You need to enable JavaScript to run this app. 如何确定哈密顿Ising模型的bias项?基于Python D-Wave的金融投资组合优化场景
优惠活动
大模型
产品
解决方案
定价
更多

如何确定哈密顿Ising模型的bias项?基于Python D-Wave的金融投资组合优化场景

Ising模型bias项(h参数)确定方法

你在投资组合优化场景下使用的neal.sampler.SimulatedAnnealingSampler.sample_ising接口中,bias项对应输入参数里的h字典,取值由投资组合优化问题到Ising哈密顿量的映射规则决定,具体推导逻辑如下:

基础逻辑

Ising模型的总能量计算公式为:

$E = \sum h_i s_i + \sum J_{ij} s_i s_j$
其中$s_i$为第$i$个自旋的取值,只能是+1或-1,退火求解的目标是找到让总能量$E$最小的一组自旋取值。对应到投资组合优化场景,每个自旋一般对应单个资产的持仓状态,或是连续仓位二进制编码的某一位。


具体推导步骤

  • 第一步:明确投资组合优化问题的完整数学形式
    常用的马克维茨均值-方差优化目标为:最小化「投资组合风险 - 风险偏好系数 × 投资组合预期收益」,同时满足总仓位限制、单资产仓位上下限等约束。
  • 第二步:将持仓变量映射为Ising自旋
    做二元资产选品时,可定义$s_i=+1$代表买入第$i$个资产,$s_i=-1$代表不买该资产;如果要表示连续的仓位比例,可以用多个自旋组合成二进制数,对应单个资产的具体仓位取值。
  • 第三步:将优化目标和约束转化为Ising能量表达式
    把目标表达式展开后,所有单独和$s_i$相乘的系数,就是第$i$个自旋对应的bias项$h_i$的取值:
    举个简单例子:如果你的优化目标是最大化组合预期收益,单个资产$i$的预期收益为$r_i$,对应到能量项就是$-r_i s_i$(能量最小等价于收益最大),此时$h_i$的取值就是$-r_i$。
    如果有总持仓资产数量不超过$K$的约束,可以给约束加惩罚系数$\lambda$,写成惩罚项$\lambda (\sum s_i - K)^2$,展开后得到的线性项系数也要叠加到对应的$h_i$上。
  • 第四步:系数缩放对齐采样器要求
    模拟退火或量子退火采样器对$h$和$J$的取值范围都有要求,一般要控制在[-2, 2]区间内,你可以把计算得到的原始$h$值和$J$值做统一的归一化缩放,保证两类参数的相对比例不变即可。

示例代码说明

你给出的示例代码里所有$h$的取值都是0,是因为该示例仅测试三个自旋两两反铁磁耦合的场景,没有单独作用于单个自旋的bias项,所以所有$h_i$都为0。

import neal
sampler = neal.SimulatedAnnealingSampler()
h = {'a': 0.0, 'b': 0.0, 'c': 0.0}
J = {('a', 'b'): 1.0, ('b', 'c'): 1.0, ('a', 'c'): 1.0}
sampleset = sampler.sample_ising(h, J, num_reads=10)
print(sampleset.first.energy)

说明图

内容的提问来源于stack exchange,提问作者Liza Darwesh

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.21 05:24:02