基于QAOA的“在量子退火器上使用图算法进行投资组合资产识别”的扩展
此存储库附带了我分析论文的学术报告：
“在量子退火器上使用图算法进行投资组合资产识别”\ *安加德·卡拉、费萨尔·库雷希和迈克尔·蒂西。*
虽然最初的论文采用量子退火（通过D-Wave的量子退火仪2000Q）来编码金融图问题，如 *最大Clique和最大独立集问题（MISP）*, *最大图形着色问题* 和 *结构平衡投资组合（SBP）* 在QUBO和Ising公式中，该项目提出了一种替代方法：使用 量子近似优化算法（QAOA）.
______________________________________________________________________
概述
最初的工作展示了如何将投资组合资产识别公式化为图优化问题，然后将其编码为QUBO/Ising模型。 通过将这种结构编码到QUBO模型中，他们利用量子退火器来识别最优、相关性最小的资产子集。
我的项目以这一概念为基础：
- 重建 基于图形的QUBO公式 如论文所述。
- 将模型转化为 伊辛哈密顿 适用于 QAOA.
- 使用以下工具实施QAOA PennyLane状态向量模拟器 和 Adam 优化器 用于经典参数优化。
- 将观察到的行为与量子退火结果的预期进行比较。
- 通过使用Lovain聚类来提高可扩展性。
这项工作旨在利用QAOA作为基于硬件的量子退火器的可访问替代方案来解决QUBO/Ising模型。
工具和框架
使用的库：PennyLane、NumPy、NetworkX、yfinance和matplotlib（请参阅Requirement.txt）。
数据集：资产数据是通过融资获得的；本次分析选择的资产为\[APL、MSFT、NVDA、JPM、MA、XOM、JNJ、PG、KO、CAT、META、DUK\]。
方法论
请参阅 *项目报告* 了解详情。
结果和未来研究
较小的12节点图所取得的结果令人满意。由于缺乏计算资源，将节点数量增加到25个被证明是具有挑战性的。使用图聚类算法对节点数量进行划分，得到了令人满意的结果。然而，当图及其边密度增加时，仅靠简单的图聚类是不够的。研究这个问题的解决方案应该是未来研究的一部分。