	Guna pemprosesan semula SQD peka hingar	Tidak	True	True
tags	list of strings	Senarai tag untuk mengenal pasti eksperimen	Tidak	Senarai kosong	["optimization", "quantum_computing"]

*Untuk menyambung semula pelaksanaan atau mendapatkan semula kerja yang diproses dalam satu atau lebih sesi sebelumnya, senarai ID sesi mesti dihantar dalam parameter previous_session_id. Ini amat berguna dalam kes di mana tugas pengoptimuman gagal selesai akibat ralat dalam proses, dan pelaksanaan perlu diteruskan. Untuk mencapai ini, anda mesti menyediakan argumen yang sama yang digunakan dalam pelaksanaan awal, bersama senarai previous_session_id seperti yang diterangkan.

Amaran

Memuatkan data untuk sesi sebelumnya (untuk menyambung semula pengoptimuman) boleh mengambil masa sehingga satu jam.

assets

Data mesti disusun sebagai objek JSON yang menyimpan maklumat tentang harga penutup aset kewangan pada tarikh tertentu. Formatnya adalah seperti berikut:

• Kunci utama (string): Nama atau simbol ticker aset kewangan (contohnya, "8801.T").
• Kunci sekunder (string): Tarikh dalam format YYYY-MM-DD.
• Nilai (nombor): Harga penutup aset pada tarikh yang dinyatakan. Harga boleh dimasukkan sama ada dalam bentuk ternormal atau tidak ternormal.

Perhatikan bahawa semua kamus mesti mempunyai kunci sekunder yang sama (tarikh). Jika sesebuah aset tidak mempunyai tarikh yang dimiliki aset lain, data mesti diisi untuk memastikan konsistensi. Contohnya, ini boleh dilakukan dengan menggunakan harga penutup terakhir yang dicatat bagi aset tersebut.

Contoh

{
    "8801.T": {
        "2023-01-01": 2374.0,
        "2023-01-02": 2374.0,
        "2023-01-03": 2374.0,
        "2023-01-04": 2356.5,
        ...
    },
    "AAPL": {
        "2023-01-01": 145.2,
        "2023-01-02": 146.5,
        "2023-01-03": 147.3,
        "2023-01-04": 148.1,
        ...
    },
    ...
}

# Added by doQumentation — required packages for this notebook
!pip install -q pandas qiskit-ibm-catalog

{
    "asset_name": {
        "date": closing_value,
        ...
    },
    ...
}

Nota

Data aset mesti mengandungi, sekurang-kurangnya, harga penutup pada (nt+1) * dt (lihat bahagian input qubo_settings) cap masa (contohnya, hari).

qubo_settings

Jadual seterusnya menerangkan kunci kamus qubo_settings. Bina kamus dengan menentukan bilangan langkah masa nt, bilangan qubit resolusi nq, dan max_investment — atau ubah nilai lalai lain.

Nama	Jenis	Penerangan	Diperlukan	Lalai	Contoh
nt	int	Bilangan langkah masa	Ya	-	4
nq	int	Bilangan Qubit resolusi	Ya	-	4
max_investment	float	Bilangan maksimum unit mata wang yang dilaburkan merentasi semua aset	Ya	-	10
dt*	int	Tetingkap masa yang dipertimbangkan dalam setiap langkah masa. Unitnya sepadan dengan selang masa antara kunci dalam data aset	Tidak	30	-
risk_aversion	float	Pekali pengelakan risiko	Tidak	1000	-
transaction_fee	float	Pekali yuran transaksi	Tidak	0.01	-
restriction_coeff	float	Pendarab Lagrange yang digunakan untuk menguatkuasakan kekangan masalah dalam formulasi QUBO	Tidak	1	-

ansatz_settings

Untuk mengubah pilihan lalai, cipta kamus untuk parameter ansatz_settings dengan kunci berikut. Secara lalai, ansatz ditetapkan kepada "real_amplitudes", dan kedua-dua pilihan tambahan (lihat jadual berikut) ditetapkan kepada False.

Nama	Jenis	Penerangan	Diperlukan	Lalai
ansatz*	str	Ansatz yang akan digunakan	Tidak	"real_amplitudes"
multiple_passmanager**	bool	Mendayakan subrutin passmanager berganda (tidak tersedia untuk ansatz Tailored)	Tidak	False
dd_enable	bool	Menambah dynamical decoupling	Tidak	False

* Ansatz yang tersedia

• real_amplitudes
• cyclic
• optimized_real_amplitudes
• tailored (Hanya untuk Backend ibm_torino, 7 aset, 4 langkah masa, dan 4 qubit resolusi)

** Jika multiple_passmanager ditetapkan kepada False, fungsi menggunakan pass manager Qiskit lalai dengan optimization_level=3. Jika ditetapkan kepada True, subrutin multiple_passmanager membandingkan tiga pass manager: pass manager Qiskit lalai sebelumnya, pass manager yang memetakan qubit ke atas rantaian jiran terdekat QPU, dan perkhidmatan Transpiler AI. Kemudian, pass manager dengan anggaran ralat kumulatif yang lebih rendah dipilih.

optimizer_settings

Parameter ini ialah kamus dengan beberapa pilihan yang boleh dilaraskan bagi proses pengoptimuman.

Nama	Jenis	Penerangan	Diperlukan	Lalai
primitive_options	json	Tetapan primitif	Tidak	-
optimizer	str	Pengoptimum klasik yang dipilih	Tidak	"differential_evolution"
optimizer_options	json	Konfigurasi pengoptimum	Tidak	-

Nota

Pada masa ini, satu-satunya pilihan pengoptimum yang tersedia ialah "differential_evolution".

Di bawah kunci primitive_options dan optimizer_options, kita tetapkan kamus dengan parameter berikut:

primitive_options

Nama	Jenis	Penerangan	Diperlukan	Lalai	Contoh
sampler_shots	int	Bilangan shot Sampler.	Tidak	100000	-
estimator_shots	int	Bilangan shot Estimator.	Tidak	25000	-
estimator_precision	float	Ketepatan yang diingini bagi nilai jangkaan. Jika dinyatakan, ketepatan akan digunakan sebagai ganti estimator_shots.	Tidak	None	0.015625 · (1 / sqrt(4096))
max_time	int or str	Jumlah masa maksimum sesi runtime boleh kekal terbuka sebelum ditutup secara paksa. Boleh diberikan dalam saat (int) atau sebagai string, seperti "2h 30m 40s". Mesti kurang daripada had maksimum sistem.	Tidak	None	"1h 15m"

optimizer_options

Nama	Jenis	Penerangan	Diperlukan	Lalai
num_generations	int	Bilangan generasi	Tidak	20
population_size	int	Saiz populasi	Tidak	20
mutation_range	list	Faktor mutasi maksimum dan minimum	Tidak	[0, 0.25]
recombination	float	Faktor rekombinasi	Tidak	0.4
max_parallel_jobs	int	Bilangan maksimum kerja QPU yang dilaksanakan secara selari	Tidak	3
max_batchsize	int	Saiz kelompok maksimum	Tidak	200

Nota

• Bilangan generasi yang dinilai oleh evolusi pembezaan ialah num_generations + 1 kerana populasi awal disertakan.

• Jumlah bilangan Circuit dikira sebagai (num_generations + 1) * population_size.

• Menggunakan saiz populasi yang lebih besar dan lebih banyak generasi secara amnya meningkatkan kualiti hasil pengoptimuman. Walau bagaimanapun, tidak disyorkan untuk melebihi saiz populasi 120 dan bilangan generasi melebihi 20 (contohnya, 120 * 21 = 2520 jumlah Circuit), kerana ini akan menjana bilangan Circuit yang berlebihan, yang boleh menjadi mahal dari segi pengiraan dan memakan masa.

• Fungsi ini membolehkan anda menyambung semula pengoptimuman sebelumnya, dan sentiasa boleh meningkatkan bilangan generasi (dengan menyediakan input yang sama kecuali untuk previous_session_id dan num_generations yang ditingkatkan).

Nota

Pastikan pematuhan dengan had kerja Qiskit Runtime.

• Sampler: sampler_shots <= 10_000_000.
• Estimator: max_batchsize * estimator_shots * observable_size <= 10_000_000 (untuk fungsi ini, semua sebutan observable bertukar, jadi observable_size=1).

Lihat panduan Had Kerja untuk maklumat lanjut.

Output

Fungsi mengembalikan dua kamus: kamus "result", yang mengandungi hasil pengoptimuman terbaik, termasuk penyelesaian optimum dan kos objektif minimum yang berkaitan; dan "metadata", dengan data daripada semua hasil yang diperoleh semasa proses pengoptimuman, berserta metrik masing-masing.

Kamus pertama memberi tumpuan kepada penyelesaian yang berprestasi terbaik, manakala yang kedua menyediakan maklumat terperinci tentang semua penyelesaian, termasuk kos objektif dan metrik lain yang relevan.

Kamus Output:

Nama	Jenis	Penerangan	Contoh
result	dict[str, dict[str, float]]	Mengandungi strategi pelaburan dari masa ke masa, dengan setiap cap masa dipetakan kepada wajaran pelaburan khusus aset (setiap wajaran ialah jumlah pelaburan yang dinormalkan oleh jumlah pelaburan keseluruhan).	{'time_1': {'asset_1': 0.2, 'asset_2': 0.3, ...\}, ...\}
metadata	dict[str, Any]	Data yang dijana semasa analisis, termasuk penyelesaian, kos, dan metrik.	Lihat contoh di bawah

Penerangan kamus metadata

Nama	Jenis	Penerangan	Contoh
session_id	str	Pengenal pasti unik untuk sesi IBM Quantum.	"d0h30qjvpqf00084fgw0"
all_samples_metrics	dict	Kamus yang mengandungi pelbagai metrik untuk setiap sampel yang diproses semula, seperti kos atau kekangan.	Lihat penerangan di bawah
sampler_counts	dict[str, int]	Kamus di mana kunci ialah representasi bitstring bagi penyelesaian yang disampel dan nilai ialah kiraan mereka.	{"101010": 3, "111000": 1\}
asset_order	list[str]	Senarai dengan tertib pelaburan aset yang sepadan pada setiap langkah masa dalam strategi pelaburan.	["Asset_0", "Asset_1", "Asset_3"]
QUBO	list[list[float]]	Matriks QUBO bagi masalah.	[[-6.96e-01, 5.81e-01, -1.26e-02, 0.00e+00], ...]
resource_summary	dict[str, dict[str, float]]	Ringkasan masa penggunaan CPU dan QPU (dalam saat) merentasi peringkat proses yang berbeza.	{'RUNNING: EXECUTING_QPU': {'CPU_TIME': 412.84, 'QPU_TIME': 87.22\}, ...\}

Penerangan kamus all_samples_metrics

Nama	Jenis	Penerangan	Contoh
investment_trajectories	list[list]	Strategi pelaburan yang diperoleh daripada keadaan kuantum yang dinyahkod.	[[1, 2, 2], [1, 2, 1]]

| counts | list[int] | Bilangan kali setiap trajektori pelaburan disampel. Indeks sepadan dengan investment_trajectories. | [5, 3] | | objective_costs | list[float] | Nilai fungsi objektif bagi setiap trajektori pelaburan, disusun dari terendah ke tertinggi. | [0.98, 1.25] | | sharpe_ratios | list[float] | Prestasi terlaras risiko (nisbah Sharpe) bagi setiap trajektori pelaburan. Diselaraskan mengikut indeks. | [1.1, 0.7] | | returns | list[float] | Pulangan yang dijangka bagi setiap trajektori pelaburan. Diselaraskan mengikut indeks. | [0.15, 0.10] | | rest_breaches | list[float] | Penyelewengan kekangan maksimum dalam setiap trajektori pelaburan. Diselaraskan mengikut indeks. | [0.0, 0.25] | | transaction_costs | list[float] | Anggaran kos transaksi yang berkaitan dengan setiap trajektori pelaburan. Diselaraskan mengikut indeks. | [0.01, 0.02] |

Mula Guna

Sahkan diri menggunakan kunci API anda dan pilih Fungsi Qiskit seperti berikut. (Coretan ini mengandaikan anda sudah menyimpan akaun anda ke persekitaran setempat anda.)

from qiskit_ibm_catalog import QiskitFunctionsCatalog

catalog = QiskitFunctionsCatalog(channel="ibm_quantum_platform")

# Access function
dpo_solver = catalog.load("global-data-quantum/quantum-portfolio-optimizer")

Contoh: Pengoptimuman portfolio dinamik dengan tujuh aset

Contoh ini menunjukkan cara melaksanakan fungsi pengoptimuman portfolio dinamik (DPO) dan melaraskan tetapannya untuk prestasi optimum. Ia merangkumi langkah-langkah terperinci untuk memperhalusi parameter bagi mencapai hasil yang diingini.

Kes ini melibatkan tujuh aset, empat langkah masa, dan empat qubit resolusi, menghasilkan keperluan keseluruhan sebanyak 112 qubit.

1. Baca aset yang disertakan dalam portfolio.

Jika semua aset dalam portfolio disimpan dalam folder pada laluan tertentu, anda boleh memuatkannya ke dalam pandas.DataFrame dan menukarnya kepada objek format dict menggunakan fungsi berikut.

import os
import glob
import pandas as pd

def read_and_join_csv(file_pattern):
    """
    Reads multiple CSV files matching the file pattern and combines them into a single DataFrame.

    Parameters:
    file_pattern (str): The pattern to match CSV files.

    Returns:
    pd.DataFrame: Combined DataFrame with data from all CSV files.
    """
    # Find all files matching the pattern
    csv_files = glob.glob(file_pattern)
    # Get the base file names without the .csv extension
    file_names = [os.path.basename(f).replace(".csv", "") for f in csv_files]
    # Read each CSV file into a DataFrame and set the first column as the index
    df_list = [pd.read_csv(f).set_index("Unnamed: 0") for f in csv_files]

    # Rename columns in each DataFrame to the base file names
    for df, name in zip(df_list, file_names):
        df.columns = [name]

    # Combine all DataFrames into one by merging them side by side
    combined_df = pd.concat(df_list, axis=1)
    return combined_df

file_pattern = "route/to/folder/with/assets/data/*.csv"
assets = read_and_join_csv(file_pattern).to_dict()

Untuk contoh ini, kami telah menggunakan aset 8801.T, CLF, GBPJPY, ITX.MC, META, TMBMKDE-10Y, dan XS2239553048. Rajah berikut menggambarkan data yang digunakan dalam contoh ini, menunjukkan evolusi harga penutup harian aset dari 1 Januari hingga 1 September 2023.

Dalam contoh ini, untuk memastikan keseragaman merentasi tarikh, kami telah mengisi hari bukan perdagangan dengan harga penutup dari tarikh yang tersedia sebelumnya. Kami melaksanakan langkah ini kerana aset yang dipilih berasal dari pasaran berbeza dengan hari perdagangan yang berbeza-beza, menjadikannya penting untuk menyeragamkan set data bagi konsistensi.

2. Takrifkan masalah.

Takrifkan spesifikasi masalah dengan mengkonfigurasi parameter dalam kamus qubo_settings.

qubo_settings = {
    "nt": 4,
    "nq": 4,
    "dt": 30,
    "max_investment": 25,
    "risk_aversion": 1000.0,
    "transaction_fee": 0.01,
    "restriction_coeff": 1.0,
}

3. Takrifkan tetapan pengoptimum dan ansatz. (Pilihan)

Secara pilihan takrifkan keperluan khusus untuk proses pengoptimuman, termasuk pemilihan pengoptimum dan parameternya, serta spesifikasi primitif dan konfigurasinya.

Untuk Ansatz Tailored, saiz populasi yang dipilih berdasarkan eksperimen terdahulu yang menunjukkan nilai ini menghasilkan pengoptimuman yang stabil dan cekap.

Dalam kes Ansatz Real Amplitudes, anda boleh mengikuti hubungan linear antara population_size dan bilangan qubit dalam Circuit. Sebagai peraturan anggaran, adalah disyorkan untuk menggunakan minimum population_size ~ 0.8 * n_qubits untuk ansatz real_amplitudes.

Dijangkakan bahawa Optimized Real Amplitudes akan mempunyai prestasi pengoptimuman yang lebih baik daripada ansatz Real Amplitudes. Walau bagaimanapun, bilangan pemboleh ubah yang perlu dioptimumkan dalam ansatz ini meningkat jauh lebih pantas berbanding kes Real Amplitudes (lihat manuskrip). Oleh itu, untuk masalah besar, Optimized Real Amplitudes memerlukan lebih banyak pelaksanaan Circuit. Optimized Real Amplitudes berkemungkinan berguna untuk masalah yang memerlukan hingga 100 qubit, tetapi adalah disyorkan untuk berhati-hati semasa menetapkan parameter population_size. Sebagai contoh peningkatan skala dalam population_size, jadual sebelumnya menunjukkan bahawa untuk masalah 84 qubit, Optimized Real Amplitudes memerlukan population_size 120, manakala untuk masalah 56 qubit, population_size 40 sudah mencukupi.

optimizer_settings = {
    "de_optimizer_settings": {
        "num_generations": 20,
        "population_size": 90,
        "recombination": 0.4,
        "max_parallel_jobs": 5,
        "max_batchsize": 4,
        "mutation_range": [0.0, 0.25],
    },
    "optimizer": "differential_evolution",
    "primitive_settings": {
        "estimator_shots": 25_000,
        "estimator_precision": None,
        "sampler_shots": 100_000,
    },
}

Anda juga boleh memilih ansatz tertentu. Contoh berikut menggunakan ansatz 'Tailored'.

ansatz_settings = {
    "ansatz": "tailored",
    "multiple_passmanager": False,
}

4. Jalankan masalah.

dpo_job = dpo_solver.run(
    assets=assets,
    qubo_settings=qubo_settings,
    optimizer_settings=optimizer_settings,
    ansatz_settings=ansatz_settings,
    backend_name="<backend name>",
    previous_session_id=[],
    apply_postprocess=True,
)

5. Dapatkan semula keputusan.

Seperti yang dinyatakan dalam bahagian Output, fungsi mengembalikan kamus dengan trajektori pelaburan yang disusun dari terendah ke tertinggi mengikut nilai fungsi objektifnya. Set hasil ini membolehkan pengenalpastian trajektori dengan kos terendah dan penilaian pelaburan yang sepadan. Selain itu, ia membolehkan analisis trajektori berbeza, memudahkan pemilihan yang paling sesuai dengan keperluan atau objektif tertentu. Fleksibiliti ini memastikan pilihan dapat disesuaikan untuk memenuhi pelbagai keutamaan atau senario. Mulakan dengan mempersembahkan strategi hasil yang mencapai kos objektif terendah yang ditemui semasa proses.

# Get the results of the job
dpo_result = dpo_job.result()

# Show the solution strategy
dpo_result["result"]

{'time_step_0': {'8801.T': 0.11764705882352941,
  'ITX.MC': 0.20588235294117646,
  'META': 0.38235294117647056,
  'GBPJPY=X': 0.058823529411764705,
  'TMBMKDE-10Y': 0.0,
  'CLF': 0.058823529411764705,
  'XS2239553048': 0.17647058823529413},
 'time_step_1': {'8801.T': 0.11428571428571428,
  'ITX.MC': 0.14285714285714285,
  'META': 0.2,
  'GBPJPY=X': 0.02857142857142857,
  'TMBMKDE-10Y': 0.42857142857142855,
  'CLF': 0.0,
  'XS2239553048': 0.08571428571428572},
 'time_step_2': {'8801.T': 0.0,
  'ITX.MC': 0.09375,
  'META': 0.3125,
  'GBPJPY=X': 0.34375,
  'TMBMKDE-10Y': 0.0,
  'CLF': 0.0,
  'XS2239553048': 0.25},
 'time_step_3': {'8801.T': 0.3939393939393939,
  'ITX.MC': 0.09090909090909091,
  'META': 0.12121212121212122,
  'GBPJPY=X': 0.18181818181818182,
  'TMBMKDE-10Y': 0.0,
  'CLF': 0.0,
  'XS2239553048': 0.21212121212121213}}

Selepas itu, menggunakan metadata, anda boleh mengakses hasil semua strategi yang disampel. Anda kemudiannya boleh menganalisis lebih lanjut trajektori alternatif yang dikembalikan oleh pengoptimum. Untuk melakukan ini, baca kamus yang disimpan dalam dpo_result['metadata']['all_samples_metrics'], yang mengandungi bukan sahaja maklumat tambahan tentang strategi optimum, tetapi juga butiran strategi calon lain yang dinilai semasa pengoptimuman.

Contoh berikut menunjukkan cara membaca maklumat ini menggunakan pandas untuk mengekstrak metrik utama yang berkaitan dengan strategi optimum. Ini termasuk Penyelewengan Kekangan, Nisbah Sharpe, dan pulangan pelaburan yang sepadan.

# Convert metadata to a DataFrame
df = pd.DataFrame(dpo_result["metadata"]["all_samples_metrics"])

# Find the minimum objective cost
min_cost = df["objective_costs"].min()
print(f"Minimum Objective Cost Found: {min_cost:.2f}")

# Extract the row with the lowest cost
best_row = df[df["objective_costs"] == min_cost].iloc[0]

# Display the results associated with the best solution
print("Best Solution:")
print(f"  - Restriction Deviation: {best_row['rest_breaches']}%")
print(f"  - Sharpe Ratio: {best_row['sharpe_ratios']:.2f}")
print(f"  - Return: {best_row['returns']}")

Minimum Objective Cost Found: -3.78
Best Solution:
  - Restriction Deviation: 40.0
  - Sharpe Ratio: 24.82
  - Return: 0.46

6. Analisis prestasi

Akhir sekali, analisis prestasi aplikasi pengoptimuman anda. Khususnya, bandingkan keputusan anda yang diperoleh dalam contoh sebelumnya dengan garis dasar rawak untuk menilai keberkesanan pendekatan kami. Jika algoritma kuantum secara nyata dan konsisten menghasilkan keputusan dengan nilai kos yang lebih rendah, ini menunjukkan proses pengoptimuman yang berkesan.

Rajah membentangkan taburan kebarangkalian kos objektif. Untuk menjana taburan ini, ambil senarai kos objektif daripada hasil fungsi dan kira kejadian setiap nilai kos (nilai dibundarkan kepada dua tempat perpuluhan). Kemudian, kemaskini lajur kiraan dengan sewajarnya dengan menggabungkan kiraan nilai yang dibundarkan yang sama. Perhatikan bahawa, untuk perbandingan visual yang lebih baik, kiraan kejadian telah dinormalkan supaya setiap taburan dipaparkan antara 0 dan 1. Seperti yang ditunjukkan dalam rajah (garisan pepejal biru), taburan kos untuk pendekatan Variational Quantum Eigensolver kami (diproses semula dengan SQD) terumpu rapat pada nilai kos objektif yang lebih rendah, menunjukkan prestasi pengoptimuman yang baik. Sebaliknya, garis dasar berhingar menunjukkan taburan yang lebih luas, berpusat pada nilai kos yang lebih tinggi. Garisan menegak putus-putus kelabu mewakili nilai min taburan rawak, seterusnya menonjolkan konsistensi fungsi dalam mengembalikan strategi pelaburan yang dioptimumkan. Untuk perbandingan tambahan, garisan putus-putus hitam dalam rajah sepadan dengan penyelesaian yang diperoleh dengan pengoptimum Gurobi (versi percuma). Semua keputusan ini diterokai lebih lanjut dalam penanda aras di bawah untuk contoh "Aset Campuran" yang dinilai dengan ansatz "Tailored".

Penanda Aras

Fungsi ini telah diuji di bawah konfigurasi berbeza bagi qubit resolusi, Circuit ansatz, dan kumpulan aset dari pelbagai sektor: campuran aset berbeza (Set 1), derivatif minyak (Set 2), dan IBEX35 (Set 3). Lihat butiran lanjut dalam jadual berikut.

Set	Tarikh	Aset
Set 1	01/01/2023	8801.T, CL=F, GBPJPY=X, ITX.MC, META, TMBMKDE-10Y, XS2239553048
Set 2	01/06/2023	CL=F, BZ=F, HO=F, NG=F, XOM, RB=F, 2222.SR
Set 3	01/11/2022	ACS.MC, ITX.MC, FER.MC, ELE.MC, SCYR.MC, AENA.MC, AMS.MC

Dua metrik utama digunakan untuk menilai kualiti penyelesaian.

1. Kos objektif, yang mengukur kecekapan pengoptimuman dengan membandingkan nilai fungsi kos daripada setiap eksperimen dengan hasil dari Gurobi (versi percuma).
2. Nisbah Sharpe, yang merangkumi pulangan terlaras risiko setiap portfolio, memberikan gambaran tentang prestasi kewangan penyelesaian.

Bersama-sama, metrik ini menanda aras aspek pengiraan dan kewangan portfolio yang dijana secara kuantum.

Contoh	Qubit	Ansatz	Kedalaman	Penggunaan Runtime (s)	Jumlah penggunaan (s)	Kos objektif	Sharpe	Kos objektif Gurobi	Sharpe Gurobi
Aset Campuran (Set 1, 4 langkah masa, 4-bit)	112	Tailored	83	12735	13095	-3.78	24.82	-4.25	24.71
Aset Campuran (Set 1, 4 langkah masa, 4 langkah masa, 4-bit)	112	Real Amplitudes	359	11739	11903	-3.39	23.64	-4.25	24.71
Derivatif Minyak (Set 2, 4 langkah masa, 3-bit)	84	Optimized Real Amplitudes	78	6180	6350	-3.73	19.13	-4.19	21.71
IBEX35 (Set 3, 4 langkah masa, 2-bit)	56	Optimized Real Amplitudes	96	3314	3523	-3.67	14.48	-4.11	16.44

Keputusan menunjukkan bahawa pengoptimum kuantum, dengan ansatz khusus masalah, secara berkesan mengenal pasti strategi pelaburan yang cekap merentasi pelbagai jenis portfolio. Di bawah ini kami merincikan saiz populasi dan bilangan generasi yang dinyatakan dalam kamus optimizer_options. Semua parameter lain ditetapkan kepada nilai lalainya.

Contoh	population_size	num_generations
Portfolio Aset Campuran	90	20
Portfolio Aset Campuran	92	20
Portfolio Derivatif Minyak	120	20
Portfolio IBEX35	40	20

Bilangan generasi ditetapkan kepada 20, kerana nilai ini didapati mencukupi untuk mencapai penumpuan. Selain itu, nilai lalai untuk parameter dalaman pengoptimum dibiarkan tidak berubah, kerana ia secara konsisten memberikan prestasi yang baik dan umumnya disyorkan oleh literatur dan garis panduan pelaksanaan.

Dapatkan Sokongan

Jika anda memerlukan bantuan, anda boleh menghantar e-mel ke qpo.support@globaldataquantum.com. Dalam mesej anda, sertakan ID kerja fungsi.

Langkah Seterusnya

Cadangan

• Baca kertas kajian berkaitan.
• Minta akses kepada fungsi dengan mengisi borang ini.
• Cuba tutorial Pengoptimuman Portfolio Dinamik.