Resource-Efficient QUBO Formulation for Anchored Currency Arbitrage

In der schnelllebigen Welt der globalen Finanzmärkte bewegen sich Gelder ständig zwischen verschiedenen Ländern, und der Preis einer Währung gegenüber einer anderen ändert sich jede Sekunde. Manchmal geraten diese Preise aus dem Takt. Wenn ein Händler eine Währung in einem Markt kauft, sie in einem anderen verkauft, dann eine dritte kauft und schließlich diese dritte wieder in die ursprüngliche Währung zurücktauscht, kann er am Ende mit mehr Geld dastehen als zu Beginn. Dies wird als Währungsarbitrage bezeichnet. Es ist ein Weg, aus winzigen Fehlern am Markt Profit zu schlagen. Das Finden dieser profitablen Kreisläufe ist jedoch unglaublich schwierig. Mit Dutzenden von verfügbaren Währungen ist die Anzahl der möglichen Handelswege so gewaltig, dass das Überprüfen jedes einzelnen von Hand oder mit einem Standardcomputer dem Versuch gleicht, jedes Sandkorn an einem Strand zu zählen. Das Problem wird noch schwieriger, wenn man reale Regeln hinzufügt, wie etwa den Start mit einer bestimmten Währung, die man bereits besitzt, und das Bezahlen einer kleinen Gebühr für jeden Handel.

Die Forscher Eric Reinhardt und Adam Hauser von der University of Alabama haben einen neuen Weg entwickelt, um dieses Rätsel mithilfe einer Methode namens Quadratic Unconstrained Binary Optimization, oder kurz QUBO, zu lösen. Dieser Ansatz ist darauf ausgelegt, mit speziellen Arten von Computern zu arbeiten, einschließlich zukünftiger Quantenmaschinen, die darauf gebaut sind, den Zustand niedrigster Energie eines Systems zu finden, was dem besten Lösungsweg für ein Problem entspricht. Das Team entwickelte ein mathematisches Modell, das den Computer dazu zwingt, nach dem profitabelsten Handelszyklus zu suchen, während es die Regeln des Starts mit einer festen Währung und dem Bezahlen von Transaktionsgebühren strikt einhält. Ihre Arbeit zeigt, dass dieses neue Modell wesentlich effizienter ist als bisherige Versuche, da es weniger Bausteine benötigt, um das Problem zu lösen. Sie haben bewiesen, dass ihre Methode den exakten besten Pfad finden kann, selbst wenn die Gewinne nur einen Bruchteil eines Cents betragen, und sie haben demonstriert, dass dieser Ansatz für zukünftige Tests auf echter Quantenhardware bereit ist.

Die Forscher begannen mit der Anerkennung, dass das Finden eines profitablen Kreislaufs zwar theoretisch möglich ist, dies aber schnell zu tun eine große Herausforderung darstellt. In einem perfekt ausbalancierten Markt würde ein Hin-und-Her-Handeln dazu führen, dass man genau das hat, was man zu Beginn hatte, abzüglich der Gebühren. Aber in der realen Welt existieren winzige Ungleichgewichte. Stellen Sie sich eine Landkarte vor, auf der einige Straßen etwas günstiger zu befahren sind als andere; ein kluger Reisender würde eine Route finden, die zum Ausgangspunkt zurückführt und dabei Geld spart. Die Schwierigkeit liegt in der schieren Anzahl der Routen. Wenn es zehn Währungen gibt, wächst die Anzahl der möglichen Pfade so schnell an, dass ein Computer Milliarden von Kombinationen prüfen müsste, um sicherzugehen, dass er den besten gefunden hat. Frühere Versuche, QUBO zur Lösung zu nutzen, mussten das Problem vereinfachen, indem sie oft die Kosten von Gebühren oder die Notwendigkeit, von einer bestimmten Währung aus zu starten, ignorierten, was die Lösungen für echte Händler weniger nützlich machte.

Reinhardt und Hauser bauten ein realistischeres Modell, das diese Einschränkungen berücksichtigt. Sie entwarfen ein System, bei dem der Computer eine Sequenz von Währungen besuchen muss, wobei er sicherstellt, dass er niemals dieselbe Währung zweimal hintereinander besucht und immer zum Ausgangspunkt zurückkehrt. Entscheidend ist, dass sie eine Strafe für jeden Schritt der Reise einführten, um die Handelsgebühren darzustellen. Dies zwingt den Computer, einen Pfad zu finden, der nicht nur lang und gewunden ist, sondern tatsächlich profitabel ist, nachdem die Kosten bezahlt wurden. Sie führten auch einen cleveren Trick ein, um die Mathematik für den Computer einfacher handhabbar zu machen. Die Zahlen, die die Wechselkurse repräsentieren, können sehr groß sein, während der tatsächliche Gewinn aus einem Handel winzig ist. Dieser Unterschied in der Skalierung kann die Hardware verwirren. Die Forscher wandten eine mathematische Anpassung an, die alle Zahlen auf dieselbe kleine Skala schrumpft, wodurch es der Maschine möglich wird, die winzigen Gewinne klar zu erkennen, ohne sich in den großen Zahlen zu verlieren.

Um ihre Idee zu testen, nutzte das Team einen klassischen Computer, um zu simulieren, wie eine Quantenmaschine reagieren würde. Sie verglichen ihre neue Methode mit fünf anderen bestehenden Wegen, das Problem aufzubauen. In jedem Test war ihr neues Modell das einzige, das konsistent die exakte beste Lösung fand, selbst wenn die Handelsgebühren berücksichtigt wurden. Sie fanden heraus, dass ihre Methode weniger Variablen, oder „logische Qubits“, erforderte als alle anderen Ansätze. Dies ist ein bedeutender Vorteil, da aktuelle Quantencomputer über eine begrenzte Anzahl dieser Variablen verfügen. Die Forscher berechneten, dass ihre Methode eine Problemgröße mit siebzehn verschiedenen Währungen und maximal vierzehn Schritten auf einen spezifischen Typ von Quantenmaschine, die heute existiert, testen könnte, und identifizierten diese Größen als potenziell geeignet für zukünftige Hardware-Tests. Dies ist eine Problemgröße, die durch einfaches Auflisten aller Optionen unlösbar wäre, da man über fünfundfünfzig Billionen verschiedene Pfade prüfen müsste.

Die Studie untersuchte auch, wie gut sich die Methode verhält, wenn das Problem größer wird. Als sie es mit bis zu dreizehn Währungen testeten, fand die Simulation jedes Mal die perfekte Antwort. Als die Anzahl der Währungen jedoch auf vierzehn anstieg, fand die Simulation manchmal nicht den absolut besten Pfad, fand aber dennoch einen sehr guten. Die Forscher merkten an, dass auf einem Standardcomputer eine andere, ältere Methode namens Held–Karp-Algorithmus immer noch viel schneller war darin, die Antwort zu finden. Das bedeutet, dass die neue Methode für den Moment auf regulären Computern nicht schneller ist. Ihr wahrer Wert liegt in ihrem Potenzial, auf Quantenhardware zu laufen, wo die Gesetze der Physik es ermöglichen könnten, diese Probleme viel schneller zu lösen, als es ein klassischer Computer jemals könnte.

Das Team untersuchte auch, wie die Handelsgebühren die Ergebnisse beeinflussten. Sie zeigten, dass der Computer bei hohen Gebühren korrekt aufhört, nach langen, komplexen Kreisläufen zu suchen, und stattdessen den kürzesten möglichen Pfad wählt, der oft nur ein schneller Handel hin und her ist. Dieses Verhalten entspricht dem eines echten Händlers. Die Forscher verifizierten, dass ihre mathematischen Regeln für die Strafen stark genug waren, um zu verhindern, dass der Computer unmögliche oder fehlerhafte Pfade wählt. Sie bewiesen, dass, wenn die Gewichtungen der Strafen korrekt gesetzt sind, der Zustand niedrigster Energie, den der Computer findet, immer einen gültigen, profitablen Handelszyklus darstellt.

Diese Arbeit stellt einen Schritt nach vorn dar, um das Quantencomputing für die Finanzwelt nützlich zu machen. Durch die Schaffung eines Modells, das sowohl realistisch als auch effizient ist, haben die Forscher einen Bauplan dafür geliefert, wie diese leistungsstarken Maschinen zur Lösung praktischer Handelsprobleme eingesetzt werden können. Obwohl die aktuellen Tests in Simulationen durchgeführt wurden, deuten die Ergebnisse darauf hin, dass dieser Ansatz genutzt werden könnte, um profitable Möglichkeiten zu finden, die derzeit durch die Komplexität des Marktes verborgen sind, sobald echte Quantenhardware bereit ist. Die Forscher planen, ihr Modell in Zukunft auf echten Quantenmaschinen zu testen, um zu sehen, ob es die besten klassischen Computer in der realen Welt übertreffen kann. Für den Moment haben sie gezeigt, dass es möglich ist, ein System zu bauen, das die chaotischen Details realer Märkte respektiert und gleichzeitig einfach genug bleibt, damit die nächste Generation von Computern damit umgehen kann.