Resumen - Optimización a gran escala de portafolios con enfriamiento variacional neuronal

Optimización a gran escala de portafolios con enfriamiento variacional neuronal

2025-07-09 17:46:59

{"Nishan Ranabhat","Behnam Javanparast","David Goerz","Estelle Inack"}

{cond-mat.dis-nn,cond-mat.stat-mech,cs.LG,q-fin.PM}

El documento discute la aplicación del Anillo Neural de Variación (VNA) para resolver problemas de optimización de carteras a gran escala, que suelen ser intractables debido a su complejidad y la presencia de restricciones como costos de transacción y límites de rotación. Los autores proponen mapear el problema de optimización de carteras hacia un Hamiltoniano clásico Ising y luego resolverlo utilizando VNA, un método que aprovecha redes neuronales autoregresivas. Demuestran que VNA puede identificar soluciones próximas a la óptima de carteras con más de 2,000 activos, alcanzando un rendimiento comparable a los optimizadores de vanguardia como Mosek, mientras converge más rápido en instancias difíciles. El documento presenta un análisis de escala dinámica de tamaño finito aplicado a los índices S&P 500, Russell 1000 y Russell 3000, revelando un comportamiento universal y una escala de tiempo de fundido polinomial del algoritmo VNA. Esto sugiere que VNA es un método escalable para problemas de optimización de carteras. Puntos clave: - Los autores abordan el desafío de la optimización de carteras utilizando VNA, un método inspirado en la física cuántica que combina optimización variacional con fundido. - VNA se aplica para resolver problemas de optimización de carteras a gran escala con más de 2,000 activos. - Los autores demuestran que VNA alcanza un rendimiento comparable a Mosek, mientras converge más rápido en instancias difíciles. - Un análisis de escala dinámica de tamaño finito revela un comportamiento universal y una escala de tiempo de fundido polinomial del algoritmo VNA. - El documento resalta la escalabilidad y efectividad de VNA para resolver problemas complejos de optimización de carteras.