Quantum Weighted Moving Average for Predicting Limit Order Book Trends

In de bruisende wereld van high-frequency trading, waar fortuinen in een oogwenk worden gemaakt en verloren, spreekt de markt een taal van orders. Voordat een aandelenkoers beweegt, fluistert het via een digitaal grootboek dat bekend staat als het limit order book. Dit grootboek is een voortdurend veranderend verslag van elke koper en verkoper die klaarstaat om te handelen, waarin hun gewenste prijzen en het aantal aandelen dat ze willen verhandelen worden vermeld. Het is een multivariate tijdreeks, een complexe stroom van datapunten die zich over milliseconden evolueren en de spanning tussen vraag en aanbod vastleggen. Decennialang hebben menselijke handelaren en klassieke computers geprobeerd patronen in deze ruis te vinden, waarbij ze wiskundige instrumenten gebruikten om de chaos te verzachten en te voorspellen of de prijs zal stijgen, dalen of gelijk blijft. Een dergelijk instrument is het voortschrijdend gemiddelde, een eenvoudige methode die naar de geschiedenis van prijzen kijkt om de toekomst te raden, waarbij recente data worden behandeld als een gids voor wat er volgt.

Nu stelt een team onderzoekers een gedurfde vraag: kunnen de vreemde, contra-intuïtieve regels van de kwantummechanica ons helpen om dit grootboek beter te lezen? Kwantumcomputers, die eigenschappen van subatomaire deeltjes gebruiken om informatie te verwerken, hebben veelbelovend gebleken in velden zoals chemie en cryptografie, maar hun toepassing op financiële markten is grotendeels ongetest gebleven. De uitdaging gaat niet alleen over pure snelheid; het gaat over het vinden van een manier om de rommelige, echte werelddata van aandelenmarkten te vertalen naar een formaat dat een kwantummachine kan begrijpen en waar zij van kan leren. Indien succesvol, zou dit een nieuwe deur kunnen openen voor financiële voorspellingen, wat potentieel een nieuwe lens biedt waardoor de ingewikkelde dans van mondiaal kapitaal bekeken kan worden.

De onderzoekers, werkzaam vanuit centra in Singapore en Zürich, gingen van start met het bouwen van een kwantummodel dat specifiek is ontworend om trends in deze orderboeken te voorspellen. Ze probeerden niet simpelweg een kwantumcomputer te dwingen te doen wat een klassieke computer al doet; in plaats daarvan ontwierpen ze een nieuwe architectuur genaamd de Quantum Weighted Moving Average. Om te begrijpen hoe dit werkt, stel je de kwantumcomputer voor als een machine die vele mogelijkheden tegelijkertijd kan vasthouden. De onderzoekers namen eerst de ruwe data uit het orderboek — prijzen en volumes van de top tien niveaus van de markt — en reinigden deze met een techniek genaamd bilineaire normalisatie. Deze stap is cruciaal; het schaalt de data zodat de kwantummachine deze kan verwerken zonder in de war te raken door de enorme omvang van de getallen, vergelijkbaar met het aanpassen van het contrast op een foto om de details zichtbaar te maken.

Zodod de data waren voorbereid, voedde het team deze aan de kwantumcircuit. De kern van hun methode omvat een techniek die bekend staat als een lineaire combinatie van unitaries. In gewone taal betekent dit dat de kwantumcomputer de informatie van verschillende momenten in de tijd neemt en deze op een specifieke manier mengt. Elk moment uit het verleden wordt behandeld als een afzonderlijk stukje van een puzzel, en de kwantummachine wijst een gewicht toe aan elk stukje, waarbij wordt beslist hoeveel belang er aan het verleden versus het heden moet worden gehecht. De onderzoekers lieten het model deze gewichten automatisch leren, waardoor de machine zelf kon uitzoeken welke momenten in de geschiedenis van het aandeel het meest voorspellend waren voor de toekomst. Ze creëerden ook eenvoudigere versies van dit model, waaronder één die een standaard exponentieel voortschrijdend gemiddelde nabootst, een veelgebruikt financieel instrument dat meer gewicht geeft aan recente gebeurtenissen en minder aan oudere.

Om hun creatie te testen, gebruikten het team twee real-world datasets. De eerste was een bekende collectie data van vijf Finse aandelen, die miljoenen handelsgebeurtenissen bevatte die over tien dagen werden geregistreerd. De tweede was een dataset van Chinese aandelen. Ze draalden hun kwantummodellen door duizenden simulaties en vergeleken hun prestaties met de beste klassieke machine learning-modellen die momenteel beschikbaar zijn. De resultaten waren verrassend in hun balans. De kwantummodellen presteerden niet beter dan de klassieke modellen; ze toonden zelfs geen duidelijk "kwantumvoordeel" dat hen sneller of krachtiger zou maken dan de bestaande technologie. Echter, ze presteerden opmerkelijk goed en evenaarden de nauwkeurigheid van de beste klassieke modellen in veel scenario's. Dit sugggeert dat de kwantumbenadering levensvatbaar is en in staat is om de essentiële patronen in de data te vangen, zelfs zonder een enorme snelheidsboost.

De studie onthulde enkele belangrijke nuances over hoe deze modellen leren. De onderzoekers ontdekten dat de manier waarop de data werd genormaliseerd veel belangrijker was dan de complexiteit van het kwantumcircuit zelf. Wanneer ze de juiste normalisatietechniek gebruikten, bloeiden de kwantummodellen op. Ze ontdekten ook dat de kwantummachine bijzonder goed was in het focussen op de meest voorspellende delen van de tijdreeks. In de eenvoudigere versies van het model, waarbij de gewichten vaststonden volgens een exponentiële afname — wat betekent dat de machine werd verteld om meer aandacht te besteden aan de meest recente data — presteerde het bijna net zo goed als de complexere versie die de gewichten zelfstandig moest leren. Dit impliceert dat voor kortetermijnvoorspellingen de meest recente geschiedenis vaak de meest waardevolle is, en dat een gestructureerde aanpak van het wegen van deze data net zo effectief kan zijn als een volledig geleerd model.

Ondanks deze successen waren de onderzoekers voorzichtig om de verwachtingen te temperen. Ze verklaarden expliciet dat hun werk niet bewijst dat kwantumcomputers momenteel superieur zijn aan klassieke computers voor deze taak. De experimenten werden uitgevoerd op simulators, niet op daadwerkelijke kwantumhardware, die zich nog in een vroege, ruisige fase bevindt. De modellen die zij bouwden vereisen een proces genaand post-selectie, waarbij de computer veel pogingen moet weggooien om het juiste antwoord te krijgen, een stap die op huidige fysieke machines erg traag zou zijn. Bovendien hebben de datasets die zij gebruikten beperkingen; de manier waarop de data werd gesampled en gelabeld, kan biases introduceren die de algemene toepasbaarheid van de modellen beïnvloeden. De onderzoekers merkten op dat de datasets vaak de granulariteit missen die nodig is om het potentieel van kwantumalgoritmen volledig te testen, en dat de huidige generatie hardware nog niet krachtig genoeg is om de enorme, fijnmazige datastromen van een live markt aan te kunnen.

Het artikel concludeert dat hoewel de droom van een kwantumcomputer die de aandelenhandel revolutioneert nog geen realiteit is, de weg vooruit duidelijker is geworden. De Quantum Weighted Moving Average-model dient als een steen des doods, die bewijst dat kwantummethoden kunnen worden afgestemd om de complexe, multivariate tijdreeksen van financiële markten te verwerken. Het laat zien dat met de juiste voorbewerking en een doordachte vormgeving, kwantummachines kunnen leren om de fluisteringen van de markt net zo goed te lezen als klassieke computers. De volgende stappen, suggereren de auteurs, omvatten het testen van deze modellen op daadwerkelijke kwantumhardware en het verfijnen van de datapreparatie om beter aan te sluiten bij de unieke beperkingen van deze nieuwe machines. Voor nu staat het werk als een solide demonstratie dat kwantumcomputing niet slechts een theoretische curiositeit is voor de financiële sector, maar een praktisch hulpmiddel dat begint voet aan de grond te krijgen in de ruisige, risicovolle wereld van de handel.