前言
提示:包含pyQUBO用法:
最近MathorCup2023的A题刚好是投资组合的QUBO建模,刚好有篇日文文章是讲这个的,直接翻译过来。供大家参考。【因为还没有获得作者同意,暂且没有把文章设置为翻译,之后会设置成翻译,或者再加一下自己的东西变成原创。】
《量子アニーリングを用いたポートフォリオ最適化 – 量子アニーリングソリューションコンテスト》
https://qard.is.tohoku.ac.jp/T-Wave/?p=1987
一、什么是投资组合优化?
- 什么是投资组合优化?
投资组合优化是在考虑风险和收益的情况下寻找资产(投资组合)的最佳组合。投资组合优化有多种理论,但这次我们基于现代投资组合理论进行投资组合优化。
- 什么是现代投资组合理论?
这是对现代投资组合理论(又名现代投资理论)的描述。
它基于美国哈里·马科维茨于 1950 年代建立的多元化投资理论。为了在资产管理中期望一定的回报同时抑制价格波动风险,将大量股票和多种资产分散投资为一个投资组合是有效的。除了价格波动风险及其包含率外,它由表示任何两个问题之间价格变动的连贯性的相关系数决定。他因在投资理论方面的开创性工作而获得 1990 年诺贝尔经济学奖。
然而,该理论建立在不切实际的假设之上,例如假设股票的价格波动风险从过去到未来都不会发生变化。为此,2008年雷曼震荡后,众多金融资产之间的相关系数增加,同时价格波动的风险也增加,也有人指出该理论的局限性,认为有局限性。
二、投资组合优化建模
1. 目标函数:回报
最大化回报和最小化风险(协方差)被视为最佳投资组合措施。
代表收益回报的目标函数如下:
2.约束函数:风险
3.最终优化目标函数
上面两个函数相加就是最终优化的目标函数。
系数A应根据重点是最大化回报还是最小化风险来调整。
三、基于PyQUBO实现
1. 获取数据
首先,使用pandas_datareader 从yahoo finance 获取股价数据。
这一次,我们将使用具有代表性的美国股票指数 DOW30 指数中包含的 30 只股票的 2018 年数据来优化投资组合。
import pandas_datareader.data as web
import datetime
start = datetime.datetime(2018, 1, 2)
end = datetime.datetime(2018, 12, 31)
DOW30 = ['AAPL','AMGN','AXP','BA','CAT','CRM','CSCO','CVX','DIS','GS','HD','HON', 'IBM','INTC','JNJ','JPM','KO','MCD','MMM','MRK','MSFT','NKE', 'PG','TRV','UNH','V','VZ','WBA','WMT']
stockcodes = DOW30+DOW30
data = web.DataReader(DOW30, 'yahoo', start, end)
df_price_DOW30 = data['Adj Close']
2. 数据处理
从前面得到的股价数据中,求出每只股票每天的几何平均收益和协方差矩阵。
- 补充(什么是几何平均数?)
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats.mstats import gmean
df_price0 = pd.merge(df_price, df_price, on='Date')
rates = []
for sc in stockcodes:
df = df_price.loc[:,sc]
return_rate = np.zeros(len(df.values))
for k in range(len(df.values)-1):
return_rate[k+1] = (df[k+1] - df[k])/df[k]
rates.append(return_rate)
N = len(stockcodes)
list_price_start = np.zeros(N)
for n in range(N):
list_price_start[n] = df_price.loc['2018-01-02',stockcodes][n]
list_price_end = np.zeros(N)
for n in range(N):
list_price_end[n] = df_price.loc['2018-12-31',stockcodes][n]
#求几何平均w1
for k in range(N):
for n in range(len(rates[1])):
rates[k][n] = rates[k][n]+1
w_1 = np.zeros(N)
for k in range(N):
w_1[k] = gmean(rates[k])
w = np.zeros(N)
for n in range(N):
w[n] = w_1[n]-1
for k in range(N):
for n in range(len(rates[1])):
rates[k][n] = rates[k][n]-1
3. 目标函数PyQUBO实现
根据之前获得的每只股票的每日几何平均收益和协方差矩阵,准备使用 PyQUBO 进行优化的目标函数。
from pyqubo import Array, Constraint, Placeholder, solve_qubo
x = Array.create('x', shape=N, vartype='BINARY')# 二值变量
K = 1000 #投资额
constr = (((np.dot(x,list_price_start))-0.9*K)/10)**2 #预算约束
#回报部分的目标函数
cost = 0
for i in range(N):
cost = cost - w[i]*x[i]
#风险部分的约束函数
cost2 = 0
for i in range(N):
for j in range(N):
cost2 = cost2 +x[i]*x[j]*np.sum((rates[i]-w[i])*(rates[j]-w[j]))/len(rates[i])
#整体的目标函数
cost_func = 2*cost + cost2 + Placeholder('a')*Constraint(constr, label='Kconstr')
model = cost_func.compile()
max_coeff = np.max(abs(w))
#调整约束强度
feed_dict = {'a': 17.0*max_coeff}
qubo, offset = model.to_qubo(feed_dict=feed_dict)
4. OpenJij实施优化
这一次,我们将使用 SQA(模拟量子退火)库 OpenJij 来执行优化。
from openjij import SQASampler
sampler = SQASampler(num_sweeps=3000)
R = 300
sampleset = sampler.sample_qubo(qubo,num_reads=R)
print(sampleset.record)
最终原文还有很多可视化分析,大家用Google翻译,边翻边看吧。文章来源:https://www.toymoban.com/news/detail-435768.html
总结
- 成本最低的投资组合并未显示出稳定的结果,但频率评估的投资组合始终优于 Dow30指数。
- 即使应用于不同年份的数据,频率评级的投资组合也匹配或优于Dow30 指数。
- 当应用于另一年的数据时,它很少被 Dow30Index 显着击败。
这个文章整体比较简单,主要是给大家提供个PyQUBO的例子。文章来源地址https://www.toymoban.com/news/detail-435768.html
到了这里,关于量子退火Python实战(3):投资组合优化(Portfolio) MathorCup2023特供PyQUBO教程的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!