Quantum Weighted Moving Average for Predicting Limit Order Book Trends

Nel frenetico mondo del trading ad alta frequenza, dove le fortune si fanno e si perdono in un battito di ciglia, il mercato parla un linguaggio di ordini. Prima che il prezzo di un'azione si muova, esso sussurra attraverso un registro digitale noto come libro degli ordini limitati (limit order book). Questo registro è una registrazione in costante mutamento di ogni acquirente e venditore in attesa di scambiare, elencando i prezzi desiderati e il numero di azioni che intendono negoziare. È una serie temporale multivariata, un complesso flusso di punti dati che evolvono in millisecondi, catturando la tensione tra offerta e domanda. Per decenni, i trader umani e i computer classici hanno cercato di trovare schemi in questo rumore, utilizzando strumenti matematici per smussare il caos e prevedere se il prezzo salirà, scenderà o rimarrà invariato. Uno di questi strumenti è la media mobile, un metodo semplice che osserva la storia dei prezzi per indovinare il futuro, trattando i dati recenti come una guida per ciò che verrà dopo.

Ora, un team di ricercatori pone una domanda audace: possono le regole strane e controintuitive della meccanica quantistica aiutarci a leggere meglio questo registro? I computer quantistici, che utilizzano le proprietà delle particelle subatomiche per elaborare informazioni, hanno mostato promesse in campi come la chimica e la crittografia, ma la loro applicazione ai mercati finanziari rimane ampiamente non testata. La sfida non riguarda solo la velocità pura; si tratta di trovare un modo per tradurre i dati disordinati e reali dei mercati azionari in un formato che una macchina quantistica possa comprendere e apprendere. Se avesse successo, ciò potrebbe aprire una nuova porta per la previsione finanziaria, offrendo potenzialmente una nuova lente attraverso cui osservare l'intricata danza del capitale globale.

I ricercatori, lavorando da centri a Singapore e Zurigo, si sono posti l'obiettivo di costruire un modello quantistico progettato specificamente per prevedere i trend in questi libri degli ordini. Non hanno semplicemente cercato di costringere un computer quantistico a fare ciò che un computer classico fa già; al contrario, hanno progettato una nuova architettura chiamata Media Mobile Pesata Quantistica (Quantum Weighted Moving Average). Per capire come funziona, immaginate il computer quantistico come una macchina capace di contenere molte possibilità contemporaneamente. I ricercatori hanno prima preso i dati grezzi dal libro degli ordini — prezzi e volumi dai primi dieci livelli del mercato — e li hanno puliti utilizzando una tecnica chiamata normalizzazione bilineare. Questo passaggio è cruciale; scala i dati in modo che la macchina quantistica possa elaborarli senza essere confusa dall'enorme dimensione dei numeri, proprio come si regola il contrasto di una fotografia per rendere visibili i dettagli.

Una volta preparati i dati, il team li ha inseriti nel circuito quantistico. Il cuore del loro metodo prevede una tecnica nota come combinazione lineare di unitari. In termini semplici, ciò significa che il computer quantistico prende le informazioni da diversi momenti nel tempo e le fonde insieme in un modo specifico. Ogni momento passato è trattato come un pezzo distinto di un puzzle, e la macchina quantistica assegna un peso a ciascun pezzo, decidendo quanta importanza dare al passato rispetto al presente. I ricercatori hanno permesso al modello di apprendere questi pesi automaticamente, lasciando che la macchina capisse quali momenti della storia dell'azione fossero più predittivi per il futuro. Hanno anche creato versioni più semplici di questo modello, inclusa una che imita una comune media mobile esponenziale, uno strumento finanziario diffuso che dà più peso agli eventi recenti e meno a quelli più vecchi.

Per testare la loro creazione, il team ha utilizzato due dataset del mondo reale. Il primo era una nota collezione di dati provenienti da cinque titoli finlandesi, contenente milioni di eventi di trading registrati nell'arco di dieci giorni. Il secondo era un dataset di titoli cinesi. Hanno eseguito i loro modelli quantistici attraverso migliaia di simulazioni, confrontando le loro prestazioni contro i migliori modelli di machine learning classici attualmente disponibili. I risultati sono stati sorprendenti nella loro equilibrio. I modelli quantistici non hanno superato quelli classici; infatti, non hanno mostrato un chiaro "vantaggio quantistico" che li renderebbe più veloci o potenti della tecnologia esistente. Tuttavia, hanno performato in modo notevole, eguagliando l'accuratezza dei migliori modelli classici in molti scenari. Ciò suggerisce che l'approccio quantistico è percorribile e capace di catturare gli schemi essenziali nei dati, anche senza un massiccio incremento di velocità.

Lo studio ha rivelato alcune sfumature importanti su come questi modelli apprendono. I ricercatori hanno scoperto che il modo in cui i dati venivano normalizzati era molto più importante della complessità del circuito quantistico stesso. Quando hanno utilizzato la tecnica di normalizzazione corretta, i modelli quantistici hanno prosperato. Hanno anche scoperto che la macchina quantistica era particolarmente brava a concentrarsi sulle parti più predittive della serie temporale. Nelle versioni più semplici del modello, dove i pesi erano fissati per seguire un decadimento esponenziale — ovvero la macchina riceveva l'istruzione di prestare più attenzione ai dati più recenti — essa ha performato quasi quanto la versione più complessa che doveva apprendere i pesi da zero. Ciò implica che per le previsioni a breve termine, la storia più recente è spesso la più preziosa, e un approccio strutturato alla ponderazione di questi dati può essere efficace quanto uno completamente appreso.

Nonostante questi successi, i ricercatori sono stati cauti nel moderare le aspettative. Hanno dichiarato esplicitamente che il loro lavoro non prova che i computer quantistici siano attualmente superiori a quelli classici per questo compito. Gli esperimenti sono stati esegtti su simulatori, non su hardware quantistico reale, che è ancora nelle sue fasi iniziali e rumorose. I modelli costruiti richiedono un processo chiamato post-selezione, in cui il computer deve scartare molti tentativi per ottenere la risposta corretta, un passaggio che sarebbe molto lento sulle attuali macchine fisiche. Inoltre, i dataset utilizzati presentano dei limiti; il modo in cui i dati sono stati campionati e etichettati potrebbe introdurre bias che influenzano la capacità dei modelli di generalizzare nel mondo reale. I ricercatori hanno notato che i dataset spesso mancano della granularità necessaria per testare appieno il potenziale degli algoritmi quantistici, e che l'attuale generazione di hardware non è ancora abbastanza potente da gestire i flussi di dati massicci e finemente granulari di un mercato dal vivo.

Il documento conclude che, sebbene il sogno di un computer quantistico che rivoluzioni il trading azionario non sia ancora una realtà, la strada da seguire è più chiara. Il modello della media mobile pesata quantistica funge da pietra miliare, provando che i metodi quantistici possono essere adattati per gestire le complesse serie temporali multivariate dei mercati finanziari. Dimostra che con la giusta pre-elaborazione e un design ponderato, le macchine quantistiche possono imparare a leggere i sussurri del mercato altrettanto bene dei computer classici. I passi successivi, suggeriscono gli autori, comportano il test di questi modelli su hardware quantistico reale e il perfezionamento della preparazione dei dati per adattarsi meglio ai vincoli unici di queste nuove macchine. Per ora, il lavoro rappresenta una solida dimostrazione che il calcolo quantistico non è solo una curiosità teorica per la finanza, ma uno strumento pratico che sta iniziando a trovare il proprio spazio nel mondo rumoroso e ad alta posta in gioco del trading.