近年来，我国理财产品市场由封闭式向开放式、净值化方向加速演进，理财产品的资产组织方式和投资运作模式发生了深刻变化。一方面，净值化转型推动理财产品在资产配置层面呈现出多资产、多层级的结构特征，产品通过直投资产、资管计划等多种方式参与金融市场，逐步形成“理财产品—资管计划—底层资产”的多层嵌套持仓结构。另一方面，随着投资者结构日趋多元、市场波动加剧，开放式理财产品的申购与赎回行为明显呈现出高频化，不确定性显著增强，资金流入流出的节奏加快。这就要求更频繁地开展资金调度与仓位调整，以保障产品净值平稳、收益目标实现与流动性安全。申赎行为的动态性与资产结构的复杂性相互叠加，大幅推高了理财产品日常投资运营的决策复杂度与管理难度。在此背景下，理财产品的投资运作已从单一的资产配置问题，演变为兼顾多层资产结构与高频率申赎行为的综合管理问题，急需一种具备穿透式视角与动态优化能力的系统化决策方法，而量子计算为该场景的高效求解提供了可行方案。

一、理财产品穿透式资产配置与动态申赎场景

理财产品穿透式资产配置与动态申赎场景表面是资金流入流出后的调度执行问题，其核心本质是需同时平衡多重目标、满足多元约束的资源配置问题，具体呈现三大典型特征：一是决策变量维度高，需同步统筹多只资产的申赎操作且变量间存在隐性关联；二是约束层级复杂，既涵盖合规层面的要求，又涉及业务操作层面的可行性限制，部分约束还需穿透至资产底层标的校验，逻辑繁琐；三是业务时效性强，需在每个交易日内完成数据处理、方案测算与决策输出，对求解效率与结果稳健性要求较高。基于这些特征，传统人工经验式决策或固定规则引擎模式难以兼顾决策效率与全局最优性，因此有必要将该业务问题抽象为可量化、可计算的统一优化模型，实现从经验驱动向数据与模型驱动的转型。以理财产品固收某号产品为例，其包含直投资产和资管计划两大类资产类型，穿透后的底层资产包含国债、商业银行定期存款、政策性金融债、货币基金、AAA级信用债、中央银行票据、地方政府债、城投债等多种资产，各类底层资产相关的期限、市值、收益率、流动性各不相同。针对上述问题，笔者团队将资产配置与动态申赎场景中收益最大化作为目标函数，将资金平衡要求、集中度要求、流动性要求和资产操作要求作为约束条件，将该场景建模为二次无约束二值优化（Quadratic Unconstrained Binary Optimization，QUBO）问题，并引入量子计算技术对其进行求解，从而在满足业务需要的前提下有效缩短问题求解时间，为金融机构理财产品管理提供量子科技解决方案。

二、理财产品穿透式资产配置与动态申赎量子计算模型

1.决策变量与参数定义

设资产池由n个中低风险资产构成，记为A_i（i=1，2，…，n)，为精准刻画申赎操作与资金状态，定义如下决策变量：

x_i：当日对资产的申购金额；

y_i：当日对资产的赎回金额；

s：当日操作完成后的日终闲置现金规模

进一步，定义模型所需的其它变量如下：

r_i：资产A_i的预期收益率；

V_i：资产A_i的当前市值，即当日可用于交易的资产净值；

A：理财产品当日净资产规模，即申赎操作前的产品总净值；

N：当日净申赎额，若当日总申购额与总赎回额的差额，N≥0 表示净申购，N＜0 表示净赎回；

C：期初闲置现金规模，即申赎操作前的产品闲置现金余额

2.目标函数构建

该场景的核心研究目标是在满足合规约束与资金平衡要求的前提下，规划各资产的申购与赎回操作，满足理财产品整体收益要求。其目标函数可具体表示为：

其中，分子为申赎操作后所有资产的预期收益总和，分母为理财产品当日净资产规模。

3.约束条件

（1）资金平衡约束

资金平衡是申赎配置决策的基础性约束，核心要求是完成全部申购与赎回操作后，理财产品日终既无资金缺口以避免流动性风险，也无大额现金沉淀以提升资金使用效率。该约束的具体表达式为：

同时，为避免现金无效占用，对日终闲置现金规模施加上限约束：

其中，α表示闲置现金比例上限，可根据产品流动性需求动态调整。为适配QUBO建模，需要将上述约束条件转化为惩罚项，具体如下：

其中，ξ₁和ξ₂为松弛因子，当约束满足时，P₁₁和P₁₂均为0；若约束未满足，存在资金缺口时P₁₁随偏离程度呈指数级增长，现金超额沉淀时P₁₂随偏离程度呈指数级增长，从而形成强约束效应。

（2）集中度约束

理财产品需控制单一底层标的的风险暴露，规避集中度风险。设底层资产的集合为k=1,2,...,K，则集中度约束表达式为：

该约束确保任意申赎配置方案下，单一底层资产的市值占产品净资产比例均不超过10%的上限。该约束转化为惩罚项如下：

仅当单一底层标的占比突破合规要求上限时，惩罚项生效，且偏离程度越大惩罚力度越强，从而确保合规底线不被突破。

（3）流动性约束

针对定期开放周期较短或流动性要求较高的理财产品，合规规则要求其持有一定比例的高流动性资产以应对潜在集中赎回风险。因此，设流动性资产集合为L，包括现金及一年内到期的国债、央票和政策性金融债等，符合合规对高流动性资产的定义，则流动性约束可表示为：

该约束通过保障高流动性资产占比不低于5%，确保产品在极端市场环境下仍具备充足的变现能力。同上，该约束转化为的惩罚项如下：

当流动性资产占比低于下限要求时，惩罚项随缺口规模平方增长，可强制模型优先保障流动性安全。

（4）资产操作约束与场景约束

结合实际业务操作可行性，需考虑资产操作约束，包括赎回限额约束和申赎互斥约束，并增设场景化约束，具体如下：

一是赎回限额约束：单一资产的赎回金额不得超过其当前可用市值，避免无效操作，即

转化为的惩罚项如下：

其中，t_i为松弛变量。

二是申赎互斥约束：同一资产在同一交易日内不得同时发生申购与赎回操作，避免无意义的对冲交易，即

三是场景化约束：可根据当日净申赎额N的正负（净申购/净赎回），对申购或赎回操作施加方向性引导，例如净赎回场景下优先限制低流动性资产的申购，增强模型解与实际投资逻辑的一致性。该约束转化为的惩罚项如下：

当出现同一资产同日申赎的情况时，惩罚项生效，确保操作可行性。

4.QUBO问题整体模型

为运用量子计算机实现高效求解，需将上述含约束的组合优化问题统一转化为QUBO问题，其核心逻辑是将原最大化收益目标转化为最小化负收益目标，同时通过设定惩罚系数控制各约束的优先级满足约束惩罚项。最终，QUBO函数表达式为：

其中，λ_i为约束惩罚系数，其取值需结合约束重要性排序，惩罚系数根据产品风险等级、合规政策调整等场景动态适配，确保模型的灵活性。

在本文场景中，申赎互斥约束优先级最高；集中度约束优先级次高；而后是资金平衡约束，它是流动性安全的核心；最后是流动性约束，以满足风险缓冲要求。

三、量子计算模型应用

笔者团队以理财产品固收某号为研究对象，当日，该产品净资产规模为1.06亿元人民币，当日发生净申购为1000万元人民币，产品预期年化收益率不低于2.75%，日终闲置现金占比不超过1%，资产操作约束为每个资产在同一日内只能净申购或净赎回，集中度约束为单一底层标的占产品净资产比例小于等于10%，流动性约束为含闲置现金的流动性资产占比大于等于5%。

笔者团队基于华夏银行牵头构建的量子金融云平台，调用相干光量子计算机(又称相干伊辛机，是光量子计算机的一种）对上述问题进行求解，为了对比结果的有效性，使用经典的模拟退火（Simulated Annealing，SA）算法和经典的禁忌搜索（Tabu Search, TS）算法作为对照实验求解相同的问题。SA算法思想来源于固体材料退火过程，通过在搜索过程中允许一定程度的随机扰动，并逐步缩小搜索范围，在保证全局搜索能力的同时实现稳定收敛，从而有效降低陷入局部最优的风险，获得复杂组合优化问题的近似最优解。TS算法是由美国科罗拉多大学教授 ‌Fred Glover‌ 于‌1986年‌首次提出，它通过引入‌短期记忆机制‌（禁忌表）和‌灵活的决策规则‌（特赦准则），有效避免局部最优陷阱，从而在复杂组合优化问题中寻找全局近似最优解。具体结果如下：

实证结果表明：经典SA算法、经典TS算法和光量子计算机求解结果均可满足该场景业务约束条件。针对本文研究的单个理财产品，经典SA算法求解出可行解的时间为31.14秒，收益率为3.0283%；经典TS算法求解出可行解的时间为12.00秒，收益率为3.0224%；相干光量子计算机求解出可行解的时间为16.97毫秒，收益率为3.0325%；经典SA算法求解时间是相干光量子计算机求解时间的1835倍，TS算法求解时间是相干光量子计算机求解时间的707倍。经测算，若仅聚焦计算过程能耗，经典计算机运行SA算法31.14秒的计算任务耗能约为15570J，TS算法12秒的计算任务消耗能耗约为6000J，相干光量子计算机运行16.97毫秒的计算任务消耗能耗约为16.99J，经典SA算法的能耗是相干伊辛机的916倍，经典TS算法的能耗是相干伊辛机的353倍。而考虑实际应用中相干光量子计算机除计算外，还涉及经典计算机的数据传输和转化，故端到端需要1秒完成，即端到端耗能1000.017J，故经典SA算法的能耗是相干光量子计算机相关方案的约16倍，经典TS算法的能耗是相干光量子计算机相关方案的约6倍。考虑到实际业务中理财产品数量众多且需较为频繁地进行穿透式资产配置与动态申赎相关操作，相干光量子计算机的能耗节省优势有望进一步凸显，其践行绿色金融科技的示范效应将更加突出。

四、结语

笔者团队立足理财产品穿透式资产配置与动态申赎场景，通过将相关问题转化为QUBO问题并在光量子计算机上进行实证研究，形成了面向金融理财产品实现多目标、多约束决策问题的量子计算求解方案。实证结果表明光量子计算机在满足业务要求的同时可有效提升问题的求解速度。未来可通过纳入宏观经济变量与投资者行为相关数据以进一步丰富场景的个性化约束条件，并向券商、保险等金融机构推广，以期为金融行业探索量子计算应用落地提供有益借鉴。

[本文受北京市科技计划项目《基于CoE架构的银行信贷风控大模型系统关键技术研究与应用》（项目编号：Z241100001324024）支持。]

[泉果基金管理有限公司胡卓文、罗戬和李冠男，华夏理财有限责任公司王斌和王清毅，华银数字科技（北京）有限公司高洁、白晶、曹晓峰、周晓君，以及北京玻色量子科技有限公司鞠超对本文亦有贡献]

文章精简版本以《量子计算在理财产品穿透式资产配置与动态申赎场景中的应用研究》为题，已发表于《中国金融电脑》2026年5月刊。

作者：

华夏银行首席信息官 龚伟华

华夏银行科技开发与运行中心副总经理 王彦博

泉果基金管理有限公司总经理 李云亮

华夏理财有限责任公司董事长 苑志宏

华银数字科技（北京）有限公司副总裁（主持工作） 金建新

北京玻色量子科技有限公司副总裁 巨江伟

泉果基金管理有限公司 韦海菁 熊智文

华银数字科技（北京）有限公司 杨璇 王一多 徐奇 余子健 张月

参考文献：

【1】Markowitz H.Portfolio Selection[J].Journal of Finance,2012,7(1):77-91.DOI:10.1111/j.1540-6261.1952.tb01525.x.

【2】Rockafellar R T,Uryasev S.Optimization of conditional value-at-risk[J].Journal of Risk,1999, 2(3).DOI:10.21314/JOR.2000.038.

【3】Fabozzi F J, Drake P P.Bond Portfolio Management[J].Frank J. Fabozzi Associates,2011,10.1002/9781118266984:669-720.DOI:10.1002/9781118266984.ch19.

【4】Dong X, Feng S, Sadka R.Liquidity Risk and Mutual Fund Performance[J].Management Science,2019,65(3).DOI:10.2139/ssrn.1785561.

【5】尹智聪.“资管新规”下商业银行理财产品流动性风险管理研究: 以兴业银行为例[D].上海财经大学,2022.DOI:10.27296/d.cnki.gshcu.2022.002685.

【6】Gérard Cornuéjols.Valid inequalities for mixed integer linear programs[J].Mathematical Programming,2008,112(1):p.3-44.DOI:10.1007/s10107-006-0086-0.

【7】Nocedal J, Wright S J.Numerical Optimization Second Edition[M].World Scientific,1999.

【8】Andrew L.Ising formulations of many NP problems[J].Frontiers in Physics,2013,2:5.DOI:10.3389/fphy.2014.00005.

【9】Venturelli D,Salvatore Mandrà,Knysh S,et al.Quantum Optimization of Fully Connected Spin Glasses[J].American Physical Society,2015(3).DOI:10.1103/PHYSREVX.5.031040.

近年来，我国理财产品市场由封闭式向开放式、净值化方向加速演进，理财产品的资产组织方式和投资运作模式发生了深刻变化。一方面，净值化转型推动理财产品在资产配置层面呈现出多资产、多层级的结构特征，产品通过直投资产、资管计划等多种方式参与金融市场，逐步形成“理财产品—资管计划—底层资产”的多层嵌套持仓结构。另一方面，随着投资者结构日趋多元、市场波动加剧，开放式理财产品的申购与赎回行为明显呈现出高频化，不确定性显著增强，资金流入流出的节奏加快。这就要求更频繁地开展资金调度与仓位调整，以保障产品净值平稳、收益目标实现与流动性安全。申赎行为的动态性与资产结构的复杂性相互叠加，大幅推高了理财产品日常投资运营的决策复杂度与管理难度。在此背景下，理财产品的投资运作已从单一的资产配置问题，演变为兼顾多层资产结构与高频率申赎行为的综合管理问题，急需一种具备穿透式视角与动态优化能力的系统化决策方法，而量子计算为该场景的高效求解提供了可行方案。

一、理财产品穿透式资产配置与动态申赎场景

理财产品穿透式资产配置与动态申赎场景表面是资金流入流出后的调度执行问题，其核心本质是需同时平衡多重目标、满足多元约束的资源配置问题，具体呈现三大典型特征：一是决策变量维度高，需同步统筹多只资产的申赎操作且变量间存在隐性关联；二是约束层级复杂，既涵盖合规层面的要求，又涉及业务操作层面的可行性限制，部分约束还需穿透至资产底层标的校验，逻辑繁琐；三是业务时效性强，需在每个交易日内完成数据处理、方案测算与决策输出，对求解效率与结果稳健性要求较高。基于这些特征，传统人工经验式决策或固定规则引擎模式难以兼顾决策效率与全局最优性，因此有必要将该业务问题抽象为可量化、可计算的统一优化模型，实现从经验驱动向数据与模型驱动的转型。以理财产品固收某号产品为例，其包含直投资产和资管计划两大类资产类型，穿透后的底层资产包含国债、商业银行定期存款、政策性金融债、货币基金、AAA级信用债、中央银行票据、地方政府债、城投债等多种资产，各类底层资产相关的期限、市值、收益率、流动性各不相同。针对上述问题，笔者团队将资产配置与动态申赎场景中收益最大化作为目标函数，将资金平衡要求、集中度要求、流动性要求和资产操作要求作为约束条件，将该场景建模为二次无约束二值优化（Quadratic Unconstrained Binary Optimization，QUBO）问题，并引入量子计算技术对其进行求解，从而在满足业务需要的前提下有效缩短问题求解时间，为金融机构理财产品管理提供量子科技解决方案。

二、理财产品穿透式资产配置与动态申赎量子计算模型

1.决策变量与参数定义

设资产池由n个中低风险资产构成，记为A_i（i=1，2，…，n)，为精准刻画申赎操作与资金状态，定义如下决策变量：

x_i：当日对资产的申购金额；

y_i：当日对资产的赎回金额；

s：当日操作完成后的日终闲置现金规模

进一步，定义模型所需的其它变量如下：

r_i：资产A_i的预期收益率；

V_i：资产A_i的当前市值，即当日可用于交易的资产净值；

A：理财产品当日净资产规模，即申赎操作前的产品总净值；

N：当日净申赎额，若当日总申购额与总赎回额的差额，N≥0 表示净申购，N＜0 表示净赎回；

C：期初闲置现金规模，即申赎操作前的产品闲置现金余额

2.目标函数构建

该场景的核心研究目标是在满足合规约束与资金平衡要求的前提下，规划各资产的申购与赎回操作，满足理财产品整体收益要求。其目标函数可具体表示为：

其中，分子为申赎操作后所有资产的预期收益总和，分母为理财产品当日净资产规模。

3.约束条件

（1）资金平衡约束

资金平衡是申赎配置决策的基础性约束，核心要求是完成全部申购与赎回操作后，理财产品日终既无资金缺口以避免流动性风险，也无大额现金沉淀以提升资金使用效率。该约束的具体表达式为：

同时，为避免现金无效占用，对日终闲置现金规模施加上限约束：

其中，α表示闲置现金比例上限，可根据产品流动性需求动态调整。为适配QUBO建模，需要将上述约束条件转化为惩罚项，具体如下：

其中，ξ₁和ξ₂为松弛因子，当约束满足时，P₁₁和P₁₂均为0；若约束未满足，存在资金缺口时P₁₁随偏离程度呈指数级增长，现金超额沉淀时P₁₂随偏离程度呈指数级增长，从而形成强约束效应。

（2）集中度约束

理财产品需控制单一底层标的的风险暴露，规避集中度风险。设底层资产的集合为k=1,2,...,K，则集中度约束表达式为：

该约束确保任意申赎配置方案下，单一底层资产的市值占产品净资产比例均不超过10%的上限。该约束转化为惩罚项如下：

仅当单一底层标的占比突破合规要求上限时，惩罚项生效，且偏离程度越大惩罚力度越强，从而确保合规底线不被突破。

（3）流动性约束

针对定期开放周期较短或流动性要求较高的理财产品，合规规则要求其持有一定比例的高流动性资产以应对潜在集中赎回风险。因此，设流动性资产集合为L，包括现金及一年内到期的国债、央票和政策性金融债等，符合合规对高流动性资产的定义，则流动性约束可表示为：

该约束通过保障高流动性资产占比不低于5%，确保产品在极端市场环境下仍具备充足的变现能力。同上，该约束转化为的惩罚项如下：

当流动性资产占比低于下限要求时，惩罚项随缺口规模平方增长，可强制模型优先保障流动性安全。

（4）资产操作约束与场景约束

结合实际业务操作可行性，需考虑资产操作约束，包括赎回限额约束和申赎互斥约束，并增设场景化约束，具体如下：

一是赎回限额约束：单一资产的赎回金额不得超过其当前可用市值，避免无效操作，即

转化为的惩罚项如下：

其中，t_i为松弛变量。

二是申赎互斥约束：同一资产在同一交易日内不得同时发生申购与赎回操作，避免无意义的对冲交易，即

三是场景化约束：可根据当日净申赎额N的正负（净申购/净赎回），对申购或赎回操作施加方向性引导，例如净赎回场景下优先限制低流动性资产的申购，增强模型解与实际投资逻辑的一致性。该约束转化为的惩罚项如下：

当出现同一资产同日申赎的情况时，惩罚项生效，确保操作可行性。

4.QUBO问题整体模型

为运用量子计算机实现高效求解，需将上述含约束的组合优化问题统一转化为QUBO问题，其核心逻辑是将原最大化收益目标转化为最小化负收益目标，同时通过设定惩罚系数控制各约束的优先级满足约束惩罚项。最终，QUBO函数表达式为：

其中，λ_i为约束惩罚系数，其取值需结合约束重要性排序，惩罚系数根据产品风险等级、合规政策调整等场景动态适配，确保模型的灵活性。

在本文场景中，申赎互斥约束优先级最高；集中度约束优先级次高；而后是资金平衡约束，它是流动性安全的核心；最后是流动性约束，以满足风险缓冲要求。

三、量子计算模型应用

笔者团队以理财产品固收某号为研究对象，当日，该产品净资产规模为1.06亿元人民币，当日发生净申购为1000万元人民币，产品预期年化收益率不低于2.75%，日终闲置现金占比不超过1%，资产操作约束为每个资产在同一日内只能净申购或净赎回，集中度约束为单一底层标的占产品净资产比例小于等于10%，流动性约束为含闲置现金的流动性资产占比大于等于5%。

笔者团队基于华夏银行牵头构建的量子金融云平台，调用相干光量子计算机(又称相干伊辛机，是光量子计算机的一种）对上述问题进行求解，为了对比结果的有效性，使用经典的模拟退火（Simulated Annealing，SA）算法和经典的禁忌搜索（Tabu Search, TS）算法作为对照实验求解相同的问题。SA算法思想来源于固体材料退火过程，通过在搜索过程中允许一定程度的随机扰动，并逐步缩小搜索范围，在保证全局搜索能力的同时实现稳定收敛，从而有效降低陷入局部最优的风险，获得复杂组合优化问题的近似最优解。TS算法是由美国科罗拉多大学教授 ‌Fred Glover‌ 于‌1986年‌首次提出，它通过引入‌短期记忆机制‌（禁忌表）和‌灵活的决策规则‌（特赦准则），有效避免局部最优陷阱，从而在复杂组合优化问题中寻找全局近似最优解。具体结果如下：

实证结果表明：经典SA算法、经典TS算法和光量子计算机求解结果均可满足该场景业务约束条件。针对本文研究的单个理财产品，经典SA算法求解出可行解的时间为31.14秒，收益率为3.0283%；经典TS算法求解出可行解的时间为12.00秒，收益率为3.0224%；相干光量子计算机求解出可行解的时间为16.97毫秒，收益率为3.0325%；经典SA算法求解时间是相干光量子计算机求解时间的1835倍，TS算法求解时间是相干光量子计算机求解时间的707倍。经测算，若仅聚焦计算过程能耗，经典计算机运行SA算法31.14秒的计算任务耗能约为15570J，TS算法12秒的计算任务消耗能耗约为6000J，相干光量子计算机运行16.97毫秒的计算任务消耗能耗约为16.99J，经典SA算法的能耗是相干伊辛机的916倍，经典TS算法的能耗是相干伊辛机的353倍。而考虑实际应用中相干光量子计算机除计算外，还涉及经典计算机的数据传输和转化，故端到端需要1秒完成，即端到端耗能1000.017J，故经典SA算法的能耗是相干光量子计算机相关方案的约16倍，经典TS算法的能耗是相干光量子计算机相关方案的约6倍。考虑到实际业务中理财产品数量众多且需较为频繁地进行穿透式资产配置与动态申赎相关操作，相干光量子计算机的能耗节省优势有望进一步凸显，其践行绿色金融科技的示范效应将更加突出。

四、结语

笔者团队立足理财产品穿透式资产配置与动态申赎场景，通过将相关问题转化为QUBO问题并在光量子计算机上进行实证研究，形成了面向金融理财产品实现多目标、多约束决策问题的量子计算求解方案。实证结果表明光量子计算机在满足业务要求的同时可有效提升问题的求解速度。未来可通过纳入宏观经济变量与投资者行为相关数据以进一步丰富场景的个性化约束条件，并向券商、保险等金融机构推广，以期为金融行业探索量子计算应用落地提供有益借鉴。

[本文受北京市科技计划项目《基于CoE架构的银行信贷风控大模型系统关键技术研究与应用》（项目编号：Z241100001324024）支持。]

[泉果基金管理有限公司胡卓文、罗戬和李冠男，华夏理财有限责任公司王斌和王清毅，华银数字科技（北京）有限公司高洁、白晶、曹晓峰、周晓君，以及北京玻色量子科技有限公司鞠超对本文亦有贡献]

文章精简版本以《量子计算在理财产品穿透式资产配置与动态申赎场景中的应用研究》为题，已发表于《中国金融电脑》2026年5月刊。

作者：

华夏银行首席信息官 龚伟华

华夏银行科技开发与运行中心副总经理 王彦博

泉果基金管理有限公司总经理 李云亮

华夏理财有限责任公司董事长 苑志宏

华银数字科技（北京）有限公司副总裁（主持工作） 金建新

北京玻色量子科技有限公司副总裁 巨江伟

泉果基金管理有限公司 韦海菁 熊智文

华银数字科技（北京）有限公司 杨璇 王一多 徐奇 余子健 张月

参考文献：

【1】Markowitz H.Portfolio Selection[J].Journal of Finance,2012,7(1):77-91.DOI:10.1111/j.1540-6261.1952.tb01525.x.

【2】Rockafellar R T,Uryasev S.Optimization of conditional value-at-risk[J].Journal of Risk,1999, 2(3).DOI:10.21314/JOR.2000.038.

【3】Fabozzi F J, Drake P P.Bond Portfolio Management[J].Frank J. Fabozzi Associates,2011,10.1002/9781118266984:669-720.DOI:10.1002/9781118266984.ch19.

【4】Dong X, Feng S, Sadka R.Liquidity Risk and Mutual Fund Performance[J].Management Science,2019,65(3).DOI:10.2139/ssrn.1785561.

【5】尹智聪.“资管新规”下商业银行理财产品流动性风险管理研究: 以兴业银行为例[D].上海财经大学,2022.DOI:10.27296/d.cnki.gshcu.2022.002685.

【6】Gérard Cornuéjols.Valid inequalities for mixed integer linear programs[J].Mathematical Programming,2008,112(1):p.3-44.DOI:10.1007/s10107-006-0086-0.

【7】Nocedal J, Wright S J.Numerical Optimization Second Edition[M].World Scientific,1999.

【8】Andrew L.Ising formulations of many NP problems[J].Frontiers in Physics,2013,2:5.DOI:10.3389/fphy.2014.00005.

【9】Venturelli D,Salvatore Mandrà,Knysh S,et al.Quantum Optimization of Fully Connected Spin Glasses[J].American Physical Society,2015(3).DOI:10.1103/PHYSREVX.5.031040.