迈向金融领域的量子实用性：一种用于资产聚类的鲁棒数据驱动算法
基于收益率相关性对金融资产进行聚类是投资组合优化和统计套利中的一项基础任务。然而，传统聚类方法在处理带符号相关性结构时往往存在不足，通常需要采用有损变换和启发式假设（例如固定聚类数量）。该工作应用基于图的联盟结构生成算法（GCS-Q），无需依赖此类变换即可直接对带符号加权图进行聚类。GCS-Q将每个划分步骤构建为二次无约束二值优化问题（QUBO），从而能够利用量子退火技术高效探索指数级增长的解空间。研究人员在合成金融数据和真实金融数据上验证了该方法的有效性，并与SPONGE、k-Medoids等最先进的经典算法进行对比。实验结果表明，通过调整兰德指数和结构平衡惩罚指标衡量，GCS-Q在动态确定聚类数量的同时，始终能获得更优的聚类质量。这些发现凸显了近期量子计算在金融领域基于图结构的无监督学习中的实用价值。
