Перейти к содержимому
The Algotrading Book

Глава 198: Торговые алгоритмы для NISQ

1. Введение

Ландшафт квантовых вычислений в середине 2020-х годов определяется эрой NISQ (Noisy Intermediate-Scale Quantum — шумные квантовые вычисления промежуточного масштаба) — термин, введённый Джоном Прескиллом в 2018 году для описания квантовых процессоров, содержащих от десятков до нескольких тысяч кубитов, но лишённых полной коррекции ошибок. Для алгоритмических трейдеров и специалистов по количественным финансам эра NISQ представляет собой одновременно захватывающую возможность и серьёзный вызов: квантовое оборудование существует и программируемо, но оно шумное, подвержено ошибкам и сильно ограничено в глубине схем, которые может надёжно выполнять.

Эта глава преодолевает разрыв между теоретическим обещанием квантового преимущества в финансах и практической реальностью того, что могут обеспечить NISQ-устройства сегодня. Мы исследуем, какие квантовые алгоритмы действительно жизнеспособны на текущем оборудовании, как методы подавления ошибок могут расширить границы точности и как строить торговые системы, осведомлённые о квантовом шуме и устойчивые к нему. Вместо ожидания отказоустойчивых квантовых компьютеров, которые могут появиться через годы или десятилетия, мы фокусируемся на извлечении ценности из несовершенных машин, доступных прямо сейчас.

Ключевой инсайт заключается в том, что NISQ-трейдинг — это не замена классических систем целиком. Это выявление конкретных вычислительных узких мест в торговых процессах — оптимизация портфеля, классификация признаков, оценка рисков — где неглубокие квантовые схемы могут предложить измеримое преимущество, даже при наличии шума.

2. Ландшафт NISQ: текущие аппаратные ограничения

Количество кубитов и связность

Современные NISQ-процессоры содержат от примерно 50 до 1200 кубитов в зависимости от платформы. Семейства IBM Eagle и Condor, преемники Google Sycamore, системы на ловушечных ионах IonQ и устройства серии H от Quantinuum — каждое предлагает различное количество кубитов, топологии связности и точности вентилей. Для торговых приложений эффективное число используемых кубитов часто значительно меньше заявленного, поскольку ограниченная связность кубитов вынуждает компилятор вставлять SWAP-вентили, которые потребляют глубину схемы и вносят дополнительные ошибки.

Время когерентности и глубина схемы

Каждый кубит имеет конечное время когерентности — окно, в течение которого его квантовое состояние остаётся пригодным для использования, прежде чем шум среды его испортит. Сверхпроводящие кубиты обычно обеспечивают время когерентности 100-300 микросекунд, тогда как кубиты на ловушечных ионах могут достигать секунд или даже минут. Однако вентильные операции тоже требуют времени: двухкубитный вентиль на сверхпроводящем чипе занимает 20-60 наносекунд, а двухкубитный вентиль на ловушечных ионах — 100-600 микросекунд. Практическая глубина схемы — максимальное число последовательных слоёв вентилей до того, как шум подавит сигнал — составляет приблизительно от 20 до 200 слоёв в зависимости от оборудования.

Для торговых алгоритмов это накладывает жёсткое ограничение: любое полезное квантовое вычисление должно завершиться в рамках неглубокой схемы. Глубокие алгоритмы, такие как факторизация Шора или полный поиск Гровера, просто невыполнимы на NISQ-устройствах.

Ошибки вентилей и ошибки измерений

Ошибки двухкубитных вентилей на современных NISQ-устройствах варьируются от 0,1% до 1,5%, а ошибки однокубитных вентилей обычно составляют 0,01%-0,1%. Ошибки измерений (считывания) могут составлять 0,5%-5%. Эти частоты ошибок накапливаются мультипликативно с глубиной схемы: схема со 100 двухкубитными вентилями при ошибке 0,5% на вентиль сохраняет лишь около 60% идеального сигнала. Это экспоненциальное затухание качества сигнала — центральная проблема NISQ-вычислений.

Последствия для трейдинга

Торговые приложения требуют надёжных, воспроизводимых результатов. Оптимизатор портфеля, выдающий разные ответы при каждом запуске, или классификатор, точность которого непредсказуемо деградирует, хуже бесполезного — он опасен. Торговые алгоритмы для NISQ должны поэтому проектироваться с нуля с учётом шума, включая подавление ошибок и статистическую валидацию как основные компоненты, а не второстепенные дополнения.

3. Алгоритмы, дружественные к NISQ

Алгоритмы, которые процветают на NISQ-оборудовании, разделяют общие черты: они используют неглубокие схемы, они вариационные (то есть переносят оптимизацию на классический компьютер), и они деградируют плавно при наличии шума.

Вариационный квантовый собственный решатель (VQE)

VQE изначально был разработан для нахождения энергий основного состояния молекул, но его вариационная структура делает его широко применимым. В трейдинге VQE может быть адаптирован для оптимизации портфеля путём кодирования функции стоимости (например, целевой функции среднее-дисперсия) как гамильтониана и использования параметризованной квантовой схемы (анзаца) для поиска оптимальных весов портфеля. Глубина схемы намеренно поддерживается малой, а классический оптимизатор (такой как COBYLA или SPSA) итеративно настраивает параметры схемы.

Вариант shallow-VQE ограничивает анзац 1-3 слоями параметризованных вращений и запутывающих вентилей, жертвуя выразительностью ради устойчивости к шуму. Для небольших задач портфеля (5-15 активов) shallow VQE может находить близкие к оптимальным решения даже при уровнях шума, типичных для текущего оборудования.

Квантовый алгоритм приближённой оптимизации (QAOA)

QAOA специально создан для задач комбинаторной оптимизации и естественно порождает неглубокие схемы. QAOA-p использует p слоёв чередующихся унитарных операторов задачи и смешивания, где каждый слой содержит один раунд фазовых вентилей кодирования задачи и один раунд вращений смешивания. QAOA-1 (один слой) — самый мелкий вариант, и он удивительно эффективен для определённых классов задач.

В трейдинге QAOA естественно отображается на задачи бинарной оптимизации, такие как выбор активов (решения купить/не купить), планирование исполнения сделок и дискретное распределение портфеля. Гамильтониан задачи кодирует ограничения и цели, а смеситель управляет исследованием пространства решений.

Вариационные квантовые классификаторы (VQC)

Вариационные классификаторы используют параметризованные квантовые схемы как обучаемые модели для задач классификации. Входные признаки (например, технические индикаторы, моментум цены, метрики волатильности) кодируются во вращения кубитов, обрабатываются через запутывающие слои и измеряются для получения предсказаний классов. Параметры обучаются с помощью классических оптимизаторов на основе градиентов или без них.

Для трейдинга VQC может классифицировать рыночные режимы (трендовый vs. возвратный к среднему), предсказывать направленные движения (вверх/вниз) или выявлять аномальные паттерны. Гипотеза квантового преимущества состоит в том, что экспоненциально большое гильбертово пространство, доступное даже нескольким кубитам, позволяет модели улавливать корреляции, которые не может уловить классическая модель с эквивалентным числом параметров.

Квантовые ядерные методы

Квантовые ядерные методы полностью обходят вариационную оптимизацию. Вместо этого они используют фиксированную квантовую схему для вычисления значений ядра — скалярных произведений в квантовом пространстве признаков — которые затем подаются в классическую машину опорных векторов (SVM) или гребневую регрессию с ядром. Квантовая схема отображает классические точки данных в квантовые состояния, а перекрытие между состояниями для разных точек данных определяет ядро.

Этот подход особенно дружественен к NISQ, потому что схемы обычно короткие, вычисление тривиально параллелизуемо (каждый элемент ядра независим), а классическая SVM обеспечивает устойчивые, хорошо изученные гарантии обучения.

4. Методы подавления ошибок

В отличие от полной квантовой коррекции ошибок (которая требует тысячи физических кубитов на один логический кубит), методы подавления ошибок работают в рамках ресурсного бюджета NISQ, используя постобработку и умное проектирование схем для уменьшения влияния шума.

Экстраполяция к нулевому шуму (ZNE)

ZNE концептуально элегантен: запускаем одну и ту же схему при нескольких уровнях шума, затем экстраполируем к пределу нулевого шума. На практике шум усиливается путём растяжения (свёртывания) вентилей — замены каждого вентиля U на U U^dagger U, что идеально реализует тот же унитарный оператор, но удваивает воздействие шума. Запуская при масштабных факторах шума 1x, 2x и 3x и аппроксимируя модель экспоненциального затухания, можно оценить ожидаемое значение при нулевом шуме.

Для торговых приложений ZNE особенно ценен, потому что он алгоритмо-агностичен: работает с VQE, QAOA и любым другим алгоритмом без модификации базовой структуры схемы.

Вероятностная компенсация ошибок (PEC)

PEC представляет шумные вентили как линейные комбинации идеальных операций, затем использует квази-вероятностную выборку для компенсации ошибок. Накладные расходы — экспоненциальное увеличение числа необходимых исполнений схемы (выстрелов), масштабирующееся как exp(шум * размер_схемы). Для неглубоких NISQ-схем эти накладные расходы управляемы, а подавление ошибок почти полное.

Подавление ошибок измерений

Ошибки считывания — одни из самых значительных и легко исправляемых на NISQ-устройствах. Подход прямолинеен: охарактеризовать ошибку измерения, подготавливая известные состояния и записывая результаты, построить матрицу ошибок (или калибровочную матрицу), а затем инвертировать её для коррекции измеренных распределений вероятностей. Это может уменьшить ошибку измерения с нескольких процентов до долей процента.

Динамическая развязка

Динамическая развязка вставляет последовательности тождественно-эквивалентных вентильных импульсов во время простоя в схеме для перефокусировки декогеренции. Хотя это преимущественно аппаратная техника, программно управляемая динамическая развязка всё чаще доступна через квантовые облачные API и может значительно расширить эффективное окно когерентности для торговых алгоритмов, включающих периоды простоя кубитов.

5. Торговые приложения: что работает сегодня

Оптимизация портфеля (QAOA / VQE)

Наиболее зрелое торговое приложение NISQ — мелкомасштабная оптимизация портфеля. Задачи, включающие 5-15 активов с бинарными или дискретными ограничениями на распределение, могут быть закодированы как задачи QUBO (квадратичная безусловная бинарная оптимизация) и решены с помощью QAOA-1 или shallow VQE. С подавлением ошибок эти подходы могут соответствовать или приближаться к качеству классических решателей для задач, достаточно малых для текущего оборудования.

Классификация рыночных режимов (VQC / квантовые ядра)

Классификация рыночных состояний с использованием 3-8 признаков и 2-4 классов вполне в пределах возможностей NISQ. Вариационные классификаторы с 4-8 кубитами и 1-2 запутывающими слоями могут достичь точности классификации, конкурентной с классическими SVM на стандартных финансовых наборах данных. Квантовые ядерные методы часто превосходят VQC в этом режиме, поскольку они избегают проблемы «бесплодных плато», которая мучает глубокие вариационные схемы.

Оценка рисков (варианты квантового Монте-Карло)

Хотя полная квантовая оценка амплитуды требует глубоких схем, усечённые варианты с использованием 1-3 итераций Гровера могут обеспечить улучшенную эффективность выборки для метрик риска, таких как VaR и CVaR. Квантовое ускорение скромно в NISQ-режиме, но подход демонстрирует чёткий путь к большим преимуществам по мере улучшения оборудования.

Генерация сигналов

Квантовая генерация случайных чисел (QRNG) уже коммерчески доступна и обеспечивает сертифицированную случайность для симуляций Монте-Карло и стохастических торговых стратегий. Это, пожалуй, наиболее готовая к производству квантовая технология для трейдинга на сегодняшний день.

6. Бенчмаркинг: квантовое vs классическое

Честный бенчмаркинг критически важен для оценки NISQ торговых алгоритмов. Релевантное сравнение — не «квантовый vs. без компьютера», а «квантовый vs. лучший классический алгоритм, работающий на оборудовании эквивалентной стоимости».

Метрики

  • Точность: насколько близко квантовое решение к известному оптимуму (для оптимизации) или истинной метке (для классификации)?
  • Чувствительность к шуму: как быстро деградирует точность при увеличении частоты ошибок вентилей?
  • Глубина схемы: сколько слоёв вентилей требуется для достижения целевой точности?
  • Число выстрелов: сколько исполнений схемы нужно для статистической сходимости?
  • Реальное время: общее время, включая классическую пре/постобработку, компиляцию и ожидание в очереди.
  • Стоимость: долларовая стоимость за запуск на квантовых облачных платформах vs. классические облачные вычисления.

Текущее состояние результатов

Для оптимизации портфеля с 5-10 активами QAOA-1 с подавлением ошибок обычно достигает 85-95% качества классического оптимального решения. Классические решатели (метод ветвей и границ, имитация отжига) остаются быстрее и точнее для задач этого масштаба. Однако квантовый подход масштабируется иначе: с ростом размера задачи ширина квантовой схемы растёт линейно, тогда как классические точные решатели сталкиваются с экспоненциальным ростом.

Для задач классификации квантовые ядерные методы показывают конкурентную точность (в пределах 1-3% от классических SVM) на низкоразмерных финансовых пространствах признаков, с намёками на преимущество на определённых нелинейно разделимых наборах данных.

Честная оценка такова, что NISQ-устройства пока не обеспечивают явного, практического преимущества для трейдинга. Но они приближаются к этой границе, и разрыв сужается с каждым поколением оборудования.

7. Пошаговое руководство по реализации

Наша реализация на Rust предоставляет полный фреймворк NISQ-трейдинга со следующими компонентами:

Симулятор NISQ

Структура NISQSimulator моделирует шумный квантовый процессор с настраиваемой частотой ошибок вентилей и измерений. Она оценивает параметризованные схемы, вычисляя идеальные ожидаемые значения и затем применяя деградацию шума, пропорциональную глубине схемы и частоте ошибок. Это позволяет быстрое прототипирование и бенчмаркинг без доступа к реальному квантовому оборудованию.

let simulator = NISQSimulator::new(
    8,      // количество кубитов
    0.005,  // частота ошибок вентилей (0.5%)
    0.02,   // частота ошибок измерений (2%)
);

Реализации алгоритмов

Реализованы три NISQ-алгоритма:

  1. ShallowVQE: однослойный вариационный собственный решатель, оптимизирующий веса портфеля минимизацией гамильтониана стоимости.

  2. QAOA1: однослойный QAOA, решающий задачи бинарной оптимизации. Он перебирает два параметра (gamma и beta) для нахождения оптимального смешивания гамильтонианов задачи и драйвера.

  3. VariationalClassifier: параметризованный классификатор, кодирующий рыночные признаки во вращения кубитов и обучающий параметры для минимизации ошибки классификации.

Подавление ошибок

Модуль ErrorMitigation реализует экстраполяцию к нулевому шуму, которая запускает схемы при нескольких коэффициентах усиления шума и экстраполирует к результату нулевого шума с помощью экстраполяции Ричардсона.

Бенчмаркинг

BenchmarkRunner сравнивает производительность алгоритмов в идеальных (без шума), шумных (сырой NISQ) и подавленных (NISQ + ZNE) условиях, сообщая метрики точности для каждого.

Интеграция с Bybit

BybitClient получает реальные данные OHLCV из API Bybit для бэктестинга и генерации сигналов в реальном времени.

8. Интеграция данных Bybit

Биржа Bybit предоставляет всеобъемлющий REST API для рыночных данных, который естественно интегрируется с рабочими процессами NISQ-трейдинга. Наша реализация использует конечную точку API v5 для данных свечей (kline):

GET https://api.bybit.com/v5/market/kline?category=linear&symbol=BTCUSDT&interval=15&limit=100

Конвейер данных

  1. Получение: сырые данные OHLCV извлекаются через HTTP GET запрос
  2. Парсинг: JSON-ответ десериализуется в типизированные структуры Rust
  3. Инженерия признаков: сырые цены преобразуются в нормализованные технические признаки
  4. Кодирование: признаки масштабируются в диапазон [0, 1] для кодирования углов квантовой схемы
  5. Предсказание: NISQ-алгоритмы обрабатывают закодированные признаки для генерации торговых сигналов
  6. Подавление: подавление ошибок применяется для повышения надёжности сигналов

9. Ключевые выводы

  1. NISQ реален и используем, но ограничен. Текущее квантовое оборудование может выполнять неглубокие схемы с осмысленными (хотя и несовершенными) результатами.

  2. Вариационные алгоритмы — рабочие лошадки NISQ-трейдинга. VQE, QAOA и вариационные классификаторы используют гибридную структуру, устойчивую к шуму.

  3. Подавление ошибок необходимо, а не опционально. Сырые результаты NISQ слишком шумны для торговых решений.

  4. Квантовое преимущество в трейдинге пока не установлено. Для задач, помещающихся на текущих NISQ-устройствах, классические алгоритмы остаются конкурентными или превосходящими.

  5. Начинайте с малого и валидируйте тщательно. Начните с задач на 5-10 кубитов, сравнивайте с классическими базовыми линиями.

  6. Оборудование быстро улучшается. Частоты ошибок вентилей снижались примерно в 10 раз каждые пять лет.

  7. Rust обеспечивает производительность и безопасность, необходимые для производственных квантово-классических гибридных систем.

  8. Интеграция с реальными рыночными данными (например, Bybit) проста. Основная задача — не доступ к данным, а их кодирование.