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

Stel je voor dat je de kapitein bent van een enorm schip dat probeert te navigeren door een stormachtige oceaan om de meest waardevolle schat te vinden. Je doel is niet alleen om goud te vinden; het is om het meeste goud te vinden terwijl je het schip aan het zinken houdt, enorme golven vermijdt en ervoor zorgt dat je niet eindigt met een bemanning die allemaal dezelfde persoon is (wat riskant is als ze allemaal tegelijk zeeziek worden). Decennialang hebben kapiteins oude, betrouwbare kaarten en kompassen (klassieke wiskunde) gebruikt om hun koersen uit te zetten. Maar onlangs zijn er twee nieuwe, wilde technologieën gearriveerd: de een is een "kwantumkompas" dat de vreemde, spookachtige regels van het universum gebruikt om direct de beste route te raden, en de ander is een "robot-leerling" die leert door vallen en opstaan, in de hoop de regels van de oceaan te begrijpen terwijl hij vaart.

De grote vraag voor de moderne financiële wereld is: kunnen deze nieuwe, hoogtechnologische tools het beter doen dan de oude, vertrouwde methoden? Kunnen ze een "portfolio" (een verzameling beleggingen) opbouwen die meer geld oplevert met minder risico? Dit artikel duikt in exact dat gevecht. Het test drie verschillende "kapiteins" die dezelfde complexe puzzel proberen op te lossen: een fotonische kwantumcomputer (een machine die licht gebruikt om problemen op te lossen), een superintelligente klassieke computer-solver (een zeer strikte, regelvolgende wiskundige), en een deep reinforcement learning agent (een robot die leert door het spel te spelen). De onderzoekers wilden zien welke van hen de lastige regels van de markt kon hanteren—zoals het vermijden van enorme verliezen of het in balans houden van de portfolio—zonder te crashen.

De Grote Solver Showdown

In deze studie zetten de onderzoekers een enorme racebaan op met 164 maanden aan historische aandelenmarktdata. Ze vroegen aan drie zeer verschillende "chauffeurs" om een portfolio van 13 verschillende beleggingsstijlen (zoals "waarde", "momentum" en "kwaliteit") door dit parcours te sturen. Het doel was om rendementen te maximaliseren terwijl het risico op een catastrofale crash werd geminimaliseerd.

De Drie Pretendenten:

1. De Kwantum Lichtstraal (Dirac-3): Denk aan dit als een magische, gloeiende kristalbal. Het maakt gebruik van "fotonische annealing", wat lijkt op het sturen van een lichtstraal door een doolhof van spiegels om direct de uitgang te vinden. Het is ongelooflijk snel en kan soms een kortere route ontdekken die anderen missen.
2. De Strikte Accountant (Gurobi): Dit is een superkrachtige, ouderwetse wiskundige. Hij raadt niet; hij controleert elke enkele mogelijkheid met een methode genaamd "branch-and-bound". Het is als een detective die weigert de plaats delict te verlaten totdat hij precies heeft bewezen wie de dader is, wat garandeert dat het antwoord perfect en stabiel is.
3. De Robot-Leerling (SAC): Dit is een lerende robot die probeert de beste manier van rijden te leren door beloningen te krijgen voor goede zetten en straffen voor slechte zetten. Hij is flexibel en creatief, maar kan in de war raken als de regels te snel veranderen.

De Resultaten: Wie Won de Race?

Het paper vond dat er niet één enkele "beste" chauffeur is. In plaats daarvan heeft elke chauffeur een specifieke superkracht en een specifieke zwakte.

1. De Kwantum Lichtstraal: De High-Risk, High-Reward Ster
De fotonische kwantumcomputer (Dirac-3) was de ster van de show, maar alleen als je hem heel voorzichtig bestuurde. Wanneer de onderzoekers de instellingen perfect afstemden (specifiek wanneer ze een "volatiliteitsboete" op een zeer specifiek laag niveau instelden), behaalde het de hoogste scores.

• De Winst: Het bereikte een piek Sharpe-ratio van 0,760 en een Calmar-ratio van 0,567. In gewone mensentaal betekent dit dat het de beste balans vond tussen winst versus risico en de beste winst versus "hoe slecht de slechtste dag was". Het slaagde er ook in om de maximale daling in waarde (drawdown) te beperken tot slechts -2,63% in zijn beste configuratie.
• Het Addertje: Deze magie werkte alleen in een zeer kleine, nauwe marge. Als de onderzoekers de instellingen zelfs maar een klein beetje aanpasten, daalde de prestatie. Ook had de kwantumcomputer de neiging om bijna al zijn eieren in slechts enkele mandjes te leggen. Het concentreerde het geld vaak in slechts twee of drie factoren (zoals "accruals" en "investment"), waardoor er een portfolio ontstond waarbij de top 5 factoren meer dan 90% van het gewicht in handen hadden. Dit is geweldig als die factoren blijven werken, maar riskant als ze stoppen.

2. De Strikte Accountant: De Kampioen van Veiligheid Eerst
De klassieke solver (Gurobi) won niet de wedstrijd om de "hoogste score", maar was de meest betrouwbare.

• De Winst: Het bood de beste bescherming tegen de slechtste scenario's. Het behaalde de laagste CVaR (Conditional Value-at-Risk) van –0,863%, wat betekent dat het het beste was in het beperken van hoeveel geld er verloren zou gaan tijdens een ramp. Het hield de portfolio ook zeer goed gediversifieerd en liet de top 5 factoren nooit te veel overheersen.
• Het Addertje: De piekscores (zoals een Sharpe-ratio van 0,718) waren iets lager dan die van de kwantumcomputer. Echter, het crashte nooit en gaf telkens exact hetzelfde antwoord, ongeacht hoe vaak de test werd uitgevoerd. Het was de "saaie maar veilige" keuze die nooit faalde.

3. De Robot-Leerling: De Onvoorspelbare Wildcard
De reinforcement learning robot (SAC) was de meest onvoorspelbare.

• De Winst: In sommige specifieke scenario's met een laag risico, slaagde het erin om goede rendementen te vinden en hield het de portfolio goed gespreid (lage concentratie).
• Het Addertje: Het paper stelde vast dat deze robot een ernstig gebrek heeft. Wanneer de onderzoekers de robot vroegen om extra voorzichtig te zijn met "skewness" (een chique woord voor de vorm van de winstcurve) zonder een sterk vangnet, raakte de robot in paniek. Het begon 57,9% van al het geld in slechts twee factoren te steken, en in één geval nam een enkele factor 45,5% van de portfolio over. Dit leidde tot een "catastrofale mislukking" waarbij de prestaties van de robot instortten, met drawdowns die de -14,64% bereikten. Het paper sluit expliciet uit dat deze robot in zijn huidige vorm gebruikt kan worden voor hoogwaardige beleggingen, tenzij hij zwaar gesuperviseerd wordt, omdat hij de neiging heeft om een slechte strategie te "hallucineren" wanneer de regels complex worden.

De Belangrijkste Conclusie

Het paper concludeert dat we niet simpelweg kunnen zeggen "Quantum is beter" of "AI is beter". Het gaat erom de juiste tool bij de juiste taak te zoeken.

• Als je een risico-nemer bent die het absolute hoogst mogelijke rendement wil en bereid is te accepteren dat de portfolio geconcentreerd kan zijn in slechts enkele factoren, dan is de Kwantum Lichtstraal (Dirac-3) de winnaar, maar je moet hem perfect afstellen.
• Als je een voorzichtige belegger bent die wil garanderen dat je portfolio niet zal crashen en dat de resultaten reproduceerbaar zijn, dan is de Strikte Accountant (Gurobi) de beste keuze. Het biedt de meest stabiele bescherming tegen staartrisico's (tail-risk).
• De Robot-Leerling (SAC), hoewel veelbelovend, is momenteel te fragiel. Het paper waarschuwt dat zonder strikte randvoorwaarden de robot gemakkelijk in een val kan trappen waarbij hij al zijn geld op de verkeerde plekken concentreert, wat leถึง enorme verliezen.

Kortom, de toekomst van beleggen kan er wel eens zo uitzien dat men de kwantumcomputer gebruikt om het "geheime recept" voor hoge rendementen te vinden, maar vertrouwt op de strikte accountant om ervoor te zorgen dat het schip niet zinkt. En totdat de robot-leerling stabieler wordt, is het waarschijnlijk beter om hem in de trainingsruimte te houden.