محسِّن المحفظة الكمية: دالة Qiskit من Global Data Quantum

ملاحظة

دوال Qiskit ميزة تجريبية متاحة فقط لمستخدمي خطط IBM Quantum® Premium Plan وFlex Plan وOn-Prem (عبر IBM Quantum Platform API). وهي في مرحلة إصدار أولي وقابلة للتغيير.

نظرة عامة

محسِّن المحفظة الكمية هو دالة Qiskit تتعامل مع مشكلة تحسين المحفظة الديناميكية، وهي مشكلة معيارية في مجال التمويل تهدف إلى إعادة توازن الاستثمارات الدورية عبر مجموعة من الأصول بما يعظّم العائدات ويقلّل المخاطر. وبالاستعانة بأحدث تقنيات التحسين الكمي، تبسّط هذه الدالة العملية بحيث يتمكن المستخدمون، حتى من ليس لديهم خبرة في الحوسبة الكمية، من الاستفادة من مزاياها في إيجاد مسارات استثمارية مثلى. إنها أداة مثالية لمديري المحافظ والباحثين في مجال التمويل الكمي والمستثمرين الأفراد، إذ تتيح اختبار استراتيجيات التداول في مجال تحسين المحافظ بصورة رجعية.

وصف الدالة

تستخدم دالة محسِّن المحفظة الكمية خوارزمية Variational Quantum Eigensolver (VQE) لحل مشكلة Quadratic Unconstrained Binary Optimization (QUBO)، بما يعالج مشكلات تحسين المحفظة الديناميكية. يكتفي المستخدمون بتوفير بيانات أسعار الأصول وتحديد قيد الاستثمار، ثم تُشغّل الدالة عملية التحسين الكمي التي تُعيد مجموعة من مسارات الاستثمار المثلى.

تتألف العملية من أربع مراحل رئيسية. أولاً، يُحوَّل البيان المُدخَل إلى مشكلة متوافقة مع الحوسبة الكمية بإنشاء QUBO لمشكلة تحسين المحفظة الديناميكية وتحويله إلى عامل كمي (Ising Hamiltonian). بعد ذلك، يُكيَّف البيان المُدخَل وخوارزمية VQE للتشغيل على الأجهزة الكمية. ثم تُشغَّل خوارزمية VQE على الأجهزة الكمية، وأخيراً تُعالَج النتائج لاستخراج مسارات الاستثمار المثلى. يتضمّن النظام أيضاً معالجةً لاحقةً مدركةً للضجيج (مستندةً إلى SQD) بهدف تعظيم جودة المخرجات.

تستند دالة Qiskit هذه إلى المخطوطة المنشورة من قِبَل Global Data Quantum.

المُدخَلات

تصف الجدول التالي حجج الإدخال للدالة. يجب توفير بيانات الأصول ومواصفات المشكلة الأخرى؛ ويمكن بالإضافة إلى ذلك تضمين إعدادات VQE لتخصيص عملية التحسين.

الاسم	النوع	الوصف	مطلوب	الافتراضي	مثال
assets	json	قاموس بأسعار الأصول	نعم	-	-
qubo_settings	json	إعدادات QUBO	نعم	-	انظر الأمثلة في الجدول أدناه
ansatz_settings	json	إعدادات الـ ansatz	لا	None	انظر الأمثلة في الجدول أدناه.
optimizer_settings	json	إعدادات المُحسِّن	لا	None	انظر الأمثلة في الجدول أدناه.
backend	str	اسم Backend وحدة QPU	لا	-	"ibm_torino"
previous_session_id	list of str	قائمة بمعرّفات الجلسات لاسترجاع البيانات من تشغيلات سابقة (*)	لا	قائمة فارغة	["session_id_1", "session_id_2"]
apply_postprocess	bool	تطبيق المعالجة اللاحقة المدركة للضجيج باستخدام SQD	لا	True	True
tags	list of strings	قائمة بالوسوم للتعريف بالتجربة	لا	قائمة فارغة	["optimization", "quantum_computing"]

لاستئناف تنفيذ أو استرداد وظائف جرت معالجتها في جلسة أو أكثر من الجلسات السابقة، يجب تمرير قائمة معرّفات الجلسات في معامل previous_session_id. يفيد هذا بشكل خاص في الحالات التي فشلت فيها مهمة التحسين في الاكتمال بسبب خطأ ما في العملية وكانت هناك حاجة لإنهاء التنفيذ. لتحقيق ذلك، يجب توفير نفس الوسائط المستخدمة في التنفيذ الأولي إلى جانب قائمة previous_session_id كما هو موضح.

تحذير

قد يستغرق تحميل بيانات الجلسات السابقة (لاستئناف عملية التحسين) ما يصل إلى ساعة كاملة.

assets

يجب أن تكون البيانات مُهيكَلة على شكل كائن JSON يحتوي على معلومات حول أسعار إغلاق الأصول المالية في تواريخ محددة. الصيغة كالتالي:

• المفتاح الرئيسي (سلسلة نصية): اسم الأصل المالي أو رمز التداول الخاص به (مثلاً "8801.T").
• المفتاح الثانوي (سلسلة نصية): التاريخ بصيغة YYYY-MM-DD.
• القيمة (رقم): سعر إغلاق الأصل في التاريخ المحدد. يمكن إدخال الأسعار إما مُعيَّرة أو غير مُعيَّرة.

لاحظ أن جميع القواميس يجب أن تشترك في المفتاح الثانوي نفسه (التواريخ). إذا كان أصل معين يفتقر إلى تاريخ موجود لدى الأصول الأخرى، يجب ملء البيانات لضمان الاتساق. يمكن مثلاً القيام بذلك باستخدام آخر سعر إغلاق مُتتبَّع لذلك الأصل.

مثال

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

ملاحظة

يجب أن تحتوي بيانات الأصول على أسعار الإغلاق في (nt+1) * dt على الأقل (انظر قسم إدخال qubo_settings) من الطوابع الزمنية (مثلاً، الأيام).

qubo_settings

يصف الجدول التالي مفاتيح قاموس qubo_settings. أنشئ القاموس بتحديد عدد الخطوات الزمنية nt وعدد Qubit الدقة nq وقيمة max_investment — أو بتغيير القيم الافتراضية الأخرى.

الاسم	النوع	الوصف	مطلوب	الافتراضي	مثال
nt	int	عدد الخطوات الزمنية	نعم	-	4
nq	int	عدد Qubit الدقة	نعم	-	4
max_investment	float	الحد الأقصى لعدد وحدات العملة المستثمرة عبر جميع الأصول	نعم	-	10
dt*	int	النافذة الزمنية المُعتبَرة في كل خطوة زمنية. الوحدة تتطابق مع الفترات الزمنية بين المفاتيح في بيانات الأصول	لا	30	-
risk_aversion	float	معامل النفور من المخاطرة	لا	1000	-
transaction_fee	float	معامل رسوم المعاملة	لا	0.01	-
restriction_coeff	float	مضاعف لاغرانج المستخدم لفرض قيد المشكلة ضمن صياغة QUBO	لا	1	-

ansatz_settings

لتعديل الخيارات الافتراضية، أنشئ قاموساً لمعامل ansatz_settings بالمفاتيح التالية. يُضبَط الـ ansatz افتراضياً على "real_amplitudes"، ويُضبَط كلا الخياران الإضافيان (انظر الجدول التالي) على False.

الاسم	النوع	الوصف	مطلوب	الافتراضي
ansatz*	str	الـ ansatz المراد استخدامه	لا	"real_amplitudes"
multiple_passmanager**	bool	يُمكِّن روتين passmanager المتعدد (غير متاح لـ Tailored ansatz)	لا	False
dd_enable	bool	يضيف Dynamical Decoupling	لا	False

* الـ ansatz المتاحة

• real_amplitudes
• cyclic
• optimized_real_amplitudes
• tailored (متاح فقط لـ ibm_torino backend، و7 أصول، و4 خطوات زمنية، و4 Qubit دقة)

** إذا كان multiple_passmanager مضبوطاً على False، تستخدم الدالة مدير التمرير الافتراضي لـ Qiskit مع optimization_level=3. أما إذا كان مضبوطاً على True، فإن روتين multiple_passmanager يقارن بين ثلاثة مديري تمرير: مدير التمرير الافتراضي السابق لـ Qiskit، ومدير تمرير يُعيِّن الـ Qubit على سلسلة الجيران الأولى لوحدة QPU، وخدمات AI transpiler. ثم يُختار مدير التمرير ذو الخطأ التراكمي المُقدَّر الأدنى.

optimizer_settings

هذا المعامل هو قاموس يحتوي على بعض الخيارات القابلة للضبط في عملية التحسين.

الاسم	النوع	الوصف	مطلوب	الافتراضي
primitive_options	json	إعدادات العنصر الأساسي (primitive)	لا	-
optimizer	str	المُحسِّن الكلاسيكي المختار	لا	"differential_evolution"
optimizer_options	json	تكوين المُحسِّن	لا	-

ملاحظة

حالياً، خيار المُحسِّن الوحيد المتاح هو "differential_evolution".

نضبط تحت مفاتيح primitive_options وoptimizer_options قواميساً بالمعاملات التالية:

primitive_options

الاسم	النوع	الوصف	مطلوب	الافتراضي	مثال
sampler_shots	int	عدد لقطات الـ Sampler.	لا	100000	-
estimator_shots	int	عدد لقطات الـ Estimator.	لا	25000	-
estimator_precision	float	الدقة المطلوبة للقيمة المتوقعة. إذا حُدِّدت، ستُستخدَم الدقة بدلاً من estimator_shots.	لا	None	0.015625 · (1 / sqrt(4096))
max_time	int أو str	الحد الأقصى لوقت بقاء جلسة التشغيل مفتوحة قبل إغلاقها قسراً. يمكن تحديده بالثواني (int) أو كسلسلة نصية مثل "2h 30m 40s". يجب أن يكون أقل من الحد الأقصى المفروض من النظام.	لا	None	"1h 15m"

optimizer_options

الاسم	النوع	الوصف	مطلوب	الافتراضي
num_generations	int	عدد الأجيال	لا	20
population_size	int	حجم المجتمع (population)	لا	20
mutation_range	list	الحد الأقصى والأدنى لمعامل الطفرة	لا	[0, 0.25]
recombination	float	معامل إعادة التركيب	لا	0.4
max_parallel_jobs	int	الحد الأقصى لعدد وظائف QPU المنفَّذة بالتوازي	لا	3
max_batchsize	int	الحد الأقصى لحجم الدُّفعة (batch)	لا	200

ملاحظة

• عدد الأجيال التي يُقيِّمها التطور التفاضلي هو num_generations + 1 لأن المجتمع الأولي مُدرَج ضمنها.

• يُحسَب إجمالي عدد الدوائر بالمعادلة (num_generations + 1) * population_size.

• استخدام حجم مجتمع أكبر وأجيال أكثر يُحسِّن عموماً جودة نتائج التحسين. غير أنه لا يُنصَح بتجاوز حجم مجتمع قدره 120 وعدد أجيال يزيد عن 20 (مثلاً 120 * 21 = 2520 دائرة إجمالية)، إذ سيؤدي ذلك إلى توليد عدد مفرط من الدوائر مما يجعل المعالجة مكلفة حسابياً ومستهلكة للوقت.

• تتيح الدالة استئناف التحسين السابق، ويمكن دائماً زيادة عدد الأجيال (بتوفير نفس المُدخَل باستثناء previous_session_id وزيادة num_generations).

ملاحظة

تأكد من الالتزام بحدود وظائف Qiskit Runtime.

• Sampler: sampler_shots <= 10_000_000.
• Estimator: max_batchsize * estimator_shots * observable_size <= 10_000_000 (في هذه الدالة، جميع حدود الـ observable تتبادل الترتيب، لذا observable_size=1).

راجع دليل حدود الوظائف لمزيد من المعلومات.

المُخرَجات

تُعيد الدالة قاموسَين: قاموس "result" الذي يحتوي على أفضل نتائج التحسين بما في ذلك الحل الأمثل وأدنى تكلفة هدف مرتبطة به؛ وقاموس "metadata" الذي يحتوي على بيانات من جميع النتائج المتحصَّل عليها خلال عملية التحسين إلى جانب مقاييسها المعنية.

يركّز القاموس الأول على الحل الأفضل أداءً، بينما يوفر القاموس الثاني معلومات تفصيلية حول جميع الحلول، بما في ذلك تكاليف الهدف والمقاييس الأخرى ذات الصلة.

قواميس المُخرَجات:

الاسم	النوع	الوصف	مثال
result	dict[str, dict[str, float]]	يحتوي على استراتيجية الاستثمار عبر الزمن، حيث يُعيَّن كل طابع زمني بأوزان الاستثمار الخاصة بكل أصل (كل وزن هو مقدار الاستثمار مُعيَّراً بإجمالي مقدار الاستثمار).	{'time_1': {'asset_1': 0.2, 'asset_2': 0.3, ...\}, ...\}
metadata	dict[str, Any]	البيانات المُولَّدة خلال التحليل، بما في ذلك الحلول والتكاليف والمقاييس.	انظر الأمثلة أدناه

وصف قاموس metadata

الاسم	النوع	الوصف	مثال
session_id	str	معرّف فريد لجلسة IBM Quantum.	"d0h30qjvpqf00084fgw0"
all_samples_metrics	dict	قاموس يحتوي على مقاييس مختلفة لكل عيّنة مُعالَجة لاحقاً، كالتكاليف أو القيود.	انظر الوصف أدناه
sampler_counts	dict[str, int]	قاموس مفاتيحه تمثيلات بتية لحلول مُعيَّنة وقيمه عدد تكراراتها.	{"101010": 3, "111000": 1\}
asset_order	list[str]	قائمة بترتيب الاستثمار المقابل للأصول في كل خطوة زمنية ضمن استراتيجيات الاستثمار.	["Asset_0", "Asset_1", "Asset_3"]
QUBO	list[list[float]]	مصفوفة QUBO للمشكلة.	[[-6.96e-01, 5.81e-01, -1.26e-02, 0.00e+00], ...]
resource_summary	dict[str, dict[str, float]]	ملخّص لأوقات استخدام CPU وQPU (بالثواني) عبر مراحل مختلفة من العملية.	{'RUNNING: EXECUTING_QPU': {'CPU_TIME': 412.84, 'QPU_TIME': 87.22\}, ...\}

وصف قاموس all_samples_metrics

الاسم	النوع	الوصف	مثال
investment_trajectories	list[list]	استراتيجيات الاستثمار المستخرَجة من الحالات الكمية المُفكَّكة.	[[1, 2, 2], [1, 2, 1]]
counts	list[int]	عدد مرات أخذ عيّنة لكل مسار استثماري. يتطابق الفهرس مع investment_trajectories.	[5, 3]
objective_costs	list[float]	قيمة دالة الهدف لكل مسار استثماري، مرتبةً من الأدنى إلى الأعلى.	[0.98, 1.25]
sharpe_ratios	list[float]	الأداء المُعدَّل وفق المخاطرة (نسبة شارب) لكل مسار استثماري. مُوافِق للفهرس.	[1.1, 0.7]
returns	list[float]	العائد المتوقع لكل مسار استثماري. مُوافِق للفهرس.	[0.15, 0.10]
rest_breaches	list[float]	الحد الأقصى لانتهاك القيود ضمن كل مسار استثماري. مُوافِق للفهرس.	[0.0, 0.25]
transaction_costs	list[float]	تكلفة المعاملة التقديرية المرتبطة بكل مسار استثماري. مُوافِق للفهرس.	[0.01, 0.02]

ابدأ

صادق على حسابك باستخدام مفتاح API واختر دالة Qiskit كالتالي. (يفترض هذا المقطع أنك حفظت حسابك في بيئتك المحلية مسبقاً.)

from qiskit_ibm_catalog import QiskitFunctionsCatalog

catalog = QiskitFunctionsCatalog(channel="ibm_quantum_platform")

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

مثال: تحسين المحفظة الاستثمارية الديناميكي مع سبعة أصول

يوضّح هذا المثال كيفية تنفيذ دالة تحسين المحفظة الاستثمارية الديناميكي (DPO) وضبط إعداداتها للحصول على أفضل أداء ممكن. ويتضمّن خطوات تفصيلية لضبط المعاملات بدقة لتحقيق النتائج المطلوبة.

يتناول هذا المثال سبعة أصول، وأربع خطوات زمنية، وأربعة كيوبتات للدقة، مما يستلزم إجمالاً 112 كيوبت.

1. قراءة الأصول المُدرجة في المحفظة.

إذا كانت جميع أصول المحفظة مخزّنة في مجلد ضمن مسار معيّن، يمكنك تحميلها في pandas.DataFrame ثم تحويلها إلى كائن بصيغة dict باستخدام الدالة التالية.

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()

استُخدمت في هذا المثال الأصول التالية: 8801.T، وCLF، وGBPJPY، وITX.MC، وMETA، وTMBMKDE-10Y، وXS2239553048. يوضّح الشكل التالي البيانات المستخدمة في هذا المثال، إذ يعرض تطوّر أسعار إغلاق هذه الأصول اليومية في الفترة من 1 يناير إلى 1 سبتمبر 2023.

في هذا المثال، ولضمان التوحيد عبر التواريخ، ملأنا أيام التداول غير المتاحة بسعر إغلاق آخر تاريخ متاح. اتّخذنا هذه الخطوة لأن الأصول المختارة تنتمي إلى أسواق مختلفة بأيام تداول متباينة، مما يجعل توحيد مجموعة البيانات أمرًا ضروريًا لضمان الاتساق.

2. تعريف المسألة.

حدِّد مواصفات المسألة من خلال ضبط المعاملات في قاموس 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. تعريف إعدادات المُحسِّن والـ Ansatz. (اختياري)

يمكنك اختياريًا تحديد متطلبات خاصة لعملية التحسين، تشمل اختيار المُحسِّن ومعاملاته، فضلاً عن تحديد البدائي وإعداداته.

بالنسبة إلى Tailored Ansatz، استُند في اختيار حجم المجتمع إلى تجارب سابقة أثبتت أن هذه القيمة تُنتج تحسينًا مستقرًا وفعّالًا.

أما في حالة Real Amplitudes Ansatz، يمكنك اتّباع علاقة خطية بين population_size وعدد الكيوبتات في الدائرة. كقاعدة تقريبية، يُنصح باستخدام حد أدنى population_size ~ 0.8 * n_qubits للـ real_amplitudes ansatz.

من المتوقع أن يُحقق Optimized Real Amplitudes أداءً أفضل في التحسين مقارنةً بـ Real Amplitudes ansatz. غير أن عدد المتغيرات المطلوب تحسينها في هذا الـ ansatz يتزايد بوتيرة أسرع بكثير مقارنةً بحالة Real Amplitudes (راجع المخطوطة). لذا، في المسائل الكبيرة، يستلزم Optimized Real Amplitudes تنفيذ دوائر أكثر. ومن المرجّح أن يكون Optimized Real Amplitudes مفيدًا للمسائل التي تتطلب حتى 100 كيوبت، إلا أنه يُوصى بالحذر عند ضبط معاملات population_size. وكمثال على هذا التوسّع في population_size، يتّضح من الجدول السابق أن مسألة من 84 كيوبت تستلزم population_size مقداره 120 في Optimized Real Amplitudes، بينما تكفي قيمة population_size مقدارها 40 لمسألة من 56 كيوبت.

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,
    },
}

يمكن أيضًا اختيار ansatz محدد. يستخدم المثال التالي الـ 'Tailored' ansatz.

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

4. تشغيل المسألة.

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. استرجاع النتائج.

كما أُشير في قسم المخرجات، تُعيد الدالة قاموسًا يحتوي على مسارات الاستثمار مرتّبةً من الأدنى إلى الأعلى وفق قيم دالة الهدف. تتيح هذه المجموعة من النتائج تحديد المسار ذي التكلفة الأدنى وتقييمات الاستثمار المقابلة له. علاوة على ذلك، تُتيح تحليل مسارات مختلفة، مما يُسهّل اختيار تلك التي تتوافق بشكل أفضل مع احتياجات أو أهداف محددة. تضمن هذه المرونة إمكانية تخصيص الاختيارات لتناسب مجموعة متنوعة من التفضيلات أو السيناريوهات. ابدأ بعرض الاستراتيجية الناتجة التي حققت أدنى تكلفة هدف وُجدت خلال العملية.

# 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}}

بعد ذلك، باستخدام البيانات الوصفية، يمكنك الوصول إلى نتائج جميع الاستراتيجيات التي جرى أخذ عيّنات منها. ومن ثَمَّ يمكنك تحليل المسارات البديلة التي يُعيدها المُحسِّن بمزيد من التعمّق. للقيام بذلك، اقرأ القاموس المخزَّن في dpo_result['metadata']['all_samples_metrics']، الذي يحتوي ليس فقط على معلومات إضافية حول الاستراتيجية المثلى، بل أيضًا على تفاصيل الاستراتيجيات المرشّحة الأخرى التي جرى تقييمها خلال عملية التحسين.

يوضّح المثال التالي كيفية قراءة هذه المعلومات باستخدام pandas لاستخراج المقاييس الرئيسية المرتبطة بالاستراتيجية المثلى. وتشمل هذه المقاييس: انحراف القيد، ونسبة شارب، وعائد الاستثمار المقابل.

# 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. تحليل الأداء

أخيرًا، حلِّل أداء تطبيق التحسين الخاص بك. تحديدًا، قارن نتائجك المحصّلة في المثال السابق مع خط أساس عشوائي لتقييم فعالية النهج المتّبع. إذا أنتج الخوارزم الكمومي بشكل موثوق ومتسق نتائج بقيم تكلفة أدنى، فهذا يدل على أن عملية التحسين فعّالة.

يعرض الشكل التوزيعات الاحتمالية لتكاليف الهدف. لتوليد هذه التوزيعات، خذ قائمة تكاليف الهدف من نتيجة الدالة وعدّ تكرارات كل قيمة تكلفة (القيم مُقرَّبة إلى منزلتين عشريتين). ثم حدِّث عمود العدد وفقًا لذلك بدمج تكرارات القيم المقرَّبة المتطابقة. لاحظ أنه لتحسين المقارنة البصرية، تم تطبيع أعداد التكرارات بحيث يُعرض كل توزيع بين 0 و1. كما يتضح من الشكل (الخط الأزرق المتصل)، يتركّز توزيع التكلفة لنهجنا القائم على Variational Quantum Eigensolver (المعالَج بعد التنفيذ باستخدام SQD) بشكل حاد عند قيم تكلفة هدف أدنى، مما يدل على أداء تحسيني جيد. في المقابل، يُظهر خط الأساس الضوضائي توزيعًا أوسع يتمحور حول قيم تكلفة أعلى. يمثّل الخط الرمادي المتقطع العمودي متوسط قيمة التوزيع العشوائي، مما يبرز أكثر اتساق الدالة في إعادة استراتيجيات استثمار محسَّنة. وللمزيد من المقارنة، يتوافق الخط الأسود المتقطع في الشكل مع الحل المحصّل بواسطة مُحسِّن Gurobi (النسخة المجانية). تُستكشف جميع هذه النتائج بمزيد من التفصيل في المعايير المرجعية أدناه لمثال "الأصول المختلطة" المُقيَّم باستخدام الـ "Tailored" ansatz.

المعايير المرجعية

جرى اختبار هذه الدالة تحت تكوينات مختلفة من كيوبتات الدقة ودوائر الـ ansatz ومجموعات أصول من قطاعات متنوعة: مزيج من أصول مختلفة (المجموعة 1)، ومشتقات النفط (المجموعة 2)، و IBEX35 (المجموعة 3). راجع مزيدًا من التفاصيل في الجدول التالي.

المجموعة	التاريخ	الأصول
المجموعة 1	01/01/2023	8801.T, CL=F, GBPJPY=X, ITX.MC, META, TMBMKDE-10Y, XS2239553048
المجموعة 2	01/06/2023	CL=F, BZ=F, HO=F, NG=F, XOM, RB=F, 2222.SR
المجموعة 3	01/11/2022	ACS.MC, ITX.MC, FER.MC, ELE.MC, SCYR.MC, AENA.MC, AMS.MC

استُخدم مقياسان رئيسيان لتقييم جودة الحل.

1. تكلفة الهدف، التي تقيس كفاءة التحسين بمقارنة قيمة دالة التكلفة من كل تجربة مع نتائج Gurobi (النسخة المجانية).
2. نسبة شارب، التي تلتقط العائد المعدَّل بالمخاطر لكل محفظة، مما يوفّر رؤية حول الأداء المالي للحلول.

يقيس كلا المقياسين معًا الجوانب الحسابية والمالية للمحافظ المولَّدة كميًا كمعيار مرجعي.

المثال	الكيوبتات	الـ Ansatz	العمق	استخدام وقت التشغيل (ث)	إجمالي الاستخدام (ث)	تكلفة الهدف	شارب	تكلفة هدف Gurobi	شارب Gurobi
أصول مختلطة (المجموعة 1، 4 خطوات زمنية، 4 بت)	112	Tailored	83	12735	13095	-3.78	24.82	-4.25	24.71
أصول مختلطة (المجموعة 1، 4 خطوات زمنية، 4 خطوات زمنية، 4 بت)	112	Real Amplitudes	359	11739	11903	-3.39	23.64	-4.25	24.71
مشتقات النفط (المجموعة 2، 4 خطوات زمنية، 3 بت)	84	Optimized Real Amplitudes	78	6180	6350	-3.73	19.13	-4.19	21.71
IBEX35 (المجموعة 3، 4 خطوات زمنية، 2 بت)	56	Optimized Real Amplitudes	96	3314	3523	-3.67	14.48	-4.11	16.44

تُظهر النتائج أن المُحسِّن الكمومي، باستخدام الـ ansatz المتخصص في المسألة، يُحدّد بفعالية استراتيجيات استثمارية كفؤة عبر أنواع محافظ مختلفة. نُفصّل أدناه كلًا من حجم المجتمع وعدد الأجيال المحددَين في قاموس optimizer_options. وقد جرى ضبط جميع المعاملات الأخرى على قيمها الافتراضية.

المثال	population_size	num_generations
محفظة الأصول المختلطة	90	20
محفظة الأصول المختلطة	92	20
محفظة مشتقات النفط	120	20
محفظة IBEX35	40	20

تم ضبط عدد الأجيال على 20، إذ تبيّن أن هذه القيمة كافية للوصول إلى التقارب. علاوة على ذلك، تُركت القيم الافتراضية للمعاملات الداخلية للمُحسِّن دون تغيير، نظرًا لأنها أبدت أداءً جيدًا باستمرار وهي موصى بها عمومًا في الأدبيات وإرشادات التطبيق.

الحصول على الدعم

إذا كنت بحاجة إلى مساعدة، يمكنك إرسال بريد إلكتروني إلى qpo.support@globaldataquantum.com. في رسالتك، أدرج معرّف وظيفة الدالة.

الخطوات التالية

توصيات

• اقرأ ورقة البحث المرتبطة.
• اطلب الوصول إلى الدالة عن طريق ملء هذا النموذج.
• جرّب درس تحسين المحفظة الاستثمارية الديناميكي.