“育新杯”伊辛计算共创邀请赛优秀作品——光电伊辛机驱动的大类资产量化择资

“育新杯”伊辛计算共创邀请赛优秀作品重磅揭晓！本期为大家带来数智金科研究团队的作品，指导老师是四川大学商学院余乐安教授。团队基于“玉盘·伊辛云”伊辛计算云平台，将量化择资问题转化为QUBO模型，构建光电伊辛机-经典混合计算框架，证实了光电伊辛机在解决金融高维组合优化问题中的巨大潜力，为实现秒级大规模资产配置提供了全新的计算范式。

随着全球金融市场可投资资产规模的指数级增长，传统的大类资产配置面临严重的“维度灾难”，导致经典优化算法在处理大规模组合选择时效率低下且难以收敛。传统资产预选方法（因子排序、聚类分析）存在分散化不足、对参数敏感、计算收敛难等问题，无法满足大规模、高多样性的资产择资需求。

团队突破传统资产配置的建模思路，以“资产间距离最大化”为核心，将大类资产量化择资问题成功转化为QUBO模型，创新性地提出面向硬件的约束重构策略，并设计了“光电伊辛机全局搜索 + 经典局部修正”的混合求解策略，既降低系数动态范围，又保证解的高质量与可行性。

整体研究框架

一、资产异质性量化

选取趋势、动能、波动性特征来构建资产间距离指标，以量化不同资产间的差异性，并引入可消除特征之间相关性的马氏距离指标量化两两资产之间的距离，更适配金融资产高维、强关联的特征，能精准刻画不同资产的风险暴露与市场行为模式差异。将“筛选高分散度、高异质性资产”的核心需求，建模为最大路径优化问题，再通过数学变换将其映射为光电伊辛机可直接求解的二次无约束二元优化（QUBO）形式。

二、基于辅助变量的约束重构

放弃单一的巨大惩罚系数，引入辅助松弛变量和一元链计数约束，将“选择固定数量资产”的全局硬约束，分解为一系列局部化、系数幅度更小的二次型惩罚项之和，在保留核心优化信息的前提下，将模型系数范围有效压缩至硬件可用精度，避免关键信息丢失。

三、混合求解策略

由于在压缩过程中不可避免的会损失一部分信息，可能导致优化求解结果并不一定完全满足约束，在光电伊辛机求解后，应用经典的贪婪算法进行快速处理——若候选资产数少于目标值，迭代添加能最大化资产总距离的资产；若多于目标值，迭代移除对总距离贡献最小的资产，最终确保解严格满足“固定资产数量”的硬约束。这种混合求解策略不仅充分发挥了光电伊辛机在组合优化问题中高效探索的优势，也利用经典算法的确定性来保证解的硬约束，保证了解的高质量与可行性。

四、传统投资组合资产权重优化

在求解量化择资模型后，将得到高差异化、风险分散的资产集合，在此基础上，团队选取金融投资组合领域中经典的马科维茨最小方差（Minimum Variance，MV）投资组合策略和等权重（Equal Weighted，EW）投资组合策略对第一阶段得到的资产子集进行权重优化，将资金分配到差异化的资产上。

五、实证分析

在量化择资阶段，光伊辛机展现了显著的计算优势，相较于经典启发式算法模拟退火，其计算成本从近小时级缩短至秒量级，并得到显著优于经典算法的解。

不同算法择资求解结果

样本外检验结果进一步表明，基于光伊辛机构建的资产组合在市场下行期间亦能获得显著超额收益，夏普比率等指标显著优于基准策略，论证了所提模型在真实金融市场上的有效性和合理性。在多种稳健性检验情景下，该优势依旧显著，验证了所提方法的稳健性与普适性。

传统投资组合样本外绩效结果

光电伊辛机驱动的大类资产量化择资框架代表了光电伊辛机与金融量化投资的突破性融合，从组合优化视角对大类资产择资体系进行了创新重构。这种创新性方法攻克了经典资产配置算法的核心痛点，是光电伊辛机赋能金融科技领域的一项重要突破，成功实现了从底层的“计算优势”到上层“投资收益”的有效转化。

注：本文已获得数智金科研究团队授权宣传