Photonic Quantum Computing vs. Classical Solvers in Constrained Factor Portfolio Optimization

Stellen Sie sich vor, Sie sind der Kapitän eines gewaltigen Schiffes, das versucht, durch einen stürmischen Ozean zu navigieren, um den wertvollsten Schatz zu finden. Ihr Ziel ist nicht nur Gold; es geht darum, das meiste Gold zu finden, während Sie gleichzeitig sicherstellen, dass das Schiff nicht sinkt, Sie riesigen Wellen ausweichen und sicherstellen, dass Ihre Crew nicht aus derselben Person besteht (was riskant wäre, wenn sie alle gleichzeitig seekrank werden). Jahrzehntelang haben Kapitäne alte, zuverlässige Karten und Kompasse (klassische Mathematik) benutzt, um ihre Kurse zu planen. Aber vor kurzem sind zwei neue, wilde Technologien auf den Plan getreten: Das eine ist ein „Quantenkompass“, der die seltsamen, rätselhaften Regeln des Universums nutzt, um den besten Weg sofort zu erraten, und das andere ist ein „Roboter-Lehrling“, der durch Versuch und Irrtum lernt, in der Hoffnung, die Regeln des Ozeans zu verstehen, während er segelt.

Die große Frage für die moderne Finanzwelt lautet: Können diese neuen, hochtechnologischen Werkzeuge einen besseren Job machen als die alten, vertrauten Methoden? Können sie ein „Portfolio“ (eine Sammlung von Investitionen) aufbauen, das mehr Geld einbringt und gleichzeitig weniger Risiko birgt? Diese Arbeit taucht genau in diesen Kampf ein. Sie testet drei verschiedene „Kapitäne“, die versuchen, dasselbe komplexe Rätsel zu lösen: einen photonischen Quantencomputer (eine Maschine, die Licht nutzt, um Probleme zu lösen), einen super-intelligenten klassischen Computer-Solver (einen sehr strengen, regelbefolgenden Mathematiker) und einen Deep Reinforcement Learning Agenten (einen Roboter, der lernt, indem er das Spiel spielt, um die Regeln des Ozeans zu begreifen). Die Forscher wollten sehen, welcher von ihnen in der Lage ist, die kniffligen Regeln des Marktes zu meistern – wie etwa das Vermeiden von massiven Verlusten oder das Beibehalten eines ausgewogenen Portfolios – ohne dabei abzustürzen.

Das große Solver-Duell

In dieser Studie setzten die Forscher eine massive Rennstrecke mit 164 Monaten historischer Börsendaten auf. Sie baten drei sehr unterschiedliche „Fahrer“, ein Portfolio aus 13 verschiedenen Anlagestilen (wie „Value“, „Momentum“ und „Quality“) durch diese Strecke zu steuern. Das Ziel war es, die Renditen zu maximieren und gleichzeitig das Risiko eines katastrophalen Absturzes zu minimieren.

Die drei Kontrahenten:

1. Der Quanten-Lichtstrahl (Dirac-3): Denken Sie an dies als eine magische, leuchtende Kristallkugel. Er nutzt „photonisches Annealing“, was so ist, als würde man einen Lichtstrahl durch ein Labyrinth aus Spiegeln schicken, um augenblicklich den Ausgang zu finden. Er ist unglaublich schnell und kann manchmal eine Abkürzung entdecken, die andere übersehen.
2. Der strenge Buchhalter (Gurobi): Dies ist ein super-mächtiger, altmodischer Mathematiker. Er rät nicht; er prüft jede einzelne Möglichkeit mittels einer Methode namens „Branch-and-Bound“. Es ist wie ein Detektiv, der sich weigert, einen Tatort zu verlassen, bis er genau bewiesen hat, wer der Täter war, wodurch er garantiert die perfekte und stabile Antwort liefert.
3. Der Roboter-Lehrling (SAC): Dies ist ein lernender Roboter, der versucht, den besten Weg zu fahren, indem er Belohnungen für gute Züge und Bestrafungen für schlechte Züge erhält. Er ist flexibel und kreativ, kann aber verwirrt werden, wenn sich die Regeln zu schnell ändern.

Die Ergebnisse: Wer hat das Rennen gewonnen?

Die Studie ergab, dass es keinen einzelnen „besten“ Fahrer gibt. Stattdessen hat jeder eine spezifische Superkraft und eine spezifische Schwäche.

1. Der Quanten-Lichtstrahl: Der High-Risk, High-Reward-Star
Der photonische Quantencomputer (Dirac-3) war der Star der Show, aber nur, wenn man ihn sehr vorsichtig steuert. Wenn die Forscher seine Einstellungen perfekt abstimmten (speziell, wenn sie eine „Volatilitätsstrafe“ auf einen ganz bestimmten niedrigen Wert setzten), erreichte er die höchsten Punktzahlen.

• Der Sieg: Er erreichte eine Spitzen-Sharpe-Ratio von 0,760 und eine Calmar-Ratio von 0,567. Auf Deutsch bedeutet das, dass er die beste Balance zwischen Profit und Risiko sowie den besten Profit im Verhältnis zum „wie schlimm der schlechteste Tag war“ erzielte. Er schaffte es auch, den maximalen Wertverlust (Drawdown) auf nur -2,63 % in seiner besten Konfiguration zu begrenzen.
• Der Haken: Diese Magie funktionierte nur in einem winzigen, engen Fenster. Wenn die Forscher die Einstellungen auch nur ein wenig veränderten, sank die Leistung. Zudem neigte der Quantencomputer dazu, fast alle Eier in sehr wenige Körbe zu legen. Er konzentrierte sein Geld oft auf nur zwei oder drei Faktoren (wie „Accruals“ und „Investment“), wodurch er ein Portfolio schuf, in dem die Top-5-Faktoren über 90 % des Gewichts hielten. Das ist großartig, wenn diese Faktoren weiterhin funktionieren, aber riskant, wenn sie es nicht mehr tun.

2. Der strenge Buchhalter: Der Champion für Sicherheit zuerst
Der klassische Solver (Gurobi) gewann zwar nicht den Wettbewerb um die „höchste Punktzahl“, war aber der zuverlässigste.

• Der Sieg: Er bot den besten Schutz gegen die schlimmsten Szenarien. Er erreichte den niedrigsten CVaR (Conditional Value-at-Risk) von –0,863 %, was bedeutete, dass er am besten darin war, Verluste in einer Katastrophe zu begrenzen. Er hielt das Portfolio zudem sehr gut diversifiziert und ließ die Top-5-Faktoren nie zu viel Raum einnehmen.
• Der Haken: Seine Spitzenwerte (wie eine Sharpe-Ratio von 0,718) waren etwas niedriger als die des Quantencomputers in seinem Bestzustand. Er stürzte jedoch nie ab und lieferte jedes Mal exakt dasselbe Ergebnis, egal wie oft der Test durchgeführt wurde. Er war die „langweilige, aber sichere“ Wahl, die niemals versagte.

3. Der Roboter-Lehrling: Der instabile Wildcard
Der Reinforcement-Learning-Roboter (SAC) war der unberechenbarste.

• Der Sieg: In einigen spezifischen, risikoarmen Einstellungen gelang es ihm, gute Renditen zu erzielen und das Portfolio sehr breit gestreut zu halten (geringe Konzentration).
• Der Haken: Die Studie fand einen schwerwiegenden Fehler bei diesem Roboter. Als die Forscher ihn baten, besonders vorsichtig in Bezug auf die „Skewness“ (ein schicker Begriff für die Form der Gewinnkurve) zu sein, ohne ein starkes Sicherheitsnetz, geriet der Roboter in Panik. Er begann, 57,9 % seines gesamten Geldes in nur zwei Faktoren zu investieren, und in einem Fall nahm ein einzelner Faktor 45,5 % des Portfolios ein. Dies führte zu einem „katastrophalen Scheitern“, bei dem die Performance des Roboters kollabierte und die Drawdowns auf -14,64 % stiegen. Die Arbeit schließt die Nutzung dieses Roboters in seiner jetzigen Form für Hochrisiko-Investitionen explizit aus, sofern er nicht streng überwacht wird, da er dazu neigt, bei komplexen Regeln eine „Halluzination“ einer schlechten Strategie zu entwickeln.

Das große Fazit

Die Arbeit kommt zu dem Schluss, dass man nicht einfach sagen kann: „Quanten ist besser“ oder „KI ist besser“. Es geht darum, das richtige Werkzeug für den richtigen Job zu finden.

• Wenn Sie ein Risikofreudiger sind, der das absolut höchste mögliche Ertragspotenzial sucht und bereit ist zu akzeptieren, dass das Portfolio auf nur wenige Faktoren konzentriert sein könnte, dann ist der Quanten-Lichtstrahl (Dirac-3) der Gewinner, aber Sie müssen ihn perfekt abstimmen.
• Wenn Sie ein vorsichtiger Investor sind, der garantieren muss, dass sein Portfolio nicht abstürzt und dass die Ergebnisse reproduzierbar sind, ist der strenge Buchhalter (Gurobi) die beste Wahl. Er bietet den stabilsten Schutz gegen das Tail-Risk (Extremrisiko).
• Der Roboter-Le Lehrling (SAC) ist, obwohl vielversprechend, derzeit zu fragil. Die Arbeit warnt davor, dass er ohne strikte Leitplanken leicht in eine Falle tappen kann, in der er sein gesamtes Geld an den falschen Stellen konzentriert, was zu massiven Verlusten führt.

Kurz gesagt: Die Zukunft des Investierens könnte darin bestehen, den Quantencomputer zu nutzen, um das „Geheimrezept“ für hohe Renditen zu finden, sich aber auf den strengen Buchhalter zu verlassen, damit das Schiff nicht sinkt. Und bis der Roboter-Lehrling stabiler geworden ist, sollte man ihn wohl lieber im Trainingsraum lassen.