Глава 199: Квантовый отжиг в трейдинге

1. Введение

Квантовый отжиг — это метаэвристический метод оптимизации, использующий квантовомеханические явления для решения комбинаторных задач оптимизации. В контексте алгоритмической торговли многие ключевые решения — формирование портфеля, отслеживание индекса, маршрутизация ордеров и оптимизация размеров лотов — сводятся к NP-трудным комбинаторным задачам, с которыми классические решатели справляются всё хуже по мере роста размерности.

Компания D-Wave Systems стала пионером коммерческого квантового отжига, предлагая процессоры с тысячами кубитов, специально предназначенные для оптимизации. В отличие от универсальных вентильных квантовых компьютеров, выполняющих произвольные квантовые схемы, квантовые отжигатели D-Wave созданы специально для нахождения низкоэнергетических состояний спиновых систем Изинга. Эта специализация делает их естественными кандидатами для задач финансовой оптимизации, которые можно отобразить в формулировку квадратичной неограниченной бинарной оптимизации (QUBO).

Основная идея проста: закодировать задачу оптимизации торговли в матрицу QUBO, отправить её на квантовый отжигатель (или классический симулятор) и интерпретировать полученное бинарное решение как торговое решение. Квантовое преимущество, когда оно существует, обеспечивается способностью квантового туннелирования выходить из локальных минимумов, в которых застревают классические оптимизаторы.

Эта глава охватывает математические основы квантового отжига, демонстрирует, как формулировать типичные торговые задачи в виде QUBO, сравнивает квантовый отжиг с классическим имитационным отжигом и предоставляет полную реализацию на Rust, которая получает данные в реальном времени с Bybit и решает задачи оптимизации портфеля.

2. Математические основы

2.1 Модель Изинга

Модель Изинга берёт начало в статистической механике и описывает систему взаимодействующих бинарных спинов. Каждая спиновая переменная $s_i \in {-1, +1}$ представляет бинарную степень свободы. Энергия (гамильтониан) системы:

$$H_{Ising} = -\sum_{i<j} J_{ij} s_i s_j - \sum_i h_i s_i$$

где $J_{ij}$ — силы связи между спинами $i$ и $j$, а $h_i$ — локальные магнитные поля, действующие на отдельные спины. Задача оптимизации — найти конфигурацию спинов ${s_i}$, минимизирующую $H_{Ising}$.

2.2 Формулировка QUBO

Квадратичная неограниченная бинарная оптимизация использует бинарные переменные $x_i \in {0, 1}$ вместо спиновых переменных. Целевая функция:

$$\min_x ; x^T Q x = \sum_{i} Q_{ii} x_i + \sum_{i<j} Q_{ij} x_i x_j$$

где $Q$ — верхнетреугольная матрица, кодирующая линейные члены на диагонали и квадратичные взаимодействия вне диагонали. Формулировки Изинга и QUBO математически эквивалентны при подстановке $x_i = (s_i + 1) / 2$.

Для торговых задач искусство заключается в построении матрицы $Q$ так, чтобы низкоэнергетические бинарные решения соответствовали прибыльным или минимизирующим риск торговым решениям.

2.3 Расписание отжига

Квантовый отжиг работает путём медленного преобразования квантовой системы из легко подготавливаемого начального состояния в основное состояние проблемного гамильтониана. Зависящий от времени гамильтониан:

$$H(t) = A(t) H_{driver} + B(t) H_{problem}$$

где $A(t)$ убывает от большого значения до нуля, а $B(t)$ возрастает от нуля до большого значения за время отжига $T$. Распространённые расписания:

• Линейное расписание: $A(t) = 1 - t/T$, $B(t) = t/T$
• Экспоненциальное расписание: $A(t) = e^{-\alpha t/T}$, $B(t) = 1 - e^{-\alpha t/T}$

Экспоненциальное расписание часто работает лучше на практике, поскольку уделяет больше времени критической области, где энергетический зазор между основным и первым возбуждённым состояниями минимален.

2.4 Поперечное поле и туннелирование

Управляющий гамильтониан в квантовом отжиге обычно представляет собой поперечное поле:

$$H_{driver} = -\sum_i \sigma_i^x$$

где $\sigma_i^x$ — оператор Паули-X. Это поперечное поле индуцирует квантовую суперпозицию спиновых состояний, обеспечивая квантовое туннелирование через энергетические барьеры. В отличие от классических термических флуктуаций (используемых в имитационном отжиге), которые должны преодолевать барьеры сверху, квантовое туннелирование позволяет системе проходить сквозь тонкие высокие барьеры — потенциальное преимущество для неровных энергетических ландшафтов, характерных для финансовой оптимизации.

2.5 Адиабатическая теорема

Адиабатическая теорема гарантирует, что если гамильтониан изменяется достаточно медленно, система остаётся в своём мгновенном основном состоянии. В частности, время отжига $T$ должно удовлетворять:

$$T \gg \frac{\max_t |\langle 1(t) | \dot{H}(t) | 0(t) \rangle|}{(\Delta_{min})^2}$$

где $\Delta_{min}$ — минимальный энергетический зазор между основным состоянием $|0(t)\rangle$ и первым возбуждённым состоянием $|1(t)\rangle$ в процессе отжига. Для практических задач этот зазор может быть экспоненциально малым, что ограничивает теоретическую гарантию. Тем не менее, эвристический квантовый отжиг с конечным временем часто находит хорошие решения даже без строгих адиабатических гарантий.

3. Торговые приложения

3.1 Оптимизация портфеля с ограничениями на кардинальность

Классическая задача Марковица среднее-дисперсия становится NP-трудной при добавлении ограничений на кардинальность (например, «выбрать ровно $K$ активов из $N$»). Формулировка QUBO:

$$\min_x ; \lambda \sum_{i,j} \Sigma_{ij} x_i x_j - \sum_i \mu_i x_i + P \left(\sum_i x_i - K\right)^2$$

где $x_i \in {0,1}$ указывает, выбран ли актив $i$, $\Sigma$ — ковариационная матрица, $\mu$ — вектор ожидаемой доходности, $\lambda$ — параметр отвращения к риску, а $P$ — штрафной коэффициент, обеспечивающий выполнение ограничения на кардинальность.

3.2 Отслеживание индекса

Отслеживание индекса ищет разреженное подмножество активов, воспроизводящее доходность индекса. Формулировка QUBO минимизирует ошибку отслеживания:

$$\min_x ; \sum_t \left(r_t^{index} - \sum_i x_i w_i r_{i,t}\right)^2$$

с учётом ограничений на кардинальность. Когда веса $w_i$ предопределены (например, равные веса среди выбранных активов), это сводится к чистой задаче бинарного выбора, непосредственно отображаемой в QUBO.

3.3 Оптимизация торговых лотов

Для крупных ордеров, которые необходимо разбить на дискретные лоты, квантовый отжиг может оптимизировать распределение по площадкам и временным слотам. Бинарные переменные кодируют, назначен ли конкретный лот на конкретную площадку в конкретное время, а целевая функция штрафует рыночное влияние и транзакционные издержки.

3.4 Маршрутизация ордеров

Маршрутизация ордеров на множество площадок с дискретными решениями может быть выражена как QUBO. Целевая функция минимизирует ожидаемые затраты на исполнение (спред + рыночное влияние + комиссии) при ограничении, что общий маршрутизированный объём соответствует размеру ордера.

4. D-Wave vs вентильные квантовые вычисления

Аспект	Квантовый отжиг (D-Wave)	Вентильные (IBM, Google)
Тип задачи	Оптимизация (QUBO/Изинг)	Общие квантовые алгоритмы
Число кубитов	~5000+ (Advantage)	~1000+ (зашумлённые)
Связность	Топология графа Pegasus	Полная (с накладными расходами)
Коррекция ошибок	Нет (аналоговый процесс)	Частичная / в разработке
Модель программирования	Определить матрицу $Q$	Проектировать квантовые схемы
Лучше для трейдинга	Комбинаторные задачи выбора	Квантовый Монте-Карло, оценка амплитуд
Доступность	Облачный API (Leap)	Облачный API (Qiskit, Cirq)

Когда использовать отжиг: Задачи, которые естественно разлагаются на бинарный выбор с квадратичными взаимодействиями — выбор портфеля, отслеживание индекса, бинарное распределение.

Когда использовать вентильные: Задачи, требующие квантового ускорения на непрерывной оптимизации, симуляции квантовых систем для ценообразования деривативов или оценки амплитуд для анализа рисков.

5. Имитационный vs квантовый отжиг

5.1 Имитационный отжиг (классический)

Имитационный отжиг (SA) использует термические флуктуации, контролируемые параметром температуры $T$, который уменьшается со временем. На каждом шаге предлагается случайный переворот спина. Переворот принимается с вероятностью:

$$P(\text{принять}) = \min\left(1, ; e^{-\Delta E / T}\right)$$

где $\Delta E$ — изменение энергии. При высокой температуре большинство переворотов принимается (исследование); при низкой температуре принимаются только улучшающие перевороты (эксплуатация).

5.2 Имитационный квантовый отжиг (SQA)

SQA аппроксимирует квантовый отжиг на классическом оборудовании с помощью разложения Сузуки-Троттера. Он моделирует $P$ реплик (срезов Троттера) системы, связанных вдоль мнимого временного измерения. Напряжённость поперечного поля $\Gamma(t)$ уменьшается в процессе отжига, имитируя эффект квантового туннелирования.

Эффективный гамильтониан для SQA:

$$H_{SQA} = \sum_{k=1}^P H_{problem}({s_i^k}) - J_\perp \sum_{k=1}^P \sum_i s_i^k s_i^{k+1}$$

где $J_\perp = -\frac{T}{2} \ln \tanh\left(\frac{\Gamma}{PT}\right)$ — межреплечная связь.

5.3 Сравнительные преимущества

• Преимущества SA: Простота реализации, хорошо изученная сходимость, отсутствие аппаратных ограничений.
• Преимущества SQA: Может туннелировать через тонкие барьеры эффективнее, чем SA, часто находит лучшие решения на задачах с неровным энергетическим ландшафтом.
• Преимущества аппаратного QA: Массивный параллелизм от физической квантовой суперпозиции, постоянное время на один отжиг независимо от структуры задачи.

На практике для малых и средних торговых задач (N < 100 активов) классические SA и SQA конкурентоспособны с аппаратным QA. Потенциальное квантовое преимущество проявляется для более крупных задач со сложной структурой ограничений.

6. Обзор реализации

Наша реализация на Rust предоставляет три основных компонента:

6.1 Представление QUBO

Структура QuboProblem хранит верхнетреугольную матрицу $Q$ с помощью ndarray. Линейные члены занимают диагональ, а квадратичные — верхний треугольник. Метод energy() вычисляет $x^T Q x$ для данного бинарного решения.

6.2 Решатели

Реализованы два решателя:

• SimulatedAnnealingSolver: Классический SA с настраиваемым расписанием температуры (линейное или экспоненциальное затухание), числом проходов и начальной температурой.
• SimulatedQuantumAnnealingSolver: SQA со срезами Троттера, расписанием поперечного поля и межреплечной связью.

6.3 Кодирование портфеля в QUBO

PortfolioQuboBuilder принимает ковариационную матрицу, ожидаемую доходность и параметры (отвращение к риску $\lambda$, целевая кардинальность $K$, штрафная сила $P$) и строит матрицу QUBO.

6.4 Анализ энергетического ландшафта

EnergyLandscapeAnalyzer предоставляет инструменты для понимания ландшафта оптимизации: вычисление распределения энергий по случайным выборкам, оценка доли локальных минимумов и измерение высоты барьеров между решениями.

7. Интеграция с Bybit

Реализация получает данные рынка в реальном времени из API Bybit v5 для построения реалистичных задач оптимизации портфеля.

7.1 Конвейер данных

1. Получение тикеров: Запрос /v5/market/tickers для данных спотового рынка.
2. Получение свечей: Запрос /v5/market/kline для исторических OHLCV-данных.
3. Вычисление доходностей: Расчёт логарифмических доходностей по ценам закрытия.
4. Построение ковариационной матрицы: Оценка выборочной ковариационной матрицы по историческим доходностям.
5. Вычисление ожидаемой доходности: Использование средних исторических доходностей как простого оценщика.

8. Ключевые выводы

1. Естественное соответствие: Многие задачи оптимизации в трейдинге являются комбинаторными и естественно отображаются в формулировки QUBO.

2. Кодирование QUBO — узкое место: Самая сложная часть — не запуск отжигателя, а построение матрицы QUBO, точно представляющей торговую задачу.

3. Настройка штрафов важна: Штрафной коэффициент $P$ должен быть достаточно большим для обеспечения ограничений, но не настолько большим, чтобы доминировать над целевой функцией.

4. Классические базовые линии сильны: Для задач с менее чем ~100 бинарными переменными хорошо настроенный имитационный отжиг часто сравнивается или превосходит квантовый отжиг.

5. Преимущество квантового туннелирования: SQA и аппаратный QA показывают потенциальные преимущества на задачах с высокими тонкими энергетическими барьерами.

6. Аппаратные ограничения: Текущие квантовые отжигатели имеют ограниченную связность, требующую минорного вложения, увеличивающего эффективное число кубитов.

7. Гибридные подходы: Наиболее практичный подход сочетает квантовый отжиг для комбинаторного ядра с классической оптимизацией для непрерывных параметров.

8. Потенциал масштабируемости: По мере улучшения аппаратуры квантового отжига подход становится всё более жизнеспособным для крупномасштабных торговых задач.

9. Имитационный квантовый отжиг: Даже без квантового оборудования SQA на классических компьютерах предоставляет полезную промежуточную позицию.

10. Практический конвейер: Полный рабочий процесс может быть эффективно реализован на Rust, с решателем как заменяемым компонентом.