Resource-Efficient QUBO Formulation for Anchored Currency Arbitrage

Dans le monde de la haute finance mondiale, l'argent circule constamment entre différents pays, et le prix d'une devise par rapport à une autre change chaque seconde. Parfois, ces prix se désynchronisent. Si un trader achète une devise sur un marché, la vend sur un autre, en achète une troisième, puis revend cette troisième pour revenir à la devise d'origine, il peut se retrouver avec plus d'argent qu'au départ. C'est ce qu'on appelle l'arbitrage de devises. C'est un moyen de réaliser un profit à partir de minuscules erreurs du marché. Cependant, trouver ces boucles rentables est incroyablement difficile. Avec des dizaines de devises disponibles, le nombre de chemins de trading possibles est si vaste que vérifier chaque chemin à la main ou avec un ordinateur standard revient à essayer de compter chaque grain de sable sur une plage. Le problème devient encore plus complexe lorsqu'on ajoute des règles du monde réel, comme commencer avec une devise spécifique que l'on détient déjà et payer de petits frais pour chaque transaction effectuée.

Les chercheurs Eric Reinhardt et Adam Hauser de l'Université de l'Alabama ont développé une nouvelle façon de résoudre ce casse-tête en utilisant une méthode appelée optimisation binaire quadratique non contrainte, ou QUBO. Cette approche est conçue pour fonctionner avec des types spéciaux d'ordinateurs, y compris les futures machines quantiques, qui sont construites pour trouver l'état d'énergie le plus bas d'un système, ce qui correspond à la meilleure solution pour un problème. L'équipe a créé un modèle mathématique qui force l'ordinateur à rechercher le cycle de trading le plus rentable tout en respectant strictement les règles consistant à partir d'une devise fixe et à payer des frais de transaction. Leur travail montre que ce nouveau modèle est beaucoup plus efficace que les tentatives précédentes, nécessitant moins de blocs de construction pour résoudre le problème. Ils ont prouvé que leur méthode peut trouver le chemin exact le plus avantageux, même lorsque les profits ne sont qu'une fraction de centime, et ils ont démontré que cette approche est prête à être évaluée sur du matériel quantique futur.

Les chercheurs ont commencé par reconnaître que, bien que la recherche d'une boucle rentable soit théoriquement possible, le faire rapidement est un défi majeur. Dans un marché parfaitement équilibré, échanger de l'aller-retour vous laisserait exactement avec ce que vous aviez au départ, moins les frais. Mais dans le monde réel, de minuscules déséquilibres existent. Imaginez une carte où certaines routes sont légèrement moins chères à parcourir que d'autres ; un voyageur intelligent trouverait un itinéraire qui boucle vers le point de départ tout en économisant de l'argent. La difficulté réside dans le nombre immense de routes. S'il y a dix devises, le nombre de chemins possibles croît si vite qu'un ordinateur devrait vérifier des milliards de combinaations pour être sûr de trouver le meilleur. Les tentatives précédentes d'utilisation de QUBO pour résoudre cela ont dû simplifier le problème, ignorant souvent le coût des frais ou la nécessité de partir d'une devise spécifique, ce qui rendait les solutions moins utiles pour les vrais traders.

Reinhardt et Hauser ont construit un modèle plus réaliste qui inclut ces contraintes. Ils ont conçu un système où l'ordinateur doit choisir une séquence de devises à visiter, en veillant à ne jamais visiter la même devise deux fois de suite et à toujours revenir au point de départ. De manière cruciale, ils ont ajouté une pénalité pour chaque étape du voyage afin de représenter les frais de transaction. Cela force l'ordinateur à trouver un chemin qui n'est pas seulement long et sinueux, mais réellement rentable après paiement des coûts. Ils ont également introduit une astuce ingénieuse pour faciliter les mathématiques pour l'ordinateur. Les nombres représentant les prix des devises peuvent être très grands, tandis que le profit réel d'une transaction est minuscule. Cette différence d'échelle peut dérouter le matériel. Les chercheurs ont appliqué un ajustement mathématique qui réduit tous les nombres à la même petite échelle, permettant à la machine de voir clairement les minuscules profits sans se perdre dans les grands nombres.

Pour tester leur idée, l'équipe a utilisé un ordinateur classique pour simuler le comportement d'une machine quantique. Ils ont comparé leur nouvelle méthode à cinq autres façons existantes de configurer le problème. Dans chaque test, leur nouveau modèle était le seul à trouver systématiquement la solution exacte, même lorsque les frais de transaction étaient inclus. Ils ont constaté que leur méthode nécessitait moins de variables, ou « qubits logiques », que les autres approches. C'est un avantage significatif car les ordinateurs quantiques actuels disposent d'un nombre limité de ces variables. Les chercheurs ont calculé que leur méthode pourrait être adaptée à des tailles de problèmes qui pourraient être appropriées pour de futurs tests sur du matériel de recuit quantique, identifiant ces tailles comme potentiellement adaptées aux tests matériels quantiques futurs. Il s'agit d'une taille de problème qui serait impossible à résoudre en listant simplement toutes les options possibles, ce qui nécessiterait de vérifier plus de cinquante-neuf mille milliards de chemins différents.

L'étude a également examiné la performance de la méthode à mesure que le problème s'agrandissait. Lorsqu'ils ont testé avec jusqu'à treize devises, la simulation a trouvé la réponse parfaite à chaque fois. Cependant, lorsque le nombre de devises passait à quatorze, la simulation manquait parfois le chemin absolument optimal, bien qu'elle trouve toujours un très bon chemin. Les chercheurs ont noté que sur un ordinateur standard, une méthode plus ancienne, l'algorithme de Held–Karp, était toujours beaucoup plus rapide pour trouver la réponse. Cela signifie que, pour l'instant, la nouvelle méthode n'est pas plus rapide sur les ordinateurs classiques. Sa véritable valeur réside dans son potentiel à s'exécuter sur du matériel quantique, où les lois de la physique pourraient lui permettre de résoudre ces problèmes bien plus rapidement que n'importe quel ordinateur classique ne le pourrait jamais.

L'équipe a également exploré l'effet des frais de transaction sur les résultats. Ils ont montré que lorsque les frais sont élevés, l'ordinateur cesse correctement de chercher des boucles longues et complexes pour choisir le chemin le plus court, qui est souvent un simple échange aller-retour. Ce comportement correspond à ce que ferait un vrai trader. Les chercheurs ont vérifié que leurs règles mathématiques pour les pénalités étaient assez fortes pour empêcher l'ordinateur de choisir des chemins impossibles ou erronés. Ils ont prouvé que si les poids des pénalités sont correctement définis, l'état d'énergie le plus bas trouvé par l'ordinateur sera toujours un cycle de trading valide et rentable.

Ce travail représente une avancée dans la rendre l'informatique quantique utile pour la finance. En créant un modèle qui est à la fois réaliste et efficace, les chercheurs ont fourni un schéma directeur sur la façon d'utiliser ces machines puissantes pour résoudre des problèmes de trading pratiques. Bien que les tests actuels aient été effectués sur des simulations, les résultats suggèrent que, lorsque le matériel quantique réel sera prêt, cette approche pourra être utilisée pour trouver des opportunités rentables actuellement cachées par la complexité du marché. Les chercheurs prévoient de porter leur modèle sur de véritables machines quantiques à l'avenir pour voir s'il peut surpasser les meilleurs ordinateurs classiques dans le monde réel. Pour l'instant, ils ont montré qu'il est possible de construire un système qui respecte les détails désordonnés des marchés réels tout en restant assez simple pour être géré par la prochaine génération d'ordinateurs.