Resource-Efficient QUBO Formulation for Anchored Currency Arbitrage

En el mundo de alta velocidad de las finanzas globales, el dinero se mueve constantemente entre diferentes países, y el precio de una moneda frente a otra cambia cada segundo. A veces, estos precios se desincronizan. Si un operador compra una moneda en un mercado y la vende en otro, luego compra una tercera y finalmente vende esa tercera de vuelta a la moneda original, podría terminar con más dinero del que empezó. Esto se llama arbitraje de divisas. Es una forma de obtener beneficios de los pequeños errores en el mercado. Sin embargo, encontrar estos ciclos rentables es increíblemente difícil. Con docenas de divisas disponibles, el número de rutas comerciales posibles es tan vasto que comprobar cada una de ellas a mano o con una computadora estándar es como intentar contar cada grano de arena en una playa. El problema se vuelve aún más difícil cuando se añaden reglas del mundo real, como empezar con una moneda específica que ya posees y pagar una pequeña comisión por cada operación realizada.

Los investigadores Eric Reinhardt y Adam Hauser, de la Universidad de Alabama, han desarrollado una nueva forma de resolver este rompecabezas utilizando un método llamado optimización binaria cuadrática sin restricciones, o QUBO. Este enfoque está diseñado para trabajar con tipos especiales de computadoras, incluyendo futuras máquinas cuánticas, que están construidas para encontrar el estado de menor energía de un sistema, lo cual corresponde a la mejor solución para un problema. El equipo creó un modelo matemático que obliga a la computadora a buscar el ciclo de negociación más rentable mientras obedece estrictamente las reglas de comenzar con una moneda fija y pagar comisiones de transacción. Su trabajo demuestra que este nuevo modelo es mucho más eficiente que los intentos anteriores, requiriendo menos bloques de construcción para resolver el problema. Demostraron que su método puede encontrar la ruta exacta más rentable, incluso cuando las ganancias son tan pequeñas como una fracción de un centavo, y demostraron que este enfoque es adecuado para ser evaluado en hardware cuántico en el futuro.

Los investigadores comenzaron reconociendo que, si bien encontrar un ciclo rentable es teóricamente posible, hacerlo rápidamente es un desafío importante. En un mercado perfectamente equilibrado, comerciar de un lado a otro te dejaría exactamente con lo que empezaste, menos las comisiones. Pero en el mundo real, existen desequilibrios diminutos. Imagina un mapa donde algunas carreteras son ligeramente más baratas de recorrer que otras; un viajero inteligente encontraría una ruta que regrese al punto de partida ahorrando dinero. La dificultad radica en la enorme cantidad de rutas. Si hay diez divisas, el número de rutas posibles crece tan rápido que una computadora tendría que comprobar miles de millones de combinaciones para estar segura de haber encontrado la mejor. Los intentos previos de usar QUBO para resolver esto tuvieron que simplificar el problema, a menudo ignorando el costo de las comisiones o la necesidad de comenzar desde una moneda específica, lo que hacía que las soluciones fueran menos útiles para los operadores reales.

Reinhardt y Hauser construyeron un modelo más realista que incluye estas restricciones. Diseñaron un sistema donde la computadora debe elegir una secuencia de divisas a visitar, asegurando que nunca visite la misma divisa dos veces seguidas y siempre regrese al punto de partida. Crucialmente, añadieron una penalización por cada paso en el viaje para representar las comisiones comerciales. Esto obliga a la computadora a encontrar una ruta que no sea solo larga y sinuosa, sino que sea realmente rentable después de pagar los costos. También introdujeron un truco ingenioso para facilitar las matemáticas para la computadora. Los números que representan los precios de las divisas pueden ser muy grandes, mientras que la ganancia real de una operación es minúscula. Esta diferencia de escala puede confundir al hardware. Los investigadores aplicaron un ajuste matemático que reduce todos los números a la misma escala pequeña, haciendo posible que la máquina vea las diminutas ganancias claramente sin perderse en los números grandes.

Para probar su idea, el equipo utilizó una computadora clásica para simular cómo se comportaría una máquina cuántica. Compararon su nuevo método contra otras cinco formas existentes de configurar el problema. En cada prueba, su nuevo modelo fue el único que encontró consistentemente la solución exacta, incluso cuando se incluyeron las comisiones comerciales. Descubrieron que su método requería menos variables, o "qubits lógicos", que cualquiera de los otros enfoques. Esta es una ventaja significativa porque las computadoras cuánticas actuales tienen un número limitado de estas variables disponibles. Los investigadores calcularon que su método podría ser adecuado para pruebas de hardware cuántico de recocido (quantum-annealing) en el futuro con un problema que involucre diecisiete divisas diferentes y un máximo de catorce pasos, identificando estos tamaños como potencialmente adecuados para futuros tests de hardware. Este es un tamaño de problema que sería imposible de resolver simplemente enumerando todas las opciones posibles, lo que requeriría comprobar más de cincuenta y nueve billones de rutas diferentes.

El estudio también analizó qué tan bien funcionaba el método a medida que el problema se hacía más grande. Cuando probaron con hasta trece divisas, la simulación encontró la respuesta perfecta en cada ocasión. Sin embargo, cuando el número de divisas aumentó a catorce, la simulación a veces perdió el camino absoluto más rentable, aunque encontró uno muy bueno. Los investigadores señalaron que, en una computadora estándar, un método diferente y más antiguo llamado algoritmo de Held–Karp sigue siendo mucho más rápido para encontrar la respuesta. Esto significa que, por ahora, el nuevo método no es más rápido en computadoras regulares. Su verdadero valor reside en su potencial para ejecutarse en hardware cuántico, donde las reglas de la física podrían permitirle resolver estos problemas mucho más rápido de lo que cualquier computadora clásica podría jamás.

El equipo también exploró cómo afectaban las comisiones comerciales a los resultados. Mostraron que cuando las comisiones son altas, la computadora deja correctamente de buscar bucles largos y complejos y, en su lugar, elige la ruta más corta, que suele ser un intercambio rápido de ida y vuelta. Este comportamiento coincide con lo que haría un operador real. Los investigadores verificaron que sus reglas matemáticas para las penalizaciones eran lo suficientemente fuertes como para evitar que la computadora eligiera rutas imposibles o rotas. Demostraron que si los pesos de las penalizaciones se configuran correctamente, el estado de menor energía que encuentra la computadora será siempre un ciclo de negociación válido y rentable.

Este trabajo representa un paso adelante en la utilidad de la computación cuántica para las finanzas. Al crear un modelo que es tanto realista como eficiente, los investigadores han proporcionado un plano sobre cómo utilizar estas poderosas máquinas para resolver problemas comerciales prácticos. Aunque las pruebas actuales se realizaron en simulaciones, los resultados sugieren que, cuando el hardware cuántico real esté listo, este enfoque podría utilizarse para encontrar oportunidades rentables que actualmente están ocultas por la complejidad del mercado. Los investigadores planean llevar su modelo a máquinas cuánticas reales en el futuro para ver si puede superar a las mejores computadoras clásicas en el mundo real. Por ahora, han demostrado que es posible construir un sistema que respete los detalles desordenados de los mercados reales mientras se mantiene lo suficientemente simple como para que la próxima generación de computadoras pueda manejarlo.