Lumaktaw sa pangunahing nilalaman

Quantum Portfolio Optimizer: Isang Qiskit Function ng Global Data Quantum

tala

Ang mga Qiskit Function ay isang eksperimental na feature na available lamang sa mga gumagamit ng IBM Quantum® Premium Plan, Flex Plan, at On-Prem (sa pamamagitan ng IBM Quantum Platform API) Plan. Nasa preview release status ang mga ito at maaaring magbago.

Pangkalahatang-ideya

Ang Quantum Portfolio Optimizer ay isang Qiskit Function na tumutugon sa dynamic portfolio optimization na problema — isang karaniwang problema sa pananalapi na naglalayong muling i-balance ang mga pana-panahong pamumuhunan sa iba't ibang asset upang mapakinabangan ang kita at mabawasan ang panganib. Sa pamamagitan ng paggamit ng pinakabagong mga teknik sa quantum optimization, pinapasimple ng function na ito ang proseso para makinabang ang mga gumagamit — kahit walang kaalaman sa quantum computing — mula sa mga kalamangan nito sa paghanap ng pinakamainam na mga trajectory ng pamumuhunan. Perpekto para sa mga portfolio manager, mananaliksik sa quantitative finance, at mga indibidwal na mamumuhunan, pinapahintulutan ng tool na ito ang back-testing ng mga trading strategy sa portfolio optimization.

Paglalarawan ng function

Ginagamit ng Quantum Portfolio Optimizer function ang Variational Quantum Eigensolver (VQE) algorithm para malutas ng Quadratic Unconstrained Binary Optimization (QUBO) na problema, na tumutugon sa mga dynamic portfolio optimization na problema. Kailangan lamang ng mga gumagamit na ibigay ang datos ng presyo ng asset at tukuyin ang constraint ng pamumuhunan, pagkatapos ay pinapatakbo ng function ang proseso ng quantum optimization na nagbabalik ng isang set ng mga na-optimize na trajectory ng pamumuhunan.

Ang proseso ay binubuo ng apat na pangunahing yugto. Una, ang input data ay imi-map sa isang quantum-compatible na problema, itinatayo ang QUBO ng dynamic portfolio optimization na problema, at binabago ito sa isang quantum operator (Ising Hamiltonian). Susunod, ang input na problema at ang VQE algorithm ay ina-adapt para patakbuhin sa quantum hardware. Pagkatapos ay pinapatakbo ang VQE algorithm sa quantum hardware, at sa wakas, ang mga resulta ay pinoproseso upang maibigay ang pinakamainam na mga trajectory ng pamumuhunan. Kasama rin sa sistema ang isang noise-aware (SQD-based) na post-processing upang mapakinabangan ang kalidad ng output.

Ang Qiskit Function na ito ay batay sa nailathala na manuskrito ng Global Data Quantum. Visualization ng workflow ng function

Input

Ang mga input argument ng function ay inilalarawan sa sumusunod na talahanayan. Ang datos ng mga asset at iba pang mga detalye ng problema ay dapat ibigay; bukod pa rito, maaaring isama ang mga setting ng VQE para i-customize ang proseso ng optimization.

PangalanUriPaglalarawanKinakailanganDefaultHalimbawa
assetsjsonDictionary na may mga presyo ng assetOo--
qubo_settingsjsonMga setting ng QUBOOo-Tingnan ang mga halimbawa sa talahanayan sa ibaba
ansatz_settingsjsonMga setting ng ansatzHindiNoneTingnan ang mga halimbawa sa talahanayan sa ibaba.
optimizer_settingsjsonMga setting ng optimizerHindiNoneTingnan ang mga halimbawa sa talahanayan sa ibaba.
backendstrPangalan ng QPU backendHindi-"ibm_torino"
previous_session_idlist of strListahan ng mga session ID para makuha ang datos mula sa mga nakaraang run(*)HindiWalang laman na listahan["session_id_1", "session_id_2"]
apply_postprocessboolMag-apply ng noise-aware SQD post-processingHindiTrueTrue
tagslist of stringsListahan ng mga tag para makilala ang eksperimentoHindiWalang laman na listahan["optimization", "quantum_computing"]

Para i-resume ang isang eksekusyon o makuha ang mga job na naproseso sa isa o higit pang mga nakaraang session, ang listahan ng mga session ID ay dapat ipasa sa parameter na previous_session_id. Ito ay lalo na kapaki-pakinabang sa mga kaso kung saan ang isang optimization task ay hindi nakumpleto dahil sa anumang error sa proseso, at kailangang tapusin ang eksekusyon. Para magawa ito, dapat mong ibigay ang parehong mga argumento na ginamit sa paunang eksekusyon, kasama ang listahan ng previous_session_id tulad ng inilarawan.

Babala

Ang pag-load ng datos para sa mga nakaraang session (para sa pag-resume ng optimization) ay maaaring tumagal ng hanggang isang oras.

assets​

Ang datos ay dapat nakastruktura bilang isang JSON object na nag-iimbak ng impormasyon tungkol sa mga closing price ng mga financial asset sa mga partikular na petsa. Ang format ay ang sumusunod:

  • Pangunahing key (string): Ang pangalan o ticker symbol ng financial asset (halimbawa, "8801.T").
  • Pangalawang key (string): Ang petsa sa format na YYYY-MM-DD.
  • Value (number): Ang closing price ng asset sa tinukoy na petsa. Maaaring ipasok ang mga presyo nang normalized o hindi-normalized.

Pansinin na ang lahat ng dictionary ay dapat may parehong pangalawang key (mga petsa). Kung ang isang partikular na asset ay walang petsa na mayroon ang iba, ang datos ay dapat punan upang masiguro ang konsistensya. Halimbawa, maaari itong gawin sa pamamagitan ng paggamit ng huling na-track na closing price ng asset na iyon.

Halimbawa​

{
    "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,
        ...
    },
    ...
}
Tandaan

Ang datos ng asset ay dapat maglaman, kahit man lang, ng mga closing price sa (nt+1) * dt (tingnan ang seksyon ng input na qubo_settings) na mga time stamp (halimbawa, mga araw).

qubo_settings​

Inilalarawan ng susunod na talahanayan ang mga key ng dictionary na qubo_settings. Itayo ang dictionary sa pamamagitan ng pagtukoy ng bilang ng mga time step na nt, ng bilang ng resolution qubit na nq, at ng max_investment — o baguhin ang iba pang default na halaga.

PangalanUriPaglalarawanKinakailanganDefaultHalimbawa
ntintBilang ng mga time stepOo-4
nqintBilang ng mga resolution qubitOo-4
max_investmentfloatPinakamataas na bilang ng mga invested currency unit sa lahat ng assetOo-10
dt*intTime window na isinasaalang-alang sa bawat time step. Ang unit ay tumutugma sa mga time interval sa pagitan ng mga key sa datos ng assetHindi30-
risk_aversionfloatCoefficient ng risk aversionHindi1000-
transaction_feefloatCoefficient ng transaction feeHindi0.01-
restriction_coefffloatLagrange multiplier na ginagamit upang ipatupad ang constraint ng problema sa loob ng QUBO formulationHindi1-

ansatz_settings​

Para baguhin ang mga default na opsyon, lumikha ng dictionary para sa parameter na ansatz_settings gamit ang mga sumusunod na key. Bilang default, ang ansatz ay nakatakda sa "real_amplitudes", at ang parehong mga karagdagang opsyon (tingnan ang sumusunod na talahanayan) ay nakatakda sa False.

PangalanUriPaglalarawanKinakailanganDefault
ansatz*strAnsatz na gagamitinHindi"real_amplitudes"
multiple_passmanager**boolNagpapagana ng multiple passmanager subroutine (hindi available para sa Tailored ansatz)HindiFalse
dd_enableboolNagdaragdag ng dynamical decouplingHindiFalse

* Mga available na ansatz

  • real_amplitudes
  • cyclic
  • optimized_real_amplitudes
  • tailored (Para lamang sa ibm_torino backend, 7 asset, 4 time step, at 4 resolution qubit)

** Kung ang multiple_passmanager ay nakatakda sa False, ginagamit ng function ang default na Qiskit pass manager na may optimization_level=3. Kung nakatakda sa True, inihahambing ng multiple_passmanager subroutine ang tatlong pass manager: ang nakaraang default na Qiskit pass manager, isang pass manager na nagma-map ng mga qubit sa QPU first neighbors chain, at ang mga serbisyo ng AI transpiler. Pagkatapos, ang pass manager na may tinatantyang mas mababang cumulative error ay napipili.

optimizer_settings​

Ang parameter na ito ay isang dictionary na may ilang nababagong opsyon ng proseso ng pag-optimize.

PangalanUriPaglalarawanKinakailanganDefault
primitive_optionsjsonMga setting ng primitiveHindi-
optimizerstrNapiling classical optimizerHindi"differential_evolution"
optimizer_optionsjsonKonfigurasyong ng optimizerHindi-
Tandaan

Sa kasalukuyan, ang tanging available na opsyon ng optimizer ay ang "differential_evolution".

Sa ilalim ng mga key na primitive_options at optimizer_options, nagtatakda tayo ng mga dictionary na may mga sumusunod na parameter:

primitive_options​

PangalanUriPaglalarawanKinakailanganDefaultHalimbawa
sampler_shotsintBilang ng mga shot ng Sampler.Hindi100000-
estimator_shotsintBilang ng mga shot ng Estimator.Hindi25000-
estimator_precisionfloatNais na katumpakan ng expected value. Kung tinukoy, ang katumpakan ay gagamitin sa halip na estimator_shots.HindiNone0.015625 · (1 / sqrt(4096))
max_timeint o strPinakamataas na halaga ng oras na maaaring manatiling bukas ang isang runtime session bago puwersa itong isara. Maaaring ibigay sa segundos (int) o bilang string, tulad ng "2h 30m 40s". Dapat na mas mababa sa system-imposed na maximum.HindiNone"1h 15m"

optimizer_options​

PangalanUriPaglalarawanKinakailanganDefault
num_generationsintBilang ng mga henerasyonHindi20
population_sizeintLaki ng populasyonHindi20
mutation_rangelistPinakamataas at pinakamababa na mutation factorHindi[0, 0.25]
recombinationfloatRecombination factorHindi0.4
max_parallel_jobsintPinakamataas na bilang ng mga QPU job na isinasagawa nang sabay-sabayHindi3
max_batchsizeintPinakamataas na laki ng batchHindi200
Tandaan

  • Ang bilang ng mga henerasyong sinusuri ng differential evolution ay num_generations + 1 dahil kasama ang paunang populasyon.

  • Ang kabuuang bilang ng mga circuit ay kinakalkula bilang (num_generations + 1) * population_size.

  • Ang paggamit ng mas malaking laki ng populasyon at mas maraming henerasyon ay karaniwang nagpapabuti ng kalidad ng mga resulta ng optimization. Gayunpaman, hindi inirerekomenda na lumampas sa laki ng populasyong 120 at bilang ng mga henerasyong higit sa 20 (halimbawa, 120 * 21 = 2520 kabuuang circuit), dahil magagawa nitong labis na maramihang circuit, na maaaring mahal sa computationally at matagal na prosesahin.

  • Pinapahintulutan ng function na i-resume ang nakaraang optimization, at lagi itong posible na dagdagan ang bilang ng mga henerasyon (sa pamamagitan ng pagbibigay ng parehong input maliban sa previous_session_id at mas mataas na num_generations).

Tandaan

Tiyaking sumusunod sa mga limitasyon ng Qiskit Runtime job.

  • Sampler: sampler_shots <= 10_000_000.
  • Estimator: max_batchsize * estimator_shots * observable_size <= 10_000_000 (para sa function na ito, lahat ng term ng observable ay nagko-commute, kaya observable_size=1).

Tingnan ang gabay na Mga limitasyon ng Job para sa karagdagang impormasyon.

Output

Ang function ay nagbabalik ng dalawang dictionary: ang dictionary na "result", na naglalaman ng pinakamahusay na mga resulta ng optimization, kasama ang pinakamainam na solusyon at ang pinakamababang objective cost nito; at ang "metadata", na may datos mula sa lahat ng resulta na nakuha sa panahon ng proseso ng optimization, kasama ang kani-kanilang mga sukatan.

Ang unang dictionary ay nakatuon sa pinakamahusay na solusyon, habang ang pangalawa ay nagbibigay ng detalyadong impormasyon tungkol sa lahat ng solusyon, kasama ang mga objective cost at iba pang mga kaugnay na sukatan.

Mga output dictionary:​

PangalanUriPaglalarawanHalimbawa
resultdict[str, dict[str, float]]Naglalaman ng estratehiya ng pamumuhunan sa paglipas ng panahon, kung saan ang bawat time-stamp ay naka-map sa mga investment weight na espesipiko sa asset (ang bawat weight ay ang halaga ng pamumuhunan na normalized sa kabuuang halaga ng pamumuhunan).{'time_1': {'asset_1': 0.2, 'asset_2': 0.3, ...\}, ...\}
metadatadict[str, Any]Datos na nabuo sa panahon ng pagsusuri, kasama ang mga solusyon, gastos, at sukatan.Tingnan ang mga halimbawa sa ibaba

Paglalarawan ng dictionary na metadata​

PangalanUriPaglalarawanHalimbawa
session_idstrNatatanging identifier para sa IBM Quantum session."d0h30qjvpqf00084fgw0"
all_samples_metricsdictDictionary na naglalaman ng iba't ibang sukatan para sa bawat postprocessed sample, tulad ng mga gastos o mga constraint.Tingnan ang paglalarawan sa ibaba
sampler_countsdict[str, int]Dictionary kung saan ang mga key ay bitstring na representasyon ng mga sample na solusyon at ang mga value ay ang kanilang bilang.{"101010": 3, "111000": 1\}
asset_orderlist[str]Listahan na may kaukulang investment order ng mga asset sa bawat time step sa loob ng mga estratehiya sa pamumuhunan.["Asset_0", "Asset_1", "Asset_3"]
QUBOlist[list[float]]QUBO matrix ng problema.[[-6.96e-01, 5.81e-01, -1.26e-02, 0.00e+00], ...]
resource_summarydict[str, dict[str, float]]Buod ng mga oras ng paggamit ng CPU at QPU (sa segundos) sa iba't ibang yugto ng proseso.{'RUNNING: EXECUTING_QPU': {'CPU_TIME': 412.84, 'QPU_TIME': 87.22\}, ...\}

Paglalarawan ng dictionary na all_samples_metrics​

PangalanUriPaglalarawanHalimbawa
investment_trajectorieslist[list]Mga estratehiya sa pamumuhunan na nagmula sa mga na-decode na quantum state.[[1, 2, 2], [1, 2, 1]]

| counts | list[int] | Bilang ng beses na na-sample ang bawat investment trajectory. Ang index ay tumutugma sa investment_trajectories. | [5, 3] | | objective_costs | list[float] | Halaga ng objective function para sa bawat investment trajectory, nakaayos mula sa pinakamababa hanggang pinakamataas. | [0.98, 1.25] | | sharpe_ratios | list[float] | Risk-adjusted na pagganap (Sharpe ratio) para sa bawat investment trajectory. Nakahanay ayon sa index. | [1.1, 0.7] | | returns | list[float] | Inaasahang kita para sa bawat investment trajectory. Nakahanay ayon sa index. | [0.15, 0.10] | | rest_breaches | list[float] | Pinakamataas na paglabag sa constraint sa loob ng bawat investment trajectory. Nakahanay ayon sa index. | [0.0, 0.25] | | transaction_costs | list[float] | Tinatantyang transaction cost na nauugnay sa bawat investment trajectory. Nakahanay ayon sa index. | [0.01, 0.02] |

Magsimula

Mag-authenticate gamit ang iyong API key at piliin ang Qiskit Function tulad ng sumusunod. (Ipinapalagay ng snippet na ito na nai-save mo na ang iyong account sa iyong lokal na kapaligiran.)

from qiskit_ibm_catalog import QiskitFunctionsCatalog

catalog = QiskitFunctionsCatalog(channel="ibm_quantum_platform")

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

Halimbawa: Dynamic portfolio optimization na may pitong asset​

Ipinapakita ng halimbawang ito kung paano isagawa ang dynamic portfolio optimization (DPO) function at i-adjust ang mga setting nito para sa pinakamainam na pagganap. Kasama nito ang mga detalyadong hakbang para i-fine-tune ang mga parameter upang makamit ang mga nais na resulta.

Ang kasong ito ay kinabibilangan ng pitong asset, apat na time step, at apat na resolution qubit, na nagresulta sa kabuuang pangangailangan na 112 qubit.

1. Basahin ang mga asset na kasama sa portfolio.​

Kung ang lahat ng asset sa portfolio ay nakaimbak sa isang folder sa isang partikular na path, maaari mo itong i-load sa isang pandas.DataFrame at i-convert ito sa isang object na may format na dict gamit ang sumusunod na function.

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()

Para sa halimbawang ito, ginamit namin ang mga asset na 8801.T, CLF, GBPJPY, ITX.MC, META, TMBMKDE-10Y, at XS2239553048. Inilalarawan ng sumusunod na figure ang datos na ginamit sa halimbawang ito, na nagpapakita ng ebolusyon ng pang-araw-araw na closing price ng mga asset mula 1 Enero hanggang 1 Setyembre 2023.

Sa halimbawang ito, para matiyak ang pagkakatugma sa iba't ibang petsa, pinuno namin ang mga araw na hindi nagtatrabaho ng closing price mula sa nakaraang available na petsa. Inilalapat namin ang hakbang na ito dahil ang mga napiling asset ay nagmumula sa iba't ibang merkado na may magkakaibang araw ng pangangalakal, na ginagawa itong mahalaga na i-standardize ang dataset para sa konsistensya. Visualization ng makasaysayang datos ng mga asset

2. Tukuyin ang problema.​

Tukuyin ang mga detalye ng problema sa pamamagitan ng pag-configure ng mga parameter sa dictionary na 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. Tukuyin ang mga setting ng optimizer at ansatz. (Opsyonal)​

Opsyonal na tukuyin ang mga tiyak na pangangailangan para sa proseso ng optimization, kasama ang pagpili ng optimizer at mga parameter nito, pati na rin ang pagtukoy ng primitive at mga konfigurasyong nito.

Para sa Tailored Ansatz, ang napiling laki ng populasyon ay batay sa mga nakaraang eksperimento na nagpapakita na ang halagang ito ay nagbubunga ng stable at mahusay na optimization.

Sa kaso ng Real Amplitudes Ansatz, maaari kang sumunod sa linear na relasyon sa pagitan ng population_size at ng bilang ng mga qubit sa circuit. Bilang isang tinatayang rule of thumb, inirerekomenda na gumamit ng minimum na population_size ~ 0.8 * n_qubits para sa real_amplitudes ansatz.

Inaasahang magkakaroon ang Optimized Real Amplitudes ng mas mahusay na optimization performance kaysa sa Real Amplitudes ansatz. Gayunpaman, ang bilang ng mga variable na ino-optimize sa ansatz na ito ay tumataas nang mas mabilis kaysa sa kaso ng Real Amplitudes (tingnan ang manuskrito). Kaya, para sa malalaking problema, ang Optimized Real Amplitudes ay nangangailangan ng mas maraming circuit execution. Ang Optimized Real Amplitudes ay malamang na kapaki-pakinabang para sa mga problemang nangangailangan ng hanggang 100 qubit, ngunit inirerekomenda na maging maingat kapag nagtatakda ng mga parameter na population_size. Bilang halimbawa ng scale-up na ito sa population_size, ang nakaraang talahanayan ay nagpapakita na para sa isang 84-qubit na problema, ang Optimize Real Amplitudes ay nangangailangan ng 120 na population_size, habang para sa isang 56-qubit na problema, sapat na ang population_size na 40.

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,
    },
}

Posible rin na pumili ng isang tiyak na ansatz. Gumagamit ang sumusunod ng ansatz na 'Tailored'.

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

4. Patakbuhin ang problema.​

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. Kunin ang mga resulta.​

Tulad ng nabanggit sa seksyon ng Output, ang function ay nagbabalik ng dictionary na may mga investment trajectory na nakaayos mula sa pinakamababa hanggang pinakamataas ayon sa halaga ng kanilang objective function. Ang set ng mga resulta na ito ay nagbibigay-daan sa pagkilala ng trajectory na may pinakamababang gastos at ang kaukulang mga pagsusuri ng pamumuhunan. Bukod pa rito, nagbibigay ito para sa pagsusuri ng iba't ibang trajectory, na nagpapadali sa pagpili ng mga pinaka-angkop sa mga tiyak na pangangailangan o layunin. Tinitiyak ng flexibility na ito na ang mga pagpipilian ay maaaring iayon upang tumugon sa iba't ibang kagustuhan o sitwasyon. Simulan sa pamamagitan ng pagpapakita ng resultang estratehiya na nakamit ang pinakamababang objective cost na natagpuan sa proseso.

# 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}}

Pagkatapos, gamit ang metadata, maaari kang ma-access ang mga resulta ng lahat ng mga na-sample na estratehiya. Maaari mong pag-aralan pa ang mga alternatibong trajectory na ibinalik ng optimizer. Para gawin ito, basahin ang dictionary na nakaimbak sa dpo_result['metadata']['all_samples_metrics'], na naglalaman hindi lamang ng karagdagang impormasyon tungkol sa pinakamainam na estratehiya, kundi pati na rin ang mga detalye ng iba pang mga kandidatong estratehiya na sinuri sa panahon ng optimization.

Ang sumusunod na halimbawa ay nagpapakita kung paano basahin ang impormasyong ito gamit ang pandas upang kunin ang mga pangunahing sukatan na nauugnay sa pinakamainam na estratehiya. Kasama dito ang Restriction Deviation, Sharpe Ratio, at ang kaukulang investment return.

# 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. Pagsusuri ng pagganap​

Sa huli, suriin ang pagganap ng iyong optimization application. Lalo na, ikumpara ang iyong mga resulta, na nakuha sa nakaraang halimbawa, laban sa isang random baseline para suriin ang bisa ng aming approach. Kung ang quantum algorithm ay hayagang at consistently nagbubunga ng mga resulta na may mas mababang halaga ng gastos, ito ay nagpapahiwatig ng isang epektibong proseso ng optimization.

Ipinapakita ng figure ang mga probability distribution ng mga objective cost. Para makabuo ng mga distribusyong ito, kunin ang listahan ng mga objective cost mula sa resulta ng function at bilangin ang mga pagkakataon ng bawat halaga ng gastos (mga halagang na-round sa pangalawang decimal na lugar). Pagkatapos, i-update ang column ng bilang ayon sa pamamagitan ng pagsasama ng mga bilang ng magkaparehong mga rounded na halaga. Pansinin na, para sa mas mahusay na visual na paghahambing, ang mga bilang ng pagkakataon ay na-normalize upang ang bawat distribusyon ay ipinakita sa pagitan ng 0 at 1. Visualization ng solusyon ng optimization Tulad ng ipinapakita sa figure (asul na solidong linya), ang cost distribution para sa aming Variational Quantum Eigensolver (post-processed gamit ang SQD) na approach ay mabilis na nakakonsentra sa mas mababang mga halaga ng objective cost, na nagpapahiwatig ng magandang optimization performance. Sa kaibahan, ang noisy baseline ay nagpapakita ng mas malawak na distribusyon, nakasentro sa mas mataas na mga halaga ng gastos. Ang gray dashed na patayong linya ay kumakatawan sa mean na halaga ng random na distribusyon, na higit na nagtatampok ng konsistensya ng function sa pagbabalik ng mga na-optimize na estratehiya ng pamumuhunan. Para sa karagdagang paghahambing, ang black dashed na linya sa figure ay tumutugma sa solusyon na nakuha gamit ang Gurobi optimizer (libreng bersyon). Lahat ng mga resultang ito ay higit na sinasaliksik sa mga benchmark sa ibaba para sa halimbawang "Mixed Assets" na sinuri gamit ang "Tailored" ansatz.

Mga Benchmark

Ang function na ito ay nasubok sa iba't ibang konfigurasyong ng mga resolution qubit, ansatz circuit, at mga grupo ng asset mula sa iba't ibang sektor: isang halo ng iba't ibang asset (Set 1), mga oil derivative (Set 2), at IBEX35 (Set 3). Tingnan ang higit pang mga detalye sa sumusunod na talahanayan.

SetPetsaMga Asset
Set 101/01/20238801.T, CL=F, GBPJPY=X, ITX.MC, META, TMBMKDE-10Y, XS2239553048
Set 201/06/2023CL=F, BZ=F, HO=F, NG=F, XOM, RB=F, 2222.SR
Set 301/11/2022ACS.MC, ITX.MC, FER.MC, ELE.MC, SCYR.MC, AENA.MC, AMS.MC

Dalawang pangunahing sukatan ang ginamit upang suriin ang kalidad ng solusyon.

  1. Ang objective cost, na sumusukat ng kahusayan ng optimization sa pamamagitan ng paghahambing ng halaga ng cost function mula sa bawat eksperimento sa mga resulta mula sa Gurobi (libreng bersyon).
  2. Ang Sharpe ratio, na kumukuha ng risk-adjusted na kita ng bawat portfolio, na nagbibigay ng pananaw sa financial performance ng mga solusyon.

Magkasama, ang mga sukatan na ito ay nag-be-benchmark ng parehong computational at financial na aspeto ng mga quantum-generated na portfolio.

HalimbawaQubitAnsatzDepthRuntime Usage (s)Kabuuang paggamit (s)Objective costSharpeGurobi objective costGurobi Sharpe
Mixed Assets (Set 1, 4 time step, 4-bit)112Tailored831273513095-3.7824.82-4.2524.71
Mixed Assets (Set 1,4 time step, 4 time step, 4-bit)112Real Amplitudes3591173911903-3.3923.64-4.2524.71
Oil Derivatives (Set 2, 4 time step, 3-bit)84Optimized Real Amplitudes7861806350-3.7319.13-4.1921.71
IBEX35 (Set 3, 4 time step, 2-bit)56Optimized Real Amplitudes9633143523-3.6714.48-4.1116.44

Ipinapakita ng mga resulta na ang quantum optimizer, na may mga ansatz na tukoy sa problema, ay epektibong natutukoy ang mga mahusay na estratehiya ng pamumuhunan sa iba't ibang uri ng portfolio. Sa ibaba ay inilarawan namin ang parehong laki ng populasyon at bilang ng mga henerasyon na tinukoy sa dictionary na optimizer_options. Lahat ng iba pang mga parameter ay nakatakda sa kanilang mga default na halaga.

Halimbawapopulation_sizenum_generations
Mixed Assets Portfolio9020
Mixed Assets Portfolio9220
Oil Derivatives Portfolio12020
IBEX35 Portfolio4020

Ang bilang ng mga henerasyon ay nakatakda sa 20, dahil natuklasan na sapat ang halagang ito para maabot ang convergence. Bukod pa rito, ang mga default na halaga para sa mga panloob na parameter ng optimizer ay naiwan nang hindi binabago, dahil patuloy silang nagbibigay ng magandang pagganap at karaniwang inirerekomenda ng literatura at mga alituntunin sa implementasyon.

Kumuha ng suporta

Kung kailangan mo ng tulong, maaari kang magpadala ng email sa qpo.support@globaldataquantum.com. Sa iyong mensahe, ibigay ang function job ID.

Mga susunod na hakbang​

Mga Rekomendasyon