Resource-Efficient QUBO Formulation for Anchored Currency Arbitrage

No mundo de alta velocidade das finanças globais, o dinheiro está em constante movimento entre diferentes países, e o preço de uma moeda contra outra muda a cada segundo. Às vezes, esses preços ficam dessincronizados. Se um negociante compra uma moeda em um mercado e a vende em outro, depois compra uma terceira e, finalmente, vende essa terceira de volta para a moeda original, ele pode acabar com mais dinheiro do que começou. Isso é chamado de arbitragem cambial. É uma forma de lucrar com pequenos erros no mercado. No entanto, encontrar esses ciclos lucrativos é incrivelmente difícil. Com dezenas de moedas disponíveis, o número de caminhos de negociação possíveis é tão vasto que verificar cada um deles à mão ou com um computador padrão é como tentar contar cada grão de areia em uma praia. O problema torna-se ainda mais difícil quando se adicionam regras do mundo real, como começar com uma moeda específica que você já possui e pagar uma pequena taxa para cada negociação realizada.

Pesquisadores Eric Reinhardt e Adam Hauser, da Universidade do Alabama, desenvolveram uma nova maneira de resolver este quebra-cabeça usando um método chamado otimização binária quadrática não restrita, ou QUBO. Esta abordagem é projetada para funcionar com tipos especiais de computadores, incluindo futuras máquinas quânticas, que são construídas para encontrar o estado de menor energia de um sistema, o que corresponde à melhor solução para um problema. A equipe criou um modelo matemático que força o computador a procurar o ciclo de negociação mais lucrativo enquanto obedece estritamente às regras de começar com uma moeda fixa e pagar taxas de transação. O trabalho deles mostra que este novo modelo é muito mais eficiente do que tentativas anteriores, exigindo menos blocos de construção para resolver o problema. Eles provaram que seu método pode encontrar o caminho exato mais lucrativo, mesmo quando os lucros são tão pequenos quanto uma fração de um centavo, e demonstraram que esta abordagem poderá ser avaliada em hardware quântico real no futuro.

Os pesquisadores começaram reconhecendo que, embora encontrar um ciclo lucrativo seja teoricamente possível, fazê-lo rapidamente é um grande desafio. Em um mercado perfeitamente equilibrado, negociar de um lado para o outro deixaria você exatamente com o que começou, menos as taxas. Mas no mundo real, existem desequilíbrios minúsculos. Imagine um mapa onde algumas estradas são ligeiramente mais baratas para percorrer do que outras; um viajante inteligente encontraria uma rota que retorna ao ponto de partida economizando dinheiro. A dificuldade reside na enorme quantidade de rotas. Se houver dez moedas, o número de caminhos possíveis cresce tão rápido que um computador teria que verificar bilhões de combinações para ter certeza de que encontrou o melhor. Tentativas anteriores de usar QUBO para resolver isso tiveram que simplificar o problema, muitas vezes ignorando o custo das taxas ou a necessidade de começar de uma moeda específica, o que tornava as soluções menos úteis para negociantes reais.

Reinhardt e Hauser construíram um modelo mais realista que inclui essas restrições. Eles projetaram um sistema onde o computador deve escolher uma sequência de moedas a visitar, garantindo que nunca visite a mesma moeda duas vezes seguidas e sempre retorne ao ponto de partida. Crucialmente, eles adicionaram uma penalidade para cada etapa da jornada para representar as taxas de negociação. Isso força o computador a encontrar um caminho que não seja apenas longo e sinuoso, mas que seja realmente lucrativo após o pagamento dos custos. Eles também introduziram um truque inteligente para tornar a matemática mais fácil de lidar para o computador. Os números que representam os preços das moedas podem ser muito grandes, enquanto o lucro real de uma negociação é minúsculo. Essa diferença de escala pode confundir o hardware. Os pesquisadores aplicaram um ajuste matemático que reduz todos os números para a mesma escala pequena, tornando possível para a máquina ver os lucros minúsculos claramente sem se perder nos números grandes.

Para testar sua ideia, a equipe usou um computador clássico para simular como uma máquina quântica se comportaria. Eles compararam seu novo método com outras cinco formas existentes de configurar o problema. Em todos os testes, o novo modelo foi o único que consistentemente encontrou a solução exata mais lucrativa, mesmo quando as taxas de negociação foram incluídas. Eles descobriram que seu método exigia menos variáveis, ou "qubits lógicos", do que as outras abordagens. Este é um avanço significativo porque os computadores quânticos atuais têm um número limitado de variáveis disponíveis. Os pesquisadores calcularam que seu método pode ser adequado para testes futuros em hardware de recozimento quântico, envolvendo dezessete moedas diferentes e um máximo de quatorze etapas, identificando esses tamanhos como potencialmente adequados para testes de hardware no futuro. Este é um tamanho de problema que seria impossível de resolver simplesmente listando todas as opções possíveis, o que exigiria a verificação de mais de cinquenta e nove trilhões de caminhos diferentes.

O estudo também analisou o desempenho do método à medida que o problema aumentava. Quando o testaram com até treze moedas, a simulação encontrou a resposta perfeita todas as vezes. No entanto, conforme o número de moedas aumentou para quatorze, a simulação às vezes perdeu o caminho absolutamente melhor, embora tenha encontrado um muito bom. Os pesquisadores observaram que, em um computador padrão, um método mais antigo chamado algoritmo de Held–Karp ainda era muito mais rápido para encontrar a resposta. Isso significa que, por enquanto, o novo método não é mais rápido em computadores comuns. Seu verdadeiro valor reside no seu potencial de rodar em hardware quântico, onde as regras da física podem permitir que resolva esses problemas muito mais rápido do que qualquer computador clássico jamais conseguiria.

A equipe também explorou como as taxas de negociação afetavam os resultados. Eles mostraram que, quando as taxas são altas, o computador para corretamente de procurar loops longos e complexos e escolhe o caminho mais curto, que é frequentemente uma negociação rápida de ida e volta. Esse comportamento corresponde ao que um negociante real faria. Os pesquisadores verificaram que suas regras matemáticas para as penalidades eram fortes o suficiente para impedir que o computador escolhesse caminhos impossíveis ou quebrados. Eles provaram que, se os pesos das penalidades forem definidos corretamente, o estado de menor energia que o computador encontra será sempre um ciclo de negociação válido e lucrativo.

Este trabalho representa um passo à frente na utilidade da computação quântica para as finanças. Ao criar um modelo que é tanto realista quanto eficiente, os pesquisadores forneceram um roteiro de como usar essas máquinas poderosas para resolver problemas práticos de negociação. Embora os testes atuais tenham sido feitos em simulações, os resultados sugerem que, quando o hardware quântico real estiver pronto, esta abordagem poderá ser usada para encontrar oportunidades lucrativas que estão atualmente ocultas pela complexidade do mercado. Os pesquisadores planejam levar seu modelo para máquinas quânticas reais no futuro para ver se ele pode superar os melhores computadores clássicos no mundo real. Por enquanto, eles mostraram que é possível construir um sistema que respeite os detalhes desordenados dos mercados reais, mantendo-se simples o suficiente para que a próxima geração de computadores possa lidar com eles.