Квантовый отжиг и ИИ: оптимизация портфеля под ключ

19.12.2025 вышла обновлённая версия исследования про end-to-end оптимизацию портфеля с квантовым отжигом — и мне нравится в нём не «магия квантов», а прагматичный подход: авторы честно собирают рабочий конвейер, где квантовая часть решает ровно ту задачу, которая в реальных портфелях чаще всего и тормозит — дискретный выбор активов.

Большинство инвесторов и даже часть алготрейдеров до сих пор мыслят портфель как «подобрать веса». Но в индустрии боль обычно начинается раньше: какие активы вообще включать, сколько их должно быть, как учитывать ограничения, лоты, лимиты по секторам, риск, ликвидность. Вот здесь «классическая» оптимизация упирается в комбинаторику. И именно это исследование показывает: гибридный контур “ИИ/классика + квантовый отжиг + классическая аллокация + ребалансировка” уже можно собрать в практически применимый процесс.

Тема отлично ложится в нашу серию «Искусственный интеллект в финансовых инвестициях»: ИИ хорошо предсказывает и фильтрует, но когда дело доходит до “выбрать набор активов под ограничения”, появляется пространство для квантовых методов. Ниже — разбор, что именно сделали авторы, как это применить к вашим стратегиям, и где у подхода реальные границы.

Почему выбор активов сложнее, чем кажется

Ключевая проблема: оптимизация портфеля — это не только математика про дисперсию и ковариации, это ещё и дискретные решения. Если у вас 300 бумаг и вы хотите выбрать 25, то количество комбинаций — астрономическое. Добавьте ограничения (например, “не больше 20% на отрасль”, “не меньше 10 бумаг”, “исключить низколиквидные”, “ограничить оборот”) — и задача быстро превращается в комбинаторную оптимизацию.

Классические подходы делают одно из трёх:

• упрощают (выбор по фильтру, а потом веса);
• эвристики (генетические алгоритмы, simulated annealing, жадные методы);
• смешанные целочисленные модели (MILP/MIQP), которые часто становятся тяжёлыми при росте размерности.

Квантовый отжиг как раз «заточен» под класс задач типа QUBO (Quadratic Unconstrained Binary Optimization): когда решение — это набор бинарных переменных “включить/не включить”, а функция качества и штрафы — квадратичные.

Сильная формулировка для практики: квантовый отжиг полезен не “для портфелей вообще”, а конкретно для дискретного этапа отбора активов под ограничения.

Что показала работа: end-to-end конвейер без обещаний “квантового превосходства”

Суть результата: авторы собрали воспроизводимый пайплайн, который можно запускать как рабочий процесс управления портфелем.

Он состоит из четырёх звеньев:

1. Непрерывная постановка: mean-variance и Sharpe-ratio как целевые метрики (это важно для понятности риск-доходности и для сравнимости с классикой).
2. Дискретный выбор активов: перевод в QUBO/CQM и решение гибридным квантовым солвером на базе квантового отжига.
3. Классическая оптимизация весов: после выбора состава портфеля веса считаются через выпуклую оптимизацию (быстро, устойчиво, удобно для ограничений).
4. Квартальная ребалансировка: портфель не «замораживается», а обновляется по расписанию.

Мне особенно нравится, что исследование не продаёт сказку “квант всё сделал лучше”. Их тезис проще и честнее: проверить интеграцию и работоспособность в приближённом к реальности цикле.

Почему гибридная схема — это здравый смысл

Ответ простой: квантовый отжиг не обязан решать весь мир. Пусть он решает узкое горлышко — selection. А веса и риск-менеджмент остаются в классической, проверенной выпуклой оптимизации.

Для команды, которая уже делает AI-инвестирование (прогнозы доходностей, факторные модели, риск-модели), такая архитектура выглядит логично:

• ИИ формирует ожидания (returns) и/или фильтры качества;
• квантовый/гибридный модуль выбирает состав;
• классический оптимизатор раскладывает веса;
• ребалансировка и контроль рисков — в production-контуре.

Как квантовый отжиг “встраивается” в AI-инвестирование

Квантовый отжиг не заменяет ИИ, он меняет способ решения комбинаторной части. Это важное различие для бизнеса.

Где в стратегии обычно живёт ИИ

В практических системах ИИ чаще всего используется так:

• прогнозирование доходностей/альфы (кратко- или среднесрочно);
• оценка риска и стресс-сценариев (например, классификация режимов рынка);
• очистка данных, обработка новостей/отчётности, выделение сигналов;
• динамические ограничения (например, исключить бумаги с ухудшением ликвидности).

Но даже с отличной моделью доходности остаётся задача: как собрать портфель, чтобы получить максимально “чистую” альфу без разрыва по риску, корреляциям и концентрации.

Где квантовый отжиг даёт практический эффект

Его естественная зона применения:

• отбор K активов из N (cardinality constraint);
• штрафы за корреляцию/концентрацию;
• ограничения по группам (сектора, страны, стилевые факторы);
• задачи вида “выбрать набор с максимальным ожидаемым Sharpe при ограничениях”.

Если упростить до фразы, которую удобно цитировать:

ИИ отвечает на вопрос “какие активы перспективны”, а квантовый отжиг — “какую комбинацию перспективных активов выбрать, чтобы ограничения не разрушили результат”.

Что это значит для управляющих и частных инвесторов (по-честному)

Практический вывод: квантовая часть сегодня — не про «поставить квантовый компьютер и обогнать рынок», а про ускорение и улучшение качества поиска в сложных пространствах решений.

Авторы тестировали подход в реальном времени и сравнивали его с управляющим и индексами на рынке акций Индии. Они сообщают о конкурентных результатах и адекватной диверсификации. Для нас важнее не география, а метод: pipeline сравним с тем, как реально живут стратегии — с ребалансировкой и с ограничениями вычислительных ресурсов.

Реальные ограничения (и почему это не проблема)

Исследование подчёркивает: размер портфелей ограничен текущими возможностями квантового отжига и сложностью embedding для QUBO. Это звучит как минус, но на практике часто достаточно “умеренных” размерностей:

• многие стратегии всё равно ограничивают вселенную (top-100/200 по ликвидности);
• выбирают 20–50 бумаг, потому что иначе растут транзакционные издержки;
• ребалансируют не чаще, чем раз в месяц/квартал.

То есть квантовый модуль уже сейчас может быть полезен как оптимизатор отбора в середине пайплайна, особенно если у вас много ограничений и вы устали от хрупких эвристик.

Какие метрики стоит требовать в пилоте

Если вы рассматриваете пилот (PoC) для квантово-ассистированного отбора активов, я бы зафиксировал метрики заранее:

1. Стабильность состава (turnover состава и весов) при небольших изменениях входных данных.
2. Выполнимость ограничений (сколько решений нарушают лимиты и на сколько).
3. Качество по out-of-sample: Sharpe/Sortino, max drawdown, hit rate (если уместно).
4. Транзакционные издержки: проскальзывание, комиссии, влияние на turnover.
5. Время оптимизации и предсказуемость (важно для production).

Как собрать “похожий” пайплайн у себя: практическая схема

Ответ первым предложением: начните не с квантов, а с правильной декомпозиции задач на selection и allocation.

Шаг 1. Описать инвестиционную вселенную и ограничения

Список ограничений, которые почти всегда всплывают:

• минимальная/максимальная доля на актив;
• лимиты по секторам/факторам;
• ограничение на число активов (например, ровно 30);
• запрет шортов или контроль gross/net экспозиции;
• ограничение по ликвидности (например, доля от среднедневного объёма).

Шаг 2. Развести “отбор” и “веса”

• Отбор: бинарные переменные, целевая функция с ожидаемой доходностью и штрафами за риск/корреляцию/концентрацию.
• Веса: выпуклая оптимизация (mean-variance, риск-паритет, максимизация Sharpe) уже на выбранном наборе.

Это не только удобно для квантовой постановки. Это ещё и делает систему более объяснимой для риск-комитета.

Шаг 3. Настроить ребалансировку и контроль качества

Квартальная ребалансировка из исследования — хороший базовый ритм для среднесрочных стратегий. В декабре 2025 это особенно актуально: многие фонды в конце года пересматривают экспозиции, фиксируют прибыль/убытки и подчищают риски на новый год. Механизм ребаланса должен учитывать:

• бюджет оборота (turnover cap);
• налоговые/регуляторные нюансы (если применимо);
• “буферные зоны” для весов, чтобы не торговать из-за шума.

Шаг 4. Подключить квантовый солвер как взаимозаменяемый модуль

Даже если вы не используете квантовое железо прямо сейчас, архитектура должна позволять:

• запустить QUBO на классическом эвристическом солвере;
• сравнить с гибридным квантовым;
• одинаково логировать решения и нарушения ограничений.

Так вы избежите ситуации “кванты ради квантов” и получите инженерно корректный эксперимент.

Мини-Q&A: вопросы, которые обычно задают перед внедрением

Квантовый отжиг уже “побеждает” классические методы?

В прикладной постановке правильнее требовать не «победы», а лучшей цены/качества: быстрее получать качественные дискретные решения при сложных ограничениях. Исследование как раз про это — без обещаний абсолютного превосходства.

Это подходит для алгоритмической торговли?

Да, но скорее для портфельного контура (состав/веса/ребаланс), чем для HFT. Для высокочастотных стратегий латентность и микроструктура важнее, чем комбинаторная оптимизация отбора.

Как связать это с ИИ-сигналами?

Очень прямолинейно: прогнозы ИИ превращаются в ожидаемые доходности/скоринги, которые входят в целевую функцию на этапе отбора, а риск-оценки (ковариации, режимы) — в штрафы и ограничения.

Куда всё движется в 2026: что я бы делал уже сейчас

Сильная позиция: квантовый отжиг в инвестициях стоит рассматривать как “ускоритель комбинаторики”, а не как замену портфельной теории или ИИ. Те команды, которые начнут строить гибридные пайплайны сейчас, к 2026 быстрее окажутся в точке, где новый солвер (квантовый или классический) просто подключается как модуль и даёт прирост без переделки всей системы.

Если вы развиваете AI-управление портфелем и хотите понять, где у вас максимум потерь — я почти готов поставить на то, что это:

• дискретные ограничения и ручные “костыли” в отборе;
• нестабильность решений при ребалансе;
• отсутствие единого процесса воспроизводимости.

Квантово-ассистированная оптимизация портфеля здесь выглядит как следующий логичный шаг — не громкий, зато практичный.

Хотите проверить, даст ли квантовый отжиг прирост именно в вашей задаче отбора активов? Опишите вашу вселенную, ограничения и ритм ребаланса — и мы соберём пилотный контур, где качество решения измеряется не словами, а метриками. А вы бы начали с отбора 20–30 бумаг или с более жёстких риск-лимитов?