Квантовый отжиг в оптимизации портфеля: практика

В портфельном управлении есть неприятная правда: самое сложное — не «посчитать доходность», а быстро и дисциплинированно принять решение при ограничениях. Лимиты по риску, запреты на отдельные бумаги, требования к диверсификации, пороги ликвидности, периодическая ребалансировка — всё это превращает «красивую» оптимизацию в задачу, где даже хороший ИИ легко упирается в комбинаторный взрыв.

Именно поэтому работа End-to-End Portfolio Optimization with Quantum Annealing (версия от 17.12.2025) интересна не лозунгами про «квантовое превосходство», а подходом «как собрать рабочий конвейер» — от отбора активов до весов и квартальной ребалансировки. В контексте нашей серии «Искусственный интеллект в финансовых инвестициях» это важный мост: ИИ в инвестициях давно стал системой из модулей, а квантовый отжиг — потенциально полезным ускорителем для самой болезненной части: дискретного выбора активов.

Почему «выбор активов» ломает классическую оптимизацию

Ключевая проблема: распределение весов — обычно выпуклая задача, а выбор набора бумаг — чаще всего дискретная и трудная. Если вы уже выбрали список активов, классическая mean-variance оптимизация (Марковиц), ограничения по весам и даже максимизация Шарпа хорошо решаются методами выпуклой оптимизации. Но до этого надо решить: какие именно бумаги включать?

Комбинаторика на практике

Если у вас 200 акций в «вселенной» и вы хотите выбрать 30, число комбинаций астрономическое. В реальной жизни управляющие часто делают так:

• предварительно фильтруют бумаги по ликвидности/капитализации;
• оставляют «кандидатный пул»;
• применяют эвристики (greedy), регуляризацию, кластеризацию, риск-паритет;
• иногда — ручной «комитетный» отбор.

Это работает, но оставляет пространство для улучшений: хочется автоматизировать выбор активов так, чтобы он учитывал риск и диверсификацию сразу, а не постфактум. В статье авторы как раз строят pipeline, где дискретный отбор решается через QUBO/CQM и гибридный квантовый отжиг, а распределение весов — классикой.

Что предложили авторы: end-to-end конвейер (и почему это важно)

Суть подхода: «квантово-ассистированный отбор + классическое распределение весов + регулярная ребалансировка». Это не попытка заменить управление портфелем «одним квантовым нажатием кнопки», а попытка собрать воспроизводимую схему, близкую к реальному продакшену.

Pipeline состоит из четырёх блоков:

1. Непрерывная постановка: mean-variance и/или оптимизация по Sharpe ratio как целевая логика качества портфеля.
2. Дискретный отбор активов: задача выбора бумаг переводится в формат QUBO/CQM и отправляется в гибридный решатель квантового отжига (D-Wave hybrid).
3. Классическая оптимизация весов: после выбора набора активов веса считаются методами выпуклой оптимизации.
4. Квартальная ребалансировка: стратегия не «пересчитывается каждый тик», а живёт в управленческом ритме, понятном инвестору.

Мне нравится этот прагматизм. Большинство обсуждений «квантов в финансах» застревает на игрушечных задачах. Здесь акцент другой: как состыковать модули так, чтобы оно вообще могло работать на данных рынка.

QUBO/CQM простыми словами: как портфель превращают в задачу для отжига

QUBO (Quadratic Unconstrained Binary Optimization) — это задача, где переменные бинарные (0/1), а функция цели — квадратичная. CQM (Constrained Quadratic Model) позволяет явно задавать ограничения. Для портфеля это естественно: переменная x_i = 1, если актив включён, и 0, если нет.

Какие ограничения удобно кодировать бинарно

В реальной инвестиционной политике часто встречаются ограничения, которые «родные» для дискретной модели:

• ровно K активов в портфеле;
• не более m активов из одного сектора;
• исключить бумаги из списка (ESG/санкционные/внутренние ограничения);
• минимальная диверсификация по факторам;
• ограничение на концентрацию (на уровне выбора, до весов).

Именно здесь ИИ-подходы тоже часто страдают: модель предсказывает доходность, но не умеет выбирать набор с учётом жёстких бизнес-ограничений. QUBO/CQM заставляет учитывать ограничения «внутри оптимизации», а не в конце.

Почему именно гибридный квантовый отжиг

Авторы используют гибридный решатель: часть работы делает квантовый отжиг, часть — классические эвристики. Это честный компромисс текущего поколения железа:

• квантовый модуль помогает исследовать пространство решений;
• классический модуль стабилизирует качество и масштабируемость;
• ограничения «встраиваются» в модель, а не обходятся вручную.

Важная деталь из статьи: они не заявляют о «квантовом преимуществе», а оценивают встраиваемость в реальный финансовый workflow и поведение решателя по мере роста задачи.

Где здесь ИИ — и как квантовый отжиг дополняет, а не конкурирует

ИИ в инвестициях почти всегда модульный: прогноз/скоринг → оптимизация → контроль рисков → ребалансировка → мониторинг. Квантовый отжиг логично поставить в модуль оптимизации, но только там, где есть дискретика.

Практичная архитектура «ИИ + квантовый отжиг»

Рабочая схема для управляющей команды может выглядеть так:

1. ИИ-модель (или ансамбль) даёт ожидания по доходности/риску/вероятности просадки:
   • прогнозируемые доходности μ;
   • ковариационная матрица (часто через shrinkage или факторную модель);
   • сценарные стресс-оценки.
2. QUBO/CQM решает кого брать:
   • выбираем K активов,
   • учитываем ограничения по секторам/факторам,
   • штрафуем за коррелированность/концентрацию.
3. Классический оптимизатор решает сколько купить:
   • bounds на веса,
   • контроль волатильности,
   • максимизация Шарпа или минимизация риска при целевой доходности.
4. Risk & monitoring:
   • контроль лимитов,
   • алерты по отклонению от профиля риска,
   • «тормоза» на ребалансировку при высокой волатильности.

Сильная сторона такой архитектуры: ИИ отвечает за качество сигналов, а оптимизация — за дисциплину исполнения под ограничения.

Что показали эксперименты и что из этого реально следует инвестору

Авторы сравнивают свой гибридный pipeline с управляющим фондом в режиме реального времени и индексами, используемыми на индийском рынке. Их вывод прагматичный: можно строить диверсифицированные портфели и получать конкурентные результаты на умеренных размерах задач.

Это формулировка без фанфар, и она мне кажется правильной. Для читателя важнее другое: успех здесь — не «квант победил рынок», а что система end-to-end вообще жизнеспособна.

Ограничения, которые нельзя игнорировать

Статья честно подсвечивает ограничения текущих подходов:

• умеренный размер портфелей из‑за ограничений железа и сложности embedding;
• зависимость от того, как сформулированы штрафы и ограничения в QUBO/CQM;
• чувствительность к данным ковариации (как и у классической mean-variance).

Если вы управляете капиталом (или строите продукт), вывод такой: квантовый отжиг сегодня — не замена всему, а усилитель для узкого места: дискретного выбора при сложных ограничениях.

Как применить идеи статьи в 2026 году: чек-лист для команды

Самый быстрый путь к пользе — не покупать «квантовую магию», а перепроектировать постановку задачи. Вот что я бы сделал, если цель — внедрение в инвестиционный процесс.

1) Сформируйте «вселенную» и правила, а не только модель

Запишите ограничения так, как они реально живут в компании:

• сколько активов в портфеле (K);
• минимальная доля ликвидных бумаг;
• лимиты по секторам/странам/валютам;
• стоп-листы;
• частота ребалансировки (в статье — квартальная).

Это скучная часть, но без неё любая оптимизация превращается в презентацию.

2) Разделите задачу на выбор и распределение

Практически всегда разумно:

• дискретика (выбор) → QUBO/CQM/эвристики;
• веса → выпуклая оптимизация.

Даже если вы не используете квантовый отжиг, такое разделение улучшает управляемость и объяснимость.

3) Подготовьте метрики, которые «видит бизнес»

Кроме доходности, заранее закрепите:

• волатильность и максимальную просадку;
• turnover (стоимость ребалансировок);
• концентрацию (Herfindahl, доля топ-5);
• стабильность состава (как часто меняется набор активов).

Квантовый/ИИ модуль, который делает красивую доходность ценой 300% turnover, в реальной эксплуатации быстро отключат.

4) План масштабирования: «сначала 30–50 активов, потом больше»

Текущая реальность такова: масштабирование упирается в постановку и ресурсы решателя. Логичный план:

1. пилот на 30–50 активов,
2. затем расширение пула кандидатов,
3. параллельно — тест альтернатив: factor models, кластеризация, предфильтры.

Частые вопросы, которые задают про квантовую оптимизацию портфеля

Это заменит классические методы оптимизации портфеля?

Нет. Классика отлично считает веса, особенно при хороших ограничениях и устойчивой оценке ковариации. Квантовый отжиг полезнее там, где нужно выбрать набор активов под сложные ограничения.

Это уже даёт преимущество по доходности?

Статья не обещает «квантовый альфа-станок». И это плюс. Реалистичная цель на 2026 год — сопоставимые результаты при более дисциплинированном учёте ограничений и более быстром поиске составов.

Что важнее: квантовый решатель или качество данных?

В портфелях почти всегда побеждает качество входов:

• устойчивые оценки ковариации,
• корректные ограничения,
• адекватные ожидания доходности. Квантовый модуль не спасёт плохие данные, но может быстрее находить компромиссы, когда данные хорошие, а ограничений много.

Что дальше: квантовый отжиг как «ускоритель» для ИИ-инвестиций

Квантовый отжиг в оптимизации портфеля — это не история про чудо, а про инженерный подход: как заставить сложную дискретную оптимизацию работать рядом с ИИ-моделями и риск-контролем. Работа 17.12.2025 ценна именно этим: она показывает сквозной процесс и честно описывает, где он упирается в ограничения текущего поколения устройств.

Если вы строите стратегию или продукт в логике «Искусственный интеллект в финансовых инвестициях», следующий шаг простой: оцифруйте ограничения, разделите выбор и распределение, а затем тестируйте — где квантово-ассистированный отбор даёт выигрыш по скорости, стабильности состава или качеству диверсификации.

А теперь вопрос, который я бы задал вашей команде: какая часть вашего портфельного процесса сегодня самая дорогая — прогноз, контроль рисков или именно выбор активов под ограничения? Если третье — квантовый отжиг уже пора рассматривать не как новинку, а как инструмент в наборе.